TEMA DE CLASE

ESCUELA PROFESIONAL DE
INGENIERÍA QUÍMICA

BASES Y
DIMENSIONES
CURSO:MATEMÁTICA III
DOCENTE:VICTORIA YSABEL ROJAS ROJAS SEMESTRE
ACADÉMICO 2023 B
28 de agosto de 2023

VR
 CONTENIDO DE LA SEMANA
➢ Espacios generado.
➢ Linealidad.
➢ Bases y dimensiones.

VR
 Combinación lineal
Sea 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 un conjunto de vectores no nulos, pertenecientes al 𝐾 espacio vectorial 𝕍.

Definición 01

Diremos que el vector 𝑣Ԧ ∈ 𝕍 es combinación lineal de 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 si el vector 𝑣Ԧ se puede
expresar del siguiente modo:

𝒗 = 𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏 Donde 𝛼1 , 𝛼2 , … , 𝛼𝑛 ∈ 𝐾.

VR
Ejemplo 01 Escriba cada una de las siguientes expresiones como combinación lineal de los vectores

𝑢 = 𝑥 + 1; 𝑣Ԧ = 𝑥 2 + 𝑥; 𝑤 = 𝑥 2 + 2

a) 𝑥 2 + 3𝑥 + 2
b) 2𝑥 2 − 3𝑥 + 1
c) 𝑥 2 +1
d) x

VR
 Conjunto generador de un espacio vectorial
Definición 02 Se dice que un conjunto de vectores 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 de un 𝐾 espacio vectorial 𝕍;
generan a 𝕍, si todo vector 𝑣Ԧ ∈ 𝕍 se puede expresar como combinación lineal de
ellos.

Dicho de otra manera; v1 , v2 , … , vn es un conjunto generador de 𝕍, si para todo vector 𝑣Ԧ ∈ 𝕍

existen escalares 𝛼1 , 𝛼2 , … , 𝛼𝑛 tales que:

𝒗 = 𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏

VR
 Espacio generado por un conjunto de vectores

Definición 03 Sea 𝑣1 , 𝑣2 , … . , 𝑣𝑛 vectores de un espacio vectorial 𝕍, definimos:

𝓛 𝒗 𝟏 , 𝒗 𝟐 , … , 𝒗 𝒏 = 𝒗 ∈ 𝕍Τ 𝒗 = 𝜶 𝟏 𝒗 𝟏 + 𝜶 𝟐 𝒗 𝟐 + ⋯ + 𝜶 𝒏 𝒗 𝒏

Se lee:

“ El espacio generado por 𝑣Ԧ1 , 𝑣Ԧ2 , … , 𝑣Ԧ𝑛 es el conjunto de combinaciones lineales de 𝑣1 , 𝑣2 , … . , 𝑣𝑛 “

VR
Ejemplo 02

➢ Hallar el espacio generado por los vectores 𝑢1 = 1,1,0 y 𝑢2 = 1,0,1

➢ Demostrar que los vectores 𝑢1 = 1,1,0 y 𝑢2 = 1,0,1 generan el mismo subespacio de ℝ3

que los vectores 𝑣1 = 3,2,1 y 𝑣2 = 1, −1,2
➢ Si 𝑢, 𝑣Ԧ ∈ 𝑅2 son dos elementos no nulos tales que 𝑢 ≠ 𝜆𝑣;
Ԧ ∀𝜆 ∈ 𝑅. Probar que 𝑅2 = ℒ 𝑢, 𝑣Ԧ

VR
 Independencia lineal
Definición 04 Sean 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 , 𝑛 vectores de un 𝐾espacio vectorial 𝕍.

Diremos que los vectores 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 son; Linealmente dependientes, si existen 𝑛 escalares

𝛼1 ; 𝛼2 ; … ; 𝛼𝑛 no todos ceros, tales que:

𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏 = 𝜽

Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.

❖ Los vectores 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 son linealmente independientes ( 𝑙. 𝑖 ) si:

𝜶 𝟏 𝒗𝟏 + 𝜶 𝟐 𝒗𝟐 + ⋯ + 𝜶 𝒏 𝒗𝒏 = 𝜽 ⇒ 𝜶 𝟏 = 𝜶 𝟐 = ⋯ = 𝜶 𝒏 = 𝟎

VR
Ejemplo 03

¿Averiguar si los vectores 𝑣1 = 3; −8 y 𝑣2 = −2; 3 son l.i o l.d?

VR
 Interpretación Geométrica
➢ En el espacio vectorial ℝ2

𝑣Ԧ1 , 𝑣Ԧ2 son: 𝑙. 𝑑. ⇔ 𝑣Ԧ1 ∥ 𝑣Ԧ2

𝑣1 ; 𝑣2 son 𝑙. 𝑖. ⟺ 𝑣1 ∦ 𝑣2

VR
 Interpretación Geométrica
➢ En el espacio vectorial ℝ3

𝑣Ԧ1 , 𝑣Ԧ2 son: 𝑙. 𝑑. ⇔ 𝑦𝑎𝑐𝑒𝑛 𝑒𝑛 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑟𝑒𝑐𝑡𝑎 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛.

𝑣Ԧ1 , 𝑣Ԧ2 , 𝑣Ԧ3 son: 𝑙. 𝑑. ⇔ 𝑦𝑎𝑐𝑒𝑛 𝑒𝑛 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑝𝑙𝑎𝑛𝑜 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛.

VR
 Ejemplo 04

➢ 𝑒1 = 1,0 ; 𝑒2 = 0,1 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑅2

➢ 𝑒1 = 1,0,0 ; 𝑒2 = 0,1,0 ; 𝑒3 = 0,0,1 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑅3

➢ 𝑒1 = 1,0, … , 0 ; 𝑒2 = 0,1, … , 0 ; … ; 𝑒𝑛 = 0, … , 0,1 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑅𝑛

➢ 𝑥 2 + 1; 𝑥 + 1; 𝑥 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝕍 = 𝑃2

−1 0 1 −1 0 −1
➢ ; ; es un conjunto 𝑙. 𝑑. en el 𝑒. 𝑣. 𝕍 = 𝑀2𝑥2
0 −1 −1 1 −1 0

➢ 𝑠𝑒𝑛2 𝑥, 𝑐𝑜𝑠 2 𝑥 es un conjunto 𝑙. 𝑖. en el 𝑒. 𝑣. 𝑉 = ℱ 0,2𝜋

VR
 Bases y dimensiones
Sea 𝕍- un 𝐾 espacio vectorial y 𝒮 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 un subconjunto de 𝕍.

Definición 05 Diremos que el conjunto de vectores 𝒮 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base del espacio

vectorial 𝕍, si:

𝒮 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es linealmente independiente.

𝑣1 ; 𝑣𝑛 ; … ; 𝑣𝑛 genera 𝕍. Esto es 𝕍 = ℒ 𝒮

Ejemplo 06 Bases canónicas de:

𝑅3 es 𝒮 = 1,0,0 ; 0,1,0 ; (0,0,1)

𝑅𝑛 es 𝒮 = 1,0,0, … . . 0 ; 0,1,0, … .0 ; … … 0,0, … .1, … 0 ; … … . . (0, … . . , 0,1)

𝑒1 𝑒2 𝑒𝑖 𝑒𝑛

VR
𝒫3 es 𝒮 = 1, 𝑥, 𝑥 2 , 𝑥 3

𝒫𝑛 es 𝒮 = 1, 𝑥, 𝑥 2 , … … . 𝑥 𝑛

VR
Ejemplo 07 Dado 𝕎 = 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 ∈ ℝ4 Τ𝑥1 + 𝑥2 = 𝑥3 + 𝑥4 , hallar una base de 𝕎.

Solución:
[1] En primer lugar, de la ecuación 𝑥1 + 𝑥2 = 𝑥3 + 𝑥4 despejar una de sus variables:
𝑥4 = 𝑥1 + 𝑥2 − 𝑥3

[2] En segundo lugar, reemplazar 𝑥4 en el vector 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4

𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 = 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥1 + 𝑥2 − 𝑥3

[3] Descomponer:
𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥1 + 𝑥2 − 𝑥3 = 𝑥1 1; 0; 0; 1 + 𝑥2 0; 1; 0; 1 + 𝑥3 0; 0; 1; −1

[4] Luego, el conjunto de vectores

1; 0; 0; 1 ; 0; 1; 0; 1 , 0; 0; 1; −1

es una base de 𝕎.
VR
Teorema 1: Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base de 𝕍 y 𝑣Ԧ ∈ 𝕍, entonces existe un conjunto único de
escalares 𝛼1 ; 𝛼2 ; … ; 𝛼𝑛 tales que

𝑣Ԧ = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛

Demostración
Supongamos que se puede escribir de dos maneras como una combinación lineal
𝑣Ԧ = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 = 𝛽1 𝑣1 + 𝛽2 𝑣2 + ⋯ + 𝛽𝑛 𝑣𝑛

(𝛼1 − 𝛽1 )𝑣1 + (𝛼2 −𝛽2 )𝑣2 + ⋯ + (𝛼𝑛 −𝛽𝑛 )𝑣𝑛 = 𝜃, Como 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 son 𝑙. 𝑖.

𝛼𝑖 − 𝛽𝑖 = 0 ⇔ 𝛼𝑖 = 𝛽𝑖 ; ∀𝑖 = 1, … . 𝑛

VR
Teorema 2: Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 y 𝑢1 ; 𝑢2 ; … ; 𝑢𝑚 son bases del espacio vectorial 𝕍, entonces 𝑛 = 𝑚.

Demostración
Sean 𝑆1 = 𝑢1 ; 𝑢2 ; … ; 𝑢𝑚 𝑦 𝑆2 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 dos bases del espacio vectorial 𝕍
Si 𝒎 > 𝒏 ⇒ S1 es linealmente dependiente

Como 𝑆2 = 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base, 𝑢𝑖 se puede expresar de manera única como combinación

lineal de la base
𝑢1 = 𝑎11 𝑣1 + 𝑎12 𝑣2 + ⋯ 𝑎1𝑛 𝑣𝑛
𝑢2 = 𝑎21 𝑣1 + 𝑎22 𝑣2 + ⋯ 𝑎2𝑛 𝑣𝑛
⋮
𝑢𝑚 = 𝑎𝑚1 𝑣1 + 𝑎𝑚2 𝑣2 + ⋯ 𝑎𝑚𝑛 𝑣𝑛

Como S1 es linealmente dependiente, existen escalares no nulos 𝑐1 , 𝑐2 , … , 𝑐𝑚 no todos ceros, tales que

𝑐1 𝑢1 + 𝑐2 𝑢2 + ⋯ + 𝑐𝑚 𝑢𝑚 = 𝜃Ԧ

VR
 𝑐1 𝑢1 + 𝑐2 𝑢2 + ⋯ + 𝑐𝑚 𝑢𝑚 = 𝜃Ԧ

𝑐1 𝑎11 𝑣1 + 𝑎12 𝑣2 + ⋯ 𝑎1𝑛 𝑣𝑛 + 𝑐2 𝑎21𝑣1 + 𝑎22 𝑣2 + ⋯ 𝑎2𝑛 𝑣𝑛 + ⋯ + 𝑐𝑚 𝑎𝑚1 𝑣1 + 𝑎𝑚2 𝑣2 + ⋯ 𝑎𝑚𝑛 𝑣𝑛 = 𝜃Ԧ

(𝑎11 𝑐1 + 𝑎21 𝑐2 + 𝑎𝑚1 𝑐𝑚 )𝑣1 + (𝑎12 𝑐1 + 𝑎22 𝑐2 + 𝑎𝑚2 𝑐𝑚 )𝑣2 + ⋯ (𝑎1𝑛 𝑐1 + 𝑎2𝑛 𝑐2 + 𝑎𝑚𝑛 𝑐𝑚 )𝑣𝑛 = 𝜃Ԧ

c𝑜𝑚𝑜 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es l.i.
𝑎11 𝑐1 + 𝑎21 𝑐2 + 𝑎𝑚1 𝑐𝑚 = 0
𝑎12 𝑐1 + 𝑎22 𝑐2 + 𝑎𝑚2 𝑐𝑚 = 0
⋮
𝑎1𝑛 𝑐1 + 𝑎2𝑛 𝑐2 + 𝑎𝑚𝑛 𝑐𝑚 = 0

Es un sistema homogéneo de 𝑛 ecuaciones con 𝑚 𝑖𝑛𝑐𝑜𝑔𝑛𝑖𝑡𝑎𝑠 𝑐1 , 𝑐2 , … , 𝑐𝑚 . Como 𝑚 > 𝑛 el sistema

tendrá infinitas soluciones, de tal manera que los 𝑐1 , 𝑐2 , … , 𝑐𝑚 no todos son, por tanto 𝑆1 es un
conjunto linealmente dependiente (⟶⟵); por tanto 𝑚 ≤ 𝑛.
De forma similar se verifica que 𝑚 ≥ 𝑛
por tanto, 𝑚 = 𝑛.

VR
“Este teorema nos dice que dos bases cualesquiera de un espacio
vectorial 𝕍 contienen el mismo número de vectores”

VR
 DIMENSIÓN

Si el espacio vectorial es 𝕍 = 𝜃Ԧ entonces 𝑑𝑖𝑚 𝕍 = 0.

➢ Si el espacio vectorial 𝕍 tiene una base finita con 𝑛 vectores entonces 𝑑𝑖𝑚 𝕍 = 𝑛. En este caso
se dice que 𝕍 es un espacio vectorial de dimensión finita
➢ Si 𝕍 está generado por una base infinita, entonces 𝑑𝑖𝑚 𝕍 = ∞. En este caso, diremos que 𝕍 es
un espacio vectorial de dimensión infinita.

Ejemplo 08

1.- 𝑅𝑛 , 𝑃𝑛 𝑥 , ℳ𝑛𝑥𝑚

VR
Teorema 3: Supóngase que 𝑑𝑖𝑚 𝕍 = 𝑛. Si 𝑢1 ; 𝑢2 ; … ; 𝑢𝑚 es un conjunto de 𝑚 vectores
linealmente independientes en 𝕍, entonces 𝑚 ≤ 𝑛.

Demostración

Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 base del espacio vectorial 𝕍. Si 𝑚 > 𝑛,

Se puede determinar constantes 𝑐1 𝑐2 , … , 𝑐𝑚 , no todos ceros tales que
𝑐1 𝑢1 + 𝑐2 𝑢2 + ⋯ + 𝑐𝑚 𝑢𝑚 = 𝜃Ԧ
(⟶⟵) la linealidad de los vectores 𝑢𝑖 , por tanto, 𝑚 ≤ 𝑛

Nota
Este teorema nos dice que: la base de un espacio vectorial tiene el máximo número de vectores
linealmente independientes, siempre que la dimensión sea finita.

VR
Teorema 4: Sea 𝕎 un subespacio del espacio vectorial 𝕍 de dimensión finita. Entonces 𝕎 es de
dimensión finita y 𝑑𝑖𝑚 𝕎 ≤ 𝑑𝑖𝑚 𝕍 .

Demostración
Sea 𝑑𝑖𝑚𝕍 = 𝑛.
Cualquier conjunto de vectores linealmente independientes de 𝕎, es l.i. en 𝕍, 𝑚 < 𝑛
Si 𝕎 = 𝜃 ⇒ 𝑑𝑖𝑚𝕎 = 0 < 𝑛

Si 𝕎 ≠ 𝜃 ⇒ sea 𝑣Ԧ1 ≠ 𝜃Ԧ un vector de 𝕎 ⇒ 𝕎1 = ℒ 𝑣Ԧ1 . Si 𝕎1 =𝕎 ⇒ 𝑑𝑖𝑚𝕎 = 1. (fin de la demo.)

De lo contrario, elija 𝑣Ԧ2 ∈ 𝕎 tal que 𝑣Ԧ2 ∉ 𝕎1 y sea 𝕎2 = ℒ 𝑣Ԧ1 , 𝑣Ԧ2 y así sucesivamente.
Continuamos hasta encontrar vectores l.i. 𝑣1 ; 𝑣2 ; … ; 𝑣𝑘 tal que 𝕎= ℒ 𝑣1 ; 𝑣2 ; … ; 𝑣𝑘

El proceso terminamos porque se puede determinar a lo mas 𝑛 vectores l.i. en 𝕎

VR
Ejemplo 09 Sea 𝒫[0,1] polinomios definidos en el intervalo [0,1], entonces 𝒫 0,1 ⊂ 𝐶 0,1 .
Si la dimensión de 𝐶 0,1 fuera finita, entonces 𝒫[0,1] también tendría dimensión
finita. Pero no es asi. Por tanto 𝐶 0,1 tiene dimensión infinita.

Como 𝒫 0,1 ⊂ 𝐶 1 0,1 , (ya que todo polinomio es diferenciable), también se tiene que la
dimensión de 𝐶 1 0,1 , es infinita.

Cualquier espacio vectorial que contiene un subespacio

de dimensión infinita es de dimensión infinita

VR
 Determinar todos los sub espacios de 𝑅3 ,

Ejemplo 10 dim 𝑅3 = 3

Luego los sub espacios de 𝑅3 son:

1. − 𝕎 = 0,0,0 ⇒ 𝑑𝑖𝑚𝕎 = 0 < 3 = dim 𝑅3

2. − 𝕎 = 𝑢 = 𝑥, 𝑦, 𝑥 ∈ 𝑅3 ; 𝑢 = 𝛼 𝑎, 𝑏, 𝑐 , 𝛼 ∈ 𝑅 ⇒ 𝑑𝑖𝑚𝕎 = 1 < 3 = dim 𝑅 3

2. − 𝕎 = 𝑢 = 𝑥, 𝑦, 𝑥 ∈ 𝑅3 ; 𝑢 = 𝛼 𝑎, 𝑏, 𝑐 + 𝛽 𝑑, 𝑒, 𝑓 , 𝛼, 𝛽 ∈ 𝑅 ⇒ 𝑑𝑖𝑚𝕎 = 2 < 3 = dim 𝑅3

VR
Teorema 5: Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es un conjunto de vectores linealmente independientes en un
espacio vectorial 𝕍 y 𝑑𝑖𝑚 𝕍 = 𝑛, entonces 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base de 𝕍.

Teorema 6: Si 𝕎1 y 𝕎2 son dos subespacios de 𝕍 y la dimensión de 𝕍 es finita,

entonces

𝑑𝑖𝑚 𝕎1 + 𝕎2 = 𝑑𝑖𝑚 𝕎1 + 𝑑𝑖𝑚 𝕎2 − 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2

VR
Teorema 7: Sea 𝕎 un subespacio del espacio vectorial 𝕍 de dimensión finita. Entonces 𝕎 es
de dimensión finita y 𝑑𝑖𝑚 𝕎 ≤ 𝑑𝑖𝑚 𝕍 .

Teorema 8: Si 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es un conjunto de vectores linealmente independientes en un

espacio vectorial 𝕍 y 𝑑𝑖𝑚 𝕍 = 𝑛, entonces 𝑣1 ; 𝑣2 ; … ; 𝑣𝑛 es una base de 𝕍.

Teorema 9: Si 𝕎1 y 𝕎2 son dos subespacios de 𝕍 y la dimensión de 𝕍 es finita,

entonces

𝑑𝑖𝑚 𝕎1 + 𝕎2 = 𝑑𝑖𝑚 𝕎1 + 𝑑𝑖𝑚 𝕎2 − 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2

VR
 Ejemplo 11

Dados los subespacios vectoriales, 𝕎1 = 𝑥, 𝑦, 𝑧 ∈ 𝑅3 ; 𝑧 = 0 y 𝕎2 = 𝑥, 𝑦, 𝑧 ∈ 𝑅3 ; 𝑥 = 0 , de

𝑅3 , notar que 𝑅3 = 𝕎1 + 𝕎2

dim 𝕎1 + 𝕎2 = 3

Asimismo:
➢ 𝕎1 ∩ 𝕎2 = 𝑡 0,1,0 ; 𝑡 ∈ 𝑅 ⇒ 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2 = 1
➢ dim 𝕎1 = 2
➢ dim 𝕎2 = 2

Por tanto:
dim 𝕎1 + 𝕎2 = 3 = 2 + 2 − 1

𝑑𝑖𝑚 𝕎1 + 𝕎2 = 𝑑𝑖𝑚 𝕎1 + 𝑑𝑖𝑚 𝕎2 − 𝑑𝑖𝑚 𝕎1 ∩ 𝕎2

VR
 Ejemplo 12

Demostrar que los siguiente conjuntos:

➢ 1 + 𝑥, 𝑥 2 + 𝑥, 𝑥 2 + 𝑥 3 , 𝑥 3 ; es base del 𝑒. 𝑣. 𝑃3

➢ 1,1,0 , 1,0,1 0,1,1 ; es base del 𝑒. 𝑣. 𝑅3

➢ 𝑒1 = 1,0, … , 0 ; 𝑒2 = 0,1, … , 0 ; … ; 𝑒𝑛 = 0, … , 0,1 es. llamado la base canónica de 𝑅𝑛

VR
 RANGO NULIDAD, ESPACIO FILAS Y ESPACIO COLUMNAS DE MATRICES

Observaciones:

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

𝑛𝑥𝑛
𝑙. 𝑖 No tenemos información sobre el
➢ Si 𝐴 = 𝑎𝑖𝑗 es no invisible
𝑚𝑥𝑛 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?

VR
 ESPACIO NULO Y NULIDAD DE UNA MATRIZ

Definición 06 Sea 𝐴 = 𝑎𝑖𝑗 , definimos:

𝑚𝑥𝑛

➢ El 𝐞𝐬𝐩𝐚𝐜𝐢𝐨 𝐧𝐮𝐥𝐨 𝐝𝐞 𝐥𝐚 𝐦𝐚𝐭𝐫𝐢𝐳 𝐀, se denota 𝑁𝐴 , y se define:

𝑵𝑨 = 𝒙 ∈ 𝑹𝒏 : 𝑨𝒙 = 𝒐

➢ La 𝐧𝐮𝐥𝐢𝐝𝐚𝐝 𝐝𝐞 𝐀, se denota 𝜐 𝐴 , y se define, como la dimensión del espacio nulo de 𝐴

𝝊 𝑨 = 𝒅𝒊𝒎 𝑵𝑨
Ejemplo:
1 2 −1
Determinar el espacio nulo y nulidad de la matriz 𝐴 =
2 −1 3
Solución 𝑨𝒙 = 𝒐
𝑥+𝑧 =0 𝑦=𝑧
1 2 −1 0 𝑂.𝐸 1 0 1 0 ቊ ൜
[𝐴: 𝐵] = 𝑦−𝑧=0 𝑥 = −𝑧
2 −1 3 0 0 1 −1 0
Luego:
𝑥 −𝑧 −1
𝒙= 𝑦 = 𝑧 =𝑧 1 𝑁𝐴 = ℒ −1,1,1 Por tanto, 𝜈 𝐴 = 1
𝑧 𝑧 1
VR
 Ejemplo 13
2 −1 3
Determinar el espacio nulo y nulidad de la matriz 𝐴 = 4 −2 6
−6 3 −9
Solución
𝑨𝒙 = 𝒐

2 −1 3 0 𝑂.𝐸 2 −1 3 0 2𝑥 − 𝑦 + 3𝑧 = 0,
[𝐴: 𝐵] = 4 −2 6 0 0 0 0 0 𝑒𝑠 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑢𝑛 𝑝𝑙𝑎𝑛𝑜
−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)

Por tanto, 𝜈 𝐴 = 2.
𝑁𝐴 = ℒ 1,2,0 , (0,3,1

Teorema 9: 𝑁𝐴 es un subespacio vectorial de 𝑅𝑛

VR
Teorema 10: Una matriz 𝐴 = 𝑎𝑖𝑗 𝑛𝑥𝑛
es invisible si y sólo si 𝑣 𝐴 = 0

Demostración:
Si 𝐴 es invertible ⇔ 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝐴𝑥 = 0 tiene solución única 𝑥Ԧ = 0
⇔ 𝑁𝐴 = 0
⇔ 𝑑𝑖𝑚(𝑁𝐴 ) = 0 = 𝑣(𝐴)

Definición 07 Sea 𝐴 = 𝑎𝑖𝑗 definimos:

𝑚𝑥𝑛

➢ La 𝐢𝐦𝐚𝐠𝐞𝐧 𝐝𝐞 𝐀, que se denota 𝐼𝑚𝑔(𝐴), y se define:

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

➢ El 𝐫𝐚𝐧𝐠𝐨 𝐝𝐞 𝐀, que se denota 𝜌(𝐴), y se define:

𝑹𝒂𝒏𝒈𝒐 𝑨 = 𝒅𝒊𝒎(𝑰𝒎𝒂𝒈𝒆𝒏 𝑨 ) = 𝝆(𝑨)

VR
Teorema 11 Imagen de 𝐴 es un sub espacio vectorial de 𝑅𝑚

VR
Definición 08 Sea 𝐴 = 𝑎𝑖𝑗 y sean 𝑟Ԧ1 , 𝑟Ԧ2 , … , 𝑟Ԧ𝑚 las filas de 𝐴, y 𝑒Ԧ1 , 𝑒Ԧ2 , … , 𝑒Ԧ𝑛 las columnas de
𝑚𝑥𝑛
𝐴, entonces se definen:
➢ El 𝐞𝐬𝐩𝐚𝐜𝐢𝐨 𝐟𝐢𝐥𝐚𝐬 𝐝𝐞 𝐀, que se denota 𝑅𝐴 , y se define:

𝑹𝑨 = 𝓛 𝑟Ԧ1 , 𝑟Ԧ2 , … , 𝑟Ԧ𝑚

➢ El 𝐞𝐬𝐩𝐚𝐜𝐢𝐨 𝐜𝐨𝐥𝐮𝐦𝐧𝐚𝐬 𝐝𝐞 𝐀, que se denota 𝐶𝐴 , y se define:

𝑪𝑨 = 𝓛 𝑒Ԧ1 , 𝑒Ԧ2 , … , 𝑒Ԧ𝑛

Nota

➢ 𝑅𝐴 es un subespacio de 𝑅𝑛 𝑎11 𝑎12 … 𝑎1𝑛

𝑎 𝑎22 … 𝑎2𝑛
𝐴 = 21
➢ 𝐶𝐴 es un subespacio de 𝑅𝑚 ⋮ ⋮ ⋱ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛

VR
 𝑪𝑨 = 𝓛 𝑒Ԧ1 , 𝑒Ԧ2 , … , 𝑒Ԧ𝑛

Teorema 12 Para cualquier matriz 𝐴, entonces 𝐶𝐴 = 𝑖𝑚𝑎𝑔𝑒𝑛(𝐴)

Demostración:

𝐶𝐴 = 𝑖𝑚𝑎𝑔𝑒𝑛(𝐴) ⇔ [ 𝐶𝐴 ⊂ 𝑖𝑚𝑎𝑔𝑒𝑛 𝐴 ] ∧ [ 𝑖𝑚𝑎𝑔𝑒𝑛 𝐴 ⊂ 𝐶𝐴 ]

▪ 𝒊𝒎𝒂𝒈𝒆𝒏 𝑨 ⊂ 𝑪𝑨

Sea 𝑦Ԧ ∈ 𝑖𝑚𝑎𝑔𝑒𝑛 𝐴 ⟹ ∃ 𝑥;
Ԧ 𝐴𝑥Ԧ = 𝑦Ԧ
Pero, 𝐴𝑥Ԧ es una combinación lineal de las columnas de 𝐴
⟹ 𝑦Ԧ ∈ 𝐶𝐴

▪ 𝑪𝑨 ⊂ 𝒊𝒎𝒂𝒈𝒆𝒏 𝑨

𝑦Ԧ ∈ 𝐶𝐴 ⟹ 𝑦Ԧ puede expresarse como una combinación lineal de las columnas de 𝐴

Sea 𝑥Ԧ el vector columna de los coeficientes de esta combinación

⟹ 𝑦Ԧ = 𝐴𝑥Ԧ
⟹ 𝑦Ԧ ∈ 𝐼𝑚𝑔(𝐴)
VR
 Ejemplo 14

1 2 −1
Determine 𝐼𝑚𝑎𝑔𝑒𝑛 𝐴 , 𝜌 𝐴 , 𝐶𝐴 𝑦 𝑅𝐴 de la matriz 𝐴 =
2 −1 3
Solución
Por teorema (3): Imagen 𝐴 = 𝐶𝐴 ,
1 2 −1 𝑂.𝐸 1 0 1
𝐴=
2 −1 3 0 1 −1
Las primeras dos columnas de 𝐴 son vectores 𝑙. 𝑖. en 𝑅 2 , por tanto, forman una base es 𝑅2

𝐼𝑚𝑎𝑔𝑒𝑛 𝐴 = 𝑪𝑨 = 𝓛 (1,0), (0,1) = 𝑅2

➢ 𝜌 𝐴 = dim 𝐼𝑚𝑎𝑔𝑒𝑛 𝐴 = 𝑑𝑖𝑚(𝑅2 ) = 2.

➢ El espacio de las filas de 𝐴 = 𝑅𝐴 = ℒ 1,0,1 , 0,1, −1 como son vectores 𝑙. 𝑖.

Es un subespacio de dimensión 2 del espacio 𝑅3

Observación:

𝝆 𝑨 = 𝒅𝒊𝒎 𝑹𝑨 = 𝟐
VR
 𝑎11 𝑎12 … 𝑎1𝑗 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑗 … 𝑎2𝑛
⋮ ⋮ … ⋮ ⋮ ⋮
𝐴= 𝑎 𝑎𝑖2 … 𝑎𝑖𝑗 … 𝑎𝑖𝑛
𝑖1
Teorema 13 Sea una matriz 𝐴 = 𝑎𝑖𝑗 entonces ⋮ ⋮ … ⋮ ⋮ ⋮
𝑚𝑥𝑛
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑗 … 𝑎𝑚𝑛
𝒅𝒊𝒎 𝑹𝑨 = 𝐝𝐢𝐦 𝑪𝑨 = 𝐝𝐢𝐦 𝒊𝒎𝒈 𝑨 = 𝝆(𝑨)

Demostración:
sean 𝑟Ԧ1 , 𝑟Ԧ2 , … , 𝑟Ԧ𝑚 las filas de 𝐴, 𝑘 = 𝑑𝑖𝑚 𝑅𝐴 , y sea 𝑆 = 𝑠Ԧ1 , 𝑠Ԧ2 , … , 𝑠Ԧ𝑘 una base de 𝑅𝐴 .
Entonces, cada fila de 𝐴 se puede expresar como combinación lineal de los vectores de 𝑆, es decir:
𝑟Ԧ1 = 𝛼11 𝑠Ԧ1 + 𝛼12 𝑠Ԧ2 + ⋯ + 𝛼1𝑗 𝑠Ԧ𝑗 + ⋯ 𝛼1𝑘 𝑠Ԧ𝑘
𝑟Ԧ2 = 𝛼21 𝑠Ԧ1 + 𝛼22 𝑠Ԧ2 + ⋯ + 𝛼2𝑗 𝑠Ԧ𝑗 + ⋯ 𝛼2𝑘 𝑠Ԧ𝑘
(*) ………
𝑟Ԧ𝑖 = 𝛼𝑖1 𝑠Ԧ1 + 𝛼𝑖2 𝑠Ԧ2 + ⋯ + 𝜶𝒊𝒋 𝑠Ԧ𝑗 + ⋯ 𝛼𝑖𝑘 𝑠Ԧ𝑘
………
𝑟Ԧ𝑚 = 𝛼𝑚1 𝑠Ԧ1 + 𝛼𝑚2 𝑠Ԧ2 + ⋯ + 𝛼𝑚𝑗 𝑠Ԧ𝑗 + ⋯ 𝛼𝑚𝑘 𝑠Ԧ𝑘

VR
la componentes 𝑗 de 𝑟Ԧ𝑖 es 𝑎𝑖𝑗 . Entonces si se igualan las componentes 𝑗 de ambos lados de (*) y se hace
𝑠Ԧ𝑖 = 𝑠𝑖1 , 𝑠𝑖2 , … , 𝑠𝑖𝑛 se obtiene:
 𝑟Ԧ𝑖 = 𝛼𝑖1 𝒔𝟏 + 𝛼𝑖2 𝒔𝟐 + ⋯ + 𝜶𝒊𝒋 𝒔𝒋 + ⋯ 𝛼𝑖𝑘 𝒔𝒌

𝑟Ԧ𝑖 = 𝛼𝑖1 (𝑠11 , 𝑠12 , … , 𝑠1𝑛 ) + 𝛼𝑖2 (𝑠21 , 𝑠22 , … , 𝑠2𝑛 ) + ⋯ + 𝜶𝒊𝒋 𝑠𝑗1 , 𝑠𝑗2 , … , 𝑠𝑗𝑛 + ⋯ 𝛼𝑖𝑘 𝑠𝑘1 , 𝑠𝑘2 , … , 𝑠𝑘𝑛

𝑟Ԧ𝑖 = 𝜶𝒊𝟏 𝒔𝟏𝟏 + 𝜶𝒊𝟐 𝒔𝟐𝟏 … … . 𝜶𝒊𝒌 𝒔𝒌𝟏 , 𝜶𝒊𝟏 𝒔𝟏𝟐 + 𝜶𝒊𝟐 𝒔𝟐𝟐 + ⋯ + 𝜶𝒊𝒌 𝒔𝒌𝟐 , … . . , 𝜶𝒊𝟏 𝒔𝟏𝒏 + 𝜶𝒊𝟐 𝒔𝟐𝒏 + ⋯ + 𝜶𝒊𝒌 𝒔𝒌𝒏

𝑟Ԧ𝑖 = (𝑎𝑖1 , 𝑎𝑖2 , … . 𝑎𝑖𝑛 )

VR
 𝑎1𝑗 = 𝛼11 𝑠Ԧ1𝑗 + 𝛼12 𝑠Ԧ2𝑗 + ⋯ + 𝛼1𝑘 𝑠Ԧ𝑘𝑗
𝑎2𝑗 = 𝛼21 𝑠Ԧ1𝑗 + 𝛼22 𝑠Ԧ2𝑗 + ⋯ + 𝛼2𝑘 𝑠Ԧ𝑘𝑗
(**)
−−−−−−− −

𝑎𝑚𝑗 = 𝛼𝑚1 𝑠Ԧ1𝑗 + 𝛼𝑚2 𝑠Ԧ2𝑗 + ⋯ + 𝛼𝑚𝑘 𝑠Ԧ𝑘𝑗

Es decir:
𝒂𝟏𝒋 𝛼11 𝛼12 𝛼1𝑘
𝒂𝟐𝒋 𝛼 𝛼 𝛼
= 𝑠Ԧ1𝑗 21 + 𝑠Ԧ2𝑗 22 + ⋯ 𝑠Ԧ𝑘𝑗 2𝑘
⋮ ⋮ ⋮ ⋮
𝒂𝒎𝒋 𝛼𝑚1 𝛼𝑚2 𝛼𝑚𝑘

𝛼1𝑗
𝛼2𝑗
Sea el vector 𝛼Ԧ𝑗 = ; el lado izquierdo de (**) es la columna 𝑗 − 𝑒𝑠𝑖𝑚𝑎 de 𝐴
⋮
𝛼𝑚𝑗

Luego cada columna de 𝐴 se puede escribir como una combinación lineal de 𝛼Ԧ1 , 𝛼Ԧ2 , …. 𝛼Ԧ𝑘 , lo cual implica que
los vectores 𝛼Ԧ1 , 𝛼Ԧ2 , …. 𝛼Ԧ𝑘 , generan a 𝐶𝐴

VR
 𝑑𝑖𝑚𝐶𝐴 ≤ 𝑘 = 𝑑𝑖𝑚𝑅𝐴

Lo cual se cumple para cualquier matriz 𝐴. En particular, se cumple para 𝐴𝑡

Pero; 𝐶𝐴𝑡 = 𝑅𝐴 𝑦 𝑅𝐴𝑡 = 𝐶𝐴

𝑑𝑖𝑚𝐶𝐴𝑡 ≤ 𝑑𝑖𝑚𝑅𝐴𝑡

𝑑𝑖𝑚𝑅𝐴 = 𝑑𝑖𝑚𝐶𝐴𝑡 ≤ 𝑑𝑖𝑚𝑅𝐴𝑡 = 𝑑𝑖𝑚𝐶𝐴

𝑑𝑖𝑚𝑅𝐴 ≤ 𝑑𝑖𝑚𝐶𝐴

Por lo tanto;

𝑑𝑖𝑚𝐶𝐴 = 𝑑𝑖𝑚𝑅𝐴

VR
 Ejemplo 15 𝒅𝒊𝒎 𝑹𝑨 = 𝐝𝐢𝐦 𝑪𝑨 = 𝐝𝐢𝐦 𝒊𝒎𝒈 𝑨 = 𝝆(𝑨)

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

2 −1 3
𝐴= 4 −2 6
Solución −6 3 −9

2 −1 3 2 −1 3
𝑂.𝐸
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 .

2
Por ejemplo ℒ 4 es base para la imagen de (A)
−6

VR
Teorema 14 Si 𝐴 = 𝑎𝑖𝑗 es equivalente por fila a la matriz 𝐵 = 𝑏𝑖𝑗
𝑚𝑥𝑛 𝑚𝑥𝑛

➢ 𝑹𝑨 = 𝑹𝑩
➢ 𝝆 𝑨 =𝝆 𝑩
Demostración: ➢ 𝒗 𝑨 = 𝒗(𝑩)
Si 𝐴~𝐵

Sea 𝐶 una matriz obtenida al realizar una operación elementales filas en 𝐴, primero se demuestra que 𝑅𝐴 = 𝑅𝑐 .
Como 𝐵 se obtiene realizando varias operaciones elementales con las filas de 𝐴, el resultado aplicado varias veces,
implica que 𝑅𝐴 = 𝑅𝑐

Caso1: Intercambio de dos filas de 𝐴, entonces 𝑅𝐴 = 𝑅𝑐 . (pues las filas son las mismas solo cambia el orden )

Caso2: Multiplicar la fila 𝑖 − é𝑠𝑖𝑚𝑎 de 𝐴 por 𝑘 ≠ 0, si las filas 𝐴 son 𝑟Ԧ1 , 𝑟Ԧ2 , … , 𝑟Ԧ𝑚 , entonces las filas de 𝐶 son

𝑟Ԧ1 , 𝑟Ԧ2 , … 𝑘𝑟Ԧ𝑖 , … 𝑟Ԧ𝑚

𝑘𝑟Ԧ𝑖 = 𝑘 𝑟Ԧ𝑖
൝ Cada fila de 𝐶, es un múltiplo de una fila de 𝐴 y viceversa
𝑟Ԧ𝑖 = (1/𝑘)(𝑘𝑟Ԧ𝑖 )

VR
 Luego cada fila de 𝐶 esta en el espacio generado por las filas de 𝐴 y viceversa

𝑅𝐴 ⊆ 𝑅𝐶 𝑦 𝑅𝑐 ⊆ 𝑅𝐴 ⟹ 𝑅𝑐 = 𝑅𝐴

Caso2: Multiplicar la fila 𝑖 − é𝑠𝑖𝑚𝑎 de 𝐴 por 𝑘 ≠ 0, y sumar el resultado, a la 𝑗 − é𝑠𝑖𝑚𝑎 fila de 𝐴, luego las
filas de la matriz 𝐶 son 𝑟Ԧ1 , 𝑟Ԧ2 , … 𝑟Ԧ𝑖 , … 𝑟Ԧ𝑗 + 𝑘𝑟Ԧ𝑖 , … , 𝑟Ԧ𝑚 , entonces

𝑟Ԧ𝑗 = 𝑟Ԧ𝑗 + 𝑘𝑟Ԧ𝑖 − 𝑘𝑟Ԧ𝑖

𝑓𝑗 de 𝐶 𝑓𝑖 de 𝐶

De modo que las filas de 𝐴 pueden expresarse como una combinación lineal de las filas de 𝐶 y
viceversa, entonces
𝑅𝐴 ⊆ 𝑅𝐶 𝑦 𝑅𝑐 ⊆ 𝑅𝐴 ⟹ 𝑅𝑐 = 𝑅𝐴

Con lo cual se demuestra que 𝑅𝐴 = 𝑅𝐵 , por lo tanto 𝜌 𝑅𝑐 = 𝜌 𝑅𝐴 . Por ultimo, el conjunto de soluciones
𝐴𝑥 = 0 no cambia bajo las operaciones elementales. Así, 𝑁𝐴 = 𝑁𝐵 , ⟹ 𝜈 𝐴 = 𝜈(𝐵)

VR
Teorema 15 El rango de una matriz es igual al número de pivotes en su forma escalonada por
filas.

Demostración:

VR
 Ejemplo 16

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

VR
 Ejemplo 17

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

Por ejemplo:
−2 1 0
0 = −2 2 + 4 1
4 −3 −0.5
VR
 Ejemplo 18
1 2 −4 3
2 5 6 −8
Encuentre el espacio nulo de 𝐴 = 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

0 1 14 −14 𝑦 = 0 ቊ
𝐴𝑥Ԧ = 0, es la misma solución que 𝐵𝑥Ԧ = 0 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 y 𝑅𝐴 = ℒ 1,0, −32,31 ; 0,1,14, −14
1 0
0 1
VR
Todo vector en el espacio de las
filas de una matriz real es ortogonal
a todo vector en su espacio nulo

Notación: 𝑅𝐴 ⊥ 𝑁𝐴

VR
𝑹 𝑨 ⊥ 𝑵𝑨
La ecuación 𝐴𝒙 = 𝟎, si 𝐴 es una matriz de 𝑚𝑥𝑛, entonces se tiene.

𝑎11 𝑎12 … 𝑎1𝑗 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑗 … 𝑎2𝑛 𝑥1 0
𝑥2 0
⋮ ⋮ … ⋮ ⋮ ⋮
𝑎𝑖1 𝑎𝑖2 … 𝑎 𝑖𝑗 … 𝑎𝑖𝑛 ⋮ = ⋮
⋮ ⋮ … ⋮ ⋮ ⋮ ⋮ ⋮
𝑥𝑛 0
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑗 … 𝑎𝑚𝑛

Si 𝑟Ԧ𝑖 denota la 𝑖 − é𝑠𝑖𝑚𝑎 fila de 𝐴, se ve de la ecuación anterior que 𝑟Ԧ𝑖 . 𝒙 = 0, para 𝑖 = 1,2, … 𝑚

Así, si 𝒙 ∈ 𝑁𝐴, entonces 𝑟Ԧ𝑖 ⊥ 𝒙, para 𝑖 = 1,2, . . , 𝑚

Pero, si 𝒚 ∈ 𝑅𝐴, entonces 𝒚 = 𝑐1 𝒓𝟏 + ⋯ + 𝑐𝑚 𝒓𝒎 , para 𝑐1 , 𝑐2 , … , 𝑐𝑚 .

Entonces

VR
𝒚. 𝒙 = 𝑐1 𝒓𝟏 + ⋯ + 𝑐𝑚 𝒓𝒎 . 𝒙 = 𝑐1 𝒓𝟏. 𝒙 + 𝑐2 𝒓𝟐 . 𝒙 + ⋯ . +𝑐𝑚 𝒓𝒎 . 𝒙 = 𝟎
Teorema 16
Si 𝐴 = 𝑎𝑖𝑗
𝑚𝑥𝑛
𝝆 𝑨 +𝒗 𝑨 =𝒏

Es decir, el rango de 𝐴 más la nulidad de 𝐴 es igual al número de columnas de 𝐴

Demostración:

Sea 𝑘 = 𝜌 𝐴 y que las primeras 𝑘 columnas de 𝐴 son 𝑙. 𝑖.

Sea 𝒄𝑖 (𝑖 > 𝑘) cualquier columna de 𝐴. Como 𝒄1 , 𝒄2 ,…., 𝒄𝑘 forman una base para 𝐶𝐴 , se tiene, para algunos
escalares 𝑎1 , 𝑎2 , … , 𝑎𝑘

𝒄𝑖 = 𝑎1 𝒄1 +𝑎2 𝒄2 + ….+𝑎𝑘 𝒄𝑘

Así, sumando −𝑎1 𝒄1 , −𝑎2 𝒄2 , …., − 𝑎𝑘 𝒄𝑘 sucesivamente a la 𝑖 − 𝑒𝑠𝑖𝑚𝑎 columna de 𝐴 se obtiene una nueva
matriz 𝐵 de 𝑚𝑥𝑛 con 𝜌 𝐴 = 𝜌(𝐵) y 𝜈 𝐴 = 𝜈(𝐵) con la 𝑖 − 𝑒𝑠𝑖𝑚𝑎 columna de 𝐵 igual a cero, y esto se hace a
todas las demás columnas de 𝐴 (excepto las primeras 𝑘) para obtener la matriz

VR
 𝑎11 𝑎12 … 𝑎1𝑘 0 … 0 0
𝑎21 𝑎22 … 𝑎2𝑘 0 … 0 0
⋮ ⋮ … ⋮ ⋮ ⋮
𝐷= 𝑎 𝑎𝑖2 … 𝑎𝑖𝑘 0 … 0 0
𝑖1
⋮ ⋮ … ⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑘 0 … 0 0

Donde 𝜌 𝐷 = 𝜌(𝐴) y 𝜈 𝐷 = 𝜈 𝐴 . Mediante un rearreglo posible de las filas de 𝐷, se puede suponer que las
primeras 𝑘 filas son independientes. Después se hace lo mismo con las filas de (esto es, sumar múltiplos de las
primeras 𝑘 filas a los últimos 𝑚 − 𝑘) para obtener una nueva matriz.

𝑎11 𝑎12 … 𝑎1𝑘 0…0 0

𝑎21 𝑎22 … 𝑎2𝑘 0…0 0
⋮ ⋮ … ⋮ ⋮ ⋮
𝐹 = 𝑎𝑘1 𝑎𝑘2 𝑎𝑘𝑘 0…0 0
…
0 0 0 0…0 0
⋮ ⋮ … ⋮ ⋮ ⋮
0 0 … 0 0…0 0

Donde 𝜌 𝐹 = 𝜌(𝐴) y 𝜈 𝐹 = 𝜈 𝐴 . Ahora es obvio que si 𝑖 > 𝑘 entonces 𝐹. 𝑒Ԧ𝑖 = 0, de manera que 𝐸𝑘 =
𝑒Ԧ𝑘+1 , 𝑒Ԧ𝑘+2 , … 𝑒Ԧ𝑛 es un conjunto linealmente independientes de 𝑛 − 𝑘 vectores en 𝑁𝐹 .

VR
 Afirmación: 𝐸𝑘 genera 𝑁𝐹
𝑥1
En efecto: 𝑥2
⋮
Sea 𝒙 ∈ 𝑁𝐹 , un vector de la forma: 𝒙 = 𝑥𝑘
⋮
𝑥𝑛
𝑎11 𝑎12 … 𝑎1𝑘 0…0 0 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑘 𝑥𝑘
𝑎21 𝑎22 … 𝑥1
𝑎2𝑘 0…0 0 𝑥 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑘 𝑥𝑘 0
2 0
⋮ ⋮ … ⋮ ⋮ ⋮ ⋮ ⋮
entonces 𝐹𝒙 = 𝑎 𝑎𝑘2 𝑎𝑘𝑘 0 … 0 0 𝑥𝑘 = 𝑎𝑘1 𝑥1 + 𝑎𝑘2 𝑥2 + ⋯ + 𝑎𝑘𝑘 𝑥𝑘 = ⋮
𝑘1
…
0 0 0 0…0 0 ⋮ 0 ⋮
⋮ ⋮ … ⋮ ⋮ ⋮ 𝑥𝑛 ⋮ 0
0 0 … 0 0…0 0 0

El determinante de la matriz del sistema homogéneo de 𝑘𝑥𝑘 dado es diferente de cero, ya que las filas de esta
matriz son 𝑙. 𝑖. Así, la única solución al sistema es 𝑥1 = 𝑥2 = … . = 𝑥𝑘 = 0. Entonces 𝒙 tiene la forma

0,0, … , 0, 𝑥𝑘+1 , 𝑥𝑘+2 , … , 𝑥𝑛 = 𝑥𝑘+1 𝑒Ԧ𝑘+1 + 𝑥𝑘+2 𝑒Ԧ𝑘+2 + ⋯ + 𝑥𝑛 𝑒Ԧ𝑛

Esto significa que 𝐸𝑘 genera 𝑁𝐹 de manera que 𝜈 𝐹 = 𝑛 − 𝑘 = 𝑛 − 𝜌 𝐹 .

VR
 Ejemplo 19

1 2 −1
𝐴=
2 −1 3

𝜌 𝐴 =2 y𝑣 𝐴 =1⇒ 𝜌 𝐴 + 𝑣 𝐴 =3

1 −1 3
𝐴= 2 0 4
−1 −3 1

𝜌 𝐴 = 2 así 𝑣 𝐴 = 1

−2
𝑁𝐴 = ℒ 1
1

VR
Teorema 17 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 18

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

VR
 Ejemplo 20

2𝑥 + 4𝑦 + 6𝑧 = 18
Determine si el sistema 4𝑥 + 5𝑦 + 6𝑧 = 24
2𝑥 + 7𝑦 + 12𝑧 = 40

Tiene solución

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

El sistema no tiene solución

VR
 Ejemplo 21

Determine si el sistema
𝑥 − 𝑦 + 2𝑧 = 4
2𝑥 + 𝑦 − 3𝑧 = −2
4𝑥 − 𝑦 + 𝑧 = 6
Tiene solución
Demostración

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

VR
 RESUMEN
Teorema 19 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

VR
Gracias por
su atención
VR