OPERADORES Y ECUACIONES

LINEALES
 OPERADORES SOBRE
ESPACIOS LINEALES
Operador:
Dados dos espacios lineales X y Y
A es una funcin que asocia vectores de diferentes
espacios vectoriales
A: X Y
y = A(x) es un elemento de Y
y se denomina imagen de x a travs de A
x se denomina pre-imagen de y a travs de A

febrero de 2017 2
 OPERADORES LINEALES

Un operador A desde un espacio vectorial lineal X a un espacio

vectorial lineal Y, A: X Y, es lineal si

A1x1 2 x 2 1Ax1 2 Ax 2

con x1 , x 2 X y 1 , 2 escalares.

febrero de 2017 3
 OPERADORES LINEALES
Espacio Rango R(A):
El espacio rango de un operador A: X Y,
es el conjunto de todos los vectores yi Y

tal que para cada yi R(A),

existe un xi X tal que Axi = yi.

R(A) es un subespacio de Y

febrero de 2017 4
OPERADORES LINEALES
Espacio Nulo N(A):
El espacio nulo de un operador A : X Y,
es el conjunto de todos los vectores xi X

Tal que A(xi) = 0.

Es decir:
N A xi X / A( xi ) 0

febrero de 2017 5
 PROPIEDADES
ONTO: R(A) = Y,
Cada elemento en Y es la imagen de por lo menos
un x X.

INYECTIVA: Si x1 x2 => A(x1) A(x2),

A transforma elementos de X a valores nicos en Y

BIYECTIVA:
Si el operador A es simultneamente onto e
inyectivo

febrero de 2017 6
 PROPIEDADES
Un operador es invertible si y solo si existe otro
operador
A-1: Y X
tal que
A-1 [A (x)] = x
y
A[A-1(y)] = y.
A-1A = Ix , AA-1 = Iy , son los operadores identidad
en sus espacios respectivos.

febrero de 2017 7
 OPERADORES LINEALES
Representacin Matricial de un Operador Lineal:
Para propsitos computacionales cualquier operador
lineal de dimensin finita se puede representar por
medio de una matriz A.

febrero de 2017 8
 OPERADORES LINEALES
Dados dos vectores, x y y, uno de un espacio de n dimensiones y
otro de un espacio de m dimensiones, esto es x Xn, y Xm. Se
desea obtener una representacin para un operador A que
transforma
A: Xn Xm
Sean v y u bases para estos espacios:

v v , v ,, v para X
j 1 2 n
n

ui u1, u2 ,, um para Xm
Un vector x en Xn se puede expandir en funcin de la base como
n
x j v j
j 1
febrero de 2017 9
 OPERADORES LINEALES
y como el operador es lineal

n n
y Ax A j v j j Av j
j 1 j 1
El efecto del operador lineal A sobre cualquier vector x se puede
evaluar calculando el efecto de A sobre los vectores base a partir de
los cuales escribe x
1

y Ax Av 1 Av 2 Av n 2


n
febrero de 2017 10
 OPERADORES LINEALES
Cada vector Avj es un vector en el espacio rango Xm

Los vectores en Xm se pueden expandir en trminos de

los vectores base {ui} m
Av j aij u i
i 1

Como y pertenece a Xm entonces, tambin se puede

expandir directamente en trminos de su base
m n m m
y i u j y j aij u j i u i
i 1 j 1 i 1 i 1

febrero de 2017 11
 OPERADORES LINEALES
Como la expansin es nica y cambiando el orden de la sumatoria

m n m

aij j u i i u i

i 1 j 1

i 1

entonces
n
i aij j i 1, , m
j 1

Esta relacin se puede expresar de forma matricial.

febrero de 2017 12
OPERADORES LINEALES
= [1 2 n]T es la representacin de x Xn
respecto a la base {vi}
= [1 2 m]T es la representacin de y Xm
respecto a la base {ui},
Entonces
y se puede representar como la multiplicacin matricial
= A con a a . . a
11 12 1n

a21 a22 . . a2 n
A . . . . .

. . . . .
a am n
febrero de 2017
m1 am 2 . .
13
OPERADORES LINEALES
la j-sima columna de la representacin matricial de un
operador lineal A: Xn Xm se construye como la
representacin del vector Avj respecto a la base del
espacio rango

a11 a12 . . a1n

a21 a22 . . a2 n
A . . . . .

. . . . .
a . . am n
m1 am 2
febrero de 2017 14
OPERADORES LINEALES
El espacio rango es el espacio de todos
los posibles valores de Ax
Entonces
R(A), se puede representar como el
span de todos las columnas de A.

febrero de 2017 15
 Rango de una matriz

Rango (A):
El rango de una matriz A es el mximo nmero
de columnas linealmente independientes.
Es igual al nmero de filas linealmente
independiente
(Rango de Filas = Rango de Columnas).
Si la matriz A es de dimensiones m x n el rango
de A es
(A) min(m,n)

febrero de 2017 16
 Rango de una matriz

Si (A) = min(m,n) se dice que la matriz es de

Rango Completo.

Si (A) < min(m,n) se dice que la matriz es

Deficiente en Rango o Degenerada.

Si una matriz cuadrada es de rango completo se

denomina No Singular, esto es equivalente a
que el determinante es diferente de cero.

febrero de 2017 17
 OPERADORES LINEALES
El rango de la matriz A es igual a la dimensin del espacio rango del
operador lineal A.

dim R A

febrero de 2017 18
Nulidad de una matriz

Nulidad (A) : La nulidad o degeneracin de

una matriz A de dimensiones m x n se define
como
(A) = n - (A)

febrero de 2017 19
 OPERADORES LINEALES
El espacio nulo del operador A se puede representar
como el espacio de todas las soluciones de

Ax 0
Entonces la dimensin del espacio nulo del operador A
es igual a la nulidad de la matriz A

A dim N A

febrero de 2017 20
 OPERADORES LINEALES
Ejemplo: Considerar un operador lineal, A: R2 R2, que toma un
vector x y lo rota en el sentido contrario al de las manecillas del reloj
un ngulo .
Encontrar la representacin matricial del operador lineal que logra la
rotacin planar sobre vectores arbitrarios en R2,
Probar la matriz resultante rotando el vector x = [1 2]T y un ngulo
de 30.
y Ax

Tomado de 1. Cap. 3

febrero de 2017 21
 OPERADORES LINEALES
Para encontrar la representacin matricial de cualquier operador, son
necesarias las bases de cada espacio, as como el efecto del
operador en dichas bases. En este caso usaremos los vectores
bases del plano cartesiano como se muestra en la siguiente figura

Ae 2 e2
Descomponiendo los vectores rotados
Ae1 y Ae2 a lo largo de las direcciones
de las bases originales tenemos

Ae1 cos
Ae1 cos e1 sin e 2 e1 e 2
sin
e1
Tomado de 1. Cap. 3 sin
Ae 2 sin e1 cos e 2 e1 e 2
cos

febrero de 2017 22
 OPERADORES LINEALES
Entonces la matriz de representacin es

cos sin
A
sin cos

Aplicando esto al vector x = [1 2]T , se tiene:

cos 30 sin 30 1 0.134

Ax
sin 30 cos 30
2 2.23

febrero de 2017 23
OPERADORES LINEALES

Tomado de 1. Cap. 3

febrero de 2017 24
 OPERADORES LINEALES EN
DIFERENTES BASES
Un tipo importante de transformacin es:
A:
n n

Esto implica que A es cuadrada

La matriz A que representa la transformacin Xv Xv

esta referida a una base {vi}.

Puede ser de inters expresar la transformacin en una

base diferente {v i } como .

febrero de 2017 25
 OPERADORES LINEALES
Utilizando esta notacin
x
y Ax y y A
con x , y representados en la base vi .
Como se transforma una representacin matricial de un
operador de una base a otra?

Teniendo en cuenta que

x Bx y y By
entonces
x By A
y A Bx y B1A
B x
febrero de 2017 26
 OPERADORES LINEALES
B-1 debe existir dado que es una matriz (n n) de cambio de base y
de rango completo.

Comparando con la expresin original y = Ax

B o BAB 1 A
A B 1 A

si hacemos

M 1 o A
B 1 M A MA M 1 AM
La operacin anterior se denomina una transformacin similar y
corresponde, por ejemplo, al proceso de desarrollar diferentes
representaciones para variables de estado.

febrero de 2017 27
NORMAS INDUCIDAS
NORMAS INDUCIDAS: intuitivamente se
interpretan como una medida de la amplificacin
en sistemas.
Dado un sistema con relacin entrada salida
dada por:
y Ax
La ganancia del sistema se define como la
relacin:
y
x

febrero de 2017 28
NORMAS INDUCIDAS
La mxima ganancia para todas las direcciones
posibles de la entrada est dada por la NORMA
INDUCIDA:
Ax
sup
p
A pq
x 0 x q
1
q
q
donde x q xi
es la norma del vector de
i
entrada.
La norma inducida es la mayor amplificacin
posible de la matriz

febrero de 2017 29
NORMAS OPERADORES
Toda norma inducida cumple las propiedades bsicas
de una norma.
x 0 x 0 x0

x x escalar xy x y

ADEMAS
Cumple la propiedad multiplicativa o de consistencia:

AB A B
febrero de 2017 30
ECUACIONES LINEALES
La solucin de sistemas de ecuaciones simultaneas es
una aplicacin de la teora de operadores lineales.

La solucin de dichos sistemas se puede analizar desde

el punto de vista de los espacios vectoriales.

Dado un sistema de m ecuaciones con n incgnitas,

a11x1 a12 x2 a1n xn y1
a21x1 a22 x2 a2 n xn y2

am1 x1 am 2 x2 am n xn ym
febrero de 2017 31
 ECUACIONES LINEALES
En notacin matricial :

a11 a12 a1n x1 y1

a a22 a2 n x2 y2
21


am1 am 2 a m n xn y m

la anterior relacin se puede escribir como Ax = y, donde x n,

y m y A es un operador lineal A: n m

La pregunta: cuantas soluciones existen para este sistema de

ecuaciones? es equivalente a: est el vector y en el espacio rango
del operador A, R(A)?

febrero de 2017 32
 ECUACIONES LINEALES
Una visin adicional se obtiene considerando cada columna de la
matriz A como un vector ai en el espacio m :

| | | |
Ax a1 x1 a2 x2 an xn y
| | | |

El vector y es una combinacin lineal de las columnas de A.

Si este es el caso, y conforma un conjunto linealmente dependiente
con las columnas de A.

El problema se puede reducir a comprobar la independencia lineal de

vectores.

febrero de 2017 33
 ECUACIONES LINEALES
La prueba de independencia se realiza formando una nueva matriz
aumentada
W A y

Si y es dependiente de las columnas de A, entonces el rango de A

es igual al rango de W: (A) = (W) y y R(A).

Si y es independiente de las columnas de A, entonces el rango de

W es igual al rango de A mas uno: (W) = (A) + 1.

Resumiendo

(A) = (W) Existe por lo menos un solucin para Ax = y.

(W) = (A) + 1 No existe solucin para Ax = y.

febrero de 2017 34
 Ecuaciones Lineales
Cuando los rangos son iguales puede existir una solucin
o un nmero infinito de soluciones.
Si (A) = n la solucin del sistema Ax = y es nica:
Las columnas de la matriz A son LI y forman una base
para n.
Como y est en R(A),
ENTONCES
la representacin de y en esta base es nica
y esta dada por el conjunto de coeficientes xi que se
est buscando.

febrero de 2017 35
 Ecuaciones Lineales
Si (A) < n, menos de n columnas de A son LI:
El conjunto {ai} an es el subespacio en el cual se
encuentra y
PERO como hay ms ai de los necesarios para formar
una base, la representacin de y a partir del conjunto
{ai} no es nica.
Por qu existen infinitas soluciones?
La nulidad de la matriz A es:
A n A
dado que (A) < n, entonces (A) > 0.
febrero de 2017 36
 ECUACIONES LINEALES
La nulidad de la matriz corresponde a la dimensin del
espacio nulo del la transformacin, (A)=dim(N(A)).

Entonces (A) > 0 implica que el operador A no tiene

espacio nulo trivial.
Por lo tanto existe al menos un vector x0 tal que Ax0 = 0,
con x0 0.

A cualquier solucin de Ax = y se le puede adicionar un

vector del espacio nulo:
Ax x0 Ax Ax0 Ax 0 Ax y

febrero de 2017 37
 ECUACIONES LINEALES
Cmo encontrar el Espacio Nulo?
El espacio nulo se determina fcilmente reduciendo la
matriz a la forma triangular superior por medio de las
operaciones bsicas entre filas.

0
0 0 0

[x] Elemento Pivote.
0 0 0 0

0 0 0 0 0 0

febrero de 2017 38
 ECUACIONES LINEALES

El nmero de filas LI (no ceros) es igual al rango de la matriz A

Si la matriz A anterior es la matriz del problema Ax = y, entonces

A 3 A 6 3 3

Como los elementos pivote ocurren en las columnas 2, 4 y 5, las

variables x2, x4 y x5 se conocen como variables pivote y x1, x3 y x6
son las variables libres.

febrero de 2017 39
 ECUACIONES LINEALES
Para obtener una base de N(A):
Se genera un conjunto de vectores de variables libres
LI
Se resuelve el sistema de ecuaciones reducidas por
filas homogneo para las variables pivote.

La manera sencilla:
Asumir xi=1 para una variable libre y xj=0 para las
dems
Resolver para las variables pivote.
Repetir para cada variable libre.

febrero de 2017 40
 ECUACIONES LINEALES
Ejemplo: dado el sistema

x1
1 1 2 8
1 2 0 x2 2
x
3
Calculando los rangos de las matrices A y W

1 1 2 8 1 1 2 8
W A y
1 2 0 2 0 1 2 10
Entonces (W) = 2

febrero de 2017 41
 ECUACIONES LINEALES
Para la matriz A

1 1 2 1 1 2
A
1 2 0 0 1 2
Entonces (A) = 2

Dado que (A) = (W) = 2 existe por lo menos una solucin.

Dado que (A) = 2 < 3 existen infinitas soluciones.

La variable libre es x3

febrero de 2017 42
 ECUACIONES LINEALES
Base para el Espacio Nulo:
Solucin homognea Ax = 0
x1 x1
1 1 2 1 1 2
1 2 0 x2 0 1 2 x2 0
x x
3 3
Entonces
x3 1
x1 x2 2 x3 0
x2 2
x2 2 x3 0
x1 4
El vector x0 = [-4 -2 1]T es una base para el espacio nulo N(A).

febrero de 2017 43
 ECUACIONES LINEALES
La solucin particular: a partir de la forma escalada reducida par W
x3 0
x1 x2 2 x3 8
x2 10
x2 2 x3 10
x1 18

Se tiene que xP = [18 10 0]T, entonces la solucin completa es

18 4
x xP x0 10 2,
0 1

Si = 1 se tiene que x = [14 8 1]T.

febrero de 2017 44
 ECUACIONES LINEALES
Ejemplo: Encontrar la solucin de los sistemas, si existe
1 2 3 x1 4 1 2 x1 2
2 1 2 x 7 y 3 4 x 3
2 2
3 2 1 x3 1 5 6 x3 4
Se construye W para el primer sistema

1 2 3 4 1 0 0 21.25
W 2 1 2 7 0 1 0 4.5
3 2 1 1 0 0 1 3.625
Entonces (A) = (W) = 3 = n Solucin nica.
x 21.25 4.5 3.625
T

febrero de 2017 45
 ECUACIONES LINEALES
Se construye W para el segundo sistema

1 2 2 1 0 0
W 3 4 3 0 1 0
5 6 4 0 0 1

Entonces (A) = 2 (W) = 3 No hay Solucin.

febrero de 2017 46
 ECUACIONES LINEALES
El caso especial A cuadrada (n x n) y (A) = (W) = n, la nica
solucin se encuentra como

x A 1y

como A es de rango completo A-1 existe.

febrero de 2017 47
 ECUACIONES LINEALES
Si A no es cuadrada hay dos posibilidades: m < n y m > n

Mas Incgnitas que Ecuaciones (m < n) Subdeterminado

En este caso no hay una solucin nica

(A) min(m,n) = m < n

Que criterio se puede emplear para seleccionar una solucin?

febrero de 2017 48
 ECUACIONES LINEALES
Solucin con la mnima norma:
Util cuando el vector x representa una cantidad fsica con
un costo asociado: energa, consumo, costos, seal de
control, etc.

De todos los vectores x que son solucin, encontrar el x

que minimice xTx, sujeta a la restriccin
Ax = y o Ax y = 0

Minimizando x2 se minimiza x

febrero de 2017 49
 ECUACIONES LINEALES
Para minimizar una funcin sujeta a una restriccin de
igualdad se define un multiplicador de LaGrange, , para
formar la funcin Lagrangiano:

H x x Ax y
1 T T

2
El vector de dimensin m es una incgnita y se emplea
para incluir la restriccin Ax y=0.

febrero de 2017 50
 ECUACIONES LINEALES
Minimizar H sobre todas las x y posibles:
T H
x
T

x A x AT 0 x A T
T

TH
Ax y 0 por definicin

Esta restriccin se debe mantener siempre, entonces

y Ax AA AA
T

T 1
y

y la solucin ptima es

x A xopt A AA
T T

T 1
y
febrero de 2017 51
ECUACIONES LINEALES
La matriz AAT es cuadrada de dimensiones (mn)(nm)
= (mm) y tiene inversa si es de rango completo (AAT)
= m.
Si (AAT) < m hay ecuaciones que linealmente
dependientes y se deben descartar hasta lograr que
AAT sea de rango completo.
La matriz:

A AT AA T
1

Es una pseudo inversa, no es nica y es una de las
soluciones posibles

febrero de 2017 52
 ECUACIONES LINEALES
Mas Ecuaciones que Incgnitas (m > n) Sobredeterminado

Para que la solucin exista el vector y (de m componentes) debe

expresarse como una combinacin lineal de las n columnas de A.
Si (A) = (W) entonces y se puede escribir como una combinacin
lineal de las columnas de A y existe una solucin.

Para determinar dicha solucin se define el error

e y Ax
Se buscar una solucin x que minimice la mitad de la norma de e,
esto es
Hallar x tal que eTe sea mnima y si existe una solucin el error
deber ser cero.

febrero de 2017 53
 ECUACIONES LINEALES
Mas Ecuaciones que Incgnitas
(m > n) Sobredeterminado

Para que la solucin exista el vector y (de m

componentes) debe expresarse como una combinacin
lineal de las n columnas de A.

Si (A) < (W) entonces y NO se puede escribir como

una combinacin lineal de las columnas de A y no existe
una solucin exacta.
Para seleccionar una solucin aproximada se define el
error: e y Ax
febrero de 2017 54
 ECUACIONES LINEALES
Entonces
e e y Ax y Ax
1 T 1 T

2 2

y x T A T y Ax
1 T
2
1 T

y y x T A T y y T Ax x T A T Ax
2

Los trminos centrales son iguales dado que

x A y
T T T
y T Ax y adems son escalares
Entonces
1 T
2
1 T

e e y y 2xT A T y x T A T Ax
2

febrero de 2017 55
 ECUACIONES LINEALES
Se busca el vector x que garantiza el mnimo error
cuadrtico:
1 T 1

x 2
e e
2 A T
y 2 A T

Ax 0
2
Entonces
A T y A T Ax
y por lo tanto

xopt A A T

1
ATy

febrero de 2017 56
ECUACIONES LINEALES
Los datos de un experimento se pueden tabular como:
a11x1 a12 x2 y1
a21x1 a22 x2 y2

am1 x1 am 2 x2 ym
a11 a12 y1

a21 a22 x1 y2
Ax x
2
a y
m1 a m2 m
Cualquier error de medicin o ruido hace que (A) (W)

febrero de 2017 57
ECUACIONES LINEALES
El problema exige que el vector y de m componentes
sea combinacin lineal de solamente DOS vectores.
La pseudo inversa:
1
A A AT
T

Permite calcular un x con mnimo error.

La norma del error se calcula como:
e y Ax

febrero de 2017 58
REFERENCIAS

1. BAY J.S. Fundamentals of Linear State Space

Systems. New York: McGraw Hill International Edition.
1999. Chapter 3
2. CHEN C.T. Linear Systems Theory and Design. 3rd
Edition. New York: Oxford University Press. 1999.
Chapter 3

febrero de 2017 59