TEMA DE CLASE

ESCUELA PROFESIONAL DE
INGENIERÍA QUÍMICA

CURSO:MATEMÁTICA III
DOCENTE:VICTORIA YSABEL ROJAS ROJAS
16 de abril de 2023 SEMESTRE
ACADÉMICO 2023 A
1. Transformaciones Lineales
2. Algebra de transformaciones lineales
3. Núcleo e imagen
 Sean 𝑉1 y 𝑉2 dos k − e. v, una transformación lineal 𝑇: 𝑉1 ⟶ 𝑉2 (𝑡. 𝑙. ) es una función
que asigna a cada vector 𝑣 ∈ 𝑉1 un vector único 𝑇 𝑣 ∈ 𝑉2 y que satisface:

1. 𝑇 𝑢 + 𝑣 = 𝑇 𝑢 + 𝑇 𝑣 ; ∀𝑢, 𝑣 ∈ 𝑉1
2. 𝑇 𝛼𝑢 = 𝛼𝑇 𝑢 ; ∀𝛼 ∈ 𝐾
 EJEMPLO

Sea 𝑇: 𝑅3 ⟶ 𝑅3 , definida por 𝑇 𝑥, 𝑦, 𝑧 = 𝑥 + 𝑦, 𝑥 − 𝑦, 3𝑦 , es una 𝑡. 𝑙.

Solución
 EJEMPLO

Sean 𝑉 𝑦 𝑊 𝑘 − espacios vectoriales y 𝑇: 𝑉 ⟶ 𝑊, definida por 𝑇 𝑣 = 𝜃𝑊 , ∀𝑣 ∈ 𝑉 (Transformación nula )

Solución
 EJEMPLO

Sean 𝑉 un 𝑘 espacios vectoriales y 𝑇: 𝑉 ⟶ 𝑉, definida por 𝑇 𝑣 = 𝑣, ∀𝑣 ∈ 𝑉 (Transformación identidad)

Solución
 EJEMPLO

Sea 𝑇: 𝑅2 ⟶ 𝑅2 , definida por 𝑇 𝑥, 𝑦 = −𝑥, 𝑦 , es una 𝑡. 𝑙.

Transformación de reflexión

Solución
 EJEMPLO

Sea 𝑇: 𝑅𝑛 ⟶ 𝑅𝑚 , definida por 𝑇 𝒙 = 𝐴𝒙, siendo 𝐴 = 𝑎𝑖𝑗 es una 𝑡. 𝑙. Siendo: 𝒙 = 𝑥1 , 𝑥2 , … , 𝑥𝑛

𝑚𝑥𝑛

Solución

Nota

Para toda matriz 𝐴 = 𝑎𝑖𝑗 existe 𝑇: 𝑅𝑛 ⟶ 𝑅𝑚 una 𝑡. 𝑙.

𝑚𝑥𝑛
 EJEMPLO

Transformación de rotación Sea 𝑇: 𝑅2 ⟶ 𝑅2

𝑥, 𝑦 ↪ 𝑇 𝑥, 𝑦 = 𝑥 ′ , 𝑦′ = v′

𝑥 = 𝑟𝑐𝑜𝑠𝛼 𝑥′ = 𝑟𝑐𝑜𝑠(𝛼 − 𝜃)
ቊ𝑦 = 𝑟𝑠𝑒𝑛𝛼 ቊ
𝑦′ = 𝑟𝑠𝑒𝑛(𝛼 − 𝜃)

Luego 𝑥 ′ = 𝑟𝑐𝑜𝑠 𝛼 − 𝜃 = 𝑟𝑐𝑜𝑠𝛼𝑐𝑜𝑠𝜃 + 𝑟𝑠𝑒𝑛𝛼𝑠𝑒𝑛𝜃 = 𝑥𝑐𝑜𝑠𝜃 + 𝑦𝑠𝑒𝑛𝜃

ቊ ′
𝑦 = 𝑟𝑠𝑒𝑛 𝛼 − 𝜃 = 𝑟𝑠𝑒𝑛𝛼𝑐𝑜𝑠𝜃 − 𝑟𝑠𝑒𝑛𝜃𝑐𝑜𝑠𝛼 = 𝑦𝑐𝑜𝑠𝜃 − 𝑥𝑠𝑒𝑛𝜃

𝑐𝑜𝑠𝜃 𝑠𝑒𝑛𝜃
Sea 𝐴 =
−𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃

Sea 𝑇: 𝑅 2 ⟶ 𝑅2
𝑥 𝑥′
𝑥, 𝑦 ↪ 𝑇 𝑥, 𝑦 = 𝐴 𝑦 =
𝑦′
16/04/2023
 EJEMPLO

(Transformación de proyección )

Sea 𝑇: 𝑅 3 ⟶ 𝑅3 , definida por 𝑇 𝑥, 𝑦, 𝑧 = 𝑥, 𝑦, 0 , es una 𝑡. 𝑙. Proyecta un vector en el espacio sobre el plano 𝑥𝑦.

Solución
 EJEMPLO (Operador de transposición)

Sea 𝑇: 𝑀𝑚𝑛 ⟶ 𝑀𝑛𝑚 , definida por 𝑇 𝐴 = 𝐴𝑡 , es una 𝑡. 𝑙.

Solución
 EJEMPLO

(Operador integral)
1
Sea 𝐼: 𝐶 0,1 ⟶ 𝑅, definida por 𝐼 𝑓 = ‫׬‬0 𝑓 𝑥 𝑑𝑥 , es una 𝑡. 𝑙.

Solución
 EJEMPLO (Operador diferencial )

Sea 𝐷: 𝐶1 0,1 ⟶ 𝐶 0,1 , definida por D 𝑓 = 𝑓′, es una 𝑡. 𝑙.

Solución
Sean 𝑉 y W dos k − e. v, 𝑇 una transformación lineal 𝑇: 𝑉 ⟶ 𝑊 (𝑡. 𝑙. ).
1. 𝑇 𝜃𝑣 = 𝜃𝑤 ;
2. 𝑇 𝑢 − 𝑣 = 𝑇 𝑢 − 𝑇 𝑣 ;
3. 𝑇 σ𝑛𝑖=1 𝛼𝑖 𝑣𝑖 = σ𝑛𝑖=1 𝛼𝑖 𝑇 𝑣𝑖
Sean 𝑉, y W dos 𝑘-𝑒. 𝑣 siendo 𝑑𝑖𝑚𝑘 𝑉 < ∞ 𝑐𝑜𝑛 𝑏𝑎𝑠𝑒 𝐵 = 𝑣1 , 𝑣2 , … , 𝑣𝑛 y sea 𝑤1 , 𝑤2 , … , 𝑤𝑛 un
conjunto de vectores de W . Suponga que 𝑇1 y 𝑇2 son dos 𝑡. 𝑙. de 𝑉 en W tales que 𝑇1 𝑣𝑖 = 𝑇2 𝑣𝑖 =
𝑤𝑖 ∀𝑖 = 1,2, … 𝑛 entonces para todo 𝑣 ∈ 𝑉, 𝑇1 𝑣 = 𝑇2 𝑣 ;es decir 𝑇1 = 𝑇2 .

Si se conoce el efecto de una t.l. sobre los vectores de la base, entonces se conoce el efecto sobre cualquier otro vector
Sean 𝑉, y W dos 𝑘 − 𝑒. 𝑣. siendo 𝑑𝑖𝑚𝑘 𝑉 < ∞ 𝑐𝑜𝑛 𝑏𝑎𝑠𝑒 𝐵 = 𝑣1 , 𝑣2 , … , 𝑣𝑛 y sea 𝑤1 , 𝑤2 , … , 𝑤𝑛 un
conjunto de vectores de W . Entonces existe una 𝑡. 𝑙. única 𝑇: 𝑉 → 𝑊 tal que 𝑇 𝑣𝑖 = 𝑤𝑖 , ∀𝑖 = 1,2 … 𝑛.

Linealidad : Sea 𝒖, 𝒗 ∈ 𝑽 ⇒ ∃! 𝛼𝑖 , 𝛽𝑖 𝜖𝐾 𝑡𝑎𝑙 𝑞𝑢𝑒

𝑛 𝑛

𝒖 = ෍ 𝛼𝑖 𝒗𝒊 𝒗 = ෍ 𝛽𝑖 𝒗𝒊
𝑖=1 𝑖=1

𝑇 𝒖 + 𝒗 = 𝑇()
 Sean 𝑉, y W dos 𝑘 − 𝑒. 𝑣. siendo 𝑇: 𝑉 → 𝑊 una t.l. entonces

El Núcleo de 𝑇 denotado por 𝑁𝑢𝑐 𝑇 , esta definido por:

𝑵𝒖𝒄 𝑻 = 𝒗 ∈ 𝑽: 𝑻 𝒗 = 𝜽𝑾

La Imagen de 𝑇 denotado por 𝐼𝑚𝑔 𝑇 , esta definido por:

𝑰𝒎𝒈 𝑻 = 𝒘 ∈ 𝑾: 𝒘 = 𝑻 𝒗 𝒑𝒂𝒓𝒂 𝒂𝒍𝒈ú𝒏 𝒗 ∈ 𝑽

Nota:

𝑁𝑢𝑐 𝑇 ≠ ∅ 𝑦 𝐼𝑚𝑔 𝑇 ≠ ∅
Sean 𝑉, y W dos 𝑘 e.v. siendo 𝑇: 𝑉 → 𝑊 una 𝑡. 𝑙. entonces

1. 𝑁𝑢𝑐(𝑇) es un sub e.v. de 𝑉

2. 𝐼𝑚𝑔 𝑇 es un sub e.v. de 𝑊

𝑵𝒖𝒄 𝑻 = 𝒗 ∈ 𝑽: 𝑻 𝒗 = 𝜽𝑾
 EJEMPLO

Sea 𝑇: 𝑅3 ⟶ 𝑅 3 , definida por 𝑇 𝑥, 𝑦, 𝑧 = 𝑥, 𝑦, 0 , es una 𝑡. 𝑙. Determine el núcleo e imagen de 𝑇.

Solución
16/04/2023
 Sean 𝑉, y W dos 𝑘 − 𝑒. 𝑣. siendo 𝑇: 𝑉 → 𝑊 una 𝑡. 𝑙. entonces

𝑵𝒖𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝑻 = 𝐝𝐢𝐦 𝑵𝒖𝒄 𝑻 = 𝒗(𝑻)

𝑹𝒂𝒏𝒈𝒐 𝒅𝒆 𝑻 = 𝐝𝐢𝐦 𝑰𝒎𝒈 𝑻 = 𝝆(𝑻)

 Sean 𝑇 ′ : 𝑉 → 𝑊 y 𝑇 ′′ : 𝑉 → 𝑊 dos 𝑡. 𝑙. La suma 𝑇 = 𝑇 ′ + 𝑇 ′′ , de las transformaciones lineales 𝑻′ + 𝑻′′ es
función de 𝑉 𝑎 𝑊 definida por:

𝑇 𝑣 = 𝑇 ′ + 𝑇′′ 𝑣 = 𝑇 ′ 𝑣 + 𝑇′′ 𝑣 ; ∀𝑣 ∈ 𝑉

Sean 𝑇: 𝑉 → 𝑊 una 𝑡. 𝑙. y 𝑐 un escalar, entonces (c𝑇): 𝑉 → 𝑊 esta definida :

(𝑐𝑇) 𝑣 = 𝑐(𝑇 𝑣 ); ∀𝑣 ∈ 𝑉

EJERCICIO

Demuestre que 𝑇 y 𝑐𝑇 son transformación lineal

Sean 𝑇 ′ : 𝑈 → 𝑉 y 𝑇 ′′ : 𝑉 → 𝑊 dos transformaciones lineales . Entonces la función 𝑇 ′ ′𝑇 ′ :𝑈 → 𝑊, llamada producto
de 𝑻′ 𝒚 𝑻′′ o composición de 𝑻′ 𝒚 𝑻′′ , esta definida por:

𝑇 ′ ′𝑇′ 𝑣 = 𝑇 ′ ′(𝑇′ 𝑣 ); ∀𝑣 ∈ 𝑉

EJERCICIO

Demuestre que 𝑇 ′ ′𝑇 ′ :𝑈 → 𝑊 es una transformación lineal

 Ejemplo

Sean los operadores 𝐷: 𝐶′ 0,1 ⟶ 𝐶 0,1 y 𝐼: 𝐶 0,1 ⟶ 𝑅

1
𝐼𝐷 𝑥 2 − 3𝑥 = 𝐼 𝐷 𝑥 2 − 3𝑥 = 𝐼 2𝑥 − 3 = න 2𝑥 − 3 𝑑𝑥 =
0
1
𝐼𝐷 𝑥 2 − 3𝑥 = 𝑥 − 3𝑥 ቚ = −2
0

Sea 𝑇: 𝑉 → 𝑊 una transformaciones lineales del espacio vectorial 𝑉 de dimensión 𝑛 hacia un espacio vectorial 𝑊 de
dimensión 𝑛. Una inversa de 𝑇 (si existe), expresada por 𝑇 −1 es la función de 𝑊 hacia 𝑉 tal que:

𝑇 −1 𝑇 = 𝐼𝑣 𝑦 𝑇 𝑇 −1 = 𝐼𝑤

Siendo 𝐼𝑣 y 𝐼𝑤 son las transformaciones identidad de 𝑉 y 𝑊, respectivamentes

 EJERCICIO

Defínase la transformación lineal 𝑇: 𝑅2 ⟶ 𝑅2 mediante:

1 2
𝑇 𝒙 = 𝒙
1 3

Una inversa, 𝑇 −1 , de 𝑇 esta definida.

3 −2
𝑇 −1 𝒙 = 𝒙
−1 1
Observación:
3 −2 1 2
𝑇 −1 𝑇 𝑥 = 𝑇 −1 𝑇 𝑥 = 𝒙
−1 1 1 3

3 −2 1 2 1 0
= 𝒙= 𝒙=𝒙 𝑇 −1 𝑇 𝑥 = 𝑥
−1 1 1 3 0 1 ൝
(𝑇 𝑇 −1 ) 𝑥 = 𝑥
1 2 3 −2
𝑇 𝑇 −1 (𝑥) = 𝑇(𝑇 −1 (𝑥)) = 𝒙
1 3 −1 1

1 2 3 −2 1 0
= 𝒙= 𝒙=𝒙
1 3 −1 1 0 1
 Si 𝑇: 𝑉 → 𝑊 una transformaciones lineales y si 𝑇 −1 , existe entonces 𝑇 −1 : 𝑊 ⟶ 𝑉 es una
transformación lineal. Además, si 𝑇 −1 existe, es única

Nota:

La inversa del producto de dos transformaciones lineales invertibles se comporta precisamente del mismo modo
que la inversa del producto de dos matrices invertibles. Esto es, si 𝑇: 𝑉 → 𝑉 y 𝑆: 𝑉 → 𝑉, si 𝑇 −1 𝑦 𝑆 −1 existen,
𝑇𝑆 −1 también existe y
𝑇𝑆 −1 = 𝑆 −1 𝑇 −1
 EJERCICIO

Sean 𝑇 ′ :𝑅2 → 𝑅2 y 𝑇 ′′ :𝑅2 → 𝑅2 transformación lineal definidas por:

𝑇′ 𝑥, 𝑦 = 2𝑥, 𝑥 + 𝑦 y 𝑇′′ 𝑥, 𝑦 = 3𝑥 − 𝑦, 𝑥

2 0 3 −1
𝐴 𝑇′ = y 𝐴 𝑇′′ =
1 1 1 0

2 0 3 −1 5 −1
𝐴 𝑇′+𝑇 ′′ = 𝐴 𝑇′ + 𝐴 𝑇′′ = + =
1 1 1 0 2 1

8 0
𝐴4𝑇′ =4𝐴 𝑇′ =
4 4
 EJERCICIO

Sean 𝑇 ′ :𝑅2 → 𝑅2 transformación lineal definidas por: 𝑇 ′ 𝑢 = 𝑝𝑟𝑜𝑦𝑣 𝑢 siendo 𝑣 = (1, −3) y la transformación
lineal 𝑇 ′′ :𝑅2 → 𝑅3 tal que 𝑇 ′′ 𝑒1 = 2, −1,4 y 𝑇 ′′ 𝑒2 = 3,0, −1
Determinar la matriz asociada a la transformación lineal 𝑇 ′′ 𝑇′

Solución
2 3
0.1 −0.3
𝐴 𝑇′ = y 𝐴 𝑇 ′′ = −1 0
−0.3 0.9
4 −1

2 3 −0.7 2.1
0.1 −0.3
𝐴 𝑇′′𝑇 ′ = 𝐴 𝑇′′ 𝐴 𝑇 ′ = −1 0 = −0.1 0.3 = 𝐴
−0.3 0.9
4 −1 0.7 −2.1

𝐴 es la matriz asociada a 𝑇 ′′ 𝑇 ′ .
 OBSERVACIONES

➢ Si 𝐴 = 𝑎𝑖𝑗 es invisible si la filas o columnas de 𝐴 forman un conjunto de vectores 𝑙. 𝑖

𝑛𝑥𝑛

➢ Si 𝐴 = 𝑎𝑖𝑗 no invisible
𝑚𝑥𝑛

No tenemos información sobre el número de filas o columnas 𝑙. 𝑖 de 𝐴

¿Cómo determinar una base para el espacio generado de un conjunto de vectores mediante la resolución
por filas?
 Espacio nulo y nulidad de una matriz

DEFINICIÓN Sea 𝐴 = 𝑎𝑖𝑗 𝑚𝑥𝑛

El espacio nulo de la matriz

𝑁𝐴 = 𝑥Ԧ ∈ 𝑅𝑛 : 𝐴𝑥Ԧ = 𝑜Ԧ

TEOREMA 𝑁𝐴 es un sub espacio vectorial de 𝑅 𝑛

𝒗 𝑨 = 𝐝𝐢𝐦 𝑵𝑨 es llamado nulidad de 𝑨

Si 𝑁𝐴 contiene sólo al vector cero, entonces 𝑣 𝐴 =0

 Ejemplo

Determine una base (y la dimensión ) para la solución del sistema

𝑥 + 2𝑦 − 𝑧 = 0
ቊ
2𝑥 − 𝑦 + 3𝑧 = 0
Solución

1 2 −1 0 1 0 1 0 𝑥 = −𝑧
ቊ𝑦 = 𝑧
2 −1 3 0 0 1 −1 0

𝑥, 𝑦, 𝑧 = (−𝑧, 𝑧, 𝑧) 𝑁𝐴 = ℒ (−1,1,1)

𝑣(𝐴) = 1
 Ejemplo

Determine el espacio nulo y nulidad de la matriz

2 −1 3
𝐴= 4 −2 6
−6 3 −9
Solución
2 −1 3 0 2 −1 3 0
4 −2 6 0 0 0 0 0 2𝑥 − 𝑦 + 3𝑧 = 0
−6 3 −9 0 0 0 0 0

𝑥, 𝑦, 𝑧 = 𝑥, 2𝑥 + 3𝑧, 𝑧 = 𝑥, 2𝑥, 0 + 0,3𝑧, 𝑧 = 𝑥 1,2,0 + 𝑧(0,3,1)

𝑁𝐴 = ℒ 1,2,0 , (0,3,1) 𝑣(𝐴) = 2

 TEOREMA

Una matriz 𝐴 = 𝑎𝑖𝑗 es invisible si y sólo si 𝑣 𝐴 = 0

𝑛𝑥𝑛

Demostración Si 𝐴 es invertible ⇔ 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝐴𝑥 = 0 tiene solución única 𝑥Ԧ = 0

⇔ 𝑁𝐴 = 0
⇔ 𝑑𝑖𝑚(𝑁𝐴 ) = 0 = 𝑣(𝐴)

DEFINICIÓN Sea 𝐴 = 𝑎𝑖𝑗 𝑚𝑥𝑛

Imagen 𝑨 = 𝒚𝝐𝑹𝒎 : 𝑨𝒙 = 𝒚 𝒑𝒂𝒓𝒂 𝒂𝒍𝒈ú𝒏 𝒙 ∈ 𝑹𝒏

𝑹𝒂𝒏𝒈𝒐 𝑨 = 𝒅𝒊𝒎(𝑰𝒎𝒂𝒈𝒆𝒏 𝑨 ) = 𝝆(𝑨)

 TEOREMA

Imagen de 𝐴 es un sub espacio vectorial de 𝑅 𝑚

 DEFINICIÓN

Sea 𝐴 = 𝑎𝑖𝑗 y sean 𝑟Ԧ1 , 𝑟Ԧ2 , … , 𝑟Ԧ𝑚 las filas de 𝐴, y 𝑒Ԧ1 , 𝑒Ԧ2 , … , 𝑒Ԧ𝑛 las columnas de 𝐴, entonces:
𝑚𝑥𝑛

𝑹𝑨 = 𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝒅𝒆 𝒍𝒂𝒔 𝒇𝒊𝒍𝒂𝒔 𝒅𝒆 𝑨 = 𝓛 𝑟Ԧ1 , 𝑟Ԧ2 , … , 𝑟Ԧ𝑚

𝑪𝑨 = 𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒐𝒍𝒖𝒎𝒏𝒂𝒔 𝒅𝒆 𝑨 = 𝓛 𝒆𝟏 , 𝒆𝟐 , … , 𝒆𝒏

𝑎11 𝑎12 … 𝑎1𝑛

𝑎 𝑎22 … 𝑎2𝑛
𝐴 = 21 ⋱
⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛

Nota:

➢ 𝑅𝐴 es un subespacio de 𝑅 𝑛

➢ 𝐶𝐴 es un subespacio de 𝑅 𝑚
TEOREMA Para cualquier matriz 𝐴,

𝑪𝑨 = 𝒊𝒎𝒂𝒈𝒆𝒏(𝑨)
 Ejemplo Calcule 𝑁 𝐴 , 𝑣 𝐴 , 𝐼𝑚𝑎𝑔𝑒𝑛 𝐴 , 𝑅𝐴 𝑦 𝐶𝐴 para la matriz
1 2 −1
𝐴=
2 −1 3

Solución
➢ 𝑁𝐴 = ℒ (−1,1,1) ➢ 𝑣(𝐴) = 1 ➢ Por teorema: Imagen 𝐴 = 𝐶𝐴 ,

luego los dos primeras columnas de la matriz 𝐴 son 𝑙. 𝑖. Entonces forman una base de 𝑅2

𝐼𝑚𝑎𝑔𝑒𝑛 𝐴 = 𝐶𝐴 = 𝑅2

➢ 𝜌 𝐴 = dim 𝐼𝑚𝑎𝑔𝑒𝑛 𝐴 = 𝑑𝑖𝑚(𝑅2 ) = 2.

➢ El espacio de las filas de 𝐴 = 𝑅𝐴 = ℒ 1,2, −1 , 2, −1,3 como son vectores 𝑙. 𝑖.

Es un subespacio de dimensión 2 de 𝑅3

Observación: 𝜌 𝐴 = dim 𝑅𝐴 = 2
TEOREMA Una matriz 𝐴 = 𝑎𝑖𝑗 entonces
𝑚𝑥𝑛

𝒅𝒊𝒎 𝑹𝑨 = 𝐝𝐢𝐦 𝑪𝑨 = 𝐝𝐢𝐦 𝒊𝒎𝒈 𝑨 = 𝝆(𝑨)

 Ejemplo Encuentre una base para la imagen 𝐴 y determine el rango de

2 −1 3
𝐴= 4 −2 6
−6 3 −9
Solución

2 −1 3 2 −1 3
𝐴= 4 −2 6 0 0 0 𝜌 𝐴 = dim 𝑅𝐴 = 1
−6 3 −9 0 0 0

Así todas las columnas en 𝐶𝐴 es una base para 𝐶𝐴 = 𝐼𝑚𝑎𝑔𝑒𝑛(𝐴)

TEOREMA Si 𝐴 = 𝑎𝑖𝑗 es equivalente por fila a la matriz 𝐵 = 𝑏𝑖𝑗
𝑚𝑥𝑛 𝑚𝑥𝑛

➢ 𝑹𝑨 = 𝑹𝑩
➢𝝆 𝑨 =𝝆 𝑩
➢ 𝒗 𝑨 = 𝒗(𝑩)

TEOREMA El rango de una matriz es igual al número de pivotes en su forma escalonada por filas.
 Ejemplo Determine el rango y el espacio de los reglones de

1 −1 3
𝐴= 2 0 4
−1 −3 1
Solución
1 −1 3 1 −1 3
𝐴= 2 0 4 0 1 −1 = 𝐵 𝜌 𝐴 = dim 𝑅𝐴 = 2
−1 −3 1 0 0 0

Una base para 𝑅𝐴 en las dos primeras filas de 𝐵

𝑅𝐴 = ℒ 1, −1,3 ; 0,1, −1
 Ejemplo Determine una base para el espacio generado por:

1 −2 0 −2
𝑣Ԧ1 = 2 ; 𝑣Ԧ2 = 0 ; 𝑣Ԧ3 = 4 y 𝑣Ԧ4 = −4
−3 4 −2 6
Solución
Se expresan los vectores como vectores fila de una matriz
1 2 −3
1 2 −3
𝐴 = −2 0 4
0 1 −0.5 = 𝐵
0 4 −2
0 0 0
−2 −4 6
0 0 0

1 0
Entonces una base para ℒ 𝑣Ԧ1 ; 𝑣Ԧ2 ; 𝑣Ԧ3 ; 𝑣Ԧ4 es 2 1
−3 −0.5
 Ejemplo Encuentre el espacio nulo de

1 2 −4 3
𝐴= 2 5 6 −8
0 −1 −14 14
3 6 −12 9
Solución
1 2 −4 3 1 0 −32 31
𝐴= 2 5 6 −8 0 1 14 −14 = 𝐵
0 −1 −14 14 0 0 0 0
3 6 −12 9 0 0 0 0

1 0 −32 31 𝑥 0
𝑥 = 32𝑧 − 31𝑣
𝐵𝑥Ԧ = 0 0 1 14 −14 𝑦 = 0 ቊ
0 0 0 0 𝑧 0 𝑦 = 14𝑣 − 14𝑧
0 0 0 0 𝑣 0

𝑥, 𝑦, 𝑧, 𝑣 = 32𝑧 − 31𝑣, 14𝑣 − 14𝑧, 𝑧, 𝑣 = 𝑧 32, −14,1,0 + 𝑣(−31,14,0,1)

32 −31
𝑁𝐴 = ℒ −14 14
1 0 y 𝑅𝐴 = ℒ 1,0, −32,31 ; 0,1,14, −14
0 1
 Todo vector en el espacio de las filas de una matriz
real es ortogonal a todo vector en su espacio nulo

Notación: 𝑅𝐴 ⊥ 𝑁𝐴
 Demostración
Si 𝐴 = 𝑎𝑖𝑗
𝑚𝑥𝑛

𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 0

𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 0
⋱ ⋮ =
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑥𝑛 0

Si 𝑟Ԧ𝑖 la i-ésima fila de 𝐴

𝑟Ԧ𝑖 . 𝑥Ԧ = 0, ∀𝑖 = 1,2 … 𝑚

𝑥Ԧ ∈ 𝑁𝐴 , entonces 𝑟Ԧ𝑖 ⊥ 𝑥,
Ԧ ∀𝑖 = 1,2 … 𝑚

Pero si 𝑦Ԧ ∈ 𝑅𝐴

𝑦Ԧ = 𝑐1 𝑟Ԧ1 + ⋯ + 𝑐𝑚 𝑟Ԧ𝑚 , para algunos 𝑐𝑖 ∈ 𝑅

𝑦.
Ԧ 𝑥Ԧ = (𝑐1 𝑟Ԧ1 + ⋯ + 𝑐𝑚 𝑟Ԧ𝑚 ). 𝑥Ԧ = 𝑐1 𝑟Ԧ1 . 𝑥Ԧ + ⋯ + 𝑐𝑚 𝑟Ԧ𝑚 . 𝑥Ԧ = 0,
TEOREMA Si 𝐴 = 𝑎𝑖𝑗
𝑚𝑥𝑛

𝝆 𝑨 +𝒗 𝑨 =𝒏
Ejemplo

1 2 −1
𝐴=
2 −1 3

𝜌 𝐴 =2 y𝑣 𝐴 =1⇒ 𝜌 𝐴 + 𝑣 𝐴 =3

Ejemplo
1 −1 3
𝐴= 2 0 4
−1 −3 1

𝜌 𝐴 = 2 así 𝑣 𝐴 = 1

−2
𝑁𝐴 = ℒ 1
1
 TEOREMA Si 𝐴 = 𝑎𝑖𝑗 entonces 𝐴 es invertible si y sólo si 𝜌 𝐴 = 𝑛
𝑛𝑥𝑛

Demostración
𝐴 es invertible ⟺ 𝑣 𝐴 = 0 ⇒ 𝑣 𝐴 + 𝜌 𝐴 = 𝑛 ⇒ 𝜌 𝐴 = 𝑛

TEOREMA El sistema 𝐴𝒙 = 𝒃 tiene una solución si y sólo si 𝒃 ∈ 𝑪𝑨 . Esto ocurrirá si

y sólo si 𝐴 y la matriz aumentado 𝐴, 𝒃 tienen el mismo rango

Demostración
Si 𝒄𝟏 , 𝒄𝟐 , … , 𝒄𝒏 son las columnas de 𝐴 entonces el sistema puede escribirse de la forma

𝑥1 𝒄𝟏 + 𝑥2 𝒄𝟐 + ⋯ + 𝑥𝑛 𝒄𝒏 = 𝒃 (1)

(1) Tiene solución ↔ 𝒃 ∈ 𝐶𝐴 ↔ 𝜌 𝐴 = 𝜌 𝐴, 𝒃 .

Si 𝒃 ∉ 𝐶𝐴 ↔ 𝜌 𝐴, 𝒃 = 𝜌 𝐴 + 1 → el sistema (1) no tiene solución

 Ejemplo Determine si el sistema

2𝑥 + 4𝑦 + 6𝑧 = 18
4𝑥 + 5𝑦 + 6𝑧 = 24
2𝑥 + 7𝑦 + 12𝑧 = 40
Tiene solución

Solución

2 4 6 18 1 2 3 9
4 5 6 24 O.E. 0 1 𝜌 𝐴 = 2 ≠ 3 = 𝜌 𝐴, 𝒃
2 4
2 7 12 40 0 0 0 1

El sistema no tiene solución

 Ejemplo Determine si el sistema

𝑥 − 𝑦 + 2𝑧 = 4
2𝑥 + 𝑦 − 3𝑧 = −2
4𝑥 − 𝑦 + 𝑧 = 6
Tiene solución

Solución

1 −1 2 4 O.E. 1 −1 2 4
2 1 −3 −2
0 3 −7 −10 𝜌 𝐴 = 2 = 𝜌 𝐴, 𝒃
4 −1 1 6
0 0 0 0

El sistema tiene infinitas solución, pues si tuviera solución única det(𝐴) ≠ 0

 Resumen

TEOREMA

Si 𝐴 = 𝑎𝑖𝑗 entonces las siguientes 10 afirmaciones son equivalentes.

𝑛𝑥𝑛

1. 𝐴 es invertible.
2. La única solución del sistema homogéneo 𝐴𝒙 = 𝟎, es la solución trivial 𝒙 = 𝟎.
3. El sistema 𝐴𝒙 = 𝒃 tiene solución única para cada 𝑛 −vector 𝒃.
4. 𝐴 es invertible por filas a la matriz identidad 𝐼𝑛𝑥𝑛 .
5. 𝐴 puede expresarse como producto de matrices elementales.
6. La forma escalonada por filas de 𝐴 tiene 𝑛 pivotes.
7. Las filas (columnas) de 𝐴 son linealmente independientes.
8. det(𝐴) ≠ 0
9. 𝑣 𝐴 = 0
10. 𝜌 𝐴 = 𝑛

Más aún si una de ellas no se cumple, entonces para cada vector 𝒃 ∈ 𝑅𝑛 , el sistema 𝐴𝒙 = 𝒃
no tiene solución o tiene un numero infinito de soluciones. Tiene un número infinitos de
soluciones si y sólo si 𝜌 𝐴, 𝒃 = 𝜌 𝐴
Gracias por su
atención