Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Matemáticas II Clase 15: Núcleo e Imagen de una Matriz Jorge Rivera 1 de septiembre de 2022 Apunte de Curso: Págs. 163-166 1 Agenda Objetivos de la clase Núcleo de una matriz Imagen de una matriz Complemento Śıntesis 2 Objetivos de la clase Objetivos de la clase • Conocer el concepto de núcleo de una matriz y propiedades elementales. • Conocer el concepto de imagen de una matriz y sus propiedades elementales. • Núcleo e imagen de una matriz invertible. 3 Núcleo de una matriz Concepto • Considere una matriz A ∈ Rm×n. • Dado X ∈ Rn ocurre que AX ∈ Rm. • La pregunta es: ¿para qué vectores X ∈ Rn ocurre que AX = 0m? Definición Dada A ∈ Rm×n, el conjunto de los vectores para los cuales AX = 0m se llama núcleo de la matriz A: Ker(A) = {X ∈ Rn : AX = 0m} ⊆ Rn. 4 • Nota: recordemos que si A ∈ Rm×n y X ∈ Rn, entonces AX es un vector de Rm, que corresponde a las combinaciones lineales de las columnas de A usando como ponderadores las componentes de X . • Por ejemplo: A = 2 3 4 1 7 1 2 3 8 4 9 6 ∈ R3×4 ∧ X = x1x2 x3 ∈ R3 entonces AX = x1 2 1 2 4 + x2 3 7 3 9 + x3 4 1 8 6 ∈ R4. 5 Proposición importante Proposición Para toda A ∈ Rm×n, Ker(A) es un subespacio vectorial de Rn. Prueba. Primero, 0n ∈ Ker(A) ya que 0A•1 + 0A•2 + · · ·+ 0A•n = 0m. Segundo: dados X1,X2 ∈ Ker(A), tenemos que A(X1 + X2) = AX1 + AX2 = 0m + 0m = 0m ⇒ X1 + X2 ∈ Ker(A). Tercero: dado X1 ∈ Ker(A) y dado α ∈ R se tiene que A(αX1) = αAX1 = α0m = 0m ⇒ αX1 ∈ Ker(A). Definición: nulidad de una matriz La dimensión del subespacio vectorial Ker(A) se llama nulidad de la matriz A: nul(A) = dim(Ker(A)). Nota. Se subentiende que dim({0n}) = 0. 6 Comentario • Dada A ∈ Rm×n, los elementos de Ker(A) son los vectores X ∈ Rn tales que las combinaciones lineales de las columnas de A usando las componentes de X dan 0n. Por lo tanto: (1) Si Ker(A) ̸= {0n} es porque hay una combinación lineal de las columnas de A que es 0m, donde no todos los coeficientes son 0. Es decir, las columnas de A son l.d: Ker(A) ̸= {0n} ⇐⇒ columnas de A son l.d. (2) Si Ker(A) = {0n} es porque una combinación lineal de las columnas de A que es 0m solo ocurre cuando todos los coeficientes son 0. Es decir, las columnas de A son l.i: Ker(A) = {0n} ⇐⇒ columnas de A son l.i. 7 Ejemplo importante Como consecuencia directa de del punto (2) anterior se tiene que: A ∈ Rn×n invertible ⇐⇒ Ker(A) = {0n}. En efecto. Si Ker(A) = {0n} entonces las columnas de A son l.i. Como A es cuadrada esto implica que A es invertible. Por otro lado, si A ∈ Rn×n es invertible, entonces sus columnas son l.i, por lo que cualquier combinación lineal de ellas que es 0n ocurre cuando todos los coeficientes son 0, es decir, Ker(A) = {0n}. 8 • ¿Puede darse el caso que una matriz no sea invertible pero que aun aśı su núcleo sea {0n}? Respuesta. Śı. Basta con que las columnas de A sean l.i. Por ejemplo: A = 2 5 4 2 8 0 9 3 ∈ R4×2 ⇒ Ker(A) = {02} pero la A no es invertible. Ejemplo ¿Por qué Ker(A) ̸= {03} cuando A = [ 2 3 4 3 4 7 ] ∈ R2×3? Es porque las columnas de A son l.d, ya que son tres vectores de R2. 9 Imagen de una matriz Concepto • Dada A ∈ Rm×n, recordemos que las (n) columnas de A son los siguientes vectores de Rm: A•1,A•2, . . . ,A•n ∈ Rm. • Haciendo (todas) combinaciones lineales de esas columnas se obtiene un subespacio vectorial: L({A•1,A•2, . . . ,A•n}) ⊆ Rm. Definición: imagen de una matriz La imagen de la matriz A ∈ Rm×n, que se denota Im(A), es el subespacio vectorial conformado por las combinaciones lineales de las columnas de A: Im(A) = L({A•1,A•2, . . . ,A•n}) ⊆ Rm. La dimensión de ese subespacio vectorial se llama rango de la matriz A: rg(A) = dim(Im(A)). 10 A tener presente... • Dada A ∈ Rm×n, ¿como “se lee” que Y ∈ Im(A)? Corresponde a decir que existe una combinación lineal de las columnas de A ∈ Rm×n que es igual a Y . • Ya que las combinaciones lineales de las columnas de A ∈ Rm×n corresponde a una expresión de la forma AX , con X ∈ Rn, lo anterior corresponde a decir que: Y ∈ Im(A) ⇐⇒ ∃X ∈ Rn : AX = Y . 11 Ejemplo Dada A ∈ Rm×n, expliquemos porque 0m ∈ Im(A). En efecto (recuerde que A•j ∈ Rm: columnas son vectores de Rm): 0m = 0A•1 + 0A•2 + · · ·+ 0A•n ⇒ 0m ∈ Im(A). Ejemplo Dada A ∈ Rm×n, si Y1 ∈ Im(A) e Y2 ∈ Im(A), expliquemos porque Y1 + Y2 ∈ Im(A). En efecto, si Yj ∈ Im(A), j = 1, 2, es porque existe Xj ∈ Rn tal que Yj = AXj . Luego: Y1 + Y2 = AX1 + AX2 = A(X1 + X2) ⇒ Y1 + Y2 ∈ Im(A). 12 Ejemplo (propiedad) importante: imagen de matriz invertible Supongamos que A ∈ Rn×n es invertible. Entonces las columnas de A son una base de Rn. Luego, ellas generan Rn. En consecuencia, para todo Y ∈ Rn, existe una combinación lineal de las columnas de A que es igual a Y . Es decir: Im(A) = Rn. • En resumen: A ∈ Rn×n es invertible ⇐⇒ Im(A) = Rn ⇐⇒ rg(A) = n. 13 Imagen de matriz no invertible • Si la matriz A ∈ Rn×n no es invertible, entonces Im(A) ̸= Rn. • Por lo tanto, dado Y ∈ Rn se puede dar solo una de las siguientes situaciones: (1) Existe X ∈ Rn tal que AX = Y (cuando Y ∈ Im(A). (2) No existe X ∈ Rn tal que AX = Y (cuando Y /∈ Im(A). Visto de otra manera: si la matriz A ∈ Rn×n no es invertible, el problema “encontrar X ∈ Rn tal que AX = Y ”, o bien puede tener solución (existe el X ), o bien no tener solución (no existe el vector X que cumple lo indicado). 14 Complemento Rango más nulidad • Un resultado que relaciona los conceptos de imagen, núcleo, nulidad y rango de una matriz es el siguiente: Teorema Para A ∈ Rm×n una matriz cualquiera, se cumple que nul(A) + rg(A) = n, es decir, el rango más la nulidad de una matriz es igual al número de columnas de esa matriz. 15 Śıntesis Dada A ∈ Rm×n: • El núcleo de A es el subespacio vectorial Ker(A) = {X ∈ Rn : AX = 0m}, cuya dimensión se llana nulidad de A. • Para matrices cuadradas: A ∈ Rn×n es invertible śı y solo śı Ker(A) = {0n}. Eso equivale a decir que todas las columnas de A son l.i. • La imagen de A es el subespacio vectorial que se obtiene de las combinaciones lineales de las columnas de A: Im(A) = {AX : X ∈ Rn}. La dimensión de l;a imagen de A se llama rango de A, y corresponde al número máximo de columnas l.i. de la matriz. • Para matrices cuadradas: A ∈ Rn×n es invertible śı y solo śı Im(A) = Rn. Eso equivale a decir que las columnas de A son una base de Rn (es decir, las columnas de A son l.i y generan Rn). 16 Objetivos de la clase Núcleo de una matriz Imagen de una matriz Complemento Síntesis
Compartir