ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ Ir θrx ( n −r ) ⎤ −1
Capítulo 10 A = P −1 ⎢
⎣⎢θ( m−r ) xr
⎥Q
θ( m−r ) x ( n −r ) ⎦⎥

PSEUDOS INVERSAS ⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):

⎡ Ir ⎤
A = P −1 ⎢ [
⎥ Ir ]
θ rx ( n − r ) Q −1
⎣⎢θ ( m − r ) xr ⎦⎥
10.1. INTRODUCCIÓN.
⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): A = BC, siendo:
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
B∈Mmxr(ℜ) y Q∈Mrxn(ℜ) definidas por:
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
⎡ Ir ⎤
Generalizada, Inversa Condicional y Inversa Mínimo Cuadrática, así como
B = P −1 ⎢ ⎥ y C = Ir [ ]
θ rx ( n −r ) Q −1
también sus aplicaciones para la resolución de Sistemas de Ecuaciones ⎢⎣θ( m−r ) xr ⎥⎦
Lineales Consistentes.

10.2. INVERSA GENERALIZADA. DEFINICIÓN, PROPIEDADES Y ⎡ Ir ⎤ ⎡ Ir ⎤

Por el teorema 1.28., Rango(B)= Rango( P −1 ⎢ ⎥ )= Rango( ⎢ ⎥ )= r
EJEMPLOS. θ
⎣⎢ ( m− r ) xr ⎦⎥ ⎣⎢θ( m − r ) xr ⎦⎥
Definición 10.1. y Rango( I r[ ]
θ rx ( n − r ) Q −1 ) = Rango( I r [ ]
θ rx ( n − r ) ) = r. Por lo tanto, por el
Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Se dice que B es inversa generalizada de A teorema 8.10., las matrices BtB y CCt son definidas positivas y no singulares.
si:
Sea Ag definida de la siguiente manera:
1. AB es simétrica.
2. BA es simétrica. Ag = Ct(CCt)-1(BtB)-1Bt
3. ABA = A.
4. BAB = B. Veamos que Ag es inversa generalizada de A:

Es claro que si m = n y A es no singular entonces A-1 es inversa generalizada 1. AAg = BCCt(CCt)-1(BtB)-1Bt = B(BtB)-1Bt. Luego, AAg es una
de A. matriz de proyección, la cual es simétrica.
2. AgA = Ct(CCt)-1(BtB)-1BtBC = Ct(CCt)-1C = D(DtD)-1Dt, con D = Ct.
Teorema 10.1. Luego, AgA es una matriz de proyección, la cual es simétrica.
3. AAgA = B(BtB)-1BtBC = BC = A.
Sean A∈Mmxn(ℜ). Siempre existe una inversa generalizada de A y además es 4. AgAAg = Ct(CCt)-1CCt(CCt)-1(BtB)-1Bt = Ct(CCt)-1(BtB)-1Bt = Ag.
única. Se denota por Ag.
En consecuencia, Ag es inversa generalizada de A. Veamos ahora que es única.
Demostración
Supongamos que B∈Mnxm(ℜ) es también inversa generalizada de A. Luego,
Supongamos que Rango(A) = r. Por el teorema 1.30.: AB y BA son simétricas, ABA = A y BAB = B. Por lo tanto,

∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): 1. AAg = ABAAg = (AB)t(AAg)t = (AAgAB)t = (AB)t = AB.
2. AgA = AgABA = (AgA)t(BA)t = (BAAgA)t = (BA)t = BA.
⎡ Ir θ rx ( n − r ) ⎤ 3. Ag = AgAAg = BAAg = BAB = B.
PAQ = R(A) = ⎢ ⎥
⎢⎣θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎥⎦
Por consiguiente, la inversa generalizada Ag de A es única.

⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): Ejemplo 10.1.

Para la matriz A del ejemplo 1.37., se obtuvo que:

354
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡1 0 2 3⎤ ⎡1 0 0 0⎤ ⎡ 1 0 0 ⎤ ⎡573 ⎤ ⎡ 5
⎢ ⎥
304 224 − 21 −5 ⎤ ⎡1 3 5 ⎤
⎢ ⎥ ⎢ ⎥ 0⎥ ⎢ 829 829 829⎥ ⎢ 4 2⎥
⎢ ⎥
A = ⎢3 2 1 1⎥ , R (A) = ⎢0 1 0 0⎥ ; = ⎢ 0 1
⎢ 304 468 − 266 ⎥ ⎢− 21 45 5 ⎥
⎢ 0 0 1⎥ ⎢ 829 829 829⎥ 4 8 2⎥ ⎢0 2 4 ⎥
⎢⎣5 4 2 6⎥⎦ ⎢⎣0 0 1 0⎥⎦ ⎢ ⎢⎣2 1 2⎥⎦
⎢ ⎥ ⎢224 − 266 633 ⎥⎦ ⎢⎣ − 5 2 5 3 ⎥
− 19 7
⎢⎣ 2 ⎦⎥ ⎣ 2⎦
4 829 829 829 2
4
⎡ 0 ⎡1 0 0 4 ⎤
2 −1 ⎤ ⎢ ⎥ ⎡ 36 314 − 81 ⎤
⎢ ⎥ 0 1 0 − 19 ⎥ ⎢ 829 829 829 ⎥
P = ⎢− 1 −2 5 ⎥ , Q=⎢ 4
⎢0 ⎢− 250 − 62 148 ⎥
⎢ 4 4⎥ 0 1 −7 ⎥ = ⎢ 829 829 829 ⎥
⎢⎣ 1 2 − 1 1 ⎥ ⎢ 2⎥
⎢ 383 347 − 240
2⎦ ⎢⎣0 0 0 1 ⎥⎦
⎢ 9 829 829 829⎥⎥
⎢⎣ − 336 187
829 829 829 ⎦⎥
Se puede verificar que:
Teorema 10.2.
⎡1 0 0 −4 ⎤
⎡1 0 2⎤ ⎢ 19 ⎥
⎢ ⎥ 0 1 0 Sea A∈Mmxn(ℜ).
P −1 = ⎢3 2 1 ⎥ , Q −1 = ⎢ 4⎥
⎢0 0 1 7 ⎥
⎢⎣5 4 2⎥⎦ ⎢ 2⎥ 1. (At)g = (Ag)t.
⎢⎣0 0 0 1 ⎥⎦ 2. (Ag)g = A.
3. Rango(A) = Rango(Ag) = Rango(AAg) = Rango(AgA).
Asimismo, 4. (AtA)g = Ag(At)g.
5. Si m = n y A es simétrica entonces Ag es simétrica.
⎡1 0 0 − 4 ⎤ 6. Si m = n y A es simétrica entonces AAg = AgA.
⎡1 0 0⎤ ⎡1 0 2⎤ ⎡1 0 0 0 ⎤ Si m = n y A es simétrica e idempotente entonces Ag = A.
⎥ −1 ⎢⎢ ⎥ 7.
−1 ⎢ ⎥ ⎢ ⎥ ⎢
B = P ⎢0 1 0⎥ = ⎢3 2 1 ⎥ , C = ⎢0 1 0 0⎥ Q = 0 1 0 19 ⎥ 8. AAg, AgA, Im – AAg y In – AgA son simétricas e idempotentes.
⎢ 4⎥
⎢⎣0 0 1⎥⎦ ⎢⎣5 4 2⎥⎦ ⎢⎣0 0 1 0⎥⎦ 9. Si Rango(A) = r entonces Rango(Im – AAg) = m – r y
⎢⎣0 0 1 7 2 ⎥⎦
Rango(In – AgA) = n – r.
10. (AAg)g = AAg.
Luego, 11. (AgA)g = AgA.
12. Si P∈Mmxm(ℜ) y Q∈Mnxn(ℜ) son ortogonales entonces
⎡ 17 (PAQ)g = QtAgPt.
⎡35 26 15⎤ ⎢ − 19 − 14 ⎤⎥ 13. Si Rango(A) = n entonces Ag = (AtA)-1At.
⎢ ⎥
B B = ⎢26 20 10⎥ , CC = ⎢ − 19
t t 377 133 ⎥ 14. Si Rango(A) = m entonces Ag = At(AAt)-1.
⎢ 16 8⎥
⎢⎣15 10 9 ⎥⎦ ⎢ − 14 133 53 ⎥ 15. Si B∈Mmxr(ℜ) y C∈Mrxn(ℜ), con Rango(B) = Rango(C) = r
⎣ 8 4⎦ entonces (BC)g = CgBg.

Se puede verificar que: Demostración

⎡ 5 − 21 −5 ⎤ 1. Sean B = At y Bg = (Ag)t. Verifiquemos que Bg cumple las 4

⎢ 4 2⎥
( ) −1 propiedades:
B t B = ⎢− 21 45 5 ⎥,
⎢ 4 8 2⎥
⎢⎣ − 5 2 5 3 ⎥ 1.1. BBg = At(Ag)t = (AgA)t = AgA. Como AgA es simétrica
2 2⎦ entonces BBg es simétrica.
⎡573 304 224 ⎤ 1.2. BgB = (Ag)tAt = (AAg)t = AAg. Como AAg es simétrica
⎢ 829 829 829⎥ entonces BgB es simétrica.
( )
CC t −1
=⎢
⎢
304
829
468
829
− 266
829⎥
⎥ 1.3. BBgB = AgAAt = (AgA)tAt = (AAgA)t = At = B.
⎢⎣ 224 − 266 633 1.4. BgBBg = AAg(Ag)t = (AAg)t(Ag)t = (AgAAg)t = (Ag)t =
829 829 829 ⎥⎦ Bg.

Por lo tanto, Por lo tanto, (Ag)t es la inversa generalizada de At.

Ag = Ct(CCt)-1(BtB)-1Bt 2. Sean B = Ag y Bg = A. Verifiquemos que Bg cumple las 4

propiedades:

355 356
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

2.1. BBg = AgA. Como AgA es simétrica entonces BBg es AAg = A y AgAAg = AgA
simétrica. ⇒ AAg = A y Ag = AgA
2.2. BgB = AAg. Como AAg es simétrica entonces BgB es
simétrica. Como AAg = AgA entonces Ag = A.
2.3. BBgB = AgAAg = Ag = B.
2.4. BgBBg = AAgA = A = Bg. 8. Es evidente que AAg, AgA, Im – AAg y In – AgA son simétricas.
Veamos ahora que son idempotentes.
Por consiguiente, A es la inversa generalizada de Ag.
8.1. (AAg)2 = AAgAAg = (AAgA)Ag = AAg.
3. AAgA = A y AgAAg = Ag. Luego: 8.2. (AgA)2 = AgAAgA = (AgAAg)A = AgA.
8.3. (Im – AAg)2 = (Im – AAg)(Im – AAg) = Im – AAg – AAg +
3.1. Rango(A) = Rango(AAgA) ≤ Rango(AAg) ≤ Rango(A). (AAg)2. Como AAg es idempotente entonces (Im – AAg)2
Luego, Rango(AAg) = Rango(A). = Im – 2AAg + (AAg) = Im – AAg.
3.2. Rango(A) = Rango(AAgA) ≤ Rango(AgA) ≤ Rango(A). 8.4. (In – AgA)2 = (In – AgA)(In – AgA) = In – AgA – AgA +
Luego, Rango(AgA) = Rango(A). (AgA)2. Como AgA es idempotente entonces (In – AgA)2
3.3. Rango(Ag)=Rango(AgAAg) ≤ Rango(AAg) ≤ Rango(Ag). = In – 2AgA + (AgA) = In – AgA.
Luego, Rango(AAg) = Rango(Ag).
3.4. Rango(Ag)=Rango(AgAAg) ≤ Rango(AgA) ≤ Rango(Ag). En consecuencia, AAg, AgA, Im – AAg y In – AgA son
Luego, Rango(AgA) = Rango(Ag). idempotentes.

Por lo tanto, Rango(A) = Rango(Ag) = Rango(AAg) = 9. Por la propiedad 8, AAg, AgA, Im – AAg y In – AgA son
Rango(AgA). simétricas e idempotentes. Luego, por el teorema 7.18.,
Rango(Im – AAg) = Traza(Im – AAg), Rango(In – AgA)
4. Sean B = AtA y Bg = Ag(At)g. Verifiquemos que Bg cumple las 4 = Traza(In – AgA), Rango(AgA) = Traza(AgA) y
propiedades: Rango(AAg) = Traza(AAg). En consecuencia:

4.1. BBg = (AtA)(Ag(At)g) = At(AAg)(At)g = At(AAg)t(At)g. 1. Rango(Im – AAg) = Traza(Im – AAg)

Por la propiedad 1, (At)g = (Ag)t. Luego, ⇒ Rango(Im – AAg) = Traza(Im) – Traza(AAg)
BBg = At(AAg)t(Ag)t = (AAgA)t(Ag)t = At(Ag)t = (AgA)t = ⇒ Rango(Im – AAg) = m – Rango(AAg)
AgA. Como AgA es simétrica entonces BBg es simétrica. ⇒ Rango(Im – AAg) = m – Rango(A)
4.2. BgB = (Ag(At)g)(AtA). Por la propiedad 1, (At)g = (Ag)t. ⇒ Rango(Im – AAg) = m – r
Luego, BgB = (Ag(Ag)t)(AtA) = Ag(Ag)tAtA = Ag(AAg)tA
= AgAAgA = AgA. Como AgA es simétrica entonces BgB 2. Rango(In – AgA) = Traza(In – AgA)
es simétrica. ⇒ Rango(In – AgA) = Traza(In) – Traza(AgA)
4.3. BBgB = AgA(AtA) = (AgA)tAtA = (AAgA)tA = AtA = B. ⇒ Rango(In – AgA) = n – Rango(AgA)
4.4. BgBBg = (AgA)(Ag(At)g) = AgAAg(At)g = Ag(At)g = Bg. ⇒ Rango(In – AgA) = n – Rango(A)
⇒ Rango(In – AgA) = n – r
Por consiguiente, Ag(At)g es la inversa generalizada de AtA.
10. Es claro que (AAg)∈Mmxm(ℜ). Por la propiedad 8, se tiene que
5. Por la propiedad 1, se tiene que (Ag)t = (At)g. Como A es AAg es simétrica e idempotente. Luego, por la propiedad 7,
simétrica entonces (Ag)t = Ag, es decir, Ag es simétrica. (AAg)g = AAg.
6. AAg = (AAg)t = (Ag)tAt. Por la propiedad 1, se tiene que
11. Es claro que (AgA)∈Mnxn(ℜ). Por la propiedad 8, se tiene que
AAg = (At)gAt y como A es simétrica entonces AAg = AgA.
AgA es simétrica e idempotente. Luego, por la propiedad 7,
(AgA)g = AgA.
7. Como A es simétrica, entonces por la propiedad 6 se tiene que
AAg = AgA. Luego,
12. Sean B = PAQ y Bg = QtAgPt. Verifiquemos que Bg cumple las 4
propiedades:
(A)(AAg) = (A)(AgA) y (AgA)(AAg) = (AgA)(AgA)
⇒ AAAg = AAgA y AgAAAg = AgAAgA 12.1. BBg = (PAQ)(QtAgPt) = PAQQtAgPt = PAAgPt. Luego,
⇒ A2Ag = A y AgA2Ag = AgA (BBg)t = (PAAgPt)t = (Pt)t(AAg)tPt = PAAgPt = BBg. Por
lo tanto, BBg es simétrica.
Como A es idempotente, entonces:

357 358
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

12.2. BgB = (QtAgPt)(PAQ) = QtAgPtPAQ = QtAgAQ. Luego, Es decir, A = BC, siendo B = Im y C = A. En consecuencia,
(BgB)t = (QtAgAQ)t = Qt(AgA)t(Qt)t = QtAgAQ = BgB.
Por lo tanto, BgB es simétrica. Ag = Ct(CCt)-1(BtB)-1Bt = At(AAt)-1((Im)tIm)-1(Im)t = At(AAt)-1
12.3. BBgB = (PAAgPt)(PAQ) = PAAgPtPAQ = PAAgAQ =
PAQ = B. 15. Se sabe que la matriz A se puede expresar de la forma A = BC,
12.4. BgBBg = (QtAgAQ)(QtAgPt) = QtAgAQQtAgPt = con B∈Mmxr(ℜ), C∈Mrxn(ℜ) y Rango(B) = Rango(C) = r. Por lo
QtAgAAgPt = QtAgPt = Bg. tanto,

Por consiguiente, QtAgPt es la inversa generalizada de PAQ. Ag = (BC)g = Ct(CCt)-1(BtB)-1Bt

13. Por el teorema 1.30.: 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
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): Rango(C) = r entonces por la propiedad 14 se tiene que
Cg = Ct(CCt)-1. En consecuencia,
⎡ Ir θ rx ( n − r ) ⎤
PAQ = ⎢ ⎥ (BC)g = CgBg
⎣⎢θ ( m − r ) xr θ( m − r ) x ( n − r ) ⎦⎥
Observaciones:
Como Rango(A) = r = n entonces no es necesario aplicar
operaciones elementales de columnas sobre A para obtener su 1. Toda matriz de proyección H = X(XtX)-1Xt puede ser escrita de la
matriz normal R(A), es decir, Q = In. Además, forma H = XXg, ya que X es de rango columna completo.
2. Pr oy YPn = HY = XXgY.
⎡ In ⎤ p

R(A) = ⎢ ⎥
⎢⎣θ ( m − n ) xn ⎥⎦ 10.3. INVERSA CONDICIONAL. DEFINICIÓN, PROPIEDADES Y
EJEMPLOS.
Por consiguiente,
Definición 10.2.
⎡ In ⎤
A = P-1 ⎢ ⎥ Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Se dice que B es inversa condicional de A si
⎢⎣θ ( m − n ) xn ⎥⎦ ABA = A.

Es decir, A = BC, siendo B = A y C = In. En consecuencia, Es claro que Ag es también inversa condicional de A. Esto garantiza que
siempre existe al menos una inversa condicional de A.
Ag = Ct(CCt)-1(BtB)-1Bt = (In)t(In(In)t)-1(AtA)-1At = (AtA)-1At
Teorema 10.3.
14. Por el teorema 1.30.:
Sea A∈Mmxn(ℜ). No siempre existe una única inversa condicional de A.
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
Demostración
⎡ Ir θ rx ( n − r ) ⎤
PAQ = ⎢ ⎥ Supongamos que Rango(A) = r. Por el teorema 1.31.:
⎢⎣θ ( m − r ) xr θ( m − r ) x ( n − r ) ⎥⎦
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
Como Rango(A) = r = m entonces no es necesario aplicar
operaciones elementales de filas sobre A para obtener su matriz ⎡ Dr θ rx ( n − r ) ⎤
normal R(A), es decir, P = Im. Además, PAQ = Δ(A) = ⎢ ⎥
⎣⎢θ ( m − r ) xr θ( m − r ) x ( n − r ) ⎦⎥
R(A) = [ I m θ mx ( n − m ) ]
Siendo Dr∈Mrxr(ℜ) una matriz diagonal y no singular.
Por consiguiente,
⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): A = P-1Δ(A)Q-1
A = [ Im θ mx ( n − m ) ]Q-1

359 360
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Es claro que Rango(Δ(A)) = r. Además: Δ(A)(Δ(A))gΔ(A) = Δ(A)

⎡ Dr θrx ( n −r ) ⎤ ⎡ I r ⎤ ⎡ Ir ⎤ Sea B = Q(Δ(A))gP

Δ(A) = ⎢ ⎥=⎢ ⎥D [ ]
θrx ( n −r ) = ⎢ ⎥Dr Ir [ θrx ( n −r ) ]
⎣⎢θ( m−r ) xr θ( m−r ) x ( n −r ) ⎦⎥ ⎣⎢θ( m−r ) xr ⎦⎥ r ⎣⎢θ( m−r ) xr ⎦⎥ Es claro que A = P-1Δ(A)Q-1. En consecuencia,

Luego, 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
⎡ Ir ⎤ ⇒ ABA = P-1Δ(A)(Δ(A))gΔ(A)Q-1
Δ(A) = BC, siendo B∈Mmxr(ℜ), C∈Mrxn(ℜ) definidas por B = ⎢ ⎥ y ⇒ ABA = P-1Δ(A)Q-1
⎣⎢θ( m − r ) xr ⎦⎥
⇒ ABA = A
C = Dr[ I r θ rx ( n − r ) ] con Rango(B) = Rango(C) = r. En consecuencia,
Por lo tanto, B = Q(Δ(A))gP es inversa condicional de A. Como las matrices P
(Δ(A))g = Ct(CCt)-1(BtB)-1Bt y Q no son únicas para generar a Δ(A) entonces la inversa condicional no es
única.
Ahora bien,
Observación:
CCt = Dr[ I r θ rx ( n − r ) ](Dr[ I r θ rx ( n − r ) ])t
El cálculo de una inversa condicional de A depende de la matriz Δ(A) que se
⎡ Ir ⎤ elija. Sin embargo, un algoritmo sencillo para el cálculo de una inversa
= Dr[ I r θ rx ( n − r ) ] ⎢ t
⎥ (Dr) = DrIrDr = (Dr)
2

⎢⎣θ( n −r ) xr ⎥⎦
condicional de A es el siguiente:

1. Calcular Rango(A) = r.
⎡ Ir ⎤
t
B B = Ir[ θ ( m − r ) xr ]
⎢ ⎥ = Ir.
2. Elegir una submatriz M de A de orden rxr.
Hallar (M-1)t.
⎢⎣θ rx ( m − r ) ⎥⎦
3.
4. Reemplazar en A la submatriz M por (M-1)t y los restantes
elementos por ceros. Denotar esta matriz por N.
Por consiguiente, 5. Nt es una inversa condicional de A.

⎡ Ir ⎤ Ejemplo 10.2.
(Δ(A))g = ⎢ t 2 -1 -1
⎥ (Dr) ((Dr) ) (Ir) [ I r θ( m − r ) xr ]
⎢⎣θ( n − r ) xr ⎥⎦
En relación a la matriz A del ejemplo 10.1.:
⎡ Ir ⎤
= ⎢ -1
⎥ Dr(DrDr) [ I r θ( m − r ) xr ]
⎢⎣θ( n − r ) xr ⎥⎦ ⎡1 0 2 3⎤
⎢ ⎥
A = ⎢3 2 1 1⎥
⎡ Ir ⎤
= ⎢ -1 -1
⎥ Dr(Dr) (Dr) [ I r θ( m − r ) xr ] ⎢⎣5 4 2 6⎥⎦
⎢⎣θ( n − r ) xr ⎥⎦
⎡ Ir ⎤ 1. Rango(A) = 3
= ⎢ -1
⎥ (Dr) [ I r θ( m − r ) xr ]
⎢⎣θ( n − r ) r ⎥⎦ ⎡1 0 2⎤
⎢ ⎥
⎡ (D )−1 ⎤ 2. Sea M = ⎢3 2 1 ⎥ .
= ⎢ r ⎥ [ Ir θ( m − r ) xr ] ⎢⎣5 4 2⎥⎦
⎣⎢θ( n − r ) xr ⎦⎥
⎡ 0 −1 ⎤
⎡ (D )−1 ⎤ ⎢
2
⎥
= ⎢ r ⎥ [ Ir θ( m − r ) xr ] 3. −1
Se puede verificar que M = ⎢− 1 −2 5 ⎥ . Por lo tanto,
⎢⎣θ( n − r ) xr ⎥⎦ ⎢ 4 4⎥
⎢⎣ 1 2 − 1 1 ⎥
⎡ (D )−1 θ rx ( m − r ) ⎤ 2⎦
= ⎢ r ⎥
⎡ 0 1 ⎤
⎣⎢θ( n − r ) xr θ( n − r ) x ( m − r ) ⎦⎥ −1
(M ) = ⎢⎢
4 2⎥
−1 t
2 −2 −1 ⎥ .
Ahora bien, ⎢ −1 5 1 ⎥
⎣⎢ 4 2 ⎦⎥

361 362
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ 0 Demostración
−1 1 0⎤
⎢ 4 2 ⎥
4. N=⎢ 2 −2 −1 0⎥ . Sea (AtA)c una inversa condicional de AtA. Por lo tanto:
⎢ −1 5 1 0⎥⎥
⎢⎣ 4 2 ⎦ (AtA)(AtA)c(AtA) = AtA
⎡ 0 2 −1 ⎤
⎢ 5 ⎥ Premultiplicando a ambos lados de la igualdad anterior por (Ag)t se tiene que:
− 1 −2
5. Una inversa condicional de A es B = Nt = ⎢ 4 4⎥ .
⎢ 1 −1 1 ⎥
⎢ 2 2⎥ (Ag)t(AtA)(AtA)c(AtA) = (Ag)tAtA
⎢⎣ 0 0 0 ⎥⎦ ⇒ (Ag)tAtA(AtA)cAtA = (Ag)tAtA
⇒ (AAg)tA(AtA)cAtA = (AAg)tA
Teorema 10.4. ⇒ AAgA(AtA)cAtA = AAgA
⇒ A(AtA)cAtA = A (ABA = A)
Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Si B es inversa condicional de A entonces:
Postmultiplicando a ambos lados de la igualdad anterior por Ag se tiene que:
Rango(A) = Rango(AB) = Rango(BA) ≤ Rango(B).
A(AtA)cAtAAg = AAg
Demostración ⇒ A(AtA)cAt(AAg)t = AAg
⇒ A(AtA)c(AAgA)t = AAg
Por hipótesis, ABA = A. Luego: ⇒ A(AtA)cAt = AAg (AB = AAg)

1. Rango(A) = Rango(ABA) ≤ Rango(AB) ≤ Rango(A). Luego, Como AAg es simétrica entonces AB es simétrica. Luego, como ABA = A y
Rango(AB) = Rango(A). AB es simétrica entonces B es inversa mínimo cuadrática de A.
2. Rango(A) = Rango(ABA) ≤ Rango(BA) ≤ Rango(A). Luego,
Rango(BA) = Rango(A). Observación:
3. Rango(A) = Rango(ABA) ≤ Rango(BA) ≤ Rango(B). Luego,
Rango(BA) ≤ Rango(B). 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.
Por lo tanto, Rango(A) = Rango(AB) = Rango(BA) ≤ Rango(B).
Ejemplo 10.3.
10.4. INVERSA MÍNIMO CUADRÁTICA. DEFINICIÓN,
PROPIEDADES Y EJEMPLOS.
En relación a la matriz A del ejemplo 10.1.:
Definición 10.3.
⎡1 0 2 3⎤
⎢ ⎥
Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Se dice que B es inversa mínimo cuadrática A = ⎢3 2 1 1⎥
de A si: ⎢⎣5 4 2 6⎥⎦
1. ABA = A.
2. AB es simétrica. Se puede verificar que:

Es claro que Ag es también inversa mínimo cuadrática de A y que toda inversa ⎡35 26 15 36⎤
mínimo cuadrática es también inversa condicional. Esto garantiza que siempre ⎢ ⎥
26 20 10 26⎥
existe al menos una inversa mínimo cuadrática de A. AtA = ⎢
⎢15 10 9 19 ⎥
⎢ ⎥
Teorema 10.5. ⎢⎣36 26 19 46⎥⎦

Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Si (AtA)c es una inversa condicional de AtA Seguimos los pasos para hallar una inversa condicional de AtA:
entonces la matriz B definida por:
1. Rango(A) = 3 ⇒ Rango(AtA) = 3.
B = (AtA)cAt

Es inversa mínimo cuadrática de A.

363 364
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡20 10 26⎤ Amc = (AtA)cAt

⎢ ⎥
2. Sea M = ⎢10 9 19 ⎥ . Es inversa mínimo cuadrática de A.
⎢⎣26 19 46⎥⎦
Es claro que (AtA)∈Mnxn(ℜ). Como Rango(A) = n entonces Rango(AtA) = n.
⎡ 53 34 − 44 ⎤
⎢ 256 256 256 ⎥ Por consiguiente, AtA es invertible y en consecuencia Amc = (AtA)-1At. Como
3. Se puede verificar que M = ⎢ −1 34 244 − 120 ⎥ y (AtA)-1 es única entonces Amc es única.
⎢ 256 256 256⎥
⎢ − 44 − 120 80
⎣ 256 256 256 ⎥⎦ Teorema 10.7.
⎡ 53 34 − 44 ⎤
⎢ 256 256 256 ⎥ Sean A∈Mmxn(ℜ) y Ac, Amc∈Mnxm(ℜ) tales que Ac y Amc son una inversa
( ) t
M −1 = ⎢ 34
⎢ 256
244
256
− 120
256⎥
⎥. condicional y una inversa mínimo cuadrática de A, respectivamente.
⎢⎣− 256 −
44 120
256
80
256 ⎥⎦ 1. AcA = In si y sólo si AgA = In.
2. AmcA = In si y sólo si AgA = In.
⎡0 0 0 0 ⎤
⎢ ⎥ 3. AcA = In si y sólo si AmcA = In.
⎢ 0 53 34 − 44
256 256 256 ⎥
4. N=⎢ ⎥.
0 34 244 − 120 Demostración
⎢ 256 256 256⎥
⎢0 − 44 − 120 80 ⎥
⎣ 256 256 256 ⎦ 1. CN (⇒): Si AcA = In entonces AgA = In.
5. Una inversa condicional de AtA es Por definición de inversa generalizada:
⎡0 0 0 0 ⎤
⎢ ⎥ AAgA = A
53 34 − 44
( ) c
AtA = ⎢
⎢0
0 34
256
244
256
− 120
256 ⎥
⎥.
⇒ Ac(AAgA) = Ac(A)
⇒ (AcA)(AgA) = AcA
⎢ 256 256 256⎥
⎢0 − 44 ⎥ ⇒ (In)(AgA) = In
− 120 80
⎣ 256 256 256 ⎦ ⇒ AgA = In

Luego, una inversa mínimo cuadrática de A es la siguiente matriz B: CS (⇒): Si AgA = In entonces AcA = In.

⎡0 0 0 0 ⎤ ⎡1 3 5⎤
Por definición de inversa condicional:
⎢ ⎥ ⎢ ⎥
⎢ 0 53 34 − 44
256 256 256 ⎥ ⎢0 2 4⎥ AAcA = A
B = (AtA)cAt = ⎢ ⎥
0 34 244 − 120 ⎢2 1 2⎥ ⇒ A (AAcA) = Ag(A)
g
⎢ 256 256 256⎥ ⎢ ⎥
⎢0 − 44 − 120 ⎥ ⇒ (AgA)(AcA) = AgA
⎣
80
256 ⎦ ⎣⎢3 1 6⎦⎥
256 256 ⇒ (In)(AcA) = In
⎡ 0 0 0 ⎤ ⇒ AcA = In
⎢ 1 ⎥
⎢−
1 3
4 8 16⎥ 2. La demostración es análoga a la demostración del apartado 1.
= ⎢ 1 3 −3 ⎥
⎢ 2 4 8⎥
⎢ 0 −1 1 ⎥ 3. La demostración es análoga a la demostración del apartado 1.
⎣ 2 4⎦
Teorema 10.8.
Teorema 10.6.
Sean A∈Mmxn(ℜ), B, C, D∈Mnxm(ℜ) e Y∈ℜm. La expresión:
Sea A∈Mmxn(ℜ). Si Rango(A) = n entonces existe una única inversa mínimo
cuadrática de A. ABY = Y

Demostración Es invariante para cualquier inversa condicional B de A.

t c t
Por el teorema 10.5., si (A A) es una inversa condicional de A A entonces la
siguiente matriz:

365 366
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Demostración 1. El SEL AX = Y es consistente si y sólo si existe una inversa mínimo

cuadrática Amc de A tal que AAmcY = Y.
Sean C, D∈Mnxm(ℜ) inversas condicionales de A tales que ACY = Y. Luego, 2. El SEL AX = Y es consistente si y sólo si AAgY = Y.
ACA = A y ADA = A. Por lo tanto,
Teorema 10.10.
ACY = Y ⇒ AD(ACY) = (AD)Y
⇒ (ADA)CY = ADY Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Si Rango(A) = m entonces el SEL AX = Y
⇒ ACY = ADY es consistente.
⇒ ADY = ACY
⇒ ADY = Y Demostración

Es decir, la expresión ABY = Y es invariante para cualquier inversa Como Rango(A) = m entonces por el teorema 10.2., apartado 12 se tiene que
condicional B de A. 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.
Observación:
Teorema 10.11. (Solución General de un SEL)
Como la inversa generalizada de A (Ag) y cualquier inversa mínimo cuadrática
de A, digamos Amc son inversas condicionales de A entonces la expresión Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Si el SEL AX = Y es consistente entonces
ABY = Y es invariante para cualquier pseudo inversa B (generalizada, su solución general denotada por Xsg es:
condicional o mínimo cuadrática) de A.
Xsg = AcY + (In – AcA)Z
10.5. APLICACIONES SOBRE SISTEMAS DE ECUACIONES
LINEALES. Siendo Ac una inversa condicional de A y Z∈ℜn.

Teorema 10.9. Demostración

Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. El SEL AX = Y es consistente si y sólo si Para demostrar que el vector Xsg es la solución general del SEL AX = Y
existe una inversa condicional Ac de A tal que AAcY = Y. debemos probar que es solución del SEL AX = Y y que toda solución de dicho
sistema tiene la forma de Xsg.
Demostración
1. AXsg = A(AcY + (In – AcA)Z) = AAcY + AZ – AAcAZ = Y + AZ – AZ =
CN(⇒): Si el SEL AX = Y es consistente entonces existe una inversa Y. Por lo tanto, Xsg es solución del SEL AX = Y
condicional Ac de A tal que AAcY = Y. 2. Si X0 es solución del SEL AX = Y entonces:

Por hipótesis, el SEL AX = Y es consistente, es decir: AX0 = Y

⇒ AcAX0 = AcY
∃ X0∈ℜ: AX0 = Y ⇒ θnx1 = AcY – AcAX0
⇒ X0 + θnx1 = AcY – AcAX0 + X0
Sea Ac∈Mnxm(ℜ) tal que Ac es una inversa condicional de A. Luego, ⇒ X0 = AcY + (In – AcA)X0
⇒ X0 = AcY + (In – AcA)Z; Z = X0
AAcY = AAcAX0 = AX0 = Y ⇒ X0 = Xsg
Por consiguiente, X0 es de la misma forma que Xsg.
CS(⇐): Si existe una inversa condicional Ac de A tal que AAcY = Y entonces
el SEL AX = Y es consistente. Observación:

Si existe una inversa condicional Ac de A tal que AAcY = Y entonces existe Como cualquier inversa mínimo cuadrática y la inversa generalizada de A son
X0∈ℜn con X0 = AcY tal que AX0 = Y. Luego, el SEL AX = Y es consistente. 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
Observación: 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
Por el teorema 10.8., como la expresión ABY = Y es invariante para cualquier inversa condicional Ac y una inversa mínimo cuadrática Amc de A tales que
inversa condicional B de A entonces: AcY y AmcY son soluciones del SEL AX = Y.

367 368
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Teorema 10.12. Xsg = AgY + (In – AgA)Z; Z∈ℜn.

Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm tales que el SEL AX = Y es consistente. El Sea B∈Mnxn(ℜ) la matriz definida por B = In – AgA.
vector X0 = AgY es la única solución del SEL AX = Y si y sólo si AgA = In.
La matriz B se puede expresar particionada por columnas 1xn de la siguiente
Demostración forma:

CN(⇒): Si el vector X0 = AgY es la única solución del SEL AX = Y entonces B = [B1 B2 … Bn]
AgA = In.
Luego, para Z0 = θnx1, Z1 = e1, Z2 = e2, …, Zn = en se obtienen n + 1 soluciones
Por el teorema 10.11., la solución general del SEL AX = Y es: del SEL AX = Y:

Xsg = AgY + (In – AgA)Z; Z∈ℜn. X0 = AgY + [B1 B2 … Bn]θnx1 = AgY

⎡1 ⎤
Si X0 = AgY es la única solución del SEL AX = Y entonces X0 = Xsg. Luego, ⎢ ⎥
0
X1 = AgY + [B1 B2 … Bn] ⎢ ⎥ = AgY + B1.
AgY = AgY + (In – AgA)Z; Z∈ℜn. ⎢M ⎥
⎢ ⎥
⇒ AgY – AgY = (In – AgA)Z; Z∈ℜn. ⎣⎢0⎦⎥
⇒ (In – AgA)Z = θnx1; Z∈ℜn.
⎡0 ⎤
⇒ In – AgA = θnx1 ⎢ ⎥
⇒ AgA = In 1
X2 = AgY + [B1 B2 … Bn] ⎢ ⎥ = AgY + B2.
⎢M ⎥
CS(⇒): Si AgA = In entonces el vector X0 = AgY es la única solución del SEL ⎢ ⎥
⎣⎢0⎦⎥
AX = Y
⎡0 ⎤
Por el teorema 10.11., la solución general del SEL AX = Y es: ⎢ ⎥
0
Xn = AgY + [B1 B2 … Bn] ⎢ ⎥ = AgY + Bn.
⎢M ⎥
Xsg = AgY + (In – AgA)Z; Z∈ℜn. ⎢ ⎥
⎣⎢1⎦⎥
Si AgA = In entonces Xsg = AgY + (In – In)Z = AgY. Luego, el vector X0 = AgY
es la única solución del SEL AX = Y. Sea X∈Mnx(n+1)(ℜ) la matriz definida por X = [X0 X1 X2 … Xn]. Luego,
X = [AgY AgY + B1 AgY + B2 … AgY + Bn]
Observaciones: ⎡1 1 1 L 1⎤
⎢ ⎥
1. Por el teorema 10.2., apartado 3, Rango(A) = Rango(AgA). Si AgA = In ⎢0 1 0 L 0 ⎥
entonces Rango(A) = Rango(In) = n. Luego, por el teorema anterior el
g
= [A Y B 1
B … B ] 0 0 1 L 0⎥
2 n ⎢
⎢ ⎥
vector X0 = AgY es la única solución del SEL AX = Y si y sólo si ⎢M M M M⎥
Rango(A) = n. ⎢0 0 0 L 1 ⎥
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 ⎡ 1
= [AgY B] ⎢
(1n )t ⎤
X0 = (AtA)-1AtY = (A)-1(At)-1AtY = A-1InY = A-1Y. ⎥
⎢⎣θ nxn I n ⎥⎦
Teorema 10.13. ⎡ 1
In – AgA] ⎢
(1n )t ⎤
= [AgY ⎥
⎢⎣θ nxn I n ⎥⎦
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. ⎡ 1
Es claro que ⎢
(1n )t ⎤ es no singular. Luego, por el teorema 1.28.,
⎥
⎢⎣θ nxn I n ⎥⎦
Demostración
Rango(X) = Rango([A Y In – AgA]).
g

Por hipótesis, el SEL AX = Y es consistente. Luego, por el teorema 10.11., la

solución general de dicho SEL es: Ahora bien, por el teorema 10.2., apartado 14, Rango(B) = Rango(In – AgA)
= n – r.

369 370
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Demostremos que Rango(X) = n – r + 1. Utilicemos reducción al absurdo, es Luego,

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, t≤n–r+1
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: En consecuencia, el SEL AX = Y tiene exactamente n – r + 1 soluciones L.I.

n Observaciones:
AgY = ∑c B j
j

i =1 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
Luego, subespacio de ℜn.

⎡ c1 ⎤ ⎡ c1 ⎤ 2. Si Y = θmx1 entonces el SEL AX = θmx1 tiene exactamente n – r

n ⎢ ⎥ ⎢ ⎥ soluciones distintas de la trivial y además dicho conjunto de soluciones
c ⎢c 2 ⎥
A Y=
g
∑c B
i =1
j
j
= [B 1
B … B ] ⎢ 2 ⎥ = (In – AgA)C; C =
2
⎢M⎥
n
⎢M⎥ que coincide con el espacio nulo de A NA, forma un subespacio de ℜn.
⎢ ⎥ ⎢ ⎥
⎣⎢c n ⎦⎥ ⎣⎢c n ⎦⎥ Ejemplo 10.4.

En consecuencia, Consideremos el SEL del ejemplo 3.6.:

Xsg = AgY + (In – AgA)Z = (In – AgA)C + (In – AgA)Z; C, Z∈ℜn. ⎧ X1 + 2X 2 + X 3 = 1

⇒ Xsg = (In – AgA)(C + Z) ⎪
⎨ 2X1 − X 2 + 3X 3 = 2
⎪2 X + 4 X + 2 X = 2
Por lo tanto, ⎩ 1 2 3

AXsg = A(In – AgA)(C + Z) En este caso:

⇒ AXsg = (A – AAgA)(C + Z)
⇒ AXsg = (A – A)(C + Z) ⎡1 2 1⎤ ⎡1 ⎤
⇒ AXsg = (θmxn)(C + Z) ⎢ ⎥ ⎢ ⎥
A = ⎢2 − 1 3⎥ , Y = ⎢ 2⎥
⇒ AXsg = θmx1
⎣⎢2 4 2⎦⎥ ⎣⎢2⎦⎥
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 Se puede verificar que Rango(A) = 2. Igualmente, se puede verificar que una
entonces el SEL AX = Y tiene n – r + 1 soluciones L.I. inversa condicional de A es:

Para demostrar que el SEL AX = Y tiene exactamente n – r + 1 soluciones L.I., ⎡1 2 0⎤

supongamos que t es el número máximo de soluciones L.I. del SEL AX = Y. ⎢ 5 5 ⎥
Luego, existen H1, H2, …, Ht∈ℜn tales que: A = ⎢2
c
−1 0⎥
⎢ 5 5 ⎥
j g g j ⎢⎣ 0 0 0⎥
⎦
X = A Y + (In – A A)H es solución del SEL AX = Y.

Luego, También se puede verificar que AAcY = Y. Luego, por el teorema 10.9., el
SEL es consistente. Determinemos ahora su solución general:
⎡1 1 L 1⎤
W = [X1 X2 … Xt] = [AgY In – AgA] ⎢ 1 ⎥ Xsg = AcY + (In – AcA)Z; Z∈ℜn
⎣H H2 L Ht ⎦
⎡1 2 0⎤ ⎡1 ⎤ ⎡1⎤
Como X1, X2, …, Xt son L.I., entonces Rango(W) = t. Por el teorema 1.32., ⎢ 5 5 ⎥ ⎢ ⎥ ⎢ ⎥
Rango(W) es igual a: A Y = ⎢2
c
−1 0⎥ 2
⎢ ⎥ = ⎢0 ⎥
⎢ 5 5 ⎥ ⎢⎣2⎥⎦ ⎢⎣0⎥⎦
⎢⎣ 0 0 0⎥
⎦
⎡1 1 L 1⎤
Rango([AgY In – AgA] ⎢ 1 ⎥ ) ≤ Rango([A Y
g
In – AgA])
⎣H H2 L Ht ⎦

371 372
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡1 0 0⎤ ⎡⎢ 1 5 2 0⎤ ⎡1 2 1⎤ ⎡0 0 − 7 ⎤ EJERCICIOS PROPUESTOS.
⎢ ⎥
5 ⎥ ⎢ ⎥ ⎢ 5⎥
I3 – A A = ⎢0 1 0⎥ – ⎢ 2
c
−1 0⎥ ⎢2 − 1 3 ⎥ = ⎢0 0 1 ⎥ 1. Determine la inversa generalizada de cada una de las siguientes
5 5 ⎢ 5 ⎥
⎢⎣0 0 1⎥⎦ ⎢⎢ 0 0
⎥
0⎥ ⎢⎣2 4 2⎥⎦ ⎢⎣0 0 1 ⎥ matrices:
⎣ ⎦ ⎦
⎡ 2 0 −1 ⎤
Luego, ⎢ ⎥ ⎡1 0 −1 0⎤ ⎡ −1 0⎤
0 4 1⎥ ⎢ ⎥ ⎢ ⎥
A=⎢ ; B = ⎢3 − 2 2 4⎥ ; C = ⎢ 1 1 ⎥ ;
⎢− 3 0 − 2⎥
⎡1⎤ ⎡0 0 − 7 ⎤ ⎢ ⎥ ⎢⎣5 0 1 3⎥⎦ ⎢⎣ 2 3⎥⎦
⎢ ⎥ ⎢ 5⎥
⎣⎢ 0 1 2⎦⎥
X = ⎢0 ⎥ + ⎢0 0
sg 1 ⎥ Z; Z∈ℜ3
⎢ 5 ⎥ ⎡ 1 −2 1 −2 ⎤
⎢⎣0⎥⎦ ⎢⎣0 0 1 ⎥ ⎡ 1 −1 2⎤ ⎢ ⎥
⎦ ⎢ ⎥ −2 0 3 − 5⎥
D=⎢ 0 2 3⎥ ; E = ⎢ ;
⎢ 1 3 2 2⎥
Como Rango(A) = 2 el SEL AX = Y tiene exactamente 3 – 2 + 1 = 2 ⎢⎣ − 2 2 − 4⎥⎦ ⎢ ⎥
soluciones L.I. Fijando Z1 = θ3x1 y Z2 = e3 se obtienen las 2 soluciones X1 y X2 ⎣⎢− 2 − 5 2 − 9 ⎦⎥
L.I. de dicho SEL: ⎡1 2 5 2⎤
⎢ ⎥
F = ⎢3 7 − 12 4⎥
⎡− 7 ⎤ ⎡− 2 ⎤ ⎢⎣0
⎡1⎤ ⎡1⎤ ⎢ 5⎥ ⎢ 5⎥ 1 3 − 2⎥⎦
⎢ ⎥ ⎢ ⎥ ⎢ 1 ⎥ = ⎢ 1 ⎥
X1 = ⎢0⎥ y X2 = 0
⎢ ⎥ +
⎢⎣0⎥⎦ ⎢⎣0⎥⎦ ⎢ 5⎥ ⎢ 5⎥
⎢⎣ 1 ⎥⎦ ⎢⎣ 1 ⎥⎦ 2. Sea A∈Mmxn(ℜ), B∈Mnxn(ℜ). Demuestre que si BtAtA + AtAB
= ((AB)tA)t entonces AB = θmxn.
Esta operación equivale a desarrollar la solución general: 3. Sea A∈Mmxn(ℜ), tal que Rango(A) = r, con 0 < r < m. Demuestre que
A(AtA)gAt es semidefinida positiva.
⎡1⎤ ⎡0 0 − 7 ⎤ ⎡ Z ⎤
⎢ ⎥ ⎢ 5⎥ 1

X = ⎢0 ⎥ + ⎢0 0
sg 1 ⎥ ⎢Z ⎥ 4. Sea A∈Mmxn(ℜ). Demuestre que Ag = At si y sólo si AtA es
⎢ 5 ⎥ ⎢ 2⎥ idempotente.
⎢⎣0⎥⎦ ⎥⎦ ⎢⎣ Z3 ⎥⎦
⎣⎢
0 0 1
5. Sea A∈Mmxm(ℜ). Demuestre que si A es simétrica entonces Ag es
⎡1⎤ ⎡ − 7 Z3 ⎤ diagonalizable.
⎢ ⎥ ⎢ 5 ⎥
= ⎢0 ⎥ + ⎢ 1 Z 3 ⎥
⎢ 5 ⎥ 6. Sean A∈Mmxm(ℜ), B∈M(m-n)xm(ℜ) tales que BA = θ(m-n)xm con
⎢⎣0⎥⎦ ⎢⎣ Z3 ⎥⎦ Rango(A) = r y Rango(B) = m – r. Demuestre que la matriz AAg +
BgB es no singular.
⎡1⎤ ⎡− 7 ⎤
⎢ ⎥ ⎢ 5⎥
= ⎢0⎥ + Z3 ⎢ 1 ⎥ ; Z3∈ℜ 7. Sean A∈Mmxm(ℜ), B∈M(m-n)xm(ℜ) tales que A es simétrica,
⎢⎣0⎥⎦ ⎢ 5⎥ BA = θ(m-n)xm, Rango(A) = r y Rango(B) = m – r. Demuestre que la
⎣⎢
1⎥ matriz A + BtB es no singular.
⎦

Para luego fijar Z3 = 0 y Z3 = 1 y así obtener las 2 soluciones L.I. del SEL 8. Sean A∈Mmxm(ℜ), B∈M(m-n)xm(ℜ) tales que A es simétrica y
AX = Y: BA = θ(m-n)xm. Demuestre que:

⎡− 7 ⎤ ⎡− 2 ⎤ BtBAg = ABg(Bg)t = θmxm

⎡1⎤ ⎡1⎤ ⎢ 5⎥ ⎢ 5⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢0⎥ + ⎢ 5 ⎥ = ⎢⎢ 5 ⎥⎥
X1 = ⎢0⎥ y X2 = 1 1 9. Sean A, B∈Mnxn(ℜ) matrices simétricas, tales que Rango(A) = m,
⎢⎣0⎥⎦ ⎢⎣0⎥⎦ Rango(B) = r y BA = θnxn, con 0 < m < n, 0 < r < n y m + r = n.
⎢⎣ 1 ⎥⎦ ⎢⎣ 1 ⎥⎦
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.

373 374
 CAPÍTULO 10: PSEUDOS INVERSAS ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

11. Sean A, B∈Mnxn(ℜ) tales que Rango(A) = r < n, B es no singular y la ⎧X1 + 3X 2 − X 4 = 0

matriz BA es idempotente. Demuestre que B es una inversa ⎪
condicional de A.
18.4. ⎨X1 − X 3 + X 4 = 0
⎪X + X = 0
⎩ 1 2
12. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Demuestre que si B es una inversa
condicional de A entonces Rango(A) = Rango(BAB). 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;
13. Sean G∈Mpxp(ℜ) y X∈Mnxp(ℜ) tal que Rango(X) = r con 0 < r < p. ∀ j = 1, 2, …, t. Demuestre que si el SEL AX = Y es consistente
Demuestre que si G es una inversa condicional de XtX entonces: t

13.1. t
G es inversa condicional de X X. t
entonces el vector Z = AcY + ∑ c (I
j=1
j n − A c A)H j es solución del SEL

13.2. XGXtX = X. AX = Y.
13.3. XGXt es invariante respecto de cualquier inversa
condicional G de XtX. 20. Sean A∈Mmxn(ℜ), B∈Mpxq(ℜ), C∈Mmxq(ℜ) y X∈Mnxp(ℜ). Demuestre
13.4. XGXt es simétrica. que una condición necesaria y suficiente para que la ecuación
13.5. XGXt es semidefinida positiva. AXB = C tenga una solución es que AAgCBgB = C y en tal caso su
13.6. Rango(In – XGXt) = n – r. solución general es de la forma Xsg = AgCBg + Z – AgAZBBg; donde
13.7. CtXGXtXB = UtB; ∀ B∈ℜp donde U = XtC y C∈ℜn. Z∈Mnxp(ℜ).
14. Determine una inversa mínimo cuadrática para cada una de las 21. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Sea X0 = AgY una solución del
matrices dadas en el ejercicio 1. sistema de ecuaciones AX = Y. Demuestre que el vector Z = X0 + W
es una solución del SEL AX = Y, ∀ W∈S⊥, siendo
15. Sean A∈Mmxn(ℜ) y Amc∈Mnxm(ℜ) tales que Amc es una inversa S = {(A1)t, (A2)t, …, (An)t}.
mínimo cuadrática de A. Demuestre que AAg = Im si y sólo si
AAmc = Im.

16. Sea A∈Mmxn(ℜ). Demuestre que si A1mc y A mc

2 son inversas mínimo
cuadráticas de A entonces A (A1mc − A mc
2 ) = θ mxm .

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.:

⎧2X1 − 2X 2 + 4X 3 − 2X 4 = −4
⎪
18.1. ⎨X1 + 5X 3 − 2X 4 = 3
⎪− 3X + 3X − 6X + 3X = 6
⎩ 1 2 3 4

⎧X1 + X 2 + X 3 = 3
⎪
18.2. ⎨X1 − X 2 + 2X 3 = −3
⎪3X − X + 5X = −2
⎩ 1 2 3

⎧4X1 + 2X 2 + 2X 3 = 3
⎪
18.3. ⎨2X1 + 2X 2 = 0
⎪2 X + 2 X = 3
⎩ 1 3

375 376