Sistema de Ecuaciones

~ til ifere:nlcilil: es 15 "13 = 2 Ailternil"tivilA)
CAPITULO 1

1.1.3 Elmetododeeliminaci6ndeGauss,ometododeesca- lerizaci6n

El u hjetivo de esta seccion es presentar un metodo sistematico para la resolucion de sistemas lineales decualquier tamaiio. La ideadel metodo es muysimple: irreduciendoencada pasoelpro hlemaaunpro hlemaquetiene unaecuacionmenusyunaincognitamenus. Estemetodoesconocidocorno

met.ododeescaler-iaacion ,metododeeliminaciondeGauss 0 met.odo

de elirrrinacion de gausalana . LusrluslIltimusnumhresalurlenaqueen carlapasuvamuseliminanrluunaomasincognitas,ysonunreconocimientoa quienintrodujoelmetodo:

elmatematicuCarlFrierlerichGauss( 1777-1855)

4

Ejem plo 1.1. 9. Busquemostresmunerosreales

;1:, y y z quesatisfagan

{ ;1: + y +2 z =8 ,

2y + z =8

z =2.

Esteesunsistemad

x 3muyfacilrleresolver. Delaultimaecuacionsedespeja

z =2

. Conestevalorde

z sustituimusenalsegunrlaecuacionytenemus

2y +2=8

=} 2y =6 =} Y =3 .

Fmalmenteconlosvaloresde ysustituyendosetieneque

y y z hallados "suhimos" alaprimeraecuacion

x 2=8 =};I: =1 .

Enconsecuencia,el,istematieneunalmicasulucion,quees

;1: =1, y =3, z =2 .

4Gauss fue uno de los grandes cientificos de toda la hiatoria.

Una breve biografia

de Gauss y referencias para lecturus post eriores pueden encontrarse en el sitio web http://www-gap.des.st-and.ae . uk/history /. El nombredeescalerizacion tiene que ver con la forma que adopta el sistema al cabo de un mirnero finit 0 de pasos, luego de los quequedaconvertido en un pro bletnacuyasolucion eso bvia, COIIlD elrlenuest ro proximo ejernplo.

WWW.MIACADEMIA1.BLOGSPOT.COM

1.lINTRODUCCI ON ALOSSISTEMASLINEALES

Porlemusescrihirestasulucioncomolalistarletresnllmerusreales(1 ,3,2). El

conjunturlesuluciunesnel,istemaes {(I, 3, 2)}. Elprucedimientodedespejar

una inco gnit a en una ecuacion y sus tituirla en utr a de arri h a se denomina

sust it ucionhaciearr-i ba ,yesp osi hlep orleformap art iculardeestesis tema .

•

D iremusqueunsistemacomoelrlelejemplo 1.1. 9 ,enelque

1. las incognitas que aparecen en carla ecuacion tamhien aparecen en la anterior:

2. encarlaecuacionaparecenmenusincognitasqueenlaanteriur,

esta escalerizado .porlaformade "escalera" queadoptansusecuacionesal ser escritas. Para estes sistemas escalerizados tenernos un metodo facil de resolucion: calcularlasincognitasqueaparecenenlaslIltimasecuacioneseir sustituyendo "haciaarriba" .

Mostraremos, primerocon unejem plo, comoelmetorlurleescalerizacion permitetransfurmarelpruhlemarlecalcuiarlassuluciunesneullsistemalineal enelpro hlemaderesolverunsis temalinealescalerizado.

Ejem plo1.1.10. Busquemuslassuluciunesrlelsistema

{ ;1: + y +2 z =8 , ;1: +2 y + z =0 , 2;1: + y + z =4 .

(1.3)

Explicitaremusluspasusrlenuestraresulucion.

PASO 1. Cornenzamospor "hacerdesa parecerlavaria hle

;1: detodaslasecua-

cionesmenosuna" ,usanrloel,iguienteprucerlimiento: P araeliminarla

segunrlaecuacionlerestamuslaprimera;como ;1: apareceenlaterceraecuacion

con unfactorzmultiplicamosla primer aecuacion P ur2 ,y luegularest amos rlelatercera.Ohtenemus

{ ;1: + y +2 z =8 ,

y - z = -8,

-y - 3z = -12.

o bservacion 1.1.11. En general, restaremos a la i-esima ecuacion, para

i = 2 ,3,.. , el result arlo de multiplicar la primera pur el cociente (IiI! (Ill

entreelcoeficiente (IiI que aparecerrmltiplicando a ;1: en laecuacion i, yel

coeficiente (Ill que ;1: tieneenlaprimeraecuacion. Si ;1: noapareceenlapri-

meraecuacionentonces (Ill esceroynoporlemushacerestecalculu. Eneste casu camhiaremos elurrlenrle las ecuaciones, y pondremos en primer lugar

unaecuacionenquela varia hle

;1: aparezca,

•


12

CAPITULO 1

EI result ado del paso 2 es que ;1: no aparece en la segunda ni en la tercera ecuaci6n. Si miramos esas dos ecuaciones aisladamente nuestro problema se reduce a un sistema 2 X 2, con inc6gnitas y y z. Una vez resuelto este problema, mas pequefio que el original, podremos calcular ;1: usando la primera ecuaci6n. De est a manera el algoritmo de eliminaci6n va reduciendo el tamafio del prohlema,

PASO 2. Haremos desaparecer la variable y de la tercera ecuaci6n. Simplemente sumamos la segunda ecuaci6n a la tercera, y nuestro sistema se

transform» en

{ ;1: + y + 2z = 8,

y - z = -8, -4z = -20.

Nuestro sistema ya alcanz6 la forma escalerizada que 10 vuelve de facil resoluci6n, por 10 que detenemos aqui nuestro algoritmo.

PASO 3. Resolvemos este ultimo sistema. De la tercera ecuaci6n concluimos z = 5. Sustituyendo hacia arriba y despejando de la segunda ecuaci6n obtenemos y = -3. Finalmente, usamos los valores de hallados en la primera ecuaci6n, para concluir que ;1: = 1.

Parece que hemos resuelto el problema. Pero, l.que nos garantiza que las soluciones halladas son las soluciones del problema original? Podemos verificar que es asi, sustituyendo los valores ;1: = 1, y = -3 y z = 5 en el sistema

{Ix 1 + 1 X (-3) + 2 X 5 = 8, 1 X 1 + 2 X (-3) + 1 X 5 = 0, 2 X 1 + 1 X (-3) + 1 X 5 = 4.

Estupendo, hemos hallado la soluci6n del sistema. jUn momento! S610 hemos verificado que 10 que tenemos es soluci6n. Pero, i,sera la soluci6n? i,No podra haber otras? i, Que asegura que nuestras transformaciones no modifican el conjunto de soluciones del sistema"!

Observaci6n 1.1.12. EI procedimiento de sustituir las soluciones halladas para ver si las ecuaciones se satisfacen 0 no permite verificar si hemos encontrado soluciones del sistema. Pero no nos permite saber si hay 0 no mas soluciones. Esta limitaci6n de la verificaci6n no debe hacernos perder de vista que es muy recomendable verificar nuestros calculos siempre que sea posible hacerlo. Mas aun, en algunos casos es imperdonable el error de aportar una soluci6n inexacta cuando es posible verificar su correcci6n. • '"

Las transforrnaciones que hemos realizado en cada paso del ejemplo 1.1.10 consisten en repetir una y otra vez la misma operaci6n: sumar a una de las


1.1 INTRODUCCION A LOS SISTEMAS LINEALES

13

ecuaciones un rmiltiplo de otra 5. Mostraremos a continuaci6n que esta operaci6n no modifica el conjunto de soluciones del sistema: el nuevo sistema que obtenemos es equivalente al original, en el sentido de que ambos tienen exactamente el mismo conjunto soluci6n. Naturalmente, luego de aplicar una serie de transformaciones que preservan la equivalencia de sistemas el sistema final es equivalente al sistema original: no hemos agregado ni perdido soluciones en todo el proceso ,

Proposici6n 1.1. Si en us: sistema lineal de eciuicioties se .m.~tituye una ecuaci6n por el resultado de sumar a esa misma ecuaci6n un multiplo de otra, enionces el sistema re.mltante es equivalente al originaL

DEMOSTRACION. Supongamos que el sistema original sea

(S)

y que sumamos a la ecuaci6n j el result ado de multiplicar ambos miembros de la ecuaci6n i por un numero f3. Ohtenemos un nuevo sistema

(S')

Para probar que ambos son equivalentes deberemos ver que cualquier soluci6n de S es soluci6n de S' y viceversa, Es decir, que Sol(S) = Sol(S'), donde Sol(S) y Sol(S') son los conjuntos soluci6n de S y S' respectivamente.

5La gracia del metodo esta en escoger habilmente el factor por el que se multi plica la ecuacion a sumar, de modo de "hacer desaparecer" una incognita en la ecuacion result ante


14

CAPITULO 1

Veamos primero que cualquier soluci6n de S es soluci6n de S. Sea (aI, a2, ... , an) una soluci6n de (S). Es claro que (a1,a2,'" ,an) sat isface todas las ecuacio-

nes de (S') pues son las mismas que las de (S) salvo, tal vez, la j-esima. Como

(aI, a2, ... , an) debe verificar la i-esima y j-esima ecuaci6n de (S) se tiene que

Multiplicando ambos miembros de la primera igualdad pur f3 y sumando miemhro a miemhro, se deduce inmerliatamente que

Por 10 tanto, tam bien la j-esima ecuaci6n de S' se sat isface.

La verificaci6n de que cualquier soluci6n de S' es tam bien soluci6n de S emplea esencialmente el mismo argumento. Igual que antes es claro que (aI, a2, ... , an) debe verificar todas las ecuaciones de (S) salvo tal vez la j-esima. Por la j-esima ecuaci6n en S' sahemos que

en tanto que la i-esima implica

Multiplicamos ambos miemhros de la i-esima por /3, y restamos de la ecuaci6n que ucupa el lugar j, para concluir

Esto muestra que (a1,a2,'" ,an) E Sol(S) y la prueba esta conclufda".

La proposici6n 1.1 es el fundamento te6rico del metoda de eliminaci6n que hemos present arlo en el ejemplo 1.1.10: nos asegura que en carla paso hemos respetado la equivalencia entre el sistema de partida y el de llegarla. Ahora sf, finalmente estamos seguros de que el conjunto soluci6n del sistema en ese ejemplo es {(I, -5,3)}, y no hay soluciones diferentes a (1, -5,3).

En el proceso de eliminaci6n hay veces en que es imprescindible intercambiar ecuaciones. Junto con la transformaci6n de sumar a una ecuaci6n un

6N 0 es esencial para nuestro argurnento que las ecuaciories del sistema S sean lineales. La proposici6n es t ambien cierta para sistemas de ecuaciones no lineales, de la forma !li(Xl' X2, ... , Xn) = b«. i = 1,2, ... , tn., donde las expresiones !Ii pueden depender de las variables Xj, j = 1,2, ... .m.. de cualquier rnanera. Sin embargo, a diferencia de 10 que ocurre para sistemas lineales, no puede obtenerse un metodo sistematico de resoluci6n de sistemas cualesquiera a partir de esta proposici6n.



15

miiltiplo de otra, esto es todo 10 que necesitaremos para el metoda de eliminacion de Gauss, 0 escalerizacion. Adernas de estas operaciones recurriremos a la de multiplicar una ecuacion por algun numero distinto de cero 7. Llamaremus transformaciones elementales a estas uperuciones. Es decir, a las siguientes uperaciones efect uadas a las ecuaciones de un sistema lineal:

1. Sumar a una ecuacion un miiltiplo de otra.

2. Intercamhiar de Ingar dos ecuaciones,

3. Multiplicar una ecuacion por un numero distinto de cero.

Observemos que si a un sistema le aplicamos una operacion elemental obtenemos un sistema equivalente. Parte de la prueba de este hecho esta contenida en la proposicion 1.1. El resto se completa con la primera parte del siguiente ejerciciu.

Ejercicio 1.3.

1. Mostrar que si en un sistema se intercambian dos ecnaciones, u se multiplica una ecuacion por un mimero distinto de cero, entonces se obtiene un sistema equivalente al original. L Que puede ocurrir si se multiplica una ecuacion por 07

2. Mostrar que si una ecuacion es sustituida por el result ado de multiplicar esa ecuacion por un nurnero distinto de cero y sumarle un multiple cualquiera de otra ecuaci6n cualquiera del sistema, entonces el sistema result ante es equivalente al uriginal.

Observaci6n 1.1.13. Notemos que cuando una ecuacion es sustituida por el resultado de sumarle un miiltiplo de otra la informacion contenida en la ecuacion eliminada no desaparece: esta implicita en la nueva ecuacion, porque la ecuacion sustituida entre con un coeficiente no nulo en la forrnacion de esta nueva ecuacion (en la mayoria de los casos este coeficiente sera igual a 1). Esta nueva ecuacion, junto con la que se uso en la cornbinacion lineal, permiten recuperar la ecuacion eliminada. •

1.1.4 Notaci6n matricial

Al trabajar con un sistema de ecuaciones la representacion de las incognitas (;1:, y, Z, 0 ;1:1, ... ,;I:n, etc.) no desempeiia ningun papel importante y puede usarse cualquiera, De hechu, para determinar las soluciones de un sistema es

7Par ejemplo, cuando todos los coeficientes de una ecuaci6n son negativos en general simplifica las casas multiplicar la ecuaci6n par -1. 0 cuando se quiere conseguir que el primer coeficiente no nulo de una ecuaci6n sea igual a 1.


16

CAPITULO 1

suficiente con conocer los coeficientes y el terrnino independiente del mismo. Naturalmente no alcanza con conocer los valores de estos numeros, sino que es necesario saber el lugar que ocupan: a que ecuaci6n pertenecen y a que inc6gnita multiplican. Por esto resulta conveniente introducir la noci6n de matriz. Llamaremos matriz A de 171 filas por ti columnas (0 simplemente matriz 171 X n) de entradas

!Iij, i=I,2 ... ,17I.,j=I,2, ... ,n,

en un cuerpo lK., a un ordenamiento rectangularf de numeros

( !Ill !I12 "1" )
!I21 !I22 !I211.
A=
!Iml !Im2 !Im11. En general indicaremos con mayusculas las matrices, y con la letra mimiscula correspondiente a sus entradas, Por ejemplo , a la matriz A con entradas !Iij la indicaremos por

A (( ))i=I ..... m

= !Iij j=I· •... ·.11.'

o mas brevemente A = ((!Iij)) cuando las dimensiones esten claras. El primer indice i indica la fila y el segundo j la columna a la que pertenece la entrada.

Dos matrices son iguales si tienen el mismo tamafio y los mismas entradas en las mismas posiciones, Dicho de otro modo si A y B son dos matrices 171 X ti entonces A = B si y s610 si

!Iij = bij Vi = 1, ... ,171., j = 1, ... .ti:

Dos matrices de distinto tamafio jamas pueden ser iguales. Ejemplo 1.1.14. La matriz ((I/(2i + j)))~~g es igual a la matriz

( t 1 1 ).
'4 ~
1
'6 '7
Si
A=( 1 ~ ) , B= ( 2 1 ),
y'2 y'2 1
entonces A #- B pues «u = 1 #- 2 = bll. '" 8Ellector atento not.ar a que la frase "ordenamiento rectangular" es intuitiva pero no esta definida con precision. Es posible dar una definicion formal: Unrl matriz A de m filas por 11. colusnsuis sobr« el r:lIef'[J() K es una funci6n A : {I, ... ,m.} x {I, ... ,11.} -+ K. No creemos que este Iormalismo tenga ninguna utilidad para nuestro curso, por 10 que preferimos introducir y manejar las matrices en terminos mas intuitivos.



17

Dado un sistema lineal de ecuaciones

{ (Ill;l:l + (I12;1:2 + + (Iln;l:n

(I21 ;1:1 + (I22;1:2 + + (I2n;1: n

(ImP:l + (Im2;1:2 + + (Imn;l:~

llamaremos matriz del sistema a la matriz A, cuya dimensi6n 171 X ti es igual al tamafio del sistema, formada por sus coeficientes. Esto es:

( (Ill (I12 a,,, )
(I21 (I22 (I2n
A= . .
(Iml (Im2 (Imn Llamaremos, matriz ampliada del sistema a la matriz 171 X (n + 1)

( a11 (I12 (Iln b, )
(I21 (I22 (I2n :~. '
(Iml (Im2 (Imn que incorpora los terrninos independientes. Corrientemente escribiremos esta matriz en la forma

( a11 (I12 (Iln b, )
(I21 (I22 (I2n :~. '
(Iml (Im2 (Imn para recordar que estamos considerando la matriz amp li ada de un sistema, cuya ultima columna tiene un significado diferente a las anteriores. Tambien las representaremos en la forma hreve AlB. Naturalmente, toda la informaci6n que necesitamos sobre el sistema lineal esta encerrada en la matriz ampliada AlB. Veremos mas adelante que, en realidad, mucha de la informaci6n relevante acerca del sistema s610 depende de la matriz A formada pur sus coeficientes.

La definici6n anterior introduce una notaci6n mas compacta (matricial) para un sistema de ecuaciones, Veamos un ejemplo.


18

CAPITULO 1

Ejemplo 1.1.15. Consideremos el sistema

{ ;1: + y + 2z = 9, 3;1: + 6y - 5z = 0, 2;1: + 4y - 3z = 1.

Entonces la matriz del sistema y la matriz ampliada son:

( 1 1 2 \ ( 1 1 2 9 \
A= 3 6 -5 AIB= 3 6 -5 0
\ 2 4 -3 ) , \ 2 4 -3 1 )
Esta notaci6n mas compacta sirnplificara la escritura e implementaci6n del
algoritmo de eliminaci6n de Gauss. '" Antes de mostrar con un ejemplo la implementaci6n del metoda de escalerizaci6n con la notaci6n matricial vale la pena hacer algunas observaciones.

Observaci6n 1.1.16. Cada fila de la matriz del sistema corresponde a una de las ecuaciones del sistema. Las operaciones del metoda de escalerizaci6n se traduciran entonces en operaciones sobre las filas de la matriz. En particular, las transformaciones elementales seran, en este contexto, las siguentes:

1. Sumar a una fila el resultado de multiplicar otra por un numero cualquiera.

2. Intercambiar de lugar dos filas.

3. Multiplicar una fila por un numero 0: # o.

Cada inc6gnita del sistema queda en correspondencia con una de las columnas de la matriz A del sistema. Una entrada !Iij igual a 0 en la matriz A es equivalente a que la incognita ;I:j no aparezca en la i-esima ecuaci6n. •

Observaci6n 1.1.17. Con la introducci6n de las matrices ganamos, para empezar, con la econornia en la notaci6n. Veremos a 10 largo de este curso las matrices pueden ser consider ad as desde varies puntos de vista:

• en muchas situaciones son una forma ordenada de escribir la informaci6n disponihle:

• pueden ser consider ad as como un arreglo de 171 X ti numeros:

• como un conjunto ordenado de ti columnas:

WWW.MIACADEMIA1.BLOGSPOT.conn


19

• como un arreglo de 171 filas;

• tambien como un iinico objeto, que es adernas un elemento de una estructura algehraica.

• Finalmente, pueden ser vistas como la definici6n de una transformaci6n de ]K.n en ]K.m.

Ejemplo 1.1.18. LA ESCALERIZACION EN NOTACION MATRICIAL

Vamos a reescribir los pasos del ejemplo (1.1.10) en notaci6n matricial.

Esto permite conseguir bast ante economia en la notaci6n. El sistema original queda expresado en la forma:

( ~ ~ ~ ~)

2 1 1 4

Cada ecuaci6n esta ahora representada por una fila de coeficientes en la matriz ampliada del sistema.

Observaci6n 1.1.19. UN POCO DE JERGA.

Llamaremos pivote a la primera'' entrada no nul a de cada fila de una matriz. Con esta terminologfa podemos describir la eliminaci6n de Gauss como un procedimiento que busca, a traves de la aplicaci6n reiterada de las transformaciones elementales, dejar un unico pivote por columna. En cada paso de la escalerizaci6n, una vez escogido un pivote, 10 empleamos para eliminar todas los otros pivotes de la misma columna. •

PASO 1. Las operaciones que antes haciamos con las ecuaciones deben hacerse ahora sobre filas de coeficientes. Escogemos el pivote 1 en la primera fila, y restamos entonces esta primera fila de la segunda para hacer aparecer un cero en el primer lugar de la segunda fila (esto es equivalente a hacer desaparecer la variahle rc en la ecuaci6n correspondiente). Luego multiplicamos la primera fila por 2 y la restamos de la tercera. El resultado es

(1 1

o 1 o -1

2 -1

-3

8 )

-8

-12

S610 un pivote, elide la primera fila, aparece en la primera columna.

gEl orden que est amos empleando es el obvio: es el orden en que est.an numeradas las colum nas.


20

CAPITULO 1

PASO 2. Sumamos la segunda fila a la tercera y llegamos a la matriz escalerizada

2 -1

-4

-: )'

-20

(1.4)

Observemos que con la representaci6n matricial hemos aligerado bastante la notaci6n.

La nueva matriz ampliada (1.4) es una representaci6n del sistema de ecua-

clones

{ ;1: + y + 2z = 8, y - z = -8, -4z = -20,

cuya soluci6n podemos calcular directamente. La tercera ecuacion implica z = 5. Al sustituir en la segunda pudemos despejar y = -3. Finalmente, la primera implica ;1: - 3 + 2 X 5 = 8, por 10 que ;1: = 1. El procedimiento de escalerizar y resolver el sistema escalerizado sustituyendo hacia arriba nos permite hallar el conjunto soluci6n del sistema original. ...

Llamaremos matriz escalerizada a una matriz que cumpla las siguientes condiciones:

1. todas las filas, salvo quizas la primera, comienzan con una sucesi6n de

ceres:

2. cada fila tiene al principio por 10 menos un cero mas que la fila inmediata superior.

Escalerizar una matriz es llevarla a una forma escalerizada por medio de transformaciones elementales (ver la observaci6n 1.1.16, en la pagina 18). Si E es una matriz que se ohtiene escalerizando otra matriz A, entonces diremos que E es una forma escalerizada de A. Diremos que un sistema esta escalerizado si su matriz ampliada 10 esta. Escalerizar un sistema es encontrar otro sistema escalerizado equivalente. N aturalmente, escalerizar un sistema es equivalente a escalerizar la matriz ampliada del sistema.

Pondremos en practice la tecnica con un nuevo ejemplo.

Ejemplo 1.1.20. Resolver en lR. el sistema:

;1:1 + 2;1:2 + ;1:3 + ;1:5 + ;1:6 1

- ;1:1 - 2;1:2 + ;1:3 + ;1:4 - ;1:6 0

;1:1 + 2;1:2 + ;1:3 + 2;1:4 + 5;1:5 + 3;1:6 1

;1:1 + 2;1:2 + ;1:3 + ;1:5 + 3;1:6 3

;1:1 + 2;1:2 + ;1:3 + 4;1:4 + 9;1:5 + 3;1:6 -1


1.1 INTRODUCCION A LOS SISTEMAS LINEALES 21
La matriz amp li ada del sistema es:
1 2 1 0 1 1 1
-1 -2 1 1 0 -1 0
1 2 1 2 5 3 1
1 2 1 0 1 3 3
1 2 1 4 9 3 -1 El proceso comienza fijando la entrada no nula de primera fila como pivote y
utilizandola para lograr ceros en el resto de la primera columna. El resultado
es la matriz
1 2 1 0 1 1 1
0 0 2 1 1 0 1 f-- F2 + Fl
0 0 0 2 4 2 0 f-- F3 - Fl
0 0 0 0 0 2 2 f-- F4 - Fl
0 0 0 4 8 2 -2 f-- F5 - Fl. Hemos anotado al margen de la matriz las transforrnaciones que en este primer paso de la escalerizaci6n fueron hechas a la matriz ampliada del sistema. Creemos que la notaci6n empleada se explica por sf sola.

En el ejemplo 1.1.18, se utilizaha la entrada (1.22 en el segundo paso de la escalerizaci6n para conseguir ceros en la segunda columna columna. Aqui esto no es posihle pues la segunda columna ya tiene todas sus entradas, salvo la primera, nulas. En consecuencia, el segundo escalon deb era estar en la tercera columna, donde aparece la entrada no nula (1.23. Por debajo de (1.23 s610 hay ceros, asi que continuamos nuestro algoritmo usando el pivote 2 de la entrada (1.34. He aqui la matriz que se obtiene, junto con la indicaci6n de las

uperaciones realizadas:
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 -2 -2 f-- F5 - 2F3 En el tercer paso uperaremos sohre la sexta columna:
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 0 0 f-- F5 + F4. WWW.MIACADEMIA1.BLOGSPOT.COM

22

CAPITULO 1

Ya tenemos la forma escalerizada, con pivotes en las columnas primera, tercera, cuarta y sexta, EI sistema lineal, equivalente al sistema original en el sentido de que tiene exactamente las mismas soluciones, que correspunde a esta matriz es

;1:1 + 2;1:2 + ;1:3 + ;1:5 + ;1:6 1,
2;1:3 + ;1:4 + ;1:5 1,
2;q + 4;1:5 + 2;1:6 0,
2;1:6 2. De la ultima ecuacion resulta ;1:6 = 1. Con esta informacion vamos a la tercera y concluimos

(l.5)

Esto no permite deterrninar ;1:4 ni ;1:5, pero pudemos dejar expresada una incognita en terminos de la otra. Expresemos ;1:4, una variable que corresponde a una columna con un pivote en la forma escalerizada, en terrninos de ;1:5, como

;1:4 = -1 - 2;1:5.

Sustituyendo en la segunda ecuacion obtenemos

Combinando toda esta informacion con la primera ecuacion result a

(l.6)

Nuevamente escogemos despejar la variahle que corresponde al pivute para

escribir

Concluimos entonces que todas las soluciones del sistema son de la forma

donde ;1:2 y ;1:5 son dos parametres reales que podemos fijar a nuestro antojo. La solucion no es unica, pero puede describirse completamente en terrninos de las varia hles ;1:2 y ;1:5. ...

Observaci6n 1.1.21. VARIABLES LIB RES

La razon para despejar las variables de las columnas con pivotes (;1:4 de la ecuacion (1.5), ;1:1 de (l.6)) es que siempre es posihle despejar la variable que esta multiplicada por el pivote en terminos de las otras porque su coeficiente,



23

el pivote, es no nulo. Despejar las otras variables podrfa ser imposible. He aqui un ejemplo: si la forma escalerizada de una matriz ampliada es

(10

o 0

1 1

entonces pudemos despejar ;1:3 = -2;1:4, 0 ;1:4 = -;1:3/2 de la ultima ecuacion. En la primera pudemos despejar ;1:1 = -;1:3, peru es imposihle expresar ;1:2 en terrninos de las restantes variables.

Vamos a introducir la denominacion variables libres para las incognitas que corresponden a columnas sin pivotes, Enfaticemus que siempre es po.~ible expreear las soluciones del sistema en terminos de las variables libres'", Carla una de estas variables corresponde a un grarlu de lihertad dentro del cunjuntu sol ucion del sistema.

Las varia hies ;1:2 y ;1:5 sun las variables lihres en el ejemplo 1.1.20. •

Veamos un ejemplo mas en el que trataremos un sistema trabajando sobre su representacion matricial.

Ejemplo 1.1.22. Hesolveremos en 1:2 el sistema

{ ;1:1 + ~:2 + ~:4 + ~:5 :: 1,

.1'2 + .1'3 + .1.4 - 1,

;1:1 + ;1:3 + ;1:5 = 1, ;1:2 + ;1:3 + ;1:5 = 1.

La matriz ampliada del sistema es
U 1 0 1 1 !)
1 1 1 0
0 1 0 1
1 1 0 1 La llevaremos a una forma escalerizada, Cornenzamos pur sumar la primera
fila a la tercera:
U 1 0 1 1 D
1 1 1 0
1 1 1 0
1 1 0 1 lULo que no excluye la posibilidad de que las soluciones puedan expresarse en terminos de otras variables, que incluyan a algunas de las que correspondeu a columnns con pivot.es.


24

CAPITULO 1

Ahura sumaremos la segunda a la tercera y la cuarta:
U 1 0 1 1 1)
1 1 1 0
0 0 0 0
0 0 1 1 Para obtener la forma escalerizada intercambiamos las filas tercera y cuarta:

( 1 1

o 1

o 0

o 0

o 1 1 1

o 1

o 0

1 o 1 o

Este sistema es incompatible, porque la cuarta ecuacion es equivalente a

Como el miembro de la izquierda vale 0 para cualquier eleccion de las incognitas, esta ecuacion no puede satisfacerse. El conjunto solucion del sistema es el conjunto vadoll. ...

Ejercicio 1.4. Resolver el sistema del ejemplu 1.1.22, peru cambiando Ius segundos miembros de todas las ecuaciones del sistema de forma tal que la ultima columna de la matriz ampliada del nuevo sistema sea (0,1,1,0).

Ejercicio 1.5. Resolver el sistema

{ :1:1 + 2:1:2 + :1:3 + :1:G + :1:6 1

-:1:1 - 2·7:2 + ·7:3 + ·7:4 - .7:6 0

·7:1 + 2·7:2 + .7:3 + 2.7:4 + 5.7:G + :h6 1

·7:1 + 2·7:2 + ·7:3 + ·7:G + :h6 :~

·7:1 + 2·7:2 + ·7:3 + 4·7:4 + 9·7:G + :h6 1

Existe una alternativa al procedimiento de calcular la ultima variable y luego comenzar a sustituir hacia arriba: consiste en utilizar las iiltimas ecuaclones para ir eliminando variables de las anteriores, EI procedimiento es el mismo que el de escalerizacion, pero se van eliminando variables "hacia arriha". Veamos un ejemplo.

11 El sistema no tiene soluci6n, [pero el problema de hallar las soluciones del sistema sf El conjunto soluci6n es el conjunto vacio.



25

Ejemplo 1.1.23. Volvamos al problema del ejemplo l.l.18. Luegu de escalerizar el sistema habiamos obtenido la matriz

2 -1

-4

-: )\

-20

(l. 7)

Busquemos ahura eliminar las entradas que corresponden a la variable z en la primera y segunda ecuaci6n. Dividiremos la ultima ecuaci6n entre -4. Luegu la sumaremos a la segunda. Tambien haremos la operaci6n de multiplicar la ultima fila por 2 y restarla de la primera. Obtenemos

Por ultimo, hacemos aparecer un 0 en el segundo lugar de la primera fila, restando la segunda ecuaci6n a la primera. EI resultado final es

-n

EI sistema asociado a esta matriz es, naturalmente,

{ ;1: = 1,

y = -3, z = 5,

cuya resoluci6n es inmediata.

Consideraremos ahora un caso un poco mas complicado.

Ejemplo 1.1.24. Hetomamos el sistema del ejemplo l.l.20 en el punto en que habiamos escalerizado la matriz del sistema. Teniamos que

1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 0 0
era la matriz asociada al sistema escalerizado. Usaremos ahura Ius pivotes
para hacer aparecer ceros pur encima de ellos, Cumu paso previo dividimos WWW.MIACADEMIA1.BLOGSPOT.COM

26 CAPITULO 1
las filas tercera y cuarta por sus pivotes,
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 1 2 1 0
0 0 0 0 0 1 1
0 0 0 0 0 0 0
Luego comenzamos por hacer aparecer ceros sobre el pivote de la ultima co-
lumna, y 0 htenemos
1 2 1 0 1 0 0 f-- Fl - F4,
0 0 2 1 1 0 1
0 0 0 1 2 0 -1 f-- F3 - F4.
-1 0 0 0 0 1 1
0 0 0 0 0 0 0 A partir de esta nueva matriz operamos con el pivote de la cuarta columna:

1 2 1 0 1 0 0
0 0 2 0 -1 0 2 f-- F2 - F3,
0 0 0 1 2 0 -1
0 0 0 0 0 1 1
0 0 0 0 0 0 0 Ahora 10 hacemos con el de la segunda columna, y dividimos la segunda fila entre 2 para que su pivote quede igual a 1. El resultado final es

0 -1 f-- Fl - iF2,
0 1 f-- iF2,
0 -1 (1.8)
1 1
0 0 donde hemos enfatizado adernas la "forma escalerizada" que tiene la matriz. EI sistema de ecuaciones asociado con esta matriz es

{ ;1:1 + 2;1:2 + 3'1' + -1,
2' ,5
;1:3 - IT 1,
2"'5
;1:4 + 2;1:5 -1,
;1:6 1, y ahora es cornpletamente directo despejar ;1:1, ;1:3 y ;1:4 en terminos de ;1:2 Y;1:5 para reencontrar que



27

es el conjunto soluci6n del sistema.

Insistamos en que las incognitas no pueden determinarse completamente.

Por ella hemos elegido expresar todo en terrninos de ;1:2 y ;1:5 de modo tal que carla pareja de valores reales elegirlo para ;1:2 y ;1:5 determina una soluci6n del sistema. Por ejemplo, la elecci6n mas sencilla de todas es

que da lugar a

(-1,0,1, -1,0,1).

Para ;1:2 = 1 y ;1:5 = 0 se obtiene la soluci6n

(-3,1,1, -1,0,1).

Si ;1:2 = ° y ;1:5 = 1 se tiene la soluci6n

(-5/2,0,3/2, -3, 1, 1) .

El sistema es compatible e indeterminado, porque tiene mas de una soluci6n. Adernas sabemos como construirlas todas. El proceso de escalerizaci6n selecciona a las variahles ;1:2 y ;1:5 como variables libres, y en terrninos de ;1:2 Y ;1:5, cuyos valores pueden ser fijados arbitrariamente, hemos escrito todas las soluclones. EI sistema tiene entonces dos grades de lihertarl. No nos extendemos mucho mas sobre esto, porque sera el objeto de la secci6n 1.3, pero dejamos planteado un ejercicio para ellector.

Ejercicio 1.6. Mostrar que todas las soluciones del sistema de este ejemplu tambien pueden escribirse en terminos de las variables :1:1 Y :1:4, peru que es imposible expresarlas en funcion de :1:1 Y:1:2. ...

Observaci6n 1.1.25. MATRIZ ESCALERIZADA REDUCIDA

Vemos en nuestros ultimos dos ejemplos que continuar con la escalerizaci6n "hacia arriba" a partir de la forma escalerizada de la matriz, nos permite llegar a una nueva matriz, escalerizada, equivalente a la forma escalerizada que ya ha.biamos obtenido y a la original, tal que

1. tudos los pivotes son iguales a 1;

2. las columnas correspundientes a los pivotes tienen todas las entradas nulas, salvo el pivote,


28

CAPITULO 1

Llamaremos matriz escalerizada reducida a una matriz escalerizada que cumple adernas estas dos condiciones. Notemos que siempre que tengamos una matriz escalerizada reducida pudremos, si el sistema es compatible, despejar directamente las variables de las columnas de los pivotes, y expresarlas en funci6n de las entradas en la ultima columna de la matriz ampliada y de las variables lihres. •

Observaci6n 1.1.26. OPERACIONES CON LISTAS DE NUMEROS.

Notemos que a 10 largo de esta secci6n hemos introducido, casi sin darnos cuenta, algunas operaciones algebraic as con las filas de las matrices asociadas a los sistemas lineales.

Por ejemplo en el primer paso del ejemplo 1.1.18 nos referimos al result ado de multiplicar por dos cada uno de los numeros en la fila (1,1,2,8) para ohtener la fila (2,2,4,16) como la operaci6n de m1/.ltiplica.r por 2 la fila (1,1,2,8). Es decir, interpret amos que

2 X (1,1,2,8) = (2 X 1,2 X 1,2 X 2,2 X 8) = (2,2,4,16).

Tambien nos hemos referido al resultado de sumar entrada a entrada las dos filas (0,1, -1, -8) y (0, -1, -3, -12) como a la operaci6n de sumar ambas filas. En otras palabras

(0,1, -1, -8) + (0, -1, -3, -12) = (0,0, -4, -20).

En general, observemos que todo esto es equivalente a definir las siguientes operaciones para filas (listas) de cuatro numeros:

SUMA DE DOS LISTAS:

PRODUCTO DE UNA LISTA POR UN NUMERO:

Estas operaciones entre filas, 0 listas, de numeros son bast ante naturales, y, por supuesto, su definici6n puede extenderse a listas de longitud cualquiera, tanto filas (listas escritas en forma "horizontal") como columnas (escritas en "vertical"). La existencia de estas uperaciones dota al conjunto ]K.n formado pur list as de ti numeros en el cuerpo ]K. de una estructura algehraica. Por eso nos referiremos a este conjunto como el espacio, 0 espacio vectorial, ]K.n. Desarrollaremos mas estas ideas en la secci6n 1.2 y secciones siguientes, pero vale



29

la pena ir intruduciendo esta idea de que llasnoremos espacio a us: conjuaito (en est.e caso el cotvjuiito ]K.n) que esui dotado de algun tipo de estruciura (una estruciura algebmim en el ejemplo que est.amos considemndo}, Esta estructura nos sera util para describir las soluciones de los sistemas de ecuaciones ~~~. .

1.1.5 Un pOCO de teoria: cualquier sistema puede ser escalerizado

Hasta este momento hemos usado el algoritmo de escalerizaci6n, y resuelto unos cuantos sistemas de ecuaciones con el. El lector podrfa preguntarse si cualquier matriz puede ser llevada a una furma escalerizada, La respuesta es que sf. Y la demostraci6n no pasa de ser un analisis cuidadoso del metodo. Todo esto esta contenido en nuestra siguiente proposici6n.

Proposici6n 1.2. Toda mairiz pued»: set: transjornuui« en una matrix escnlerizada mediante una cantidad .finita de transformaciones elementales

DEMOSTRACION. Razonaremos por inducci6n sobre el mimero de filas de la matriz A. Cumu primer paso, digarnos que es uhviu que una matriz que tiene una unica fila se puede escalerizar por medio de una cantidad finita de uperaciones elementalesl2.

Supongamos ahora que la proposici6n es cierta para matrices con 171 - 1 filas, y veremos como implica que se puede escalerizar cualquier matriz con 171 filas. Sea A = ((aij)) una matriz 171 X n., con 171 ;:::: 2, sohre un cuerpo ]K. cualquiera, Indiquemos pur

su fila i-esima.

Distingamos tres casus:

1. si all # 0 entonces realizamos el primer paso de la escalerizaci6n: sustituimos cada fila Ai, para i = 2, ... ,171, pur

A~ = Ai - ail AI. all

La elecci6n del multiplicador para Al asegura que la primera entrada de cada una de estas filas A~ es nula;

12En realidad no hay que hacer ninguna: una matriz can una unica fila ya est.a escalerizada.

No hay nuda que hacer con ella


30

CAPITULO 1

2. si all = 0, pero la primera columna tiene alguna entrada ail no nula, entonces escogemos una fila Ai tal que ail # 0, e intercarnhiamos+' la primera fila con Ai. La aplicaci6n de esta operaci6n elemental de intercambiar dos filas nos coloca en la situaci6n del caso 1. Luego procedemos como en ese caso:

3. si toda la primera columna es nula entonces no hacemos nada,

EI result ado del paso anterior es una nueva matriz que tiene el siguiente aspecto

( all a12 aln
0 a~2 a~n
0 a~2 a~n Para escalerizar esta matriz basta encontrar una forma escalerizada de la submatriz

((a' .))j~_z, ,n,

'J .-2 m

que tiene 171 - 1 filas. Por 10 tanto esta forma escalerizada puede obtenerse por medio de un numero finito de transformaciones elementales.

Ejercicio 1.7. Mostrar que cnalqnier matriz pnede ser llevada a una forma esc alerizada reducida por medio de una cantidad finita de operaciones element ales.

La proposici6n que acabamos de demostrar tiene un util corolario para la resoluci6n de sistemas de ecuaciones lineales.

Corolario 1.3. Todo sistema lineal es equivalente a uno escalerizado,

Observaci6n 1.1.27. Nutemos que para llegar a la forma escalerizada no es necesario usar la transformaci6n elemental que consiste en multiplicar una fila de la matriz 0 una ecuaci6n de un sistema por un numero distinto de cero. Usaremos esta observaci6n en la secci6n dedicada al calculo de determinates (secci6n 2.5).

13Por razones numericas y para no amplificar innecesariamente errares de redondeo, al resolver sistemas con ayuda de una computadora result a muchas veces importante, min cuando llll cf 0, cambiar la primera fila par la fila que tenga la primera entrada mayor. Este procedirniento se conoce COIIlD ptvot.eo.


1.2 COMPATIBILIDAD DE LOS SISTEMAS

31

1.2 Compatibilidad de los sistemas lineales: la imagen de la matriz del sistema

Comencemos esta secci6n por una observaci6n obvia: si un sistema de ecuaclones lineales nos interesa14 10 mas probable es que el interes provenga de que queremos conocer su soluci6n. Pero no todos los sistemas lineales tienen soluci6n. Ya hemos visto esta posibilidad en los ejemplos y ejercicios de la secci6n 1.1, y hemos dado en Hamar incompatibles a estos sistemas. Con este nombre los distinguimos de los sistemas compatibles, que tienen soluci6n. Posihlemente muchas, Nos dedicaremos ahora a entender este problema de la compatibilidad e incompatibilidad de los sistemas de ecuaciones lineales. Al hacerlo iremos introduciendo algunas de las nociones mas importantes del Algehra Lineal.

Nuestro primer paso es cambiar un poco el punto de vista acerca de los sistemas de ecuaciones lineales, retomando la idea de operar con listas de numeros (filas 0 columnas) que introdujimos en la observaci6n 1.1.26, pagina 28, de la secci6n 1.1. Una sol uci6n (;1:1, ;1:2, ... ,;I:n) del sistema

{ !I1P:1 + !I12;1:2 + + !I1j + + !I1n;l:n

!I21 ;1:1 + !I22;1:2 + + !I2j + + !I2n;1: n

!Im1;1:1 + !Im2;1:2 + + !Imj + + !Imn;l:n

(1.9)

puede ser vista como un conjunto de mirneros que hace que se satisfagan todas las ecuaciones del sistema. Pero tambien podemos pensar asi: cada uno de los rnimeros ;I:j aparece multiplicando a los coeficientes que estan en la j-esima columna de la matriz del sistema. Es decir, cada ;I:j aparece en una columna

( !I1Fl:j ) ( !I1j )
!I2P:j !I2j (1.10)
= ;I:j
!Imj;l:j !Imj La igualdad esta justificada por la convenci6n de que multiplicar un numero por una columna (fila) es 10 mismo que multiplicar cada entrada de la columna

14Interes que damos par descontado en esta secci6n.


32

CAPITULO 1

(fila) por ese numero. Calcular la suma

(!Ill ) ( !Ilj )

!I2l !I2j

;J:l + ... +;J:j

!Iml !Imj

( !Iln )
!I2n
+ ... + ;J:n (1.11)
!Imn de las 11 columnas de la matriz multiplicadas por los numeros ;J:j es 10 mismo que sumar entrada a entrada, para j = 1,2 ... ,11 las columnas que aparecen en el primer miembro de (1.10). Al hacer esta operaci6n obtenemos la columna

( !IlP:l + + !IlFJ:j + + !Iln;J:n )

!I2P:l + + !I2P:j + + !I2n;J:n

!Iml;J:l + + !Im~;J:j + + !Imn;J:n '

(1.12)

que contiene todos los primeros miemhros de las ecuaciones del sistema. N aturalmente, que el sistema se satisfaga es equivalente a que la columna (1.12) sea igual a la columna

formada por los numeros bi, i = 1,2, ... ,171 de los segundos miembros,

Podemos ver entonces nuestro sistema de 171 ecuaciones como una unica ecuaci6n escrita en terrninos de listas de 171 numeros: las columnas de la matriz y la columna de los terrninos independientes. Si llamamos Aj a la j-esima columna de la matriz, para j = 1 ... ,11, podemos representar el sistema (1.9) como

(1.13)

donde B es la columna del terrnino independiente. Notemos que el miembro de la izquierda en (1.13) es 10 mismo que (1.11), pero expresado con una notaci6n mas breve. Resolver el sistema es buscar una lista de 11 rnimeros ;J:l,' .. , ;J:n tales que se satisfaga (1.13)

Ejemplo 1.2.1. COMPLETAR Verificar las soluciones de los ejemplos de la primera secci6n con esta notaci6n de columnas.



33

Observaci6n 1.2.2. COMBINACIONES LINEALES.

En general, si Aj, j = 1, ... , ti son vectores de lK.m, y ;1: i> J numeros en el cuerpo lK., diremos que

1, ... .ri son

(1.14)

es la combinaci6n lineal los vectores Aj, con coeficientes ;I:j.

Diremos tambien que un vector B E lK.m es una combinaci6n lineal de Aj, j = 1, ... ,n, si exist en escalates ;I:j, j = 1 ... ,n tales que B es igual a la combinaci6n lineal de los vectores Aj con esos coeficientes. •

Es sumamente interesante ver una representaci6n geometrica de la construcci6n de estas combinaciones lineales. A continuaci6n la presentamos para el casu de dos vectores de lR. 2, que pueden ser representados en el plano

Ejemplo 1.2.3. INTERPRETACION GEOMETRICA DE LAS COMBINACIONES LINEALES.

Consideremos Al = (1,1) y A2 = (1,0) en lR.2 .

COMPLETAR EL EJEMPLO

Antes de continuar trabajando con los sistemas lineales examinaremos algunos otros ejemplos. Escribiremos todos los vectores como filas, no como columnas, simplemente para ahorrar algo de espacio en el papel,

Ejemplo 1.2.4 .

• La n-upla nula ° = (0, ... ,0) es combinaci6n lineal de cualquier colecci6n de n-uplas, basta tomar todos los coeficientes nulos para obtenerla .

• Sea A = {(I, 2,1), (2, -2, 2)} C lR.3 entonces (0,6,0) es combinaci6n lineal de A con coeficientes 2 y -1 pues

(0,6,0) = 2(1,2,1) + (-1)(2, -2,2).

Peru no es posihle escribir (0,6,1) como una combinaci6n lineal de estos dos vectores. Verifiquemoslo. Expresar (0,6,1) como combinaci6n lineal de (1,2,1) Y (2, -2,2) es 10 mismo que encontrar dos coeficientes ;1: e y tales que

(0,6,1) = ;1:(1,2,1) + y(2, -2,2) = (;1: + 2y, 2;1: - 2y,;1: + 2y).

Y esta igualdad es equivalente al sistema de ecuaciones

{ ;1: + 2y 0,

2;1: - 2y 6,

;1: + 2y 1.


34

CAPITULO 1

Al escalerizarlo encontramos

{ ;1: + 2y 0,

-4y 6,

o 1,

pur 10 que concluimos que el sistema es incompatible y es imposihle expresar (0,6,1) como combinaci6n lineal de los dos vectores dados. Observemos que hemos pasado del pro hlema de expresar un vector como combinaci6n lineal de otros, a un sistema de ecuaciones lineales. Tal como comentabamos, ambos problemas son en realidad equivalentes .

• Sea A = {(I, 2, 1), (2, -2,2), (1,8,1)} cornhinemos linealmente los vectores de A con coeficientes 3, -1 y 1. Ohtenemos

3(1,2,1) + (-1)(2, -2,2) + 0(1, 1, 1) = (2,16,2).

Y si hacemos la combinaci6n con coeficientes 6, -2 y 0 result a

6(1,2,1) + (-2)(2, -2,2) + 0(1, 1, 1) = (2,16,2).

[Exactamente el mismo vector! Vemos entonces que distintas combinaclones lineales de una misma familia de vectores pueden dar el mismo resultado. Mirando las cosas desde otro punto de vista: hay ejemplos -acabamos de ver uno- en que un vector puede ser expresado en mas de una forma como combinaci6n lineal de una familia de vectores dados. N aturalmente, estes ejemplos corresponden a sistemas lineales compatihle e indeterminados, • •

Todavia es posible introducir una notaci6n mas concisa que (1.13) para un sistema lineal de ecuaciones: definiremos el producto AX de la matriz A pur

la columna 15

( ;1:1 )

;1:2

X=

;1: n

como la combinaci6n lineal

AX = ;1:1A1 + ;1:2A2 + ... ;l:jAj ... + ;l:nAn

de las column as de A con los coeficientes almacenados en la columna X.

15En este momento 10 unico importante es que X sea una Iistn de longitud ti: La restricci6n de escribirla como una columna quedara justificada mas adelante, en la secci6n ??, cuando definamos el producto de matrices en un contexto mas general que este.



35

Ejemplo 1.2.5.

• Al multiplicar cualquier matriz 171 X 11 pur una columna de 11 ceros se ohtiene una columna de 171 ceros.

• Si multiplicamos una matriz 171 X 11 pur una columna formada pur ceros en todas sus entradas salvo la i-esima, en la que ponemos un 1, el resultado es la i-esima columna de la matriz.

( 1 2 '( 2)_rn
• 2 -2
\ 1 2 ) -1 - \ 0 )
• Sea
A~ ( 1 2 1 )
-2 8
2 1
Entonces
A ( -:) ~A( -n ( In El lector atento habra notado en este ejemplo que hemos presentado nuevamente algunas de las combinaciones lineales del ejemplo l.2.4, ahora escritas en forma de productos de matrices pur columnas. ...

Observaci6n 1.2.6. NOTACION CON SUMATORIASS

En la i-esima entrada del producto AX aparece la sum a

de las entradas i-esimas de cada columna, multiplicadas por el coeficiente que multiplique a esa columna. Muchas veces es conveniente emplear el signo de sumatoria para expresar una suma de este trpo:

n

L !IiFJ:j = !IiP:l + !Ii2;J:2 + ... + !Iin;J:n, j=l

con 10 que se gana cierta econornia en la notaci6n.

Si tenemos listas de mimeros !Ij y bj, para para j = 1, ... ,11, entonces las propiedades conmutativa y asociativa de la sum a en el cuerpo lK. nos permiten asegurar que

n

n

n

j=l

j=l

j=l


36

CAPITULO 1

Comentemos que, en general, cualquier camhio en el orden en que se hagan las sumas no altera el resultado final. Adernas, si A es otro mimero cualquiera en lK. se sat isface

n n

A Laj = LAaj.

j=l j=l

En algunos casos usaremos esta notaci6n para simplificar la escritura.

Tambien puede emplearse el signa de sumatoria para escribir en forma mas breve sumas que involucran listas de vectores. Por ejemplo, la combinaci6n lineal que aparece en la definici6n del producto de una matriz por un vector es

n

AX = L;J:jAj, j=l

donde Aj, j = 1 ... , ti son las columnas de la matriz.

•

Con la notaci6n que hemos introducido al definir el producto de una matriz A pur una columna X pudemos resumir la voluminosa y amenazadora expresi6n (1.9) con que hemos representado en la pagina 31 el sistema con matriz A y terrnino independiente B, en la casi insignificante f6rmula

AX=B.

(l.15)

l.Hemos ganado algo con todo este alarde de notaci6n? Poco, al menos ahora es mas facil escribir un sistema lineal... pero su resoluci6n sigue igual de complicada que antes. Pero, [atencionl No hemos definido el producto AX s610 para simplificar nuestra escritura 16. Este producto tiene adernas buenas propiedades respecto a la estructura lineal con la que est amos trahajando, y 10 veremos aparecer una y otra vez a 10 largo de este curso. Pasamos ahora a enunciar y demostrar una de las propiedades mas basicas, ya que haremos uso de ella dentro de muy poco.

Proposici6n 1.4. LINEALIDAD EN X DEL PRODUCTO AX.

Sean A una mairiz 171 X ti sabre el cuerpo lK., X e Y dos columna.~ de longitud n., y a us: elemento de lK.. Enionces

1. A(X + Y) = AX + AY;

2. A(aX)=a(AX).

l°jAunque este proposito justificaria par si solo introducir tal definicion!



37

DEMOSTRACION.

Escribamos X = (;J:l, ... ,;J:n), Y = (Yl, ... , Yn). Entonces la j-esima entrada de X + Yes ;J:j + Yj. Recurramos ala expresi6n con sumatorias del producot A(X + Y). Entonces la i-esima entrada de esta columna es

n n n

L (Iij(;J:j + Yj) = L (Iij;J:j + L (IijYj,

j=1 j=1 j=1

que es la suma de la i-esima entrada de AX con la i-esima entrada de AY. Por 10 tanto A(X + Y) = AX + AY. Dejamos la demostraci6n de la segunda propiedad como un ejercicio para ellector.

Ejercicio 1.8. Completar la demostraci6n de la proposicion anterior.

Observaci6n 1.2.7. LAS MATRICES DEFINEN TRANSFORMACIONES LINEALES.

La operaci6n de multiplicar X E ]Km pur una matriz A de dimensiones 171 X ti define una correspondencia

Xf---+AX

que a cada X le asocia AX E ]Kn. La proposici6n 1.4 asegura que esta correspondencia es una transformaci6n lineal, en el siguiente sentido:

l. la imagen de la suma de dos vectores X eYes la suma de sus imageries;

2. la imagen del result ado de multiplicar un vector pur un escalar es el

producto de ese mismo escalar pur la imagen del vector.

•

1.2.1 Compatibilidad del sistema. Espacio de columnas

Disponemos ahora de una notaci6n concisa para un sistema de ecuaciones lineales. Y de una nueva interpretaci6n del sistema: se trata de buscar una list a X de ti coeficientes que produzcan el terrnino independiente B haciendo una combinaci6n lineal de las columnas de la matriz A. Este punto de vista ofrece una caracterizaci6n de los vectores B que hacen compatible el sistema: son aquellos vectores B que pueden ser escritos como combinaci6n lineal de las columnas de A. Como cualquier combinaci6n lineal de las columnas de A puede expresarse como el producto de A pur el vector X que contiene los coeficientes de la combinaci6n lineal, resulta entonces que los B que hacen el sistema compatible son justamente aquellos que pueden expresarse en la forma AX, donde X es alguna lista de ti coeficientes. Llamaremos espacio


38

CAPITULO 1

de columnas de la matriz A a este conj unto , y 10 indicaremos pur col(A). Tenemos entonces que

col(A) = {AX; X E ]K.n}

es el conjunto+" formado por todas las posihles combinaciones lineales de las columnas de A. El sistema AX = B es compatible si y solo si B E col(A).

Comenzaremos aver ahora como las nociones introducidas nos ayudaran a entender un poco mas de la estructura de col(A)18, y a encontrar maneras economicas de describirlo.

La primera buena noticia es que col (A) tiene huen comportamiento respecto a las uperacionea de sum a de vectores y producto pur un esc alar .

Proposici6n 1.5. ESTRUCTURA LINEAL DE col(A).

Si Y1 e Yz estrin en col(A) y a es us: escalar c1/,alquiem en ]K. enionces

1. Y1 + Yz E col(A);

2. aY1 E col(A);

DEMOSTRACION. Que Y1 e Yz esten en el espacio de columnas de la matriz A es equivalente a que exist an nos list as de longitud n., a las que llamaremos Xl y Xz, tales que

Y1 = AX1, Yz = AXz.

Por 10 tanto

y hemos conseguido expresar Y1 + Yz como el producto de A pur un vector, el vector Xl + Xz, 10 que implica que Y1 + Yz E col(A).

La segunda parte es muy parecida, ya que

es el resultado de multiplicar A pur a.X 1.

Sabemos adem as que col(A) es no vacia, ya que todas las columnas de A estan en la imagen.

17En breve aclararemos par que hemos dado en Hamar "espacio" a este conjunto.

18Esto es impartante, ya que ellectar atento podra quejarse de que todos los comentarios previos son mas 0 menos tautol6gicos. Y observar que, hasta ahara, salvo la introducci6n del nornbre col (A) para designar al conjunto de los B para los que el sistema tiene soluci6n, no hemos hecho mucho mas que decir que este conjunto est.a farmado par aqueHos B para los que el sistema tiene soluci6n.



39

Ejercicio 1.9.

1. Justificar la afirmacion de que cada una de las column as de A esta en col(A).

2. Mostrar que la culumna 0 Iormada pur m. ceros tambien esta en la imagen de A.

Interpretar este hecho en terminos de la compatibilidad del sistema homogeneo AX=O.

Vemos entonces que col (A) es un subconjunto no vacio de ]Km que es cerrado respecto a las operaciones de suma de vectores y producto por un escalar, en el sentido de que cuando sumamos entre sf, 0 multiplicamos pur un escalar, vectores que pertenezcan a col (A) el resultado tambien esta en col( A). Esto implica que las uperaciones de sum a de vectores y de producto pur un escalar estrin definidas cuando nos restringimos a tmbajar en col(A), 10 que dota a col (A) (igual que ocurrfa con todo el espacio ]Kn) de una cierta estructura algehraica.

Veremos que esta estruct ura algehraica, heredada de la estructura que tiene ]Kn porque esta basada en las operaciones allf definidas, nos sera iitil para describir la imagen de la matriz. Tambien veremos a 10 largo de este curso el import ante papel que tienen los suhconjuntos cerrados £rente a las uperaciones de suma de vectores y producto por un escalar, asi que les pondremos un nombre espedfico: los llamaremos subespacios vectoriales de K". Vale la pena destacar esta definici6n.

Definici6n 1.1. Diremos que us: .mhconjunto S no »acio de ]Kn es us: subespacio vectorial de K." si tiene las .~iguiente.~ dos propiedade«:

1. lo sunu: de dos uectores c1/,ale.~quiem de S pertenece as;

2. el producio de um. vector de S par um. escalar c1/,alquiera en K pertenece as.

Observaci6n 1.2.8. Una combinaci6n lineal de vectores de un subespacio vectorial S de ]Kn pertenece a S, porque se ohtiene realizando una cantidad finita de productos de un vector de S pur un esc alar , seguida de sumas de vectores de S. •

Ejemplo 1.2.9.

l. Hay dos suhconjuntos de ]Kn para los que es facil verificar que se trata de suhespacios vectoriales:


40 CAPITULO 1

(a) El que s610 esta formado por 0, el vector nulo del espacio ]K.n. Este conjunto es no vacio, tenemos adernas que ° + ° = 0, y aO = ° para cualquier a E ]K.. Este es el subespacio mas chico que podemos tener. De hecho, esta contenido en cualquier otro subespacio. Dejamos la verificaci6n de esta afirmaci6n como un ejercicio para ellector.

Ejercicio 1.10. Mostrar que si S es un snbespacio vectorial de IKm entonces 0 E S, pur lu que {O} C S.

(h) EI propio ]K.n.

2. EI subconjunto

s= {(;I:,y) E 1l~_2; ;I:=y}

es un suhespacio vectorial de lR_ 2• Claramente es no vacio. Un elemento generico de S es de la forma (;1:, ;1:), con ;1: un mimero real cualquiera. Consideremos dos elementos (;1:1, ;1:1), (;1:2, ;1:2) de S, y un escalar a cualquiera. Al sumar tenemos

Al multiplicar uno de ellos, por ejemplo (;1:1, ;1:1) pur el escalar a result a

Ambos resultados tienen la primera componente igual a la segunda, por 10 tanto satisfacen la condici6n de pertenencia a S.

3. EI subconjunto

no es un suhespacio vectorial de lR_2. La sum a de dos elementos de S siempre esta en S. Pero si (;1:, y) E S y ;1: > 0, al multiplicarlo pur un numero negativo obtenemos una pareja que ya no esta en S.

4. EI subconjunto

S = {(;I:, y) E lR_2; ;I:Y = O}

no es un suhespacio vectorial de lR_2. Al multiplicar un elemento de S pur cualquier esc alar volvemos a 0 htener un elemento de S. Pero la suma no tiene la propiedad de perrnanecer dentro de S. Por ejemplo

(1,0) + (0,1) = (1,1) if. S,

aunque (1,0) y (0,1) son ambos elementos de S.



41

Con la terminologfa que hemos introducido en la definicion 1.1, podemos decir que col (A) es un suhespacio vectorial de ]K.n, por eso hemos Ilamado "espacio" a este conjunto desde el comienzo. Es usualllamarlo tambien espacio generado por las columnas de A. El adjetivo "generado" esta justificado porque cada elemento de este espacio puede "construirse" a partir de las columnas de A, por medio de una cornbinacion lineal-''.

Observaci6n 1.2.10. GENERADORES.

N utemos que el espacio de las columnas de una matriz A puede ser muy grande. Por ejemplo, si A es realm X ti y no trivial este espacio contiene infinitos vectores. Pero 10 describimos especificando unos pocos: solo n., las ti columnas de A. Vemos entonces que dar un conjunto que genera todo col(A) por medio de combinaciones lineales es una descripcion mas 0 menos econornica del conjunto: unos pecos elementos de col(A) permiten reconstruirlo tudo.

Es conveniente entonces introducir el concepto de generador de un suhespacio vectorial S de ]K.n. Diremos que un suhconjunto A c S es un generador de S si cualquier vector de S puede ser expresado como una cornbinacion lineal de elementos en A.

Ejemplo 1.2.11. Las columnas de A son un generador del espacio de columnas de A. 0 sea, las columnas de A son un generador [del espacio generado pur las columnas! No podria ocurrir otra cosa. Hemos dado todas las definiciones para que asf fuera. ...

Ejemplo 1.2.12. Si A es la matriz real

entonces su espacio de columnas esta formado por todos los vectores de lR,3 que tienen la tercera entrada nula. Este conjunto tiene infinitos vectores, pero 20

{(I, 0, 0), (0,1, On,

que solo tiene dos vectores, es un generador de este espacio.

19Como veremos mas adelante, la construccion de generar un subespacio vectorial a partir de algunos vectores -en este caso las columnus de A- por rnedio de comhinuciones lineales es general. Lo que est amos describiendo ahora es solo un caso particular de esta constr uccion. 2°Volvemos aquf a representar columnas como filas para salvar la infinit.eisma parte de algun arbolito.


42

CAPITULO 1

Ejemplo 1.2.13. EI espacio Z~ tiene 2n elementos. Pero esta generado por las ti list as de ceros y unos que se contruyen de la siguiente manera: para cada valor natural de i entre 1 y ti construyamos la list a Ei poniendo un 1 en el lugar i, y ceros en las rest antes posiciones.

Vale la pena ohservar que 2n es un numero muchisirno mayor que n.. Por

ejemplo, l.cuantos dfgitos tiene la expresion decimal de 21007. • •

La observacion 1.2.10 sugiere que identificar un generador de un subespacio vectorial es una manera econornica de describirlo. Esto es cierto. En el caso de col(A) ya conocemos un generador: el que esta formado por todas las columnas de la matriz. Veremos que todavia se puede hacer algo mejor, si eliminamos del generador los elementos redundantes. Antes de pasar a discutir esto en detalle mostremos esta redundancia en un ejemplo sencillo.

Ejemplo 1.2.14. EI espacio de column as de

esta formado por todas las columnas (;1:1, ;1:2) tales que ;1:1 = ;1:2. Este espacio puede generarse a partir de la primer a columna, porque la segunda es un miiltiplo de la primera. Estamos diciendo entonces que el conjunto formado pur la columna (1, 1) es un generador de col( A), y no tenemos necesidad de incluir a la segunda columna en un generador para puder construir tudo el espacio por combinaciones lineales. Hemos conseguido asi un generador mas economico que el que esta formado por todas las columnas. Observemos que en este ejemplo tambien podriamos haber usado la segunda columna en vez de la primera, ...

1.2.2 Descripciones optirnas para col (A)

Vamos a discutir ahora dos maneras diferentes de caracterizar el espacio de columnas de una matriz A. Una hara uso de un conjunto de ecuaciones que definen este espacio. La otra consistira en buscar un generador optimo (al que le daremos el nombre de base). Para ambas utilizaremos el metoda de escalerizacion. Veremos como proceder a traves de nuestro proximo ejemplo.

Ejemplo 1.2.15. Consideremos la matriz del sistema del ejemplo l.l.20. Esta


1.2 COMPATIBILIDAD DE LOS SISTEMAS 43
es la matriz
1 2 1 0 1 1
-1 -2 1 1 0 -1
A= 1 2 1 2 5 3
1 2 1 0 1 3
1 2 1 4 9 3 AX=B

Nos preguntamos ahora cuales son los B que hacen que el sistema

sea compatible. Para determinar estes B consideraremos una columna generica B = (bl, b2, b3, b4, b5) Y analicemos el sistema. La tecnica para hacerlo sera el metoda de eliminaci6n, y para ella escalerizaremos la matriz ampliada AlB

del sistema. Esta matriz es
1 2 1 0 1 1 bl
-1 -2 1 1 0 -1 b2
1 2 1 2 5 3 b3
1 2 1 0 1 3 b4
1 2 1 4 9 3 b5 Ahora procederemos a escalerizarla. Escribiremos la sucesi6n de matrices que produce el metoda de escalerizaci6n, sin mayores comentarios. Los pasos son los mismos que hicimos en el ejemplo 1.1.20. Al costado de cada matriz representaremos las uperacionea que hemos realizado sohre la matriz del paso

anterior.
1 2 1 0 1 1 bl
0 0 2 1 1 0 b2 + bl
0 0 0 2 4 2 b3 - bl
0 0 0 0 0 2 b4 - bl
0 0 0 4 8 2 b5 - bl
1 2 1 0 1 1 bl
0 0 2 1 1 0 b2 + bl
0 0 0 2 4 2 b3 - bl
0 0 0 0 0 2 b4 - bl
0 0 0 0 0 2 b5 - 2b3 + bl
[Por finl, llegamos a la forma escalerizada,
1 2 1 0 1 1 bl
0 0 2 1 1 0 b2 + bl
0 0 0 2 4 2 b3 - bl
0 0 0 0 0 2 b4 - bl
0 0 0 0 0 0 b5 + b4 - 2b3 f-- F2 + Fl f-- F3 - Fl f-- F4 - Fl f-- F5 - Fl.

(1.16)


44

CAPITULO 1

jy las respuestas a nuestras preguntas estan ante nuestros ojos!

Una ecuaci6n para la imagen de A.

La forma escalerizada muestra que el sistema es compatible si y s610 sf

(1.17)

Esta ecuaci6n es la que caracteriza al espacio de columnas de A. Si se satisface entonces la ultima ecuaci6n del sistema se verifica autornaticamente, y podemos encontrar valores de las inc6gnitas que hagan que se satisfagan la cuatro primeras ecuaciones, Concluimos entonces que

Esta descripci6n tiene la ventaja de que dado un vector B cualquiera, s610 tenemos que calcular el primer miemhro de (1.17) con las entradas de B para saber si B esta 0 no est a en el espacio de columnas, y concluir asi sobre la compatihilidad 0 incornpatihilidad del sistema AX = B.

Notemos que 10 que hicimos ilustra un metoda general para hallar ecuaciones que caractericen a la imagen de una matriz: intent amos resolver un sistema gene rico AX = B, Y la condici6n de compatibilidad aparecera expresada como una condici6n sobre los coeficientes de B.

Observaci6n 1.2.16. Si s610 queremos decidir acerca de la compatibilidad 0 incornpatibilidad del sistema para un B dado, sin tratar de entender la estructura del conjunto de los B que hacen compatible el sistema AX = B pudemos resumir la discusi6n en la siguiente observaci6n: el sistema es compatible si y s610 si las formas escalerizadas de A y de la matriz amp li ada AI B tienen el mismo numero de pivotes (0 de escalones, para expresarlo en un lenguaje mas grafico ).

Una base para la imagen de A.

Vamos aver ahora otra caracterizaci6n de la imagen de la matriz A. La forma escalerizada (1.16) pone en evidencia cuales son los B que hacen compatible el sistema, y tambien que para esos vectores B la soluci6n es indeterminada porque hay variables libres, en este caso dos. Sabemos adernas que podemos elegir como variables lihres las que corresponden a column as que no tienen pivotes: las variables ;1:2 Y;1:5. Podemos fijar arbitrariamente ;1:2 y ;1:5, y luego calcular las rest antes variables para obtener una soluci6n del sistema.



45

Esto significa que cada columna B en la imagen de A puede ser escrita como combinaci6n lineal de las columnas de A de muchas maneras, En particular, pudemos elegir

y conseguir una soluci6n que, en realidad, quedara determinada una vez que hemos fijado estos valores para ;1:2 y ;1:5. Hagamos una observaci6n sencilla peru fundamental: jijar ;1:2 = ;1:5 = 0 es lo mismo que eliminas: estas narioble« del sistemo; y tambien es la mismo que elimino»: la sequtuln. y quinta columna de la matriz del sistema. Por 10 tanto, eliminar la segunda y quinta columna de la matriz del sistema no altera, en este casu, el conjunto de vectores B para los que el sistema lineal es compatible. Es decir, no se altera el espacio de columnas.

La existencia de variables Iihres tiene que ver con la presencia de cierta redundancia en las columnas de A: una vez que tenemos las columnas

las columnas A2 y A5 son redundantes, y cualquier vector que este en el espacio de coliuruuis de A puede ser expresado como una combituicion lineal de las coliuruuis AI, A3, A4, A6. Al eliminar A2 y A5 no perdemos ahsolutamente nada del espacio de columnas, Dicho en otras palabras,

es un generador de col(A). Es un generador mas pequefio que el que esta formado por todas las columnas de la matriz. Por eso ofrece una descripci6n mas econ6mica del mismo conjunto.

Ohservemos que col(A) coincide con el espacio de column as de la matriz

1 1 0 1
-1 1 1 -1
A= 1 1 2 3
1 1 0 3
1 1 4 3 que hemos construido tachando las column as 2 y 5 de A. Para escalerizar A


46

CAPITULO 1

deberfamos repetir los mismos pasos que usamos para A y obtendrfamos+'

1 1 0 1

o 2 1 0

o 0 2 2

o 0 0 2

o 0 0 0

una matriz sui variables libres, porque cada columna tiene pivotes. Cuando un sistema lineal con esta matriz tiene solucion, entonces la solucion es unica. Al eliminar las columnas redundantes, y con ellas las variables Iihres, hemos perdido la libertad que teniarnos para fabricar soluciones del sistema. Por 10 tanto, cuando un vector B esta en el espacio de columnas de la matriz A (0 el de ii, ya que los espacios de columnas coinciden] hay una umica manera de escribirlo como combituicion lineal de las columnas AI, A3, A4 Y A6.

En resumen, hemos visto que

2. este generador tiene la propiedad adicional de que cualquier vector de col(A) admite una umica expresion como cornbinacion lineal de los elementos en el generador.

Un generador de un subespacio vectorial que tiene adernas la segunda propiedad que acabamos de enunciar constituye una base del subespacio+'. Una base de un suhespacio puede ser vista como un generador sin redundancia alguna. Por 10 tanto, nos da una forma optima de describir el subespacio. En nuestro ejemplo hemos conseguido una base eliminando algunos vectores de un generador mas grande (el que estaba formado por todas las columnas de la matriz). La siguiente observacion muestra la optimalidad de nuestra eleccion: si seguimos quitando columnas entonces perdemos la capacidad de generar todo col(A). Los detalles se discuten a continuacion.

Observaci6n 1.2.17. EI suhconjunto de column as

21 No hemos repetido todas las cuentas. S610 nos limit amos a tachar las column as 2 y 5 en la forma escalerizada y usar que la escalerizaci6n trata cada columna por separado.

22Este concepto es muy importante, y merece una definici6n. No la hacemos todavia porque es posible simplificar un poquito mas la caracterizaci6n de las bases, y 10 haremos en nuestra pr6xima secci6n



47

es optimo para generar el espacio de columnas de A: si sacamos alguna otra columna ya no podremos expresarla como cornbinacion lineal de las dernas. Por ej emplo , la columna Al no puede expresarse como cornbinacion lineal de {A3, A5, A6}. Veamoslo. Sabemos que cualquier columna en la imagen de A puede ser escrita como una cornbinacion lineal de GalA de manera unica. Esto es cierto, en particular, para AI, que admite la expresion obvia

Si pudierarnos escribir adernas

(l.18)

para alguna terna de coeficientes a, b y G, obtendriamos inmediatamente la expresion

Al = ~Al + aA3 + bA5 + GA6,

que es otra forma de escribir Al como cornbinacion lineal de A. Esto es contradictorio, y muestra la imposihilidad de (l.18). EI mismo razonamiento puede hacerse para cualquiera de las otras columnas, e implica que si eliminamos mas columnas de A result a una nueva matriz con un espacio de columnas estrictamente mas chico que el de A, porque la columna eliminada no esta en el espacio que las rest ante generanZ3. N utemos que, cuando hay variables Iihres, hemos mejorado nuestra descripcion de la imagen de A: al menus somos capaces de darla usando menus columnas que todas las que estahan en la matriz original. Y no podemos mejorar mas, porque sabemos que si sacamos mas

columnas "perdemos un pedazo de la imagen" .

•

Observaci6n 1.2.18. Podemos eliminar Az y A5 porque cualquiera de estas dos columnas puede ser expresada como una cornbinacion lineal de

Ejercicio 1.11. Expresar A2 y As como cornbinacion lineal de A. Sugerencia: nu hace falta plant ear un nuevo sistema de ecnaciones y resolverlo, Para despejar A2, por ejemplo, es suficiente construir una solucion de AX = 0 cun .7:2 = -1, .7:s = O .•

Hemos encontrado entonces un algoritmo para identificar un generador optirno, 0 base, de la imagen de A: escalerizamos A e identificamos las columnas que tienen pivotes, Luego volvemos a la matriz original A y seleccionamos estas columnas. Las columnas as! elegidas forman una base del espacio de columnas, 0 imagen, de A.

23En realidad perdemos mucho mas que la columna eliminada: ninguna de las combinaciones lineales en las que la columna que hemos eliminado aparece con un coeficiente distinto de cero puede escribirse s610 en terminos de las columnas que hemos dejado


48 CAPITULO 1

1.2.3 Dos interpretaciones gcometricas de los sistemas lineales

Descomposici6n de un vector en dos direcciones independientes

COMPLETAR: LA INTERPRETACION COMO COMBINACIONES LINEALES

Intersecci6n de rectas

Si a y b no se anulan simultanearnente los puntos del plano de coordenadas (;1:, y) que verifican la ecuaci6n

au: + by = c

pertenecen a una recta. Por 10 tanto en el sistema

{ au: + by = c, o'«: + b'y = c,

cada ecuaci6n represent a una recta y su soluci6n no es otra cosa que las coordenadas de los puntos que pertenecen a la intersecci6n de ambas. De ese modo un sistema 2 X 2 compatible determinado (una unica soluci6n) se corresponde con dos rectas que se cortan en un unico punto (ver figura ??), un sistema indeterminado (infinitas sol uciones) se cor responde con dos rectas coincidentes y un sistema incompatible con dos rectas paralelas (ver figuras ?? y ?? respectivamente] .

Ejemplo 1.2.19. El sistema

{ 2;1: + y = 2, ;1: + y = 2,

es compatible determinado con unica soluci6n (0,2)

AQUI QUEDA ESPACIO PARA LA FIGURA

Ejemplo 1.2.20. El sistema

{ 2;1: + 2y = 4, ;1: + y = 2,

es compatible indeterminado con soluci6n {(;1:,2 - ;1:);1: E JR.}



49

OTRA FIGURA

Ejemplo 1.2.21. EI sistema

{ ;1: + Y = 1, ;1: + Y = 2,

PONER AQui EL DIBUJO DE LAS PARALELAS

Esta interpretaci6n geometrica de los sistemas 2 x 2 puede tarnbien extenderse a los sistemas de tres inc6gnitas salvo que, como veremos en la secci6n 3.1 del capitulo 3, las ecuaciones representan planos en el espacio y la soluci6n sus intersecciones. En cierta medida la teoria que desarrollaremos en capitulos posteriores nos perrnitira extender tam bien la interpretaci6n geometric a para sistemas de mayor tamaiio.

1.2.4 Un poco de formalizaci6n: El espacio de n-uplas

La interpretaci6n del sistema lineal contenida en la f6rmula 1.13 utiliza operaciones definidas sobre las columnas de una matriz. En la observaci6n 1.1.26 ha.biamos enfatizado el hecho de que el proceso de eliminaci6n podia ser descrito en terrnino de operaciones realizadas sobre las filas. Hagamos entonces, un pequefio parentesis para sistematizar esta noci6n de "Iista ordenada de ti mimeros" 0 n-upla, y las uperaciones que hemos manejado hasta ahora. Nuestro objeto de trabajo seran los conjuntos ordenados+' de ti elementos en un cuerpo lK.. Llamaremos lK.n a este conjunto de list as de longitud ti formadas pur elementos en lK.. Sobre este conjunto definimos dos operaciones

1. SUMA DE DOS LISTAS. Si X = (;1:1, ... ,;I:n) e Y = (Yl, ... ,Yn) entonces definimos

X + Y = (;1:1 + Yl, ... , ;I:n + Yn),

2. PRODUCTO DE UNA LISTA POR UN NlJMERO. Para X (;1:1 , ... ,;I:n) y a un numero cualquiera en el cuerpo lK. definimos

24Si queremos ser mas formales podemos considerar este conjunto como el de las funciones definidas sobre el subconjunto 1,2, ... ,n, formado por los primeros n. numeros, y que toman valores en el cuerpo K (el conjunto de numeros con los que vamos a trabajar).


50

CAPITULO 1

Destaquemos que ahora nuestras listas de rnimeros empiezan a adquirir estructura: hay operaciones algebraic as definidas sobre ellas, y con la ayuda de estas uperaciones las hemos est arlo manipulando para resolver y comprender los problemas relativos a sistemas lineales. La introducci6n de esta estructura algehraica hace que ]K.n rleje de ser apenas un conjunto, y por eso nos referiremus al espacio ]K.n, 0 al espacio vectorial ]K.n. Tambien nos referiremos a los elementos de este espacio como a vectores en el espacio ]K.n, aunque de tanto en tanto, y dependiendo del contexto, volveremos a emplear la expresi6n "list as de longiturl n" para designarlos. Antes de discutir las propiedades mas importances de estas operaciones hagamos un pequefio ejemplo.

Ejemplo 1.2.22.

l. Cornencemos con ti = 3 y el cuerpo de los numeros reales. Tenemos, por ejemplo

(1, e , -1) + (0, 1,2) = (1 + 0,2 + e , -1 + 2) = (1,2 + e , 1), y'2(1,0,y'2) = (y'2.1,y'2.0,y'2.y'2) = (y'2,0, 2).

Tornemos X = (1,1,1,0,0,0), Y = (1,0,1,0,1,0) en Z~. Entunces

X + Y = (0,1,0,0,1,0).

Si queremos ejercitar el producto por un numero no tenemos mucho para hacer. Hay s610 dos opciones: multiplicar una lista por 0, 10 que da como result arlo una lista con 6 ceros. 0 multiplicarla por 1, 10 que produce exactamente la misma lista,

2. Todo funciona mas 0 menos igual en el campo de los rnimeros complejos.

Por ejemplo , en C2 tenemos i(1 + i, -i) = (-1 + i, 1). ...

Las operaciones tienen una lista de propiedades que resulta util destacar.

Para compactar la notaci6n designemos cada n-upla con una letra mayuscula, X = (;1:1, ... ,;I:n).

[SI] [Conmutativa] X + Y = Y + X V X, Y E ]K.n.

[S2] [Asociativa] (X + Y) + Z = X + (Y + Z) V X, Y, Z E ]K.n.

[S3] [Neutro de la suma] Existe 0 E lR. tal que X +0 = O+X = X V X E ]K.n.

[S4] [Existencia de opuesto] Para carla X E lR.n existe Y E lR.n tal que X + Y = o (Notaci6n: Y = -X). Tambien es claro cual es el opuesto de la lista X: es (-;1:1, -;1:2, ... , -;I:n).



51

[PI] [Asociativa del producto] (aiJ)X = a(iJX) Va,/3 E lR. y X E R".

[P2] [Neutro del producto] IX = X V X E lR.n

[P3] [Distributiva] (a + jJ)X = aX + /3X Va, /3 E lR. y X, Y E R". [P4] [Distributiva] a(X + Y) = aX + aY Va E lR. y X, Y E R".

Estas propiedades son absolutamente directas de verificar. S610 haremos un par de comentarios so hre la existencia de neutro y opuesto para la suma, Es ohvio en este contexte que el neutro para la sum a es el vector 0 que esta formado pur 11 ceres, y que el opuesto de X = (;1:1, ... ,;I:n) es (-;1:1, ... , -;I:n). La formulaci6n que hemos escogido para enunciar las propiedades parece pues un tanto rebuscada, ya que podriamos haber dicho de una vez quienes eran el opuesto y el neutro. Confesemos al lector que est a formulaci6n esta escogida con la idea de extender todas esta teoria a un contexto abstracto en que los vectores con los que operemos pueden ser muy generales25. En carla casu particular habra que especificar cual es el vector 0 y c6mo se construye el opuesto. Pero 10 unico que sera comun a todos los casos particulares son las propiedades [S3] y [S4] que dehen ser sat isfechas pur el neutro y el opuesto. La teoria a la que hacemos referencia es la teoria de espacios vectoriales. Los espacios ]K.n son, en realidad, un casu particular de una estructura general que recihe el nomhre de espacio vectorial. Con estas estructuras trahajaremos en el capitulo ??

Ejercicio 1.12. Completar la verifieaei6n de que las operaeiones de suma y produeto por un esealar que hemos definido en OCT! tienen todas las propiedades que acabamos de enunciar.

Observaci6n 1.2.23. Las operaciones que hemos definido en ]K.n se extienden, en forma obvia, a filas y columnas de las matrices. Cada fila 0 columna no es otra cosa que una lista ordenada de rnimeros en K. Tambien podemos, y sera util en alguna oportunidad, considerar un elemento de ]K.n como una matriz de una columna y 11 filas (esto es esencialmente 10 mismo que pensar la lista de 11 rnimeros como una columna) 0 como una matriz de 1 fila y 11 columnas (0 sea, una fila).

25Veremos luego ejemplos en que los vectores seran funciones, sucesiones, matrices, clases de equivalencia construidas par distintos procedimientos, etcetera


52 CAPITULO 1

1.3 Determinacion de los sistemas lineales: el micleo de la matriz del sistema

Vamos a comenzar el analisis de este problema retomando el ejemplo con el que hemos trahajado en las secciones 1.1 y 1.2

Ejemplo 1.3.1. Hetomemos el estudio del sistema real AX = B, con matriz y terrnino independiente definidos por

1 2 1 0 1 1 1
-1 -2 1 1 0 -1 0
A= 1 2 1 2 5 3 B= 1 (1.19)
1 2 1 0 1 3 3
1 2 1 4 9 3 -1 con el que trahajamos en los ejemplos 1.1.20 y 1.2.15, y analicemos la unicidad (en este caso mas bien no unicidad), de sus soluciones. Al estudiar el sistema lineal habiamos llegado a la siguiente forma escalerizada reducida para la matriz ampliada del sistema (ver la pagina 26):

1 2 0 0 3 0 -1
"2
0 0 1 0 1 0 1
-"2
0 0 0 1 2 0 1 (1.20)
0 0 0 0 0 1 1
0 0 0 0 0 0 0 De aqui dedujimos que las soluciones del sistema son de la forma

Vamos a expresar una columna X, soluci6n del sistema, en la forma

;1:1 -1 -2 3
-"2
;1:2 0 1 0
;1:3 1 0 1
X= + ;1:2 + ;1:5 "2 (1.21)
;1:4 -1 0 -2
;1:5 0 0 1
;1:6 1 0 0 i,Que es cada una de las columnas que aparece en el miembro derecho de esta f6rmula?


1.3 DETERMINACION DE LOS SISTEMAS

53

• La primera columna, que no aparece multiplicada pur las variables Iihres, es una soluci6n del sistema. Se trata de una soluci6n particular. Una entre tantas soluciones de la ecuaci6n. La que resulta de escoger ;1:2 = ;1:5 = O. Los numeros que aparecen alli se obtienen de la ultima columna de la matriz escalerizada reducida, que es justamente la que almacenaha la informaci6n acerca del terrnino independiente B.

• Miremos ahora las columnas que multiplican ;1:2 y ;1:5: estas no se ven afectadas por el terrnino independiente, porque no dependen de las entradas en la ultima columna de la forma escalerizada de la matriz ampliada. Si carnbiaramos esa columna por una columna de ceros obtendriamos 10 mismo , De heche, los sumandos en (l.21) que contienen a las variables Iihres ;1:2 Y;1:5 son una soluci6n de AX = a. l.Por que?

Imaginemos que tenemos que resolver AX = a. Buscarfarnos entonces una forma escalerizada para la matriz Ala, que es la matriz ampliada de este sistema. Las transformaciones element ales necesarias para escalerizar Ala son exactamente las mismas que hicimos para escalerizar AlB, ya que s610 dependen de la matriz A del sistema, no de la columna de los terrninos independientes. La forma escalerizada reducida que obtendrfamos al final del proceso seria una matriz como (1.20), pero con ceros en la ultima columna. Al calcular las soluciones reencontrarfamos entonces una f6rmula como (1.21), en la que la primera columna seria una columna de ceros. Es decir, la primera columna no apareceria,

Concluimos entonces que el segundo y tercer sumando de (l.21) contienen la forma general de las soluciones de AX = a.

Nuestro analisis ha puesto en evidencia que la sol uci6n general del sistema AX = B esta compuesta de dos partes:

1. una soluci6n particular del sistema;

2. la expresi6n de la soluci6n general del sistema AX = a.

Mostraremos ahora que las conclusiones a las que llegamos en el ejemplo anterior son cornpletamente generales: si conocemos el conjunto formado pur todas las soluciones de AX = a y una soluci6n particular de la ecuaci6n AX = B, entonces podemos recuperar cualquier soluci6n de AX = B.

Observaci6n 1.3.2 .. Llamaremos homogcnea a la ecuaci6n

Ax=a


54

CAPITULO 1

porque tiene la propiedad de que el producto a.X de un mimero a cualquiera por una solucion X de la ecuacion tambien es solucion de la ecuacion (ver la proposicion 1.9, en la pagina 60 de esta misma seccion). Es usual referirse entonces a AX = B como la ecuaci6n no homogenea, Mostraremos a continuacion que las conclusiones a las que llegamos en el ejemplo anterior son cornpletamente generales: si conocemos el conjunto formado por todas las soluciones de AX = 0 y una solucion particular de la ecuacion AX = B, entonces podemos recuperar cualquier solucion de AX = B. Este hecho suele expresarse de la siguiente manera: la soluci6n general de la ecuaci6n no homoqenea es la sum a de una soluci6n particular mas la soluci6n general de la ecuaci6n homoqenea. Esta observacion explica tambien la notacion que usaremos en el enunciado y la dernostracion de nuestra proxima proposicion .

•

Proposici6n 1.6. Sea. XNHo una soluci6n de la ecuaci6n

AX=B.

(l.22)

Enionces La. sunu: de XNHo con una soluci6n cualquiera XH de la ecuacwn AX = 0 es otra soluci6n de 1.22. Mas osin, cualquier soluci6n de 1.22 puede expresarse como XNHo + XH, dotuie XH es una soluci6n de AX = o.

DEMOSTRACION: Consideremos la suma de la solucion XNHo con una solucion XH cualquiera de AX = O. Entunces

Y XNHo + XH satisface AX = B.

Supongamos que tenemos una solucion Xl de AX diferencia Xl - XNHo satisface

B. Entonces la

Por 10 tanto Xl - XNHo es una solucion de AX = 0, y

es la sum a de Xo mas una solucion de la ecuacion homogenea.

La consecuencia de esta proposicion es que para entender como es el conjunto de todas las soluciones de un sistema lineal cornpatihle AX = B basta entender como son las soluciones de AX = O. En particular AX = B tiene sol ucion unica si y solo si AX = 0 tiene sol ucion unica. Este hecho es tan importante que vamos a formularlo como un corolario de la proposicion 1.6.



55

Corolario 1.7. Si el sistema de eC1J.acione.~ lineales AX = B es compatible, entonces la solucioti es umica si y solo si AX = 0 tiene una unica solucion.

En la proxima seccion discutiremos algunas consecuencias de la discusion precedente y del corolario 1.7.

1.3.1 Independencia lineal

Dado que ya conocemos la relacion estrecha entre resolver sistemas de ecuaclones y hacer combinaciones lineales de las columnas de la matriz del sistema, pudemos expresar el corolario l. 7 de otra manera: cualquier columna B que este en el espacio col (A) puede expresarse de manera unica como cornbinacion lineal de las columnas de A si y solo sf la columna 0 puede expresarse de manera unica como cornbinacion lineal de las columnas de A.

Estes comentarios nos permiten volver sohre algunas cuestiones que discutimos al tratar la compatibilidad de los sistemas: ha.biamos hallado un generador optirno de col( A) eliminando las columnas asociadas con variables Iihres. Tambien habiarnos observado que esta optimalidad tenia que ver con que para cada vector en el espacio de columnas de A solo habia una manera de expresar- 10 como cornbinacion lineal de las columnas de los pivotes. Por estas razones preferfamos el generador formado por las columnas de los pivotes al generador formado pur tudas las columnas, Pero acahamos de ver que para asegurarnos de que ese generador tenga esta propiedad de unicidad de la cornbinacion lineal basta verificarla con el vector nulo. No es necesario considerar todos y cada uno de los vectores que puedan escribirse como cornbinacion lineal. Vale la pena resumir la discusion precedente en forma de una proposicion.

Proposici6n 1.8. Sea A = {AI, Az, ... , Ad 1J.n qetiertulor de 1J.n subespacio vectorial S de ]K.n. Enionces soti eq1J.ivalente.~:

1. c1/,alq1J.ier elemento de S admite una unica expresion como combuuicion lineal de los elementos de A;

2. el vector n1J.lo 0 admite una unica expresion como combinocion lineal elementos de los elementos de A;

La dernostracion no es mucho mas que una forrnulacion ordenada de las ideas que acabamos de presentar,

DEMOSTRACION. Es obvio que la condicion 1 implica 2, porque el vector nulo es uno de los elementos de S. Hay que demostrar que 2 implica 1, 10 que


56

CAPITULO 1

permite reducir la cuestion de unicidad al caso mas sencillo de todos. Daremos dos argumentosZ6 distintos para esta parte de la prueha,

ARGUMENTO 1. Forrnemos la matriz A que tiene como columnas a los vectores

de A. Entonces el suhespacio col(A) generarlo pur las columnas de A es justamente S. Consideremos entonces B E S = col(A). Hecordemos que este vector puede ser expresado como cornbinacion lineal de las columnas de A en forma unica si y solo si el sistema AX = B tiene solucion unica. Como 0 admite una unica expresion como cornbinacion lineal de las columnas de A el sistema hornogeneo AX = 0 tiene solucion unica, y, en virtud del corolario 1. 7 esta asegurada la unicidad de la solucion de AX = B.

ARGUMENTO 2. El vector nulo 0 siempre puede ser expresado como

0= ~Al + OAz ... + OAI.

Por 10 tanto, si la representacion es unica, cualquier expresion de 0 como cornbinacion lineal de la familia A tendra todos sus coeficientes nulos. Para cualquier B E S consideremos dos posihles representaciunea

B = alAI + azAz + alAI,

B = PIAl + j]zAz + PIAL,

como cornbinacion lineal de la familia A. Si restamos la segunda representacion de la primera concluimos

Esta es una expresion de 0 como cornbinacion lineal de A. Por 10 tanto sus coeficientes tienen que ser todos nulos. De ahi concluimos

10 que muestra que, en realidad, ambas representacionea son exactamente la misma.

La proposicion 1.8 per mite sustituir la condicion de unicidad de la representacion de cualquier vector de un subespacio que vimos en la pagina 46 cuando introdujimos la nocion de base, por una condicion que solo haga referencia al vector nulo. Esta condicion es tan importante, porque expresa en

26Que son en realidud el mismo, expresado en dos lenguajes diferuntes. E1 segundo, que no requiere considerar matrices, puede extenderse a un contexto mucho mas general.



57

la forma mas simple posible la ausencia de redundancia -desde el punta de vista de la estructura lineal que estamos manejando - en el generador, que la recogeremos en una nueva definici6n.

Definici6n 1.2. INDEPENDENCIA LINEAL.

Diremos que una familia de uectores {AI, A2, ... , Ad es linealrnente independiente si la unica manera de expresar el vector nulo como combinaci6n lineal de la familia es escogiendo todos los coeficientes de la combinaci6n i,quales a O.

Observaci6n 1.3.3. ALGUNOS COMENTARIOS SOBRE LA INDEPENDENCIA LINEAL.

Reunimos aqui algunos comentarios que vale la pena destacar, incluso aunque esten esencialmente contenido en las discusiones que precedieron a la definici6n de independencia lineal.

1. La independencia lineal de la familia {AI, A2, ... , Al} es equivalente a que la igualdad

implique que los coeficientes ai, i = 1, ... ,l satisfacen

a1 = 0:2 = ... = O:l = O.

2. Las columnas de una matriz A forman una familia linealmente independiente si y s610 si la iinica soluci6n de AX = 0 es la soluci6n trivial, en que todas las incognitas toman el valor O.

3. Si una familia es lineal mente independiente y un vector es combinaci6n lineal de la familia entonces existe una unica manera de escribirlo como combinacion lineal de la familia.

Ahora que hemos introducido la noci6n de independencia lineal podemos completar la definici6n de base de un subespacio vectorial que adelantamos en la secci6n 1.2, cuando destacamos el papel de los generadores que permiten expresar de una unica manera sus combinaciones lineales.

Definici6n 1.3. BASES.

Si S es us: subespacio vectorial de ]K.n, diremos que us: .mbconjunto

de uectores de S es una base de S si


58

CAPITULO 1

1. es us: qetierrulor de S;

2. es linealment.e ituiependient.e.

Ejemplo 1.3.4. LA BASE CANONICA DE ]K.n

Para i = 1, ... , ti llamemos E; a la list a que tiene un 1 en la i-esima posicion, y ceros en las restantes, Es decir

Cualquier lista

X - ('I" 'I" 'I" )

- "1,"2"","n

puede expresarse como la combinaci6n lineal

de la familia

y para cualquier X E K" est a es la unica manera de expresar X como comhinaci6n lineal de C. Por 10 tanto C es una base de ]K.n. Es usual Ilamar a C la

base canonica de ]K.n.

Ejemplo 1.3.5. No HAY BASES PARA EL SUBESPACIO TRIVIAL Llarnamos subespacio trivial al suhespacio

S = {O},

que s610 contiene al vector nulo de ]K.n. S610 hay dos subconjuntos posibles de S: el vacio y todo S. El vacio no permite generar nada. Y el iinico subconjunto no vacio, S, es linealmente dependiente: pudemos escribir el vector 0 como o = aD, donde a es cualquier escalar del cuerpo ]K.. Por 10 tanto no hay bases para este suhespacio. Luego veremos que cualquier suhespacio que no sea el trivial tiene bases. ...

La cantidad de vectores que tiene una base de un suhespacio mide el tamana que, como estructura lineal, tiene el subespacio. Tambien puede verse este mimero como una medida de cuanta informaci6n es necesaria para especificar el subespacio por medio de un generador. Estas breves consideraciones pretenden justificar nuestra pr6xima definici6n:



59

Definici6n 1.4. DIMENSION.

Si S es us: .mbe.~pacio vectorial de ]K.n llasnoremos dimension de S a la cantidad de uectores en una bo.s« de S. Indicaremos a este iuimero con la notaci6n dim(S) .

Observaci6n 1.3.6. La dimensi6n de un subespacio es la cantidad de direcciones independientes que "caben" en el. Por ejemplo, si identificamos los vectores de lR,3 con puntos del espacio tridimensional (10 que es esencialmente equivalente a poner un sistema de courdenadas en el espacio) entonces los subespacios de dimensi6n uno son rectas que pasan por el origen de coordenadas; y los de dimensi6n 2 son planos que pasan por el origen. El unico subespacio de dimensi6n 3 es todo lR,3, que representarfa a todo el espacio. Vemos que la noci6n de dimensi6n concuerda con nuestra idea intuitiva de que una recta es un objeto que tiene una dimension, un plano tiene dos, y el espacio tiene tres. Daremos mas detalles sobre esto en las secciones del curso dedicadas a la geometria del espacio. Tambien al discutir la teorfa general de los espacios vectoriales, •

Ejemplo 1.3.7. Ya vimos que el espacio ]K.n tiene una hase, que hemos dado en Hamar base can6nica, que tiene ti vectores. Por 10 tanto la dimensi6n de ]K.n es n..

El suhespacio trivial {O}, formado unicamente por el vector nulo, no tiene

bases. Pero adoptaremos la convenci6n de asignarle dimensi6n O. ...

1.3.2 El nucleo de una matriz

Ahora volvemos, [por fin!, a cerrar nuestra discusi6n sobre la unicidad y no unicidad de soluciones,

Recordemos que habiamos aprendido que la informaci6n acerca de la estructura del conjunto de soluciones de AX = B estaha encerrada en el conjunto de soluciones de la ecuaci6n hornogenea AX = O. Llamaremos nuclco de la matriz A al conjunto de las soluciones de la ecuaci6n hornogenea AX = O. Indicaremos este conjunto con el sfmbol027 ker(A). Si A es una matriz 171 X ti suhre el cuerpo ]K. pudemos escribir entonces

ker(A) = {X E ]K.n; AX = O}.

La primera noticia interesante es que este conjunto resulta ser tambien un suhespacio vectorial.

27Proveniente de la palabra alemana kernel


60

CAPITULO 1

Proposici6n 1.9. Si A es una mairiz 171 X ti sabre JK., entonces el tuicleo de A es us: subespacio vectorial de JK.n.

DEMOSTRACION: La demostraci6n es bastante sencilla, y descansa en la linealidad de todas los calculos que hay que hacer para verificar que un vector esta en el micleo. Supongamos que tenemos dos vectores X e Y en el micleo. Entunces su suma X + Y satisface

A(X + Y) = AX + AY = 0 + 0 = 0,

por 10 que tambien esta en el nucleo. Para el producto de cualquiera de ellos, pur ejemplo X, pur un esc alar a en el cuerpo tenemos

A(aX) = a(AX) = aO = O.

Entonces tambien a.X esta en el nucleo, y hemos completado la demostraci6n.

Tambien para este subespacio daremos una descripci6n en terrninos de ecuaciones y biisqueda de bases. Otra vez, toda la informaci6n necesaria sera obtenida del metoda de escalerizaci6n.

Un conjunto de ecuaciones para el nucleo

El nucleo esta definido por la ecuaci6n vectorial AX = 0, que es equivalente a 171 ecuaciones escalares. El proceso de escalerizaci6n de la matriz Ala transferrna en una matriz escalerizada (u escalerizada reducida) E, que esta asociada a un sistema lineal que tiene el mismo conjunto soluci6n que el sistema original AX = O. En otras palabras, el micleo de A es igual al cunjuntu de Ius X que sat isface EX = O. Y este sistema tiene tantas ecuaciones de escalates como pivotes tenga la matriz escalerizada. Y el numero de ecuaciones ya no puede red ucirse mas. El sistema escalerizado (0 puesto en la forma escalerizda reducida) es una forma de caracterizar el nucleo de A pur un cunjuntu de ecuaciones en el que hemos eliminado las ecuaciones redundantes,

Ejemplo 1.3.8. Consideremos la matriz A del ejemplo l.3.1 cun que cumenzamos esta secci6n (ver la f6rmula (1.19). Al llevar la matriz ampliada AIO del sistema AX = 0 a su furma escalerizada reducida encontramos la matriz

1 2 0 0 3 0 0
'2
0 0 1 0 1 0 1
-'2
0 0 0 1 2 0 0
0 0 0 0 0 1 0
0 0 0 0 0 0 0 WWW.MIACADEMIA1.BLOGSPOT.COM


61

que es equivalente a las ecuaciones

Estas ecuaciones caracterizan al nucleo de A, y no pueden simplificarse mas .

•

Una base para el micleo

Tambien es posible caracterizar el nucleo por medio de una base. Mostraremos esto en un ejemplo, pero el razonamiento es completamente general.

Ejemplo 1.3.9. En la expresi6n (1.21) para las soluciones del ejemplo 1.3.1 carla variable lihre aparece multiplicando un vector. El que corresponde a ;1:2 es (-2,1,0,0,0,0), Y el que esta asociado con ;1:5 es (-1, O,~, -2, 1, 0). Con estes dos vectores pudemos generar todas las soluciones de AX = O. Adernas son linealmente independientes porque cada una de las variables lib res aparece s610 en el vector que est a asociado con ella. En efecto, si planteamos la igualdad

3 1

;1:2 ( -2,1,0,0,0,0) + ;1:5 ( -"2,0, "2' -2, 1, 0) = (0,0,0,0,0,0)

al mirar la la segunda y quinta cornponentes obtenemos

respectivamente. De modo que la iinica combinaci6n que produce el vector nulo es la trivial. La familia forrnada pur estos dos vectores constituye una base para el rnicleo de A. ...

El procedimiento anterior es cornpletamente general: al expresar las soluclones de AX = 0 en terminos de las variables lib res cada variable libre queda asociada a un vector (en realidad este vector es el que se obtiene fijando en uno el valor de la variable que est amos considerando, y en cera todas las dernas). Esta familia de vectores es una base para el nucleo. Tenemos entonces un algoritmo para hallar una base del micleo.

o bservaci6n 1. 3.10 . No es necesario 0 htener la forma escalerizada reducida de A para construir una base del nucleo. Todo 10 que hace falta es expresar las soluciones de AX = 0 en terrninos de las variables libres, 10 que puede


62

CAPITULO 1

hacerse a partir de la forma escalerizada. En nuestra presentaci6n preferimos llegar a la forma escalerizada reducida, porque esta hace mas evidente que la informaci6n que proviene del terrnino independiente aparece separada de las variables libres en la soluci6n general del sistema. •

1.3.3 La dimension del nucleo y el espacio de columnas

Nuestro procedimiento para hallar una base del nucleo genera un vector de la base por cada una de las variables libres. Por 10 tanto, una base del nucleo tendra tantos vectores como variables lib res haya en la forma escalerizada. Las variables lihres corresponden a columnas que no tienen pivotes. Entonces el mimero de variables lib res es la diferencia entre 11 -la cantidad de varia hles, o column as en la matriz del sistema- y ]1 -el numero de pivotes-. Si no hay variables lib res entonces el nucleo de A se reduce al suhespacio trivial forrnado pur la list a de 11 ceros, que es la iinica soluci6n de AX = o.

Hecordemos que pudemos fabricar una base del espacio de columnas de una matriz A seleccionando las columnas de A que corresponden a las posiciones de los pivotes de una forma escalerizada de A. Una base de col (A) tendra entonces ]1 vectores, tantos como pivotes.

Todos estos comentarios pueden formularse en terrninos de la dimensi6n del ker(A) y col(A).

Teorema 1.1. Sea A una mairiz 171 X 11 sabre us: C1/,er]10 lK.. Y .~ea]1 el tuimero de piuot.e« de una forma escalerizada de A.

1. dim(col(A)) =]1.

2. dim(ker(A)) = 11 - ]1.

3. dim(ker(A)) + dim(col(A)) = 11.

Observaci6n 1.3.11. La ultima igualdad del teorema anterior es interesante en terrninos de la interpretaci6n de la matriz A como una transformaci6n. Habiamos visto en la observaci6n 1.2.7 que la matriz A define sobre lK.n una funci6n

Xf---+AX

que toma valores en lK.m. EI espacio de columnas de A es la imagen de esta transformaci6n, de modo que se cumple

dim(ker(A)) + dim(im(A)) = 11.



63

Es decir, la dimensi6n ti del espacio de salida de la transformaci6n es la suma de la dimensi6n del nucleo mas la de la imagen. En el nucleo esta todo 10 que tiene como imagen el vector 0 de ]Km, asi que podemos pensar que el rnicleo se "malgasta" yendo todo alOE ]Km. [Hemos perdido un suhespacio de la dimensi6n del nucleo en esto! Pero la transformaci6n es todavia capaz de producir un subespacio de dimensi6n

dim(im(A)) = Tl, - dim(ker(A))

como imagen de la transformaci6n. Esta transformaci6n "respeta las dimensiones": las que no se gastaron en el nucleo reparecen en la imagen. Y seguimos teniendo las ti que teniarnos en el espacio de salida.


64 CAPITULO 1

1.4 Espacia de filas y ranga

Hemos interpretado la resoluci6n de sistemas lineales en terrninos de combinaciones lineales de las column as de la matriz del sistema, y el estudio de los sistemas lineales ha revelado una rica estructura que, a su vez, da informaci6n acerca de las soluciones del sistema. Surgieron asi el espacio de columnas y el rnicleo de una matriz. En particular, el espacio de columnas apareci6 porque a cada variable del sistema de ecuaciones se le asocia, en forma cornpletamente natural, una columna de la matriz del sistema. Pero cuando operamos con el sistema empleando el metoda de escalerizaci6n no son las columnas las que manipulamos, sino las filas de la matriz. En realidad, fue a traves de estas operaciones con las filas que introdujimos la idea de que las listas de numeros podfan ser consideradas como elementos de una estructura algebraica (ver la observaci6n 1.1.26, en la pagina 28).

Al igual que hicimos para las columnas, pudemos considerar el conjunto formado por todas las posibles combinaciones lineales de las filas de A. Esto es 10 que llamaremos el espacio de filas de A, 0 espacio generado por las filas de A, y 10 indicaremos con la notaci6n fil( A). Las uperacionea necesarias para llevar la matriz A a su forma escalerizada generas nuevas filas que estan en el espacio de filas de la matriz original, porque se obtienen haciendo combinaciones lineales con las filas de A. Mas interesante aun es que la escalerizaci6n no modifica el espacio de filas de la matriz. Mostraremos esta afirmaci6n viendo que las operaciones elementales del proceso de escalerizaci6n no alteran el espacio de filas. Recordemos cuales eran estas operaciones element ales:

1. sumar a una fila un rmiltiplo de otra;

2. multiplicar una fila por un escalar no nulo;

3. intercambiar dos filas.

Naturalmente, si aplicar una transformaci6n elemental produce una matriz con el mismo espacio de filas que la matriz original tambien es cierto que el espacio de filas no cambiara luego de aplicar una cantidad finita de operaciones elementales. Por 10 tanto, no carnbiara a 10 largo del proceso de escalerizaci6n.

Proposici6n 1.10. Sea A una mairiz 171 X ti sabre lK., y B una mairiz que se obtien« a partir de A aplimndo una de las transformacione» element.ales del algoritmo de escalerizaci6n. Entonces

fil(A) = fil(B).


1.4 ESPACIO DE FILAS Y RANGO

65

DEMOSTRACION. Todo 10 que tenemos que demostrar es que si una fila puede escribirse como combinaci6n lineal de las filas de A entonces tambien puede escribirse como combinaci6n lineal de las filas de B, y viceversa, Pero para ahorrarnos la segunda comprobaci6n hacemos la siguiente observaci6n: si B se ohtiene de A por medio de una transformaci6n elemental entonces tambien es cierto que A se puede ohtener de B por una transformaci6n elemental. Mostremos que esto es asi. Separaremos la prueba en tres casos, uno para cada transformaci6n elemental. Indicaremos con Ai y Bi, para i = 1,2, ... ,171, a las filas de A y B respectivamente.

1. CUANDO A UNA FILA SE LE SUMA UN MULTIPLO DE OTRA. Supongamos que la matriz B se obtiene sumando a la fila j de A el result ado de multiplicar la fila k, con k jj por el numero k. Entonces la j-esima fila de i es

Bj = Aj + OAk,

mientras que todas las filas rest antes coinciden con la correspondiente fila de A. En particular, Bk = Ak. Podemos hacer entonces sohre las filas de B la operaci6n que deshace la acci6n de sumar OAk en la fila j: si a la fila j de B le rest amos aBk tenemos

y recuperamos la fila Aj. Las rest antes filas de B ya coincidian con las filas de A, de modo que hemos conseguido la matriz B haciendo una transformaci6n elemental a la matriz A.

2. CUANDO SE MULTIPLICA UNA FILA POR UN ESC ALAR NO NULO. La transformaci6n elemental que hay que aplicar a B para ohtener la matriz A consiste en multiplicar la misma fila por el inverso del escalar.

3. CUANDO SE INTERCAMBIAN DOS FILAS. Podemos deshacer la operaci6n aplicando una vez mas el mismo intercambio.

Ahora s610 tenemos que mostrar que si una fila esta en el espacio de columnas de B entonces tambien esta en el de A. Consideramos entonces una fila F que es una combinaci6n lineal de las filas de B. Por 10 tanto podremos expresar Fen la forma

para algiin conjunto de escalares Ai, i = 1, ... ,171. Nuevamente, separamos la demostraci6n en tres casos.


66

CAPITULO 1

1. CUANDO A UNA FILA SE LE SUMA UN MULTIPLO DE OTRA. Como antes, supongamos que a la fila Aj le hemos sum arlo OAk para ohtener Bj. Tomando en cuenta la expresi6n de las filas de Ben terminos de las filas de A pudemos escribir F en la forma

F = AlAI + ... + Aj(Aj + OAk) + ... AmAm,

que es una combinaci6n lineal de las filas de A. Si el lector 10 prefiere puede reordenarla un poco, para poner junto torlo 10 que multiplica a la fila Ak,

pero no es esencial hacerlo.

2. CUANDO SE MULTIPLICA UNA FILA POR UN ESC ALAR NO NULO. Si hemos multiplicado a la fila j de A pur un esc alar a, entonces Bj = aAj y

3. CUANDO SE INTERCAMBIAN DOS FILAS. Las filas de A y de B son las mismas. S610 cambia el orden con que aparecen en la combinaci6n lineal.

Si aplicamos repetidas veces la proposici6n anterior (tantas como operaciones elementales sean necesarias para el proceso de escalerizaci6n) obtenemos nuestro pr6ximo corolario.

Corolario 1.11. Si E es una [ormo escalerizado de la mairiz A enionces

fil(E) = fil(A).

Observaci6n 1.4.1. Es importante notar que el espacio de column as cambia a 10 largo del proceso de escalerizaci6n. Un ejemplo sencillo mostrara esto.

Ejemplo 1.4.2. El espacio de column as asociado con la matriz real

esta formado por todas las columnas (;1:1, ;1:2) de lR_2 tales que ;1:1 = ;1:2. El espacio de filas por las filas (;1:1, ;1:2) que satisfacen ;1:2 = 2;1:1. La forma escalerizada reducida de A es

E=(~ ~),

que, naturalmente, tiene el mismo espacio de filas. Pero el espacio de columnas de E esta formado por todos los vectores de la forma (;1:,0), donde ;1: es un mimero real cualquiera. • •


1.4 ESPACIO DE FILAS Y RANGO

67

Una consecuencia de nuestro ultimo corolario es que las filas no nulas de una forma escalerizada E de una matriz A generan el espacio de filas de A. Esto es cierto porque las filas no nulas de E generan exactamente 10 mismo que todas las filas de E (las filas nulas no aport an nada: s610 ceros). Y todas las filas de E generan el espacio de filas de E, que coincide con el de A.

Adernas, las filas no nulas de una matriz escalerizada forman una familia linealmente independiente. Veamos por que. Sean

las p filas no nulas, donde ]J es el numero de pivotes de la forma escalerizada. Fabriquemos una combinaci6n lineal de las filas e igualemos al vector nulo. Es decir, consideremos coeficientes Ai, i = 1, ... ,]J tales que

(1.23)

Ahora examinemos el lugar que corresponde al pivute de E1. Este pivote esta en una fila a la que llamaremos h i Que otras filas aportan algo en este lugar? Ninguna. S610 El 10 hace, porque el pivote eijl en El es distinto de 0, y las filas rest antes tienen ceros en la columna h de ese pivote, Al igualar a cero esta componente de la combinaci6n lineal obtenemos

10 que implica Al = O.

Una vez que Al = 0 el primer sumando en el terrnino de la izquierda de (1.23) es nulo y esa igualdad se reduce a

Podemos repetir el razonamiento que acabamos de hacer, pero basandonos en la columna h en que esta el pivote de E2 para concluir que A2 = O. Aplicando el argumento ]J veces mostramos que la igualdad (1.23) implica

Ai = 0, i = 1, ... ,171 ..

Por 10 tanto, la familia formada por las filas no nulas de una matriz escalerizada son linealmente independientes,

El lector estara de acuerdo en que hemos demostrado la proposici6n que enunciaremos a continuaci6n:

Proposici6n 1.12. Sean A una matriz y E una forma escalerizado de A. Entonces las .filas no nulas de la matriz E forman una bo.s« de fil(A).


68

CAPITULO 1

Recordemos que hay tantas filas no nulas en E como pivotes. Tenemos entonces el siguiente corolario.

Corolario 1.13. Sean A una mairiz 171 X ti sabre um. cuerpo lK., y se« p el tuimero de pivotes de una forma escalerizada de A. Eiitonces dim(fil(A)) = p .

Recordemos el teorema 1.1, pagina 62, que asegura que el numero de pivotes de una forma escalerizada tambien es igual a la dimensi6n del espacio de columnas. Poniendo esta informaci6n junto a la que hemos encontrado en esta secci6n completamos la demostraci6n del import ante resultado que enunciamos a continuaci6n.

Teorema 1.2. Sea A una mairiz 171 X ti sabre um. cuerpo lK.. Enionces

dim(fil(A)) = dim(col(A)).

A este numero, que indica la dimensi6n com iin a ambos espacios se le llama rango de la matriz A. Ese es el contenido de nuestra pr6xima definici6n.

Definicion 1.5. Llamaremos rango de una matriz a la dimension de su espacio de filas y de su espacio de columnas.


Sistema de Ecuaciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistema de Ecuaciones

Cargado por

Copyright:

Formatos disponibles

~ til ifere:nlcilil: es 15 "13 = 2 Ailternil"tivilA)

También podría gustarte

Sistema de Ecuaciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistema de Ecuaciones

Cargado por

Copyright:

Formatos disponibles

﻿~ til ifere:nlcilil: es 15 "13 = 2 Ailternil"tivilA)

También podría gustarte

~ til ifere:nlcilil: es 15 "13 = 2 Ailternil"tivilA)