Cap2 - Espacios - Vectoriales - 2da - Parte - Sinpausas

C AP ÍTULO 2: E SPACIOS V ECTORIALES (2 DA . PARTE ).
Facultad de Cs. Exactas, Ingenierı́a y Agrimensura

Universidad Nacional de Rosario
Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 1 / 45

O UTLINE
1 R ESOLVIENDO SISTEMAS DE ECUACIONES LINEALES
2 M ATRICES E SCALONADAS
3 E SPACIO N ULO DE MATRICES ESCALONADAS REDUCIDAS
4 E SPACIO N ULO DE UNA MATRIZ ARBITRARIA
5 R ESOLVIENDO Ax = b

S ISTEMAS DE ECUACIONES LINEALES , ESPACIOS
COLUMNA Y NULO
Dada una matriz A, m × n, nuestro objetivo es describir el conjunto S de

todas las soluciones del sistema Ax = b.
Recordemos:
Espacio columna de A: subespacio de Rm generado por los vectores
columna de A. Lo notamos C(A).
Espacio nulo de A: subespacio de Rn definido por
N(A) = {x ∈ Rn : Ax = 0}.
¿Qué relación tienen estos espacios vectoriales con el conjunto S de

soluciones de un sistema de ecuaciones Ax = b?
Sabemos:
S =6 0/ si y solo si b ∈ C(A). (Justificar)
Si A es n × n y no singular, C(A) = Rn , N(A) = {0} y, para todo b ∈ Rn ,
S tiene un único elemento i.e. S = {A−1 b}.
S ISTEMAS DE ECUACIONES LINEALES , ESPACIOS
COLUMNA Y NULO
El siguiente resultado será fundamental para poder describir el conjunto S .
Teorema: Sea A una matriz m × n y b ∈ Rm . Sea S el conjunto de soluciones

del sistema Ax = b. Entonces:
1 S = 0/ si y solo si b ∈
/ C(A).
2 Sea b ∈ C(A) y xP ∈ S . Entonces, S = {xP + xN : xN ∈ N(A)}.
Prueba:
1 Se deduce de la propia definición de C(A), el espacio columna de A.
2 Probemos primero que {xP + xN : xN ∈ N(A)} ⊆ S .
Sea xN ∈ N(A). Debemos probar que xP + xN ∈ S , i.e. A(xP + xN ) = b.
En efecto,
Ax = A(xP + xN ) = AxP + AxN = b + 0 = b.
Probemos ahora que S ⊆ {xP + xN : xN ∈ N(A)}.
Sea x ∈ S y definamos xN = x − xP . Debemos probar que xN ∈ N(A),
i.e. AxN = 0. En efecto, A(x − xP ) = Ax − AxP = b − b = 0.
E SPACIOS COLUMNA Y NULO Y SISTEMAS DE
ECUACIONES LINEALES
Ejercicio: Sean x1 6= x2 dos soluciones del sistema Ax = b.

1 Encontrar dos vectores no nulos en N(A).
2 Encontrar una tercer solución del sistema Ax = b.
Solución:
1 Sabemos que cualquier solución del sistema Ax = b se puede expresar
como una solución particular más un elemento de N(A). Como x1 es una
solución particular y x2 también es solución del sistema, existe
xN ∈ N(A) tal que x2 = x1 + xN . Entonces, xN = x2 − x1 6= 0 y xN ∈ N(A).
Como N(A) es un espacio vectorial, 7xN ∈ N(A) y 7xN 6= xN .
2 Para obtener soluciones del sistema, debemos sumar una solución
particular con un elemento de N(A). Por ejemplo, tomando x1 como
solución particular y 7xN = 7(x2 − x1 ) ∈ N(A), obtenenos
x3 = x2 + 7xN = 8x2 − 7x1 solución del sistema.

E SPACIOS COLUMNA Y NULO Y SISTEMAS DE
ECUACIONES LINEALES
El teorema anterior nos dice que para describir el conjunto S de soluciones

del sistema Ax = b, debemos:
describir N(A), el espacio nulo de A, y
conocer una solución particular xP del mismo o decidir que no existe tal
solución. Para esto, debemos decidir si b ∈ C(A) o no.
Conclusión: resolver sistemas lineales con A matriz de coeficientes es casi

equivalente a conocer los espacios columna y nulo de A.
Empecemos con el espacio nulo...
Habı́amos comentado que el espacio nulo de una matriz m × n (subespacio

de Rn ) podrı́a tener cualquier dimensión entre 0 (A matriz no singular) y n (A
matriz nula). Hacia ese punto nos dirigimos.
Empezaremos analizando casos correspondientes a matrices A con una
cierta estructura.
M ATRICES ESCALONADAS
 
∗ ∗ ∗ ∗ ∗ ∗ ∗
 0
 ∗ ∗ ∗ ∗ ∗ ∗ 
 m = 5, n = 8, m∗ = 4
A=
 0 0 0 ∗ ∗ ∗ ∗ 
 j(1) = 1, j(2) = 2
 0 0 0 0 0 0 0  j(3) = 4, j(4) = 8
0 0 0 0 0 0 0 0
Definición: Una matriz A no nula m × n y m∗ = máx{i ∈ {1, . . . , m} : Ai 6= 0}.

A es una matriz escalonada si verifica las siguientes condiciones:
1 Aj 6= 0 para todo j tal que 1 ≤ j ≤ m∗ . (las filas nulas están todas al final).
2 Si para i = 1, . . . , m∗ definimos j(i) = mı́n{k ∈ {1, . . . , n} : Aki 6= 0}
j(i)
entonces j(i) < j(i + 1) para todo i tal que 1 ≤ i ≤ m∗ − 1. ( Ai pivot de
fila i)
j(i)
Observar que para todo k > i, Ak = 0 (las entradas debajo del pivot son
nulas).

 
∗ ∗ ∗ ∗ ∗ ∗ ∗
 0
 ∗ ∗ ∗ ∗ ∗ ∗ 

A=
 0 0 0 ∗ ∗ ∗ ∗ 

 0 0 0 0 0 0 0 
0 0 0 0 0 0 0 0
Para i = 1, . . . m∗ , a las filas Ai se las denomina filas pivots de A, a las

entradas (no nulas) (i, j(i)), pivots de A y a las columnas Aj(i) , columnas
pivots de A.
A1 , A2 , A3 y A4 son filas pivots y A1 , A2 , A4 y A8 son columnas pivots.
Ejercicio: Si A es una matriz escalonada cuadrada y no singular entonces A
es una matriz triangular superior sin ceros en la diagonal.
Comentario: No es difı́cil ver que aplicando el Método de Eliminación de
Gauss podemos llevar a toda matriz m × n a su forma escalonada.
Ejemplo:  
1 0 0 1 2 3

 0 0 0 0 1 2 

A=
 0 0 0 2 1 2 

 0 0 2 3 4 5 
0 0 3 4 5 6
1 Primer pivot: columna 1, fila 1. Ceros debajo del primer pivot X
2 Segundo pivot:
I columna pivot? Primer columna a la derecha de la columna pivot anterior
con alguna entrada no nula en las filas abajo de la fila pivot anterior →
Columna 3.
I fila pivot? Podrı́amos elegir cualquier fila (de la 2 en adelante) con entrada
no nula en la columna pivot (filas 4 o 5).
Convenio: Si la fila i tiene entrada no nula en la columna pivot i la
elegimos como fila pivot. Si no, elegimos siempre la fila más abajo con
entrada no nula en la columna pivot. → Fila 5.
I Ceros abajo del pivot? Antes debemos permutar la fila 5 con la fila 2.
   
1 0 0 1 2 3 1 0 0 1 2 3

 0 0 0 0 1 2  
 P25 ×  0 0 3 4 5 6 

A= 0 0 0 2 1 2  −→  0 0 0 2 1 2  −→
   
 0 0 2 3 4 5   0 0 2 3 4 5 
0 0 3 4 5 6 0 0 0 0 1 2
 
1 0 0 1 2 3
 0 0 3 4 5 6 
 
−→ 
 0 0 0 2 1 2 

 0 0 0 1 2
3 3 1 
0 0 0 0 1 2
(3) Pivot 3: primer columna posterior a la del pivot anterior con entradas no
nulas debajo de la fila pivot anterior → columna 4. Como la entrada de la
fila 3 es no nula en la columna pivot, esa es la fila pivot.

   
1 0 0 1 2 3 1 0 0 1 2 3

 0 0 3 4 5 6 


 0 0 3 4 5 6 

0 0 0  −→ 
2 1 2  0 0 0 2  −→
1 2 
 

1 2 1 2 
 0 0 0 3 3 1
  0 0 0 0 2 3
0 0 0 0 1 2 0 0 0 0 1 2
 
1 0 0 1 2 3

 0 0 3 4 5 6 

−→ 
 0 0 0 2 1 2 

1 2 
 0 0 0 0 2 3
2
0 0 0 0 0 3

Otro Ejemplo:
   
1 3 3 2 2 1 3 3 2 2
 2 6 6 4 4  pivot 1=A11  0 0 0 0 0 
A=
 2
 −→  
6 9 9 8   0 0 3 3 4 
−1 −3 3 4 6 0 0 6 6 8
Columna pivot 2: primer columna a la derecha de la columna del pivot 1, con

entradas no nulas en filas debajo de la fila pivot 1 −→ columna 3.
Fila pivot 2: Como A32 = 0, podrı́amos elegir fila 3 o 4. Por convenio elegimos
la de más abajo.
¿Por qué lo elegimos ası́?
La fila 2 es una fila nula y recordemos que en una matriz escalonada las filas
nulas deben ir todas al final. Eligida la fila pivot, la fila 2 (fila nula) va a ser
permutada con esta fila pivot. Permutándola con la fila más abajo hará que
aparezca menos veces como candidata a fila pivot y debamos permutarla otra
vez.
Fila pivot 2 −→ fila 4.

Aplicamos la permutación P24 .
   
1 3 3 2 2 1 3 3 2 2
 0 0 0 0 0  P24 ×  0 0 6 6 8 
 = A0
 
A −→ 
 0 −→ 
0 3 3 4  0 0 3 3 4 
0 0 6 6 8 0 0 0 0 0
Hacemos los ceros debajo del pivot 2 (A023 = 6) y obtenemos:
 
1 3 3 2 2
 0 0 6 6 8 
U=
 0

0 0 0 0 
0 0 0 0 0
matriz escalonada con m∗ = 2, U 1 y U 3 columnas pivots, U1 y U2 filas pivots.

Uno más:
0 1 0 3
A=
0 2 0 6
Columna pivot 1: primer columna no nula → columna 2.
Fila pivot 1: como la entrada de la fila 1 de la columna pivot A21 = 1 es no nula
→ fila 1.
Con A21 como pivot, hacemos los ceros debajo de él y obtenemos:

0 1 0 3
,
0 0 0 0
matriz escalonada, con una sola columna y una sola fila pivots.

Regla General :
1 Columna pivot i + 1: primer columna a la derecha de la columna del pivot
i con entradas no nulas en alguna fila por debajo de la fila i.
2 Fila pivot i + 1: fila i + 1, si la entrada i + 1 de la columna pivot i + 1 es no
nula. Caso contrario, última fila con entrada no nula en la columna pivot
i + 1.
3 Si la fila pivot i + 1 es la fila j con j > i + 1, permutar fila i + 1 con fila j.
Gauss nos permite extender el resultado sobre factorización LU que tenı́amos

para matrices cuadradas no singulares:
Teorema: Sea A matriz m × n. Entonces, existen P matriz de permutación, L
matriz triangular inferior con 1’s en la diagonal y U matriz escalonada tales
que PA = LU .

Para resolver el sistema Ax = b, encontrada la matriz escalonada U ,

seguiremos operando con matrices elementales de manera de llegar a una
matriz escalonada reducida.
Definición: Una matriz R es escalonada reducida si R es escalonada con
todos los pivots iguales a 1 y todas sus entradas por encima de los pivots son
nulas.
Veamos el esquema de una matriz escalonada reducida:
 
1 0 ∗ 0 ∗ ∗ ∗ 0

 0 1 ∗ 0 ∗ ∗ ∗ 0 

R=
 0 0 0 1 ∗ ∗ ∗ 0 

 0 0 0 0 0 0 0 1 
0 0 0 0 0 0 0 0
Tal como hicimos con Gauus-Jordan, cualquier matriz escalonada puede

transformarse, vı́a matrices elementales, en una matriz escalonada reducida.
Ejemplo:  
1 3 3 2 2
 0 0 6 6 8 
U=
 0

0 0 0 0 
0 0 0 0 0
Primero debemos hacer los ceros por arriba de los pivots. En este caso sólo
en el segundo pivot. Obtenemos:
   
1 3 3 2 2 1 3 0 −1 −2
 0 0 6 6 8   0 0 6 6 8 
U=  −→  
 0 0 0 0 0   0 0 0 0 0 
0 0 0 0 0 0 0 0 0 0
Para obtener los 1’s en los pivots, dividimos cada fila por su pivots
(equivalentemente, pre-multiplicamos por una matriz diagonal).

E SPACIO NULO MATRICES ESCALONADAS REDUCIDAS
Obtenemos:
   
1 3 0 −1 −2 1 3 0 −1 −2
 0 4 
 0 6 6 8   0 0
 −→  1 1 3 =R
 0 0 0 0 0   0 0 0 0 0 
0 0 0 0 0 0 0 0 0 0
Recordemos que queremos describir N(A), para toda A, ya que juega un

papel fundamental en la descripción del conjunto S de soluciones de un
sistema Ax = b. ¿Qué relación hay entre N(A) y N(R), si R es la matriz
escalonada reducida que llegamos aplicando eliminación gaussiana a partir
de A?
Ejercicio:
Sea A una matriz m × n y B una matriz n × n no singular. Entonces,
N(BA) = N(A).
Sea R la matriz escalonada reducida que se obtiene a partir de A vı́a
eliminación gaussiana. Entonces, N(A) = N(R).
R ESOLVIENDO EL SISTEMA Rx = 0
Consideremos el sistema Rx = 0, con R una matriz escalonada reducida:

 
1 0 ∗ 0 ∗ ∗ ∗ 0
 0 1 ∗ 0 ∗ ∗ ∗ 0 
 [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 ]T = 0.
 
Rx = 
 0 0 0 1 ∗ ∗ ∗ 0 
 0 0 0 0 0 0 0 1 
0 0 0 0 0 0 0 0
Las variables correspondientes a las columnas pivots se denominan variables

pivots y las restantes, variables libres.
Por cada valor arbitrario que le asignemos a las variables libres obtendremos
una solución del sistema donde los valores de las variables pivots quedan
unı́vocamente definidas.

En nuestro ejemplo, tenı́amos:

 
1 3 0 −1 −2
 0 4 
0 1 1 3 
R=
 0 0 0 0 0 
0 0 0 0 0
Aquı́ las variables pivots son x1 y x3 mientras que las x2 , x4 y x5 son libres.
Las filas nulas corresponden a ecuaciones del tipo 0x = 0 y podemos
descartarlas.
Si asignamos valores arbitrarios a las libres, por ejemplo, x2 = t, x4 = s y
x5 = w, las variables pivots x1 y x3 deben satisfacer las dos primeras
ecuaciones. Tenemos entonces:
x1 + 3t − s− 2w = 0 x = −3t + s + 2w
4 −→ 1
x3 + s+ 3 w = 0 x3 = −s − 43 w

O sea, las soluciones del sistema Rx = 0 son de la forma
       
−3t + s + 2w −3 1 2

 t 


 1 


 0 


 0 
x=
 −s − 43 w  = t
  0 +s
  −1 +w
  − 43 
 , con t, s, w ∈ R.
 s   0   1   0 
w 0 0 1
Observar que N(R) es el espacio generado por los vectores

     
−3 1 2

 1  
  0  
  0 

 0 ,
  −1 y
  − 34 
,
 0   1   0 
0 0 1
Estos tres vectores son las soluciones especiales del sistema Rx = 0.
Tenemos una solución especial por cada variable libre.
Resumiendo, con  
1 3 0 −1 −2
 0 4 
0 1 1 3 ,
R=
 0 0 0 0 0 
0 0 0 0 0
N(R) es el espacio generado por las soluciones especiales, las cuales se
obtienen fijando cada variable libre en 1 y las restantes en cero:
     
−3 1 2

 1  
  0  
  0 

 0 ,
  −1 y
  − 34 
.
 0   1   0 
0 0 1
Observar que los valores de las variables pivots en la solución especial

asociada a una variable libre son los opuestos de las entradas de la columna
de R asociada a la varible libre, en las filas pivots.
Llamamos N a la matriz cuyas columnas son las soluciones especiales de

Rx = 0. O sea,  
−3 1 2

 1 0 0 

N=
 0 −1 − 43 .

 0 1 0 
0 0 1
Observación: N es única salvo permitación de columnas. En general, si las

variables están ordenadas por algún ı́ndice, usamos el orden de columnas
correspondiente al orden en las variables libres.

D ESCRIBIENDO N(A)
Como vimos, toda matriz A puede transformarse en una matriz R escalonada

reducida vı́a operaciones elementales y permutaciones, de manera que N(A),
el conjunto de soluciones del sistema Ax = 0, coincide con el conjunto de
soluciones del sistema Rx = 0.
Para describir N(A), cualquiera sea A, seguimos los siguientes pasos:

1 Encontramos R e identificamos variables libres y variables pivots.
2 Para cada variable libre, encontramos la solución del sistema donde esa
variable libre vale 1 y las restantes libres valen 0.
3 El espacio N(A) es el espacio generado por las soluciones especiales
encontradas en el ı́tem anterior.
Lema: Si A es una matriz m × n con m < n, entonces N(A) 6= {0}.
Prueba: Si R es la forma escalonada reducida de A, el sistema Rx = 0 tiene a
lo sumo m variables pivots (a lo sumo, una for fila). Como m < n, el sistema
tiene al menos una variable libre, con su correspondiente solución especial,
no nula.
D ESCRIBIENDO N(A)
Por lo observado anteriormente, siempre que m < n, el sistema Ax = 0 (o

equivalentemente el espacio N(A)) tiene soluciones distintas de la trivial
(x = 0).
Más aún, si m < n, N(A) es un subespacio vectorial de Rn , cuya dimensión
coincide con el número de variables libres (si hay sólo una, será una recta en
Rn , por ejemplo).
Esta idea de dimensión de los subespacios la veremos más adelante. Pero es
importante ir recordando:
1 La dimensión del espacio nulo coincide con el número de variables libres.
2 Veremos que la dimensión del espacio columna coincide con el número
de variables pivots.
Antes terminemos de resolver los sistemas Ax = b, con b cualquier vector.

R ESOLVIENDO Ax = b
Habı́amos visto que el conjunto S de soluciones del sistema Ax = b se podı́a

describir a partir de una solución particular del mismo más cualquier elemento
de N(A). Ya vimos cómo describir todos los elementos de N(A), nos falta
saber cómo encontrar una solución particular de Ax = b.
Esta solución particular puede encontrarse fácilmente si aplicamos al lado
derecho b las mismas operaciones que aplicamos para llevar A a su forma
escalonada U o a su forma escalonada reducida R. Luego, eligiendo cualquier
valor de las variables libres, obtenemos la solución particular (si la hubiera).
Por supuesto, la solución particular más sencilla de obtener será la que
corresponde a poner las variables libres en 0.

R ESOLVIENDO Ax = b
En nuestro ejemplo  
1 3 3 2 2
 2 6 6 4 4 
A=
 2

6 9 9 8 
−1 −3 3 4 6
fue transformada vı́a operaciones elementales y permutaciones a su forma
escalonada  
1 3 3 2 2
 0 0 6 6 8 
U=
 0 0

0 0 0 
0 0 0 0 0
 
b1
 b2 
Si estamos resolviendo el sistema Ax = 
 b3  y aplicamos a b las mismas

b4
operaciones, obtenemos el sistema equivalente:
R ESOLVIENDO Ax = b
(continuación)
   
1 3 3 2 2 b1
b 1 + b4
 0 0 6 6 8   = b0
 
Ux =  x = 
 0 0 0 0 0   b3 − 25 b1 − 21 b4 
0 0 0 0 0 b2 − 2b1
Las dos últimas ecuaciones de este sistema son:
0 = b3 − 52 b1 − 12 b4 y 0 = b2 − 2b1 .
Por lo tanto, el sistema tendrá solución si y solo si nuestro vector lado derecho
b verifica estas ecuaciones. Equivalentemente, b ∈ C(A) si y solo si
b3 − 52 b1 − 12 b4 = 0 y b2 − 2b1 = 0.
Si b ∈ C(A), las dos últimas ecuaciones del sistema Ux = b0 se satisfacen y
nos queda sólo resolver:
x1 + 3x2 + 3x3 + 2x4 + 2x5 = b1
6x3 + 6x4 + 8x5 = b1 + b4
R ESOLVIENDO Ax = b
(continuación)
Nos queda sólo resolver:
x1 + 3x2 + 3x3 + 2x4 + 2x5 = b1
6x3 + 6x4 + 8x5 = b1 + b4 ,
donde x1 y x3 son variables pivots y las restantes son variables libres.
Estamos buscando una solución particular del sistema, asignemos un valor
arbitrario a las variables libres... lo más sencillo es asignarle el valor cero.
Resolvemos con b = (0, 0, 1, 2) ∈ C(A). Tenemos entonces:
x2 = x4 = x5 = 0 y
x1 + 3x3 = b1 = 0
6x3 = b1 + b4 = 2.
Lelgamos a un sistema triangular superior sin ceros en la diagonal:
resolvemos por sustitución para atrás.
La solución particular del sistema es xP = (−1, 0, 31 , 0, 0).
R ESOLVIENDO Ax = b
Tenemos entonces que el conjunto S de soluciones del sistema Ax = b está

descripto por los x’s tales que x = xP + xN , donde xP es la solución particular
encontrada y xN es cualquier vector en N(A). Por lo visto anteriormente, los
elementos de S son los x ∈ R5 tales que
      
−1 −3 1 2
 0   1   0   0 
 1       
x=  + t  0  + s  −1  + w  − 4 ,
 3       3 
 0   0   1   0 
0 0 0 1
con t, s, w ∈ R.
Observación: El espacio S es un espacio 3-dimensional en R5 , pero no es
un subespacio vectorial (no contiene x = 0). Es paralelo al espacio nulo de la
matriz de coeficientes, desplazado por una solución particular.

R ANGO DE UNA MATRIZ
Presentamos un concepto que será fundamental en todo lo que sigue.

Definición: El rango de una matriz es el número de pivots en su forma
escalonada.
Ejemplos:
¿Cuál es el rango de la matriz

0 1 0 3
A= ?
0 2 0 6
Vimos que su forma escalonada era

0 1 0 3
U= .
0 0 0 0
Por lo tanto, hay una sola fila y columna pivots y el rango de A es 1.
Ejercicio: A es una matriz m × n de rango 1 si y solo si existen 0 6= u ∈ Rm y
0 6= v ∈ Rn tal que A = uT v.
E JEMPLO COMPLETO
 
1 2 3 5
A =  2 4 8 12  , Ax = b
3 6 7 13
Reducir [A, b] (hasta Ux = c, U escalonada).
   
1 2 3 5 b1 1 2 3 5 b1
 2 4 8 12 b2  −→  0 0 2 2 b2 − 2b1  = [U, c]
3 6 7 13 b3 0 0 0 0 b3 + b2 − 5b1
x2 , x4 : variables libres x1 , x3 : variables pivots.
Describir C(A).
Sabemos que b ∈ C(A) si Ax = b tienen solución. O, equivalentemente,
si Ux = c tiene solución. Por lo tanto,
C(A) = {b ∈ R3 : b3 + b2 − 5b1 = 0}.

Observemos que C(A) es un plano de R3 que pasa por el origen.
E JEMPLO COMPLETO
(continuación)
   
1 2 3 5 b1 1 2 3 5 b1
 2 4 8 12 b2  −→  0 0 2 2 b2 − 2b1  = [U, c]
3 6 7 13 b3 0 0 0 0 b3 + b2 − 5b1
Por definición, C(A) es el espacio generado por los (4) vectores columna
de A. Como sabemos que C(A) es un espacio de dimensión 2, no
necesitamos los 4 vectores columna de A para generarlo. ¿Qué dos
vectores columna de A generan a C(A)?. Observemos que A2 = 2A1 y
A4 = 2A1 + A3 . Por lo tanto, A2 y A4 no generan nungún vector diferente
a los que generan A1 y A3 y resulta C(A) = A1 , A3 . Observemos que
A1 y A3 son las columnas pivots.
Probaremos más adelante que, para toda matriz A, C(A) es el espacio
generado por las columnas pivots ¡de A, no de R!. Por ahora lo
aceptamos como resultado válido.

E JEMPLO COMPLETO
(continuación)
Describir N(A).
   
1 2 3 5 b1 1 2 3 5 b1
 2 4 8 12 b2  −→  0 0 2 2 b2 − 2b1  = [U, c]
3 6 7 13 b3 0 0 0 0 b3 + b2 − 5b1
Las soluciones especiales corresponden a las soluciones de Rx = 0

correspondientes a (x2 = 1, x4 = 0) y a (x2 = 0, x4 = 1). Ası́:
 
−2 −2
 1 0 
N=
 0 −1  .

0 1

E JEMPLO COMPLETO
Describir N(A) (continuación).

 
−2 −2
 1 0 
 0 −1  .
N= 
0 1
Sabemos que los valores de x1 y x3 correspondientes a estas soluciones
especiales las podemos encontrar también en la forma reducida de A (o
de U ).
   
1 2 3 5 1 2 0 2
U =  0 0 2 2  −→  0 0 1 1  = R.
0 0 0 0 0 0 0 0

E JEMPLO COMPLETO
(continuación)
Resolver el sistema Ax = b para b = (0, −6, 6).
   
1 2 3 5 b1 = 0 1 2 3 5 b1 = 0
 2 4 8 12 b2 = −6  −→  0 0 2 2 b2 − 2b1 = −6 
3 6 7 13 b3 = 6 0 0 0 0 b3 + b2 − 5b1 = 0
Debemos obtener una solución particular xP del sistema. Fijamos las

libres en cero.
x2P = x4P = 0 =⇒ x1P + 3x3P = 0, 2x3P = −6 =⇒ x1P = 9, x3P = −3. Ası́ una
solución general del sistema es:

    
9 −2 −2
 0   1
 + s  0  ; s, t ∈ R.
  
x=
 −3  + t  0
 
  −1 
0 0 1

A LGUNOS EJEMPLOS
Pensemos ahora en sentido contrario: debemos encontrar una matriz 2 × 3 y

b ∈ R2 tales que el conjunto solución del sistema Ax = b se describe por
   
1 1
x =  2  + t  3  , t ∈ R.
0 1
Lo más sencillo es pensar en una matriz A que sea escalonada reducida.

¿Cuántos pivots debe tener?
De acuerdo a la descripción de las soluciones del sistema, hay sólo una
variable libre. Por lo tanto, debe tener dos pivots. Tenemos entonces que A
tendrá la forma
1 0 r
A= .
0 1 s

A LGUNOS EJEMPLOS
(continuación)

1 0 r
A= .
0 1 s
 
1
Como  3  es la solución especial de Ax = 0 correspondiente a fijar la
1
variable libre x3 en 1 y como A es escalonada reducida, los valores de las
variables pivots en esta solución están en la columna correspondente a la
variable libre, con signos opuestos. Por lo tanto

1 0 −1
A= .
0 1 −3
Finamente, para conocer el lado derecho b, como xP = (1, 2, 0)T es una
solución particular del sistema tenemos que b = AxP = (1, 2).

A LGUNOS EJEMPLOS
Sean A una matriz m × n de rango r, b ∈ Rm , xP una solución particular del

sistema Ax = b y N la matriz n × (n − r) correspondiente a todas las
soluciones especiales de N(A).
Encontrar una solución particular y todas las soluciones especiales de los
siguientes sistemas:
1 Ax = 2b
La matriz de coeficientes se mantiene y por lo tanto, tenemos el mismo
espacio nulo y la misma matriz N de soluciones especiales. Sólo
debemos encontrar una solución particular. Es fácil chequear que 2xP es
solución particular de este sistema.

A b
2 x=
A b

A Ax xP
Como x= una solución particular es .
A Ax xP

A LGUNOS EJEMPLOS
2 (continuación)
Veamos quién es la matriz de soluciones especiales del espacio nulo.
En este caso debemos convencernos que si R es
la matriz
escalonada
R
reducida que se obtiene a partir de A, entonces es la matriz
0

A
escalonada reducida que se obtiene a partir de (Ejercicio).
A
Entonces, el rango es r y las variables libres son las mismas que en el
sistema Ax = b. Por lo tanto N es la matriz de soluciones especiales
también para este caso.

Cap2 - Espacios - Vectoriales - 2da - Parte - Sinpausas

Cargado por

Copyright:

Formatos disponibles

Cap2 - Espacios - Vectoriales - 2da - Parte - Sinpausas

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

Cap2 - Espacios - Vectoriales - 2da - Parte - Sinpausas

Cargado por

Copyright:

Formatos disponibles

C AP ÍTULO 2: E SPACIOS V ECTORIALES (2 DA . PARTE ).

Facultad de Cs. Exactas, Ingenierı́a y Agrimensura

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 1 / 45

1 R ESOLVIENDO SISTEMAS DE ECUACIONES LINEALES

3 E SPACIO N ULO DE MATRICES ESCALONADAS REDUCIDAS

4 E SPACIO N ULO DE UNA MATRIZ ARBITRARIA

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 2 / 45

Dada una matriz A, m × n, nuestro objetivo es describir el conjunto S de

¿Qué relación tienen estos espacios vectoriales con el conjunto S de

El siguiente resultado será fundamental para poder describir el conjunto S .

Teorema: Sea A una matriz m × n y b ∈ Rm . Sea S el conjunto de soluciones

Ejercicio: Sean x1 6= x2 dos soluciones del sistema Ax = b.

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 6 / 45

El teorema anterior nos dice que para describir el conjunto S de soluciones

Conclusión: resolver sistemas lineales con A matriz de coeficientes es casi

Empecemos con el espacio nulo...

Habı́amos comentado que el espacio nulo de una matriz m × n (subespacio

Definición: Una matriz A no nula m × n y m∗ = máx{i ∈ {1, . . . , m} : Ai 6= 0}.

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 9 / 45

Para i = 1, . . . m∗ , a las filas Ai se las denomina filas pivots de A, a las

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 12 / 45

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 13 / 45

Columna pivot 2: primer columna a la derecha de la columna del pivot 1, con

Fila pivot 2 −→ fila 4.

matriz escalonada con m∗ = 2, U 1 y U 3 columnas pivots, U1 y U2 filas pivots.

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 15 / 45

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 16 / 45

Gauss nos permite extender el resultado sobre factorización LU que tenı́amos

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 17 / 45

Para resolver el sistema Ax = b, encontrada la matriz escalonada U ,

Tal como hicimos con Gauus-Jordan, cualquier matriz escalonada puede

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 19 / 45

Recordemos que queremos describir N(A), para toda A, ya que juega un

Consideremos el sistema Rx = 0, con R una matriz escalonada reducida:

Las variables correspondientes a las columnas pivots se denominan variables

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 22 / 45

En nuestro ejemplo, tenı́amos:

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 23 / 45

O sea, las soluciones del sistema Rx = 0 son de la forma

Observar que N(R) es el espacio generado por los vectores

Observar que los valores de las variables pivots en la solución especial

Llamamos N a la matriz cuyas columnas son las soluciones especiales de

Observación: N es única salvo permitación de columnas. En general, si las

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 26 / 45

Como vimos, toda matriz A puede transformarse en una matriz R escalonada

Para describir N(A), cualquiera sea A, seguimos los siguientes pasos:

Por lo observado anteriormente, siempre que m < n, el sistema Ax = 0 (o

Antes terminemos de resolver los sistemas Ax = b, con b cualquier vector.

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 29 / 45

Habı́amos visto que el conjunto S de soluciones del sistema Ax = b se podı́a

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 31 / 45

Tenemos entonces que el conjunto S de soluciones del sistema Ax = b está

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 35 / 45

Presentamos un concepto que será fundamental en todo lo que sigue.

C(A) = {b ∈ R3 : b3 + b2 − 5b1 = 0}.

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 38 / 45

Las soluciones especiales corresponden a las soluciones de Rx = 0

Lucarini-Martinez-Nasini (UNR) Álgebra Lineal 2020 39 / 45

Describir N(A) (continuación).