M.M.

M 18/03/2022

2-5 Sistemas de Ecuaciones Lineales Algebraicas

Considera el ser de las ecuaciones lineales:

Donde lo dado aij y yi’ se supone que son elementos de un campo F y también se requiere que las Xi’
desconocidas estén en el mismo campo F. Este conjunto de ecuaciones se puede escribir en forma matricial
como:

Donde:

Claramente, A es una matriz m x n, X es un vector n x 1, y y es un vector m x1. No se hace ninguna restricción

sobre el entero m; puede ser mayor, igual o menor que el entero n. Se pueden plantear dos preguntas con
respecto a este conjunto de ecuaciones: primero, la existencia de una solución y, segundo, el número de
soluciones. Más específicamente, suponga que se dan la matriz A y el vector y en la ecuación (2-36); la primera
pregunta se refiere a la condición en A y y bajo la cual existe al menos un vector x tal que Ax=y. Si existen
soluciones, entonces la segunda pregunta tiene que ver con el número de vectores linealmente independientes
x tales que Ax= y. Para responder a estas preguntas hay que introducir el rango y la nulidad de la matriz A.
Hemos acordado en el apartado anterior considerar la matriz A como una matriz lineal.

Operador que asigna (F n, F ) a (F m, F ). Recuerda que el espacio lineal (F n, F ) que sufre transformación se
denomina dominio de A.

Definición 2-9

El rango de un operador lineal A es el conjunto R (A) definido por

R (A) = {todos los elementos y de (F m, F ) para los que existe al menos un vector x en (F n, F ) tal que y = Ax}

Teorema 2-3
El rango de un operador lineal A es un subespacio de (F m, F ).

Prueba
M.M.M 18/03/2022

Si y1 y y2 son elementos de R (A), entonces por definición existen vectores x1 y x2 en (F n, F ) tales que y1 = A
x1, y2 = A x2. Decimos que para cualquier α1, y α2 en F, el vector α1 y1+ α2 y2 es también un elemento de R
(A). De hecho, por la linealidad de A, es fácil mostrar que α1 y1+ α2 y2 = A(α1x1+ α2x2), y por lo tanto el vector
α1 x1+ α2 x2 es un elemento de (F n, F ). Por tanto, el rango R (A)es un subespacio de (F m, F ). (ver el
comentario que sigue a la Definición 2-3).

Sea la i-ésima columna de A denotada por ai; es decir, A = [a1, a2,…, an], entonces la ecuación matricial (2-36) se
puede escribir como:

Donde Xi, para i= 1, 2, ..., n, son componentes de x y son elementos de F. El espacio de rango R (A) es, por
definición, el conjunto de y tal que y= Ax para alguna x en (F n, F ). Es lo mismo que decir que R (A) es el
conjunto de y con x1, x2,…, xn, en (2-37) pasando por todos los valores posibles de F. Por lo tanto, concluimos
que R (A) es el conjunto de todas las posibles combinaciones lineales de las columnas de A. Como R (A) es un
espacio lineal, su dimensión está definida y es igual al número máximo de vectores linealmente independientes
en R (A) . Por lo tanto, la dimensión de R (A) es el número máximo de columnas linealmente independientes
en A.

Definición 2-10
El rango de una matriz A, denotado por ρ(A), es el número máximo de columnas linealmente independientes en
A, o de manera equivalente, la dimensión del espacio de rango de A.

Ejemplo 1:

Considere la Matriz

El espacio de rango de A son todas las posibles combinaciones lineales de toda la columna de A, o
correspondientemente, todas las posibles combinaciones lineales de las primeras tur columnas de A, porque la
tercera y la cuarta columnas de A son linealmente dependientes de la primera. Dos columnas. Por lo tanto, el
rango de A es 2.

El rango de una matriz se puede calcular usando una secuencia de transformaciones elementales (consulte el
Apéndice A). Esto se basa en la propiedad de que el rango de una matriz permanece sin cambios después de pre
o postmultiplicaciones de matrices elementales (Teorema 2-7). Una vez que una matriz se transforma en la
forma triangular superior como se muestra en (A-6), el rango es igual al número de filas distintas de cero en (A-
6). A partir de la forma, también es fácil verificar que el número de columnas lineales independientes de una
matriz es igual al número de filas independientes. En consecuencia, si A es una matriz de n x m, entonces

rango A=no. de columnas lineales independientes

= no. de filas lineales independientes

≤ min (n, m) (2-38)

M.M.M 18/03/2022
Sin embargo, el cálculo del rango de una matriz en computadoras digitales no es un problema simple. Debido a
las precisiones limitadas de las computadoras digitales, siempre surgen errores de redondeo en los cálculos
numéricos. Supongamos que una matriz, después de la transformación, se convierte en

Donde ɛ es un número muy pequeño, digamos, 10-10. Este ɛ puede surgir de los datos proporcionados
(suponiendo que no haya errores de redondeo) o de errores de redondeo. Si e surge de errores de redondeo,
debemos considerar ɛ como cero, y la matriz tiene rango 1. Si ɛ se debe a los datos dados, no podemos
considerarlo como cero, y la matriz tiene rango 2. Para determinar qué valor es lo suficientemente pequeño
como para ser considerado como un cero es un problema complicado en los cálculos informáticos. Para los
problemas encontrados en el cálculo matricial, se remite al lector a las referencias S181, S182, S200 y S212.

En la teoría de matrices, el rango de una matriz se define como el orden mayor de todos los menores que no
desaparecen de A. En otras palabras, la matriz A tiene rango k si y solo si hay al menos un menor de orden k en
A que no desaparece. Y todo menor de orden superior gracias se desvanece. Esta definición y la Definición 2-10
son, de hecho, equivalentes; la prueba se puede encontrar, por ejemplo, en la Referencia 43. Una consecuencia
es que una matriz cuadrada tiene rango completo si y solo si el determinante de la matriz es diferente de cero;
o correspondientemente, una matriz es no singular si y solo si todas las filas y columnas de la matriz son
linealmente independientes. Con los conceptos de rango espacial y rango, estamos listos para estudiar el
problema de existencia de las soluciones de Ax = y.

Teorema 2-4

Considere la ecuación matricial Ax = y, donde la matriz A m x n transforma (F n, F ) en (F m, F ).

1. Dado A y dado un vector y en (F m, F ), existe un vector x tal que Ax=y si y solo si el vector y es un elemento
de R (A), o de manera equivalente,

2. Dado A, para cada y en (F m, F ), existe un vector x tal que Ax =y si y solo si R (A) = (F m, F ), o

equivalentemente, ρ(A) = m.

Prueba

1. Se sigue inmediatamente de la definición del espacio de rango de A. Si el vector y no es un elemento de R (A),

la ecuación Ax =y no tiene solución y se dice que es inconsistente.

2. El rango de A, ρ(A), es por definición la dimensión de R (A). Como R (A) es un su espacio de (F m, F ), si ρ(A)
=m, entonces R (A)= (F m, F ). Si R (A). = (F m, F ),entonces para cualquier y en (F m, F ), existe un vector x
tal que Ax = y. Si ρ(A) < m, existe al menos un vector distinto de cero y en (F m, F ), pero no en R (A), para lo
cual no existe x tal que Ax = y.

El diseño de compensadores para lograr varios objetivos de diseño puede reducirse a la solución de ecuaciones
algebraicas lineales. Por lo tanto, este teorema es muy importante en nuestra aplicación. Si A es una matriz m
M.M.M 18/03/2022
xn y si ρ(A) =m, entonces todas las filas de A son linealmente independientes y se dice que A tiene un rango de
fila completo. Si A tiene un rango de fila completo, sin importar qué columna y se agregue a A, el rango de [A:y]
no puede aumentar y es igual a ρ(A). En otras palabras, y se encuentra en el espacio ocupado por las columnas
de A y, en consecuencia, puede escribirse como una combinación lineal de las columnas de A. Por lo tanto, si A
tiene un rango de fila completo, para cualquier y, existe a x tal que Ax=y. De manera similar, si ρ(A)=n, se dice
que la matriz A de m x n tiene un rango de columna completo. Si A tiene un rango de columna completo,
entonces cada 1 x n vector a estará en el espacio ocupado por las filas de A y, en consecuencia, puede escribirse
como una combinación lineal de las filas de A. En otras palabras, existe 1 x m vector b tal que bA = a.

Después de que descubrimos que una ecuación lineal tiene al menos una solución, es natural preguntar cuántas
soluciones puede tener. En lugar de estudiar el caso general, analizamos solo la ecuación lineal homogénea Ax
=0.

Definición 2-11

El espacio nulo de un operador lineal A es el conjunto N (A) definido por N (A) = {todos los elementos x de (F n,
F ) para los cuales Ax=0}

La dimensión de N (A) se llama nulidad de A y se denota por v(A).

En otras palabras, el espacio nulo N (A) es el conjunto de todas las soluciones de Ax = 0. Es fácil demostrar que
N (A) es de hecho un espacio lineal Si la dimensión de N (A), v(A), es 0, entonces N (A) consta únicamente del
vector cero, y el único solución de Ax =0 es x =0. Si v(A) =k, entonces la ecuación Ax =0 tiene k soluciones
vectoriales linealmente independientes.

Tenga en cuenta que el espacio nulo es un subespacio del dominio (F n, F ), mientras que el espacio de rango es
un subespacio de (F m, F ).

Ejemplo 2

Considere la Matriz

que asigna (R5, R) a (R3, R). Es fácil comprobar que las tres últimas columnas de A dependen linealmente de las
dos primeras columnas de A. Por lo tanto, el rango de A, ρ(A), es igual a 2. Sea x = [x1, x2, X3, X4, X5]'. Entonces

Dado que los vectores [0 1 2] y [1 2 0]’ son linealmente independientes, concluimos de (2-39) que un vector x
satisface Ax =0 si y solo si
M.M.M 18/03/2022

Tenga en cuenta que el número de ecuaciones es igual al rango de A, p(A). La solución x de Ax = 0 tiene cinco
componentes pero se rige por solo dos ecuaciones; por lo tanto, tres de los cinco componentes pueden asignarse
arbitrariamente. Sea x3= 1, X4=0, X5 =0; entonces x1= -1 y x2=-1. Sea x3 = 0, x4 = 1, x5 = 0; entonces x1 =0 y X2= -
2. Sea X3=0, x4=0, x5 = 1; entonces x1 = -1 y x2 = 1. Es claro que los tres vectores

Son linealmente independientes, y que cada solución de Ax = 0 debe ser una combinación lineal de estos tres
vectores. Por lo tanto, el conjunto de vectores forma una base de N (A) y v(A)= 3. Vemos en este ejemplo que el
número de ecuaciones que deben obedecer los vectores de N (A) es igual a ρ(A)y que hay n componentes en
cada vector de N (A) . Por lo tanto n- ρ(A) componentes de los vectores de N (A) puede ser elegido
arbitrariamente. En consecuencia, hay n- ρ(A) vectores linealmente independientes en N (A). Por tanto,
concluimos que n- ρ(A)= v(A). Enunciamos esto como un teorema; su prueba formal se puede encontrar, por
ejemplo, en las Referencias 43 y 86.

Teorema 2-5

Sea A una matriz m x n. Luego.

Corolario 2-5

El número de soluciones vectoriales linealmente independientes de Ax =0 es igual a n- ρ(A), donde n es

el número de columnas en A, y ρ(A) es el número de columnas linealmente independientes en A.

Este corolario se sigue directamente del Teorema 2-5 y la definición del espacio nulo de A. es x=0, que
se denomina solución trivial. Si ρ(A) < n, siempre podemos encontrar un vector x distinto de cero tal que
Ax = 0. En particular, si A es una matriz cuadrada, entonces Ax =0 tiene una solución no trivial si y solo
si ρ(A) < n , o de manera equivalente, det (A) = 0, donde det representa el determinante. Presentamos tres
teoremas útiles para concluir esta sección. Es claro que si ρ(A) = n, entonces la única solución de Ax = 0.

Teorema 2-6 (Desigualdad de Sylvester)

Sean A, B matrices q x n y n x p con coeficientes en el mismo campo. Luego

Prueba
M.M.M 18/03/2022
La matriz compuesta AB se puede considerar como dos transformaciones lineales aplicadas sucesivamente a (F
p
, F ), como se muestra en la figura 2-6. Como el dominio de AB es R(B) y el rango de AB es un subespacio de
R(A), inmediatamente tenemos ρ(A) < min (ρ(A) , ρ(B) ) usando (2-38 ). De la Figura 2-6 tenemos ρ(AB) =

ρ(B) – d, donde d es la dimensión de la intersección de R (B) y N (A). 0 En consecuencia, la dimensión ρ (AB)

de N (A) es n-p(A); por lo tanto, d <n- ρ (A). ρ (B) – n+ ρ (A).

Si B es una matriz n x n y no singular, entonces

Teorema 2-7

Sea A una matriz m x n. Luego

Para cualquier n x n y m x m matrices no singulares C y D.

En palabras, el rango de una matriz no cambiará después de la pre o posmultiplicación de una matriz no singular.
Debido a esta propiedad, la eliminación gaussiana o el algoritmo de búsqueda de filas analizado en el apéndice
A se pueden usar para calcular el rango de una matriz.

Teorema 2-8

Sea A una matriz m x n con coeficientes en un campo, y sea A* la transpuesta compleja conjugada de A. Entonces

Tenga en cuenta que A*A es una matriz n x n y AA* es una matriz m x m. Para tener ρ (A)= n, es necesario
tener n < m. Este teorema se probará usando la Definición 2-4'. Más específicamente, usamos el hecho
M.M.M 18/03/2022

de que si Aα =0 implica α = 0, entonces todas las columnas de A son linealmente independientes, y ρ

(A)=n, donde n es el número de las columnas de A. Prueba

1. Suficiencia: ρ (A*A)=n implica ρ (A) = n. Mostramos que Aα =0 implica α = 0 bajo el supuesto de

ρ (A*A) = n, donde a es un vector n x 1. Aα = 0, entonces A* Aα =0, que, con la suposición de ρ
(A*A)=n, implica α = 0 Por lo tanto, concluimos que ρ (A)=n. Necesidad: ρ (A)=n implica ρ (A*A)= Sea
a un vector n x 1. Mostramos que A*Aα =0 implica α =0 bajo el

Supuesto de ρ (A)=n. La igualdad A*Aα =0 implica a*A*Aα =0. Sea Aα =[β1 β 2 βm]'. Luego

Por lo tanto α *A*Aα =0 implica β; =0, para i = 1, 2,..., m; o, de manera equivalente, Aα=0, que, a su
vez, implica α =0 a partir de la suposición de ρ (A)=n. Por lo tanto concluimos que ρ (A*A) =n. 2. Esta
parte puede probarse de manera similar o deducirse directamente de lo anterior usando el hecho ρ (A)=
ρ (A*).