Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En este capítulo, el de más alto nivel, en lugar de ver a las columnas individuales, se ven
a los “espacios” de los vectores. No se entiende nada acerca de A x b , sin ver a los
espacios vectoriales y en especial a sus subespacios.
Se empieza con los más importantes espacios vectoriales. Ellos se indican por
medio de 1 , 2 , 3 , 4 , . Cada espacio n consiste de todos los vectores con
n componentes. Por decir, 5 tiene a todos los vectores columna que tienen cinco
componentes. Este es llamado el “espacio de 5dimensiones”.
4
0 Está en 3 , 1 i
1, 1, 0, 1, 1 está en 5 , está en C
2
1 i
1
Lo importante del algebra lineal es que trata de manera fácil a los espacios de
5dimensiones. No se dibujan a los vectores, solo se necesitan cinco números
(o n números).
Para multiplicar a v por 7 se multiplica a cada componente por el 7. El 7 es un
escalar. Para sumar vectores en 5 , se suman componente por componente.
Las dos operaciones vectoriales principales están adentro del espacio vectorial,
es decir, se pueden sumar cualquiera de los vectores en n , y también se
Hay otros vectores aparte de los vectores columna, y otros espacios vectoriales
aparte de n , que también necesitan obedecer a esas razonables ocho reglas. Por
decir, aquí se muestran a tres espacios vectoriales aparte del espacio n :
Cada uno de esos espacios tiene a su propio vector cero (la matriz cero, función
cero y vector (0, 0, 0) de 3 ).
Ejemplo 2.1:
Demuestre que V es un espacio vectorial
x1
x
V n 2 : x j para j 1, 2, , n
x n
Solución:
De la definición de suma matricial, x y es una matriz de n 1 si x y y son matrices
de n 1 . Haciendo a las matrices
0 x1
0 x
0 y x 2
0 x n
Donde se observa que se cumplen las ocho condiciones del espacio vectorial.
Ejemplo 2.2:
Demuestre que V es un espacio vectorial.
V ( x, y, z) : ax by cz 0
Solución:
Suponga que ( x1 , y1 , z1 ) y ( x2 , y 2 , z 2 ) están en V . Entonces,
( x1 , y1 , z1 ) ( x2 , y 2 , z 2 ) ( x1 x2 , y1 y 2 , z1 z 2 ) V
Debido a que
a( x1 x2 ) b ( y1 y 2 ) c ( z1 z 2 ) (a x1 b y1 c z1 ) (a x2 b y 2 c z 2 ) 0 0 0
Por tanto, se cumplen las dos reglas esenciales. Entonces, V es un espacio vectorial.
Tarea:
Suponga que ( x1 , x 2 ) ( y1 , y 2 ) se define a que sea ( x1 y 2 , x 2 y1 ) . ¿Con el producto
usual c x (cx1 , cx 2 ) , cuál de las ocho condiciones no se satisfacen?
Solución:
LOS SUBESPACIOS
A veces, se pide pensar en matrices y funciones como vectores, pero casi siempre,
los vectores que se necesitan son vectores columna ordinarios con n componentes,
quizás no a todos los vectores con n componentes. Existen importantes espacios
vectoriales adentro de n , esos son los subespacios de n . Se empieza con:
El espacio tridimensional, 3
Del espacio 3 , elija a un plano que pase por el origen (0, 0, 0) . Ese plano es un
espacio vectorial así mismo ya que si se suman dos vectores de ese plano, su suma
está adentro del plano, y si se multiplica un vector de ese plano por 2 o –5, este aún
está en ese plano. Ese plano no es 2 (se parece a 2 ) ya que los vectores tienen a
tres componentes y por lo tanto pertenecen a 3 . El plano es un espacio vectorial
adentro de 3 . Esto ilustra una de las ideas más fundamentales del algebra lineal. El
plano que pasa por (0, 0, 0) es un subespacio de todo el espacio vectorial 3 .
Definición 2.3:
Un subespacio de un espacio vectorial es un conjunto de vectores (incluyendo al 0 )
que satisface a las dos reglas, es decir, si v y w son vectores del subespacio y c es
cualquier escalar, entonces,
i. v w está en el subespacio.
ii. cv está en el subespacio.
Todas esas operaciones siguen las reglas del espacio principal, tal que las
ocho condiciones entran en automático. De este modo, solo es necesario revisar a un
subespacio por las condiciones y así efectuar las combinaciones lineales. Además,
Si trata de tener solo una parte del plano o línea, entonces los requerimientos para un
subespacio no se cumplen, es decir, observe los siguientes ejemplos en 2 .
Ejemplo 2.3:
Sea el conjunto de los vectores ( x, y) cuyos componentes son positivos o cero (este
es un cuadrante del plano). Diga si es un subespacio vectorial.
Solución:
Del conjunto, el vector (2, 3) se incluye pero no (2, 3) . Entonces se viola la regla (ii)
cuando se trata de multiplicarlo por c 1 . Así el cuadrante no es un subespacio.
Ejemplo 2.4:
Del Ejemplo 2.3, si también se incluyen a todos los vectores cuyas dos componentes
son negativas (dos cuadrantes del plano). Diga si es un subespacio vectorial.
Solución:
La regla (ii) se cumple: se puede multiplicar por cualquier c . Pero ahora la regla (i)
falla. La suma de v (2, 3) mas w (3, 2) es (1, 1) , vector que está afuera de los
dos cuadrantes. Por lo tanto, los dos cuadrantes no forman a un subespacio.
Las reglas (i) y (ii) involucran a la suma v w y la multiplicación por escalares tales
como c y d . Las reglas se combinan en una sola regla, la regla de los subespacios:
Ejemplo 2.5:
Dentro del espacio vectorial M de todas las matrices 2 2 , aquí se muestran a dos
subespacios. Diga si son subespacios vectoriales:
a b a 0
( U ) Todas las matrices triangulares ; ( D ) Todas las matrices diagonales 0 d
0 d
Solución:
Sume dos matrices de U , y la suma aún está en U . Sume dos matrices diagonales,
y la suma es diagonal. ¡En este caso D es también un subespacio de U ( b 0 )! Claro
la matriz cero está en estos subespacios, cuando a , b y d sean igual a cero.
Para encontrar un subespacio más pequeño de matrices diagonales, se podría
requerir que a d . Entonces las matrices son múltiplos de la matriz identidad I . La
suma de 2 I 3I está en este subespacio, y también está 3 por 4 I . Las matrices cI
forman una línea de matrices adentro de M y U y D .
¿Es la matriz I un subespacio así mismo? Seguro que no. Solo la matriz cero
lo es. Su mente podría inventar más subespacios de matrices 2 2 .
Tarea:
Dentro del espacio vectorial de todas las matrices 3 3 , sea el conjunto de matrices
simétricas. Diga si este conjunto es un subespacio vectorial.
Solución:
EL “ESPACIO COLUMNA DE A” QUE RESULTA DE RESOLVER LA ECUACIÓN Ax=b
Los subespacios más importantes se ligan con la matriz A , cuando se resuelve por
A x b . Por decir, si A no es invertible (matriz no cuadrada), el sistema se resuelve
para algún b y no se resuelve para otro b . El objetivo es describir a los buenos lados
derechos b , es decir, a los vectores que se pueden escribir como Ax . Esos vectores
forman el espacio columna de A .
El espacio columna de A
Definición 2.4:
El espacio columna consiste de todas las combinaciones lineales de las columnas
de la matriz A . Las combinaciones son todos los posibles vectores A x que llenan
el espacio columna C (A) .
Teorema 2A:
El sistema A x b solo se resuelve, si y solo si el vector b yace dentro del espacio
columna de A .
El subespacio columna
Ejemplo 2.6:
Determine el espacio columna del producto
1 0 1 0
x1
A x 4 3 A x x1 4 x2 3
3 2
x
2 2 3
Solución:
El espacio columna consiste de todas las combinaciones de las dos columnas (el
producto de cualquier x1 por la primer columna mas el producto de cualquier x2
por la segunda columna), esas combinaciones llenan un plano en 3 (Figura 2.1).
Si el lado derecho b yace en ese plano (ver la Figura 2.1), entonces b es una de
las combinaciones, y ( x1 , x2 ) es una solución de A x b . Además, como el plano
tiene cero de espesor, lo más probable es que la mayoría de los b no esté en el
espacio columna (no existe una combinación lineal), entonces por la mayoría de los
b no hay una solución a nuestras tres ecuaciones con dos incógnitas.
Los lados derechos b alcanzables, son los vectores del espacio columna:
a) Una combinación es la propia primer columna (tome a x1 1 y x 2 0 ).
b) Otra combinación es la segunda columna (tome a x1 0 y x 2 1 ).
c) Como el vector (0, 0, 0) yace en el espacio columna. el plano pasa a través del
origen y hay de seguro una solución a A x 0 . Esa solución, siempre disponible,
es x 0 . El nuevo nivel de entendimiento es ver a todas las combinaciones (el
subespacio completo es generado por esas dos columnas).
Nota: El espacio columna de A se indica como C (A) . Empiece con las columnas de
A y tome a todas sus combinaciones lineales. Se podría obtener a m completo o a
un solo subespacio.
Ejemplo 2.7:
Describa a los espacios columna (ellos son subespacios de 2 ) de las matrices:
1 0 1 2 1 2 3
I , A , B
0 1 2 4 0 0 4
Solución:
El espacio columna de I ( Ax , para cualquier c ) es todo el espacio 2 , C (I ) es
2 . Cada vector es una combinación de las columnas de I .
Solución:
2.2 EL “ESPACIO NULO DE A” QUE RESULTA DE RESOLVER LA ECUACIÓN Ax=0
x1 3x 2 2 x 3 0 1 3 2
A x 0. Donde A
5 x1 9 x 2 x 3 0 5 9 1
Definición 2.4:
El espacio nulo de A consiste de todas las soluciones para la ecuación A x 0 . Estos
vectores solución x están en n . El espacio nulo que contiene a todas las soluciones
se indica mediante (A) .
Revise que los vectores solución formen a un subespacio, es decir, suponga que las
soluciones x de A x 0 , y y de A y 0 , están en el espacio nulo. Entonces:
Ejemplo 2.8:
Las ecuaciones x 2 y 3z 0 y x 2 y 3z 6 provienen de la matriz A13 1 2 3 .
Diga si estos planos son subespacios de 3 .
Solución:
Las soluciones de la primera ecuación generan un plano a través del origen. El plano
es un subespacio de 3 y es el espacio nulo de A . Las soluciones de la segunda
ecuación, también forman un plano, pero no un subespacio.
Ejemplo 2.9.1:
Sea A de un ejemplo anterior y sea x un vector. Determine si x pertenece a (A) .
1 3 2
A y x 5 2
T
1
3
5 9
Solución:
Para probar que si x satisface A x 0 , simplemente calcule
5
1 3 2 5 9 4 0
Ax 3
5 9 1 25 27 2 0
2
1 2
A
3 6
Solución:
Al aplicar la eliminación a las ecuaciones lineales A x 0 , se tiene
1 2 x1 0 x1 2 x 2 0 x1 2 x 2 0
3
6 x 2 0 3x 6 x 0
1 2
00
a) Elija un punto sobre la línea, es decir, una “solución especial”. Entonces todos
los puntos sobre la línea son múltiplos de esta.
b) Ese punto se determina mediante la selección de que la segunda componente
sea x 2 1 , una elección especial.
c) De la ecuación x1 2 x 2 0 x1 2(1) 2 , la primera componente debe ser
x1 2 . Así la solución especial resulta ser (2, 1) , es decir,
2
El espacio nulo (A) contiene a todos los múltiplos de la solución s
1
Solución:
Este plano tiene dos soluciones especiales, es decir,
x 0 y 1, z 0
2 3
1 2 3 y 0 x 2 y 3 z 0
y 0 , z 1
s1 1 , s 2 0
z 0 0 1
a) Ellos tienen unos y ceros en los últimos dos componentes. Esos componentes
son “libres” y se seleccionan de forma especial.
b) Entonces los primeros componentes 2 y 3 se determinan mediante la ecuación
A x 0.
c) La primer columna de A 1 2 3 contiene al pivote, de tal forma que el primer
componente de la solución x no es libre.
d) Los componentes libres corresponden a las columnas sin pivotes.
Ejemplo 2.11:
Describa el espacio nulo de estas tres matrices.
1 2
3 8
1 2 A 1 2 2 4
A B , C A 2 A
8 16
,
3 2 A 2 4 3 8 6
6 16
Solución:
La ecuación A x 0 solo tiene a la solución x 0 . El espacio nulo es Z y este solo
contiene al punto x 0 en 2 . Es decir, esto proviene de la eliminación:
1 2 x1 0 1 2 x1 0 x 0
3 1
8 x 2 0 0 2 x 2 0 x 2 0
1 2 2 4 1 2 2 4
C U
3 8 6 16 0 2 0 4
columnas pivotes columnas libres
2 0 pivote
0 2 variables
x 2 x 2 2 x3 4 x 4 0 x3 1, x4 0
U x0 1 s1 , s2
0 x1 2 x 2 0 x3 4 x 4 0 x3 0, x4 1 1 0 libre
0 1 variables
1 2 2 4 1 0 2 0 1 0 2 0 1 0 2 0
U R
0 2 0 4 0 2 0 4 0 1 0 2 0 1 0 2
columnas pivote I
1 1 2 3
A 2 2 8 10
3 3 10 13
La eliminación directa
Seguro que a11 1 es el primer pivote. Haga ceros al 2 y 3 abajo de ese pivote:
1 1 2 3
fila 2 2 ( fila 1)
A 0 0 4 4
fila 3 3 ( fila 1)
0 0 4 4
La segunda columna tiene un cero en la posición del pivote. Se busca abajo del
cero por una entrada no cero, listo para hacer algún intercambio de filas. Pero la
entrada abajo de esa posición es también cero. La eliminacion no puede hacer
nada con la segunda columna. No hay una razón para parar, y así ir de este modo a
la tercera columna.
En la tercera columna está el segundo pivote que es 4 . Restando la fila 2 de la fila
3 se pone en cero a la columna abajo del pivote. Resultando,
1 1 2 3 x1 x 2 2 x3 3x 4 0
La matriz triangular U : U 0 0 4 4 4 x3 4 x 4 0
0 0 0 0 00
La cuarta columna tiene un cero en la posición del pivote (pero no se puede hacer
nada). No hay una fila por intercambiar, y la eliminación directa está completa. La
matriz tiene tres filas, cuatro columnas, y dos pivotes. La A x 0 original parece
involucrar a tres ecuaciones diferentes, pero la tercera ecuación es la suma de las
dos primeras. Esta se satisface de forma automática ( 0 0 ) cuando se satisfacen
las dos primeras ecuaciones.
Sustitución inversa
Las variables libres x2 y x4 pueden tomar cualquier valor. Las elecciones más
simples para las variables libres son unos y ceros. Esas elecciones generan las
soluciones especiales.
Entonces, la sustitución inversa determina a las variables pivote x1 y x3 .
Para obtener las soluciones especiales para x1 x 2 2 x3 3x 4 0 y 4 x3 4 x 4 0 ,
1 1 x 2 x 4
1 0 x
x x2 x 2
Solución completa: 0 4 1 x 4
0 1 x 4
especial especial completa
Ejemplo 2.12:
Describa el espacio nulo de
1 5 7
U
0 0 9
Solución:
La segunda columna de U no tiene pivote, por lo que x2 es una variable libre y la
solución especial tiene a x 2 1 . La sustitución inversa para 9 x3 0 , implica que
x 3 0 . De este modo, la ecuación x1 5x 2 0 implica que x1 5 .
Las soluciones de U x 0 son múltiplos de la solución especial, es decir,
5
1 5 7 x1 5 x 2 7 x3 0 x2 1
U x x 2 1
0 0 9 9 x3 0 0
5
1 5 7 1 5 0 1 5 0 x1 5 x 2 0 x3 0 x2 1
U R s 1
0 0 9 0 0 9 0 0 1 x3 0 0
Solución:
LAS MATRICES ESCALÓN
El proceso de la eliminación directa que lleva de A hacia U , inicia con una matriz A
m n y actúa mediante las operaciones fila, que incluye intercambios de fila. Este se
dirije hacia la siguiente columna cuando en la columna actual no se dispone de ningún
pivote. En el “caso escalera” m n , U es una matriz escalón.
Por decir, sea una matriz escalón 4 7 con tres pivotes resaltados en negritas:
x x x x x x x
0 x x x x x x
U
0 0 0 0 0 x x
0 0 0 0 0 0 0
Respuesta:
Las columnas tienen cuatro componentes tal que ellas yacen en 4 (no en 3 !).
La cuarta componente de cada columna es cero y por tanto la combinación de las
columnas (cada vector del espacio columna) tiene cero en la cuarta componente.
El espacio columna C (U ) consiste de todos los vectores de la forma (b1 , b2 , b3 , 0) .
Mediante esos vectores y utilizando la sustitución inversa se resuelve a U x b .
Esos vectores b son todas las posibles combinaciones de las siete columnas.
Las filas no cero de una matriz escalón van hacia abajo en forma de escalera.
Los pivotes son las primeras entradas no cero de esas filas. Existe una columna de
ceros debajo de cada pivote. El contar a los pivotes nos conduce hacia un teorema.
Teorema 2B:
Si A x 0 contiene más incógnitas que ecuaciones ( n m , más columnas que filas),
entonces tiene soluciones no cero. Deberán existir columnas libres, o sea sin pivotes.
En otras palabras, una matriz corta ancha ( n m ) siempre tiene vectores no cero en
su espacio nulo. Deberá existir al menos n m variables libres, ya que el número de
pivotes no puede exceder a m (la matriz solo tiene m filas, y una fila nunca tiene dos
pivotes). Una fila podría no tener pivote, lo cual significa que hay una variable libre,
que se establece en 1 . Por tanto, la ecuación A x 0 tiene una solución no cero.
El espacio nulo es un subespacio. Su dimensión es el número de variables
libres. Esta idea (la dimensión de un subespacio) se define y explica en este capítulo.
1 1 2 3
U
0 0 4 4
0
0 0
0
1 1 0 1
R 0 0 1 1
0 0 0 0
La matriz R tiene a 1' s como pivotes. Los ceros arriba de los pivotes provienen de
la eliminación inversa.
Si A es invertible, su forma escalón fila reducida es la matriz identidad R I . Esta
es lo último en la reducción fila. Claro, el espacio nulo es entonces Z .
Nota 2: Al Invertir los signos se pueden leer las soluciones especiales directamente
desde R . El espacio nulo ( A) (U ) ( R) contiene todas las combinaciones de las
soluciones especiales, es decir,
1 1
1 0
x x2 x 4 (Solución completa de A x 0 )
0 1
0 1
Tarea:
Si el espacio nulo de A comprende a todos los múltiplos del vector x (2, 1, 0, 1) , a)
cuantos pivotes aparecen en U y b) Cual es R .
Solución:
2.3 EL RANGO Y LA FORMA DE FILA REDUCIDA
Esta sección completa el paso desde A a a su forma escalón fila reducida R . La matriz
es m n (completamente general). La matriz R también es m n , pero cada columna
pivote tiene solo una entrada no cero (el pivote siempre es 1 ). Por decir, R es 3 5 ,
1 3 0 2 1
R 0 0 1 4 3
0 0 0 0 0
Se ve el cero arriba y abajo del segundo pivote, R es el resultado final del proceso.
Definición 2.5:
El rango de A es el número de pivotes. Este número es r .
Por decir, la matriz ejemplo R tiene de rango a r 2 . Esta tiene a dos pivotes y dos
columnas pivotes. También los tiene la matriz desconocida A que produjo a R .
1 3 0 2 1
R 0 0 1 4 3
0 0 0 0 0
a) A tiene rango fila completo si cada fila tiene un pivote: r m . Ninguna fila cero en
la matriz R .
Por decir, para una matriz cuadrada invertible que tiene un rango r m n , la matriz
R es igual a I .
En el otro extremo están las matrices de rango uno, donde solo existe un pivote, ya
que la eliminación hace ceros la primera columna y hace ceros a las otras columnas.
Esto quiere decir que cada fila de A es un múltiplo de la fila pivote. Al mismo tiempo,
cada columna de A es un múltiplo de la columna pivote! Por decir,
1 3 10 1 3 10
Matriz de rango uno: A 2 6 20 R 0 0 0
3 9 30 0 0 0
1 3 10 1
A = producto de columna por fila= u v T 2 6 20 2 1 3 10 (2.5)
3 9 30 3
Ejemplo 2.13:
Cuando todas las filas son múltiplos de una fila pivote, el rango es r 1 , es decir,
1 3 4 1 3 4 0 3 0 1 5 1
2 6 8 0 0 0 y 0 5 0 0 y 2 0 y 6 1 todas tienen rango 1
(*) Otras definiciones de rango
a) La segunda definición de rango (de un mayor nivel en el Algebra Lineal) trata con
todas las filas y columnas (vectores y no solo números). Las matrices A , U y R
tienen a r filas independientes (las filas pivote) y a r columnas independientes
(las columnas pivote).
b) La tercera definición de rango (la de más alto nivel) trata con espacios vectoriales.
El rango r es la “dimensión” del espacio columna y también del espacio fila. Lo
más importante es que r también revela la dimensión del espacio nulo.
Las columnas pivotes de R tienen 1' s en los pivotes y 0' s en las otras partes. Las r
columnas pivotes tomadas juntas contienen una matriz identidad I r r . Esta se
sitúa arriba de las m r filas de ceros.
Las columnas pivote de A probablemente no son obvias desde la matriz A .
Las r columnas de A que tienen pivotes (en U y R ) son las columnas pivotes. La
matriz ejemplo R es de la forma escalón fila reducida de esta matriz A , es decir,
1 3 0 2 1 1 3 0 2 1
Columnas pivotes A 0 0 1 4 3 produce a R 0 0 1 4 3
1 3 1 6 4 0 0 0 0 0
Teorema 2C:
Las columnas pivote no son combinaciones de columnas anteriores. Las columnas
libres son combinaciones de columnas anteriores. Entonces, esas combinaciones
son las ¡soluciones especiales!
x1
x 0
1 3 0 2 1 2
Columnas libres y variables libres R x 0 0 1 4 3 x 3 0
0 0 0 0 0 x 4 0
x 5
3 2 1 variables no libre
1 0 0 variable libre
Matriz espacio nulo 0 4 3 variables no libre
0 1 0 variable libre
0 0 1 variable libre
Las combinaciones lineales de esas tres columnas producen a todos los vectores del
espacio nulo. Esta es la solución completa de A x 0 (y R x 0 ). Donde R tuvo a la
matriz identidad ( 2 2 ) en sus columnas pivotes, tuvo a la matriz identidad ( 3 3 )
en sus filas libres.
Hay una solución especial por cada variable libre. Ya que r columnas tienen
pivotes, que dejan n r variables libres. Esta es la clave de A x 0 .
Teorema 2D:
A x 0 tiene n r variables libres y soluciones especiales: n columnas menos r
columnas pivote. La matriz espacio nulo tiene a n r columnas (las soluciones
especiales).
I F r filas pivote
R
0 0 m r filas cero (2.6)
r columnas pivotes n r columnas libres
Teorema 2E:
Las variables pivote de las n r soluciones especiales provienen al intercambiar a F
con F :
F r variables pivotes
Matriz espacio nulo (2.7)
I n r variables libres
variables variables
I F (2.8)
pivote libre
En cada solución especial, las variables libre son una columna de I . Entonces las
variables pivote son una columna de F . Esas soluciones especiales producen a la
matriz espacio nulo .
La idea sigue cierta si las columnas pivote se mezclan con las columnas libres.
Entonces I y F se mezclan entre si. Se puede ver aún a F en las soluciones. Aquí
está un ejemplo donde I 1 viene primero y F 2 3 viene a lo último.
Ejemplo 2.14:
Determine las soluciones especiales de R x x1 2 x 2 3x3 0 si estas provienen de
las columnas de :
2 3
R 1 2 3 1 0
0 1
Solución:
El rango es uno y existen n r 3 1 soluciones especiales (2, 1, 0) y (3, 0, 1) .
La nota final: A se podría reducir a R de diferentes formas. El punto clave es que la
matriz final R siempre es la misma. La matriz original A determina completamente a
I y F , y las filas cero de R , de acuerdo a 3C, es decir,
Nota: Un ejemplo pequeño de rango uno mostrará a dos E ' s que producen la correcta
EA R . Sea la matriz A
2 2 1 1
A que se reduce a R y no a otra R
1 1 0 0
1 0 1 / 2 0 1 / 2 0
1 1 0 1 1 / 2 1 E
II. Se podría intercambiar las filas de A , y entonces restar 2 veces la fila 1 de la fila 2 :
1 0 0 1 0 1
2 1 1 0 1 2 E nuevo
Tarea:
Cual es la matriz espacio nulo (contiene las soluciones especiales) de A , B y C :
I I
(a) A I I, (b) B , (c) C I I I
0 0
Solución:
2.4 LA SOLUCIÓN COMPLETA DE LA ECUACIÓN Ax=b
Ahora b no es cero. Las operaciones fila sobre el lado izquierdo deben actuar
también sobre el lado derecho. Una forma de organizar eso es agregar a b como
una columna extra de la matriz. Seguimos con el mismo ejemplo de A como antes,
pero se le “aumentó” a A el lado derecho ( b1 , b2 , b3 ) (1, 6, 7 ) :
x1
1 3 0 2 1 1 3 0 2 1
0 0 1 4 x 2 6 tiene la matriz aumentada 0 0 1 4 6 A b
x
1 3 1 6 3 7 1 3 1 6 7
x4
x1
1 3 0 2 1 1 3 0 2 1
0 0 1 4 x 2 6 tiene la matriz aumentada 0 0 1 4 6 R d
x
0 0 0 0 3 0 0 0 0 0 0
x4
Ese último cero es importante porque significa que las ecuaciónes se pueden
resolver; La tercera ecuación se convierte en 0 0 . En la matriz original A , La
primera fila mas la segunda fila es igual a la tercera fila. Si las ecuaciones son
consistentes, también esto debe ser cierto en el lado derecho de las ecuaciones!
La propiedad importante sobre el lado derecho fué 1 6 7 .
1 3 0 2 b1 1 3 0 2 b1
0 0 1 4 b 0 0 1 4 b
2 2
1 3 1 6 b3 1 3 1 6 b3 b1 b2
Del ejemplo A , elija que las variables libres sean x2 x4 0 . Entonces las ecuaciones
dan las variables pivotes x1 1 y x 3 6 . Ellas están en la ulitma columna d de la
matriz aumentada reducida. Primero A y b se reducen a R y d . Las filas cero de R
también deben ser cero en d . Entonces las r variables pivotes de x se toman
directamente de d , debido a que las columnas pivotes de R contienen a la matriz
identidad. Después de la reducción fila solo se resuelve a I x d .
Note como se seleccionan las variables libres (como cero) y resuelven por las
variables pivotes. Después de la reducción fila a R , esos pasos son rápidos. Cuando
las variables libres son cero, las variables pivotes por x p están en la columna extra:
1 3 2
0 1 0
Solución completa: x x p x n x2 x4
6 0 4
0 0 1
Esta fué la situación del capítulo anterior. Nunca se mencionó en ese capítulo al
espacio nulo. ( A) contuvo solo al vector cero. La reducción va desde A b hasta
I
A 1b . La ecuación original A x b se redujo de toda forma a x A 1b . Este es un
caso especial, pero las matrices cuadradas invertibles son las que más se ven en la
práctica. Tal que ellos tuvieron su propio capítulo al principio del libro.
Por ejemplos pequeños se pone a A b en la forma de escalón fila reducida.
Por una gran matriz, MATLAB puede hacerlo mejor. Aquí esta un ejemplo pequeño con
rango columna completo. Ambas columnas tienen pivotes.
Ejemplo 2.15:
Encuentre la condición sobre ( b1 , b2 , b3 ) para que A x b se resuelva, si
1 1 b1
A 1 2 , b b2
2 3 b3
Solución:
Use a la matriz aumentada, con su columna extra b . La eliminación resta la fila 1
de la fila 2 , y suma 2 veces la fila 1 a la fila 3 :
1 1 b1 1 1 b1 1 0 2b1 b2
A 1
2 b2 0
1 b2 b1 0 1 b2 b1
2 3 b3 0 1 b3 2b1 0 0 b3 b1 b2
2b b2 0
x x p xn 1
b2 b1 0
matriz identidad n n I
Rango de columna completo R (2.9)
m n filas de ceros 0
No existen columnas libres o variables libres. La matriz espacio nulo está vacía!
Se describirán las diferentes formas de reconocer a este tipo de matriz.
Teorema 2.F:
Cualquier matriz A con rango de columna completo ( r n ) contiene las propiedades
siguientes:
LA SOLUCIÓN COMPLETA
El otro caso extremo es el de rango fila completo. Ahora A x b tiene una solución o
podría tener muchas soluciones. En este caso la matriz A es corta y ancha ( m n ). El
número de incógnitas es al menos el número de ecuaciones. Una matriz tiene rango
fila completo si r m . El espacio nulo de AT se encoje hacia el vector cero. Cada fila
tiene un pivote, aquí está un ejemplo.
Ejemplo 2.16:
Sea el siguiente sistema con n 3 incógnitas, pero solo dos ecuaciones y de rango
r m2:
x y z 3
x 2y z 4
Donde existen dos planos en el espacio x y z que no son paralelos, de tal modo que
ellos intersecan sobre una línea. Determine la solución completa.
Solución:
Esta línea de soluciones es lo que la eliminación determinará. La solución particular
será un punto sobre esa línea. Además, al sumar los vectores del espacio nulo x n
nos moverá a lo largo de esa línea. Entonces x x p x n produce la línea completa
de soluciones.
Se determina a x p y x n mediante la eliminación al restar la fila 1 de la fila 2 y
después, restar la fila 2 de la fila 1 , es decir,
1 1 1 3 1 1 1 3 1 0 3 2
1 2 1 4 0 1 2 1 0 1 2 1 R d
2 1 3 3 2 1 0
224 3 4 1 0
2 3
Solución completa: x x p x n 1 x3 2
0 1
Esa línea se ve en la Figura 2.3. Cualquier punto en esa linea es una solución
particular. Se elijió el punto con x 3 0 . La solución particular no se multiplica por
una constante arbitraria! La solución especial está y se debe entender porque.
Figura 2.3: La solución completa = solución particular + las soluciones espacio nulo
Teorema 2.G:
Cada matriz A con rango fila completo ( r m ) tiene todas estas propiedades:
I I F
R I I F 0 0 0
rmn r mn r nm r m, r n
parte se estudian a los “vectores” que no son vectores columna. Ellos pueden ser
matrices y funciones; pueden ser linealmente independientes (o no).
El objetivo final es entender una base de un espacio vectorial, donde una base
contiene a los vectores independientes que “barren el espacio”.
INDEPENDENCIA LINEAL
x1v1 x 2 v 2 x n v n 0 solo sucede cuando todos los x ' s son cero (2.10)
b) Si una combinación resulta ser 0 , cuando las x' s no todas son cero, entonces los
vectores son dependientes.
Geométricamente, (1, 1) y ( 2, 2) están sobre una línea a través del origen. Ellos no son
independientes. Para usar la definición, encuentre los números x1 y x2 , tal que
x1 (1, 1) x2 ( 2, 2) ( 0, 0)
1 2 x1 0
1 2 x 0 x1 2 y x 2 1
2
Si uno de ellos resulta ser un múltiplo del otro, esos vectores son dependientes. Pero
la prueba completa debe involucrar a los tres vectores al mismo tiempo. El proceso
es ponerlos en una matriz A y tratar de resolver la ecuación A x 0 .
Ejemplo 2.17:
Las columnas de A son dependientes. Entonces A x 0 tiene una solución no cero:
1 0 3 3 0 1 0 3 0
A x 0 A x 2 1 5 1 0 es 3 2 1 1 1 5 0
1 0 3 1 0 1 0 3 0
El rango de A solo es r 2 , por tanto sus columnas son dependientes. Las columnas
independientes deberán resultar en un rango completo r n 3 .
En esa matriz las filas también son dependientes. La fila 1 menos la fila 3 es la
fila cero. Por una matriz cuadrada, se mostrará que columnas dependientes implican
filas dependientes (y vice versa).
1 0 3 1 0 3
A 2 1 5 se reduce a R 0 1 1
1 0 3 0 0 0
Teorema 2.H:
Las columnas de A son independientes exactamente cuando el rango es r n .
Existen n pivotes y ninguna variable libre. Solo x 0 está en el espacio nulo.
Teorema 2.I:
Cualquier conjunto de n vectores en m debe ser linealmente dependiente si n m .
La matriz tiene más columnas que filas, esta es corta y ancha. Las columnas son
realmente dependientes si n m , debido a que A x 0 tiene una solución no cero.
Las columnas podrían ser dependientes o independientes si n m . La eliminación
revela las columnas pivotes. Esto es para aquellas columnas que son independientes.
Ejemplo 2.18:
Muestre que v 1 , v 2 , v 3 son independientes pero v 1 , v 2 , v 3 , v 4 son dependientes:
1 1 1 2
v 1 0 v 2 1 v 3 1 v 4 3
0 0 1 4
Solución:
1 1 1 c1 0
0 1 1 c 2 0 c3 c 2 c1 0 independencia lineal
0 0 1 c3 0
v1 v 2 4 v 3 v 4 0 dependencia lineal
Tarea:
Decida la dependencia o independencia de
Solución:
VECTORES QUE BARREN UN SUBESPACIO
Definición 2.8:
Un conjunto de vectores barren un espacio si sus combinaciones lineales llenan el
espacio.
Ejemplo 2.19:
Los siguientes dos vectores barren todo el espacio de dos dimensiones 2 ,
1 0
v1 y v 2
0 1
Ejemplo 2.20:
Los siguientes tres vectores también barren todo el espacio de dos dimensiones 2 ,
1 0 4
v1 , v 2 , v 3
0 1 7
Ejemplo 2.21:
Los siguientes dos vectores solo barren una linea en 2 ,
1 1
w1 y w 2
1 1
Definición 2.9:
El espacio fila de una matriz es el subespacio de n barrido por las filas.
Ejemplo 2.22:
Describa los subespacios de 3 y 2 barridos por las columnas y filas de la matriz
siguiente,
1 4
1 2 3
A 2 7 AT
3 5 4 7 5
Donde m 3 y n 2 .
Solución:
El espacio columna de A es barrido por las dos columnas de A . Este es un plano de
3 . El espacio fila de A es barrido por las tres filas de A (columnas de AT ). Este
espacio fila está todo en 2 . Recuerde: Las filas están en n . Las columnas están en
m . Los mismos números, diferentes vectores, diferentes espacios.
Tarea:
Describa el subespacio de 3 (es una línea o plano de 3 ) barridos por
Solución:
UNA BASE POR UN ESPACIO VECTORIAL
Definición 2.10:
Una base para un espacio vectorial es una secuencia de vectores que tienen dos
propiedades a la vez:
Existe una y solo una forma de escribir v como una combinación de vectores base.
Ejemplo 2.23:
Las columnas de la siguiente matriz producen la base estándar por 2 ,
1 0
I
0 1
Solución:
1 0
Los vectores base i y j son independientes. Ellos barren a 2 .
0 1
Todos piensan primero en esa base. El vector i se cruza con el vector j que va
perpendicular. Las columnas de la matriz identidad 3 3 son la base estándar i, j, k .
Las columnas de la matriz identidad n n producen la “base estándar” por n . Ahora
se encuentran otras bases.
1 0 0
1 2 1 2
A y A 1 1 0 pero no A
2 5 1 1 1 2 4
Teorema 2J:
Los vectores v1 , , v n son una base de n cuando ellos son las columnas de una
matriz invertible n n . De este modo, n tiene infinitamente muchas bases diferentes.
Cuando cualquier matriz tiene columnas independientes, ellas son una base
por su espacio columna. Cuando las columnas son dependientes, se mantienen solo
las columnas pivote, las r columnas con pivotes. ellas son independientes y barren
el espacio columna.
Teorema 2K:
Las columnas pivote de A son una base de su espacio columna. Las filas pivote de
A o filas pivote de su forma escalón R son una base de su espacio fila.
Ejemplo 2.25:
Esta matriz no es invertible. Sus columnas no son una base para nadie!
2 4 1 2
A R
3 6 0 0
2 1
La base por el espacio columna: . La base por el espacio fila: 2
3
Ejemplo 2.26:
Determine las bases por los espacios fila y columna de la siguiente matriz de rango
dos:
1 2 0 3
R 0 0 1 4
0 0 0 0
Solución:
Las columnas 1 y 3 son las columnas pivote y son una base del espacio columna
(de R !). Los vectores en ese espacio columna todos tienen la forma b ( x, y , 0) .
El espacio columna de R es el “plano xy ” dentro del espacio tridimensional xyz .
Este plano no es 2 , es un subespacio de 3 . Las columnas 2 y 3 son una base
por el espacio columna, así como las columnas 1 y 4, y también las columnas 2 y
4. Que pares de columnas de R no son una base de su espacio columna?
Respuesta:
1. Hagalos las filas de A , y elimine determinar las filas no cero de R .
2. Ponga los cinco vectores en las columnas de A y elimine calcular las columnas
pivote (de A no de R !).
ii. Podría otra base tener más vectores, o menos? Esta es una pregunta crucial con
una buena respuesta.
Respuesta:
Todas las bases de un espacio vectorial tienen el mismo número de vectores.
Este número es la “dimensión” del espacio.
Tarea:
La matriz U proviene de A al restar la fila 1 de la fila 3, es decir,
1 3 2 1 3 2
A 0 1 1 U 0 1 1
1 3 2 0 0 0
Encuentre las bases por los dos espacios columna, las bses por los dos espacios fila
y las bases por los dos espacios nulo.
Solución:
DIMENSIÓN DE UN ESPACIO VECTORIAL
Se necesita probar solo lo ya establecido. Existen muchas elecciones por los vectores
base, pero el número de vectores base no cambia.
Teorema 2L:
Si v1 , , v m y w1 , , w n son bases del mismo espacio vectorial, entonces m n .
Prueba:
Suponga existen más w ' s que v ' s . De n m se desea alcanzar una contradicción.
Los v ' s son una base, tal que w1 debe ser una combinación de los v ' s . Si w1 es
igual a a11v1 a m1v m , entonces es la primera columna de una multiplicación
matricial VA , es decir,
a11
W w1 w2 w 3 v1 v2 v 3 VA
a m1
Definición 2.11:
La dimensión de un espacio es el número de vectores de cada base.
Esto concuerda con la intuición. La línea a través de v (1, 5, 2) tiene dimensión uno.
Este es un subespacio con un vector v en su base. Perpendicular a esa línea está el
plano x 5 y 2 z 0 . Este plano tiene dimensión 2 . Para probarlo, se determina una
base (5, 1, 0) y (2, 0, 1) . La dimensión es 2 ya que la base tiene dos vectores.
El plano es el espacio nulo de la matriz A 1 5 2 , que tiene dos variables
libre. Nuestros vectores base (5, 1, 0) y (2, 0, 1) son las “soluciones especiales”
de A x 0 . La siguiente sección muestra que las n r soluciones especiales siempre
dan una base para el espacio nulo. Tal que ( A) tiene dimensión n r . Todas las
bases por un espacio tienen el mismo número de vectores.
Nota: Nunca diga “el rango de un espacio” o “la dimensión de una base” o “la base
de una matriz”. Esos términos no tienen significado. Esto es la dimensión del espacio
columna que es igual al rango de una matriz.
Espacios de matrices:
1 0 0 1 0 0 0 0
Una base es A1 , A2 , A3 , A4 , , ,
0 0 0 0 1 0 0 1
c c3
c1 A1 c 2 A2 c3 A3 c 4 A4 1
c2 c 4
Esta es cero solo si los c' s son todos cero, que prueba la independencia.
Las matrices A1 , A2 , A4 son la base para un subespacio, matrices triangulares
superiores. Su dimensión es 3 . Las matrices A1 y A4 son una base por las matrices
diagonal. Cual es una base por las matrices simétricas? Mantenga a las matrices A1 y
A4 , y descarte a A2 A3 .
Piense acerca del espacio de todas las matrices n n . Por una base, elija a las
matrices que tengan solamente una sola entrada no cero (esa entrada es 1 ). Existen
n 2 posiciones por ese 1 , tal que existen n 2 matrices bases:
Espacios de funciones:
El segundo espacio solución tiene a dos funciones base: sen x y cos x . El tercer
espacio solución tiene de funciones base a e x y e x . El primer espacio tiene a x y 1 .
Este es el “espacio nulo” de la segunda derivada! La dimensión es 2 en cada caso
(estas son ecuaciones de segundo orden).
Las soluciones de y 2 no forman un subespacio, el lado derecho b 2 no es
cero. Una solución particular es y ( x ) x 2 . La solución completa es y ( x ) x 2 cx d .
Todas esas funciones satisfacen a y 2 . Vea a la solución particular mas cualquier
función cx d en el espacio nulo. Una ecuación diferencial lineal luce como una
ecuación matricial lineal A x b . Pero se le resuelve por cálculo en lugar de algebra
lineal.
Se termina aquí con el espacio Z que solo tiene al vector cero. La dimensión
de este espacio es cero. El conjunto vacío (no contiene a ningún vector del todo) es
una base. No se permita nunca al vector cero en una base, debido a que se pierde
entonces la independencia lineal.
Suponga que A se reduce a su forma escalón fila R . Por esa forma, los cuatro
subespacios son fáciles de identificar. Se encontrará una base por cada subespacio y
revise su dimensión. Entonces se ve como los subespacios cambian (o no cambian!)
como cuando se mira a A . El punto principal es el que las cuatro dimensiones son
las mismas para A y R .
Como un ejemplo específico 3 5 , mire los cuatro subespacios de la matriz
escalón R :
Razón: Las dos primeras filas son una base. El espacio fila contiene combinaciones
de las tres filas, pero la tercer fila (la fila cero) no agrega nada nuevo. Tal que las filas 1
y 2 barren el espacio fila.
Las filas pivotes 1 y 2 también son independientes. Para este ejemplo, eso es
obvio y siempre es cierto. Si solo se miran a las columnas pivotes, se ve a la matriz
identidad r r . No hay forma de combinar sus filas para producir la fila cero (excepto
por la combinación con todos los coeficientes cero). Así que las r filas pivotes son
independientes y la dimensión es r .
La dimensión del espacio fila es r . Las filas no cero de R forman una base.
Razón: Las columnas pivotes 1 y 4 forman una base. Son independientes debido a
que empiezan con la matriz identidad r r . Ninguna combinación de esas columnas
pivotes resultan en la columna cero (excepto la combinación con todos los coeficientes
cero). Además barren al espacio columna. Cualquier otra (libre) columna es una
combinación de los pivotes columna. Realmente las combinaciones que se necesitan
son las tres soluciones especiales:
Las columnas pivote son independientes, y barren, tal que son una base de C ( A) .
La dimensión del espacio columna es r . Las columnas pivote forman una base.
3 5 9
1 0 0
Rx 0 x x 2 s 2 x3 s 3 x5 s 5
s 2 0 s 3 1 s 5 0
0 0 8
0 0 1
Existe una solución especial por cada una de las variables libre. Con n variables y r
variables pivotes, que dejan n r variables libres y soluciones especiales:
El espacio nulo tiene de dimensión n r . Las soluciones especiales forman una base.
y1 [1, 3, 5, 0 , 9 ]
y 2 [ 0 , 0 , 0 , 1, 8]
y 3 [ 0, 0, 0, 0, 0 ] (10.11)
[ 0, 0, 0, 0, 0 ]
Para producir una combinación cero, "y" debe de comenzar con r ceros. Esto deja la
dimensión m r .
Porque este es un “espacio nulo izquierdo”? La razón es que R T y 0 puede ser
transpuesta a y T R 0 T . Ahora y T es un vector fila a la izquierda de R . Se ve que las
y' s de la Ecuación (10.11) multiplican a las filas.
Se necesita de un pequeño trabajo por hacer. Las dimensiones del subespacio por A
son los mismos que por R . El trabajo es explicar porque. Recuerde que esas matrices
están conectadas por una matriz invertible E (el producto de todas las matrices
elementales que reducen de A a R ):
EA R y A E 1 R (2.12)
Razón correcta: Las mismas combinaciones de las columnas son cero, por A y R .
Es decir, Ax 0 exactamente cuando Rx 0 . Tal que las r columnas independientes
coinciden.
Conclusión: Las r columnas pivote de A son una base para su espacio columna.
Razón: AT es una matriz tan buena como A . Cuando se conocen las dimensiones de
cada A , también se conocen las de AT . Su espacio columna se probó que tiene
dimensión r . Desde que AT es n m , el “espacio completo” es ahora m . La regla
de contar por A es r ( m r ) m . Así el espacio nulo de AT tiene dimensión m r .
Ahora se tienen todos los detalles del teorema principal:
dimensión de C ( A) =dimensión de C ( A T )
dimensión de C ( A) +dimensión de ( A) =17
Ejemplo 2.23:
A [1 2 3] tiene a m 1 y rango r 1 .
El espacio fila es la misma línea a través de (1, 2, 3) . El espacio nulo es el mismo plano
x1 2 x 2 3 x3 0 . Sus dimensiones aun se suman en 1 2 3 .
Las columnas son jmultiplos de la primera columna (1, 1) . Pero existen más que
el vector cero en el espacio nulo. La rimer fila menos la segunda fila es la fila cero. Por
consiguiente A T y 0 tiene la solución y (1, 1) . El espacio columna y el espacio nulo
son líneas perpendiculares en 2 . Susu dimensiones son 1 y 1 , sumando 2 :
1 1
Espacio columna=línea a través de Espacio nulo izquierdo=línea a través de
1 1
Si A tiene tres filas iguales, su rango es . ¿Cuales son dos de los y' s en su espacio
nulo izquierdo?. Los y ' s combinan las filas para dar a la fila cero.
El último ejemplo tuvo rango r 1 y las matrices de rango uno son espaeciales. Se
pueden describir a todas. Se verá de nuevo que la dimensión del espacio fila
=dimensión del espacio columna. Cuando r 1 , cada fila es un múltiplo de la misma
fila:
1 2 3 1
2 4 6 2
A es igual a por 1 2 3
3 6 9 3
0 0 0 0
Una columna por una fila ( 4 1 por 1 3 ) produce una matriz ( 4 3 ). Todas las filas son
múltiplos de la fila (1, 2, 3) . Las columnas son múltiplos de la columna (1, 2, 3, 0) . El
espacio fila es una línea en n , y el espacio columna es una línea en m .
Cada matriz de rango uno tiene la forma especial A uv T columna por fila.
Las columnas son múltiplos de u . Las flas son múltiplos de v T . El espacio nulo es el
plano perpendicular a v . ( Ax 0 significa que u (v T x) 0 y entonces v T x 0 ). Esta
ve la perpendicularidad de los subespacios que serán parte del Teorema fundamental.