Espacios vectoriales: Introducción a los conceptos básicos

Espacios vectoriales
Luis Angel Zaldívar Cruz
Departamento de Ciencias Básicas

Instituto Tecnológico de Tehuacán
14 de agosto de 2018
Competencias del tema
En este tema el estudiante. . .
Aprenderá los axiomas con que se forma un espacio vectorial real
Estudiará el concepto de subespacio vectorial, que consiste en subconjuntos de
un espacio vectorial que a su vez tienen estructura de espacio vectorial
Se familiarizará con la operación básica de los espacios vectoriales, que es la
combinación lineal, así como también con el concepto de espacio generado, que
es una clase de subespacio
Conocerá la propiedad de independencia lineal definida a partir del concepto de
combinación lineal y sus características con respecto al concepto de conjunto
generado
Profundizará en el conjunto mínimo de vectores con los que se puede generar
todo un espacio vectorial (conjunto al cual se denomina base). Utilizando la
característica de las bases, definirá el concepto de dimensión de un espacio
vectorial
Sabrá cómo expresar vectores con bases diferentes y el procedimiento para
relacionar dichas presentaciones
Aprenderá a definir conceptos relacionados con subespacios vectoriales formados
a partir de los renglones y las columnas de matrices
Ejercitará la prueba formal de la existencia de una base para cualquier espacio
vectorial
Se familiarizará con la forma en la que la operación de producto interno se
introduce a la estructura de espacio vectorial en Rn , y estudiará los conceptos
de ortogonalidad y proyecciones, con respecto a espacios vectoriales.
Definición y propiedades básicas
Los conjuntos R2 (vectores en el plano) y R3 (vectores en el

espacio) cuentan con diversas propiedades peculiares:
Se puede sumar dos vectores en R2 y obtener otro vector en
R2 .
En la suma, los vectores en R2 obedecen las leyes conmutativa
y asociativa.
Si x ∈ R2 , entonces x + 0 = x y x + (−x) = 0.
Se puede multiplicar vectores en R2 por escalares y obtener las
leyes distributivas. En R3 se cumplen las mismas propiedades.
Los conjuntos R2 y R3 junto con las operaciones de suma de
vectores y multiplicación por un escalar se denominan espacios
vectoriales. Se puede decir, de forma intuitiva, que un espacio
vectorial es un conjunto de objetos con dos operaciones que
obedecen las reglas que acaban de escribirse.
En este tema ...

Cambio importante: del mundo concreto de la solución de
ecuaciones y del manejo sencillo de los vectores que se
visualizan, al mundo abstracto de los espacios vectoriales
arbitrarios.
Ventaja en este cambio: Una vez que, en términos generales,
se establecen los hechos sobre los espacios vectoriales, se
pueden aplicar estos hechos a todos los espacios de esta
naturaleza. De otro modo, tendría que probarse cada hecho
una y otra vez para cada nuevo espacio vectorial que nos
encontráramos (y existe un sinfín de ellos).
Definición 1
Un espacio vectorial real V es un conjunto de objetos, denominados vectores, junto
con dos operaciones binarias llamadas suma y multiplicación por un escalar, y que
satisfacen los diez axiomas siguientes:
1. Si x, y ∈ V , entonces x + y ∈ V (cerradura bajo la suma).
2. Si x, y ∈ V , entonces x + y = y + x (ley conmutativa de la suma de vectores).
3. Para todo x, y, z ∈ V , (x + y) + z = x + (y + z) (ley asociativa de la suma de
vectores).
4. Existe un vector 0 ∈ V tal que para todo x ∈ V , x + 0 = 0 + x = x (el 0 se
llama vector cero o idéntico aditivo).
5. Si x ∈ V , existe un vector −x ∈ V tal que x + (−x) = 0 (−x se llama inverso
aditivo de x).
6. Si x ∈ V y α es un escalar, entonces αx ∈ V (cerradura bajo la multiplicación
por un escalar).
7. Si x, y ∈ V y α es un escalar, entonces α (x + y) = αx + αy (primera ley
distributiva).
8. Si x ∈ V y α y β son escalares, entonces (α + β) x = αx + βx (segunda ley
distributiva).
9. Si x ∈ V y α y β son escalares, entonces α (βx) = (αβ) x (ley asociativa de la
multiplicación por escalares).
10. Para cada vector x ∈ V , 1x = x (el 1 se llama neutro multiplicativo).
Dos asuntos de importancia:

1. En primer lugar, mientras que puede ser útil pensar en R2 o
R3 al manejar un espacio vectorial, con frecuencia ocurre que
el espacio vectorial parece ser muy diferente a estos cómodos
espacios (en breve tocaremos este tema).
2. En segunda instancia, la definición 1 ofrece una definición de
un espacio vectorial real. La palabra “real” significa que los
escalares que se usan son números reales. Sería igualmente
sencillo definir un espacio vectorial complejo utilizando
números complejos en lugar de reales. Este curso está
dedicado principalmente a espacios vectoriales reales, pero las
generalizaciones a otros conjuntos de escalares presentan muy
poca dificultad.
Ejemplo 1
El espacio Rn  

x
 1 

 

 

 x  
 2

 

n
Sea V ∈ R =  .
 . 
 : xj ∈ R para i = 1, 2, . . . , n .
 . 

   


 


 

xn
 
n
Cada vector en R es una matriz de n × 1. Según la definición de suma de matrices, x + y es una
matriz de n × 1 si x y y son matrices de n × 1. Haciendo
 
0
 
0
 
 .. 
0= 
.
 
y
 
−x1
 −x2 
 
 
 ..  ,
−x =  
 . 
 
−xn
se observa que los axiomas 2 al 10 se obtienen de la definición de suma de vectores (matrices) y del
teorema 1 del tema «Vectores y matrices».
Ejemplo 2
Espacio vectorial trivial
Sea V = {0}. Es decir, V consiste sólo en el número 0. Como
0 + 0 = 1 · 0 = 0 + (0 + 0) = (0 + 0) + 0 = 0, se ve que V es un
espacio vectorial. Con frecuencia se le otorga el nombre de espacio
vectorial trivial.
Ejemplo 3
Conjunto que no es un espacio vectorial
Sea V = {1}. Es decir, V consiste únicamente del número 1. Éste
no es un espacio vectorial ya que viola el axioma 1) —el axioma de
cerradura—. Para verlo con más claridad, basta con observar que
1+1=2∈ / V . También viola otros axiomas; sin embargo, con sólo
demostrar que viola al menos uno de los diez axiomas queda
probado que V no es un espacio vectorial.
Ejemplo 4
El conjunto de puntos en R2 que se encuentran en una recta que pasa por el origen
constituye un espacio vectorial
Sea
V = {(x, y) : y = mx, donde m es un número real fijo y x es un número real arbitrario}
Es decir, V consiste en todos los puntos que están sobre la recta y = mx que pasa por
el origen y tiene pendiente m. Para demostrar que V es un espacio vectorial, se puede
verificar que se cumple cada uno de los axiomas. Observe que los vectores en R2 se
han escrito como renglones en lugar de columnas, lo que en esencia es lo mismo.
1. Suponga que x = (x1 , y1 ) y y = (x2 , y2 ) están en V . Entonces y1 = mx1 ,
y2 = mx2 , y
x + y = (x1 , y1 ) + (x2 , y2 ) = (x1 , mx1 ) + (x2 , mx2 ) = (x1 + x2 , mx1 + mx2 )

= (x1 + x2 , m(x1 + x2 )) ∈ V.
Por lo tanto se cumple el axioma 1.

2. Suponga que (x, y) ∈ V . Entonces y = mx y
− (x, y) = − (x, mx) = (−x, m(−x)) ,
de manera que −(x, y) también pertenece a V y
(x, mx) + (−x, m (−x)) = (x − x, m (x − x)) = (0, 0).

3. Como (0, 0) = (0, m · 0), entonces (0, 0) = 0 ∈ V , y
(x, mx) + (0, 0) = (x + 0, mx + 0) = (x, mx) .

Todo vector en V es un vector en R2 , y R2 es un espacio vectorial, como
se muestra en el ejemplo 1. Así que todas las demás propiedades se
deducen del ejemplo 1. Entonces V es un espacio vectorial.
Ejemplo 5
El conjunto de puntos en R2 que se encuentran sobre una recta que no pasa
por el origen no constituye un espacio vectorial
Sea V = {(x, y) : y = 2x + 1, x ∈ R}. Es decir, V es el conjunto de puntos que
están sobre la recta y = 2x + 1. V no es un espacio vectorial porque no se
cumple la cerradura bajo la suma, como sucede en el ejemplo 3. Para ver esto,
suponga que (x1 , y1 ) y (x2 , y2 ) están en V . Entonces,
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) .
Si el vector del lado derecho estuviera en V , se tendría
y1 + y2 = 2 (x1 + x2 ) + 1 = 2x1 + 2x2 + 1.
Pero y1 = 2x1 + 1 y y2 = 2x2 + 1, de manera que
y1 + y2 = (2x1 + 1) + (2x2 + 1) = 2x1 + 2x2 + 2.
Por lo tanto se concluye que si (x1 , y1 ) ∈ V y (x2 , y2 ) ∈ V , entonces
(x1 + x2 , y1 + y2 ) ∈
/ V.
Ejemplo 6
El conjunto de puntos en R3 que se encuentran en un plano que pasa por el
origen constituye un espacio vectorial
Sea V = {(x, y, z) : ax + by + cz = 0}. Esto es, V es el conjunto de puntos en
R3 que está en el plano con vector normal (a, b, c) y que pasa por el origen. Al
igual que en el ejemplo 4, los vectores se escriben como vectores renglón en
lugar de vectores columna.
Suponga que (x1 , y1 , z1 ) y (x2 , y2 , z2 ) están en V . Entonces,
(x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) ∈ V
porque
a(x1 +x2 )+b(y1 +y2 )+c(z1 +z2 ) = (ax1 + by1 + cz1 )+(ax2 + by2 + cz2 ) = 0+0 = 0.
Por lo tanto, el axioma 1) se cumple.

Como (0, 0, 0) = a · 0 + b · 0 + c · 0 = 0, entonces 0 = (0, 0, 0) ∈ V y
(x, y, z) + (0, 0, 0) = (x, y, z)
porque
(ax + by + cz) + (a · 0 + b · 0 + c · 0) = a(x + 0) + b(y + 0) + c(z + 0) = ax + by + cz.
Por lo tanto se verifica el axioma 4.

Suponga que (x, y, z) ∈ V . Entonces ax + by + cz = 0. Ahora,
− (x, y, z) = (−x, −y, −z) implica
a(−x) + b(−y) + c(−z) = − (ax + by + cz) = −0 = 0
lo que demuestra que − (x, y, z) ∈ V y
(ax + by + cz)+(a(−x) + b(−y) + c(−z)) = (a(x − x) + b(y − y) + c(z − z) = (0, 0, 0).
Por lo tanto se verifica el axioma 5.

Todo vector en V es un vector en R3 , y R3 es un espacio vectorial, como se muestra
en el ejemplo 1.Así que todas las demás propiedades se deducen del ejemplo 1. De
este modo, el conjunto de puntos que se encuentra en un plano en R3 que pasa por el
origen constituye un espacio vectorial.
Ejemplo 7
El espacio vectorial Pn
Sea V = Pn el conjunto de polinomios con coeficientes reales de grado menor o igual
a n. Si p ∈ Pn , entonces
p(x) = an xn + an−1 xn−1 + · · · + a1 x + a0
donde cada ai es un número real. La suma de p(x) + q(x) está definida de la manera
usual: si
q(x) = bn xn + bn−1 xn−1 + · · · + b1 x + b0 ,
entonces
p(x) + q(x) = (an + bn ) xn + (an−1 + bn−1 ) xn−1 + · · · + (a1 + b1 ) x + (a0 + b0 ) .
Es obvio que la suma de dos polinomios de grado menor o igual a n es otro polinomio
de grado menor o igual a n, por lo que se cumple el axioma 1). Las propiedades 2) y
5) a 10) son claras. Si se define el polinomio 0 = 0xn + 0xn−1 + · · · + 0x + 0,
entonces 0 ∈ Pn y el axioma 4) se cumple. Por último, sea
−p(x) = −an xn − an−1 xn−1 − · · · − a1 x − a0 ;
se ve que el axioma 5) se cumple, con lo que Pn es un espacio vectorial real.

Ejemplo 8
Los espacios vectoriales C[0, 1] y C[a, b]
Sea V = C [0, 1] el conjunto de funciones continuas de valores reales definidas en el
intervalo [0, 1]. Se define
(f + g) (x) = f (x) + g(x) y (αf ) (x) = α f (x).
Como la suma de funciones continuas es continua, el axioma 1) se cumple y como el

producto de un escalar por una función es continua, se verifica el axioma 6). Los otros
axiomas se verifican fácilmente con la función cero definida como la función constante
f0 (x) = 0 y (−f ) (x) = −f (x). Del mismo modo, C[a, b], el conjunto de funciones de
valores reales definidas y continuas en [a, b], constituye un espacio vectorial.
Ejemplo 9
El espacio vectorial Mmn
Si V = Mmn denota el conjunto de matrices de m × n con componentes reales,
entonces como la suma de matrices de tamaño m × n y la multiplicación de matrices
de tamaño m × n por un escalar también son matrices de tamaño m × n se verifican
los axiomas 1) y 6). Además, los otros ocho axiomas se siguen directamente del
teorema 1 del tema «Vectores y matrices» por lo que Mmn es un espacio vectorial
cuyo neutro aditivo es la matriz de ceros de dimensión m × n.
Ejemplo 10
Un conjunto de puntos en un semiplano puede no formar un
espacio vectorial
Sea V = {(x, y) : y ≥ 0}. V consiste en los puntos en R2 en el
semiplano superior (los primeros dos cuadrantes). Si y1 ≥ 0 y
y2 ≥ 0, entonces y1 + y2 ≥ 0; así, si (x1 , y1 ) ∈ V y (x2 , y2 ) ∈ V ,
entonces (x1 + x2 , y1 + y2 ) ∈ V . Sin embargo, V no es un espacio
vectorial ya que el vector (1, 1), por ejemplo, no tiene un inverso en
V porque (−1, −1) ∈ / V . Más aún, el axioma 6) falla, ya que si
(x, y) ∈ V , entonces α(x, y) ∈/ V si α < 0.
Ejemplo 11
El espacio Cn
Sea V = Cn = {(c1 , c2 , . . . , cn ) : ci ∈ C para i = 1, 2, . . . , n} y el
conjunto de escalares es el conjunto de números complejos. No es
difícil verificar que Cn también es un espacio vectorial.
Teorema 1
Sea V un espacio vectorial. Entonces
1. α0 = 0 para todo escalar α.
2. 0x = 0 para todo x ∈ V .
3. Si αx = 0, entonces α = 0 o x = 0.
4. (−1) x = −x para todo x ∈ V .
Demostración.
1. Por el axioma 4), 0 + 0 = 0; y del axioma 7),
α0 = α (0 + 0) = α0 + α0 (1)
Sumando −α0 en los dos lados de (1) y usando la ley asociativa (axioma 3), se
obtiene
α0 + (−α0) = (α0 + α0) + (−α0)

⇔ 0 = α0 + (α0 + (−α0))
⇔ 0 = α0 + 0
⇔ 0 = α0.
Demostración.
(Continuación)
2. Se usa, esencialmente, la misma prueba que en la parte 1). Se comienza con

0 + 0 = 0 y se usa el axioma 8) para ver que 0x = (0 + 0) x o
0x + (−0x) = 0x + (0x + (−0x))
o
0 = (0x + 0) = 0x.
3. Sea αx = 0. Si α 6= 0, se multiplica ambos lados de la ecuación por 1/α para
obtener (1/α) (αx) = (1/α) 0 = 0 (por la parte 1). Pero (1/α) (αx) = 1x, por
el axioma 9) y del axioma 10), x = 0.
4. Primero se usa el hecho de que 1 + (−1) = 0. Después, usando el inciso 3), se
obtiene
0 = 0x = (1 + (−1)) x = 1x + (−1) x = x + (−1) x. (2)
Se suma −x en ambos lados de (2) para obtener
−x = 0 + (−x) = x + (−1) x + (−x) = x + (−x) + (−1) x

= 0 + (−1) x = (−1) x.
De este modo, −x = (−1) x. Observe que el orden de la suma en la ecuación

anterior se pudo invertir utilizando la ley conmutativa (axioma 2).
Subespacios vectoriales
Del ejemplo 1, se sabe que R2 = {(x, y) : x ∈ R y y ∈ R} es un

espacio vectorial. En el ejemplo 4 se vio que V = {(x, y) : y = mx}
también es un espacio vectorial. Adicionalmente, es evidente que
V ⊂ R2 . Esto es, R2 tiene un subconjunto que también es un
espacio vectorial. De hecho, todos los espacios vectoriales tienen
subconjuntos que también son espacios vectoriales. En esta sección
se examinarán estos importantes subconjuntos.
Definición 2
Se dice que H es un subespacio vectorial de V si H es un
subconjunto no vacío de V , y H es un espacio vectorial, junto con
las operaciones de suma entre vectores y multiplicación por un
escalar definidas para V .
A continuación se demostrará un resultado que hace relativamente sencillo
determinar si un subconjunto de V es en realidad un subespacio de V .
Teorema 2
Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si y sólo
si se cumplen las dos reglas de cerradura:
1. Si x ∈ H y y ∈ H, entonces x + y ∈ H.
2. Si x ∈ H, entonces αx ∈ H para todo escalar α.
Demostración.
Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura deben
cumplirse. Por otro lado, para demostrar que H es un espacio vectorial, debe
demostrarse que los axiomas 1) a 10) se cumplen bajo las operaciones de suma de
vectores y multiplicación por un escalar definidas en V . Las dos operaciones de
cerradura [axiomas 1 y 6] se cumplen por hipótesis. Como los vectores en H son
también vectores en V , las propiedades asociativa, conmutativa, distributiva y
multiplicativas (axiomas 2, 3, 7, 8, 9 y 10) se cumplen. Sea x ∈ H. Entonces 0x ∈ H
por hipótesis 2. Pero por el teorema 1 parte 2, 0x = 0. De este modo, 0 ∈ H y se
cumple el axioma 4. Por último, por la parte 2, (−1)x ∈ H para todo x ∈ H. Por el
teorema 1 parte 4, −x = (−1)x ∈ H, de manera que se cumple el axioma 5 y la
prueba queda completa.
Este teorema demuestra que para probar si H es o no un subespacio de V , es

suficiente verificar que
x + y y αx están en H cuando x y y están en H y α es un escalar.
La prueba anterior contiene un hecho que por su importancia merece ser mencionado
de forma explícita:
Todo subespacio de un espacio vectorial V contiene al 0.
Este hecho con frecuencia facilitará la averiguación de si un subconjunto de V en
particular no es un subespacio de V . Es decir, si un subconjunto no contiene al 0,
entonces no es un subespacio. Note que el vector cero en H, un subespacio de V , es el
mismo que el vector cero en V .
Ejemplo 12
Subespacio trivial
Para cualquier espacio vectorial V , el subconjunto {0} que consiste en el vector cero
únicamente es un subespacio ya que 0 + 0 = 0 y α0 = 0 para todo número real α
[parte 1 del teorema 1]. Esto se denomina subespacio trivial.
Ejemplo 13
Un espacio vectorial es un subespacio en sí mismo
Para cada espacio vectorial V , V es un subespacio de sí mismo.
Los primeros dos ejemplos muestran que todo espacio vectorial V
contiene dos subespacios, {0} y V (que coinciden si V = {0}). Es
más interesante encontrar otros subespacios. Los subespacios
distintos a {0} y V se denominan subespacios propios.
Ejemplo 14
Un subespacio propio de R2
Sea H = {(x, y) : y = mx} (vea el ejemplo 4). Entonces, como ya
se dijo, H es un subespacio de R2 . Posteriormente veremos que si
H es cualquier subespacio propio de R2 , entonces H consiste en el
conjunto de puntos que se encuentran sobre una recta que pasa por
el origen; es decir, un conjunto de puntos que se encuentra sobre
una recta que pasa por el origen es el único tipo de subespacio
propio de R2 .
Ejemplo 15
Un subespacio propio de R3
Sea H = {(x, y, z) : x = at, y = bt y z = ct; a, b, c, t ∈ R}.
Entonces H consiste en los vectores en R3 que se encuentran sobre
una recta que pasa por el origen. Para ver que H es un subespacio
de R3 , sea x = (at1 , bt1 , ct1 ) ∈ H y y = (at2 , bt2 , ct2 ) ∈ H.
Entonces
x + y = (a (t1 + t2 ) , b (t1 + t2 ) , c (t1 + t2 )) ∈ H
y
αx = (a (αt1 ) , b (αt1 ) , c (αt1 )) ∈ H.
Así, H es un subespacio de R3 .
Ejemplo 16
Otro subespacio propio de R3
Sea P = {(x, y, z) : ax + by + cz = 0; a, b, c ∈ R}. Entonces,
como se vio en el ejemplo 6, P es un espacio vectorial; así, P es
un subespacio de R3 .
Observación
Posteriormente se demostrará que los conjuntos de vectores que se
encuentran sobre rectas y planos que pasan por el origen son los
únicos subespacios propios de R3 .
Observación
Antes de analizar más ejemplos, es importante observar que no
todo espacio vectorial tiene subespacios propios.
Ejemplo 17
R no tiene subespacios propios
Sea H un subespacio de R. Si H 6= {0}, entonces H contiene un número real
α diferente de cero. Por el axioma 6, 1 = (1/α) α ∈ H y β · 1 = β ∈ H para
todo número real β. Así, si H no es el subespacio trivial, entonces H = R. Es
decir, R no tiene subespacios propios.
Ejemplo 18
Algunos subespacios propios de Pn
Si Pn denota el espacio vectorial de polinomios de grado menor o igual a n
(ejemplo 7), y si 0 ≤ m < n, entonces Pm es un subespacio propio de Pn como
se verifica fácilmente.
Ejemplo 19
Un subespacio propio de Mmn
Sea Mmn (ejemplo 9) el espacio vectorial de matrices de m × n con
componentes reales y sea H = {A ∈ Mmn : a11 = 0}. Por la definición de
suma de matrices y multiplicación por un escalar, es obvio que los dos axiomas
de cerradura se cumplen de manera que H es un subespacio.
Ejemplo 20
Un subconjunto que no es un subespacio propio de Mmn
Sea V = Mnn (las matrices de n × n) y sea H = {A ∈ Mnn : A es invertible}.
Entonces H no es un subespacio ya que la matriz cero de n × n no está en H.
Ejemplo 21
Un subespacio propio de C [0, 1]
Sea Pn [0, 1] ⊂ C [0, 1] (vea el ejemplo 8) porque todo polinomio es continuo y
Pn es un espacio vectorial para todo entero n de manera que cada Pn [0, 1] es
un subespacio de C[0, 1].
Ejemplo 22
C 1 [0, 1] es un subespacio propio de C [0, 1]
Sea C 1 [0, 1] el conjunto de funciones con primeras derivadas continuas
definidas en [0, 1]. Como toda función diferenciable es continua, se tiene
C 1 [0, 1] ⊂ C [0, 1]. Puesto que la suma de dos funciones diferenciables es
diferenciable y un múltiplo constante de una función diferenciable es
diferenciable, se ve que C 1 [0, 1] es un subespacio de C[0, 1]. Se trata de un
subespacio propio porque no toda función continua es diferenciable.
Ejemplo 23
Otro subespacio propio deR C[0, 1]
1
Si f ∈nC [0, 1], entonces 0 f (x) dxoexiste. Sea
R1
H = f ∈ C [0, 1] : 0 f (x) dx = 0 . Si f ∈ H y g ∈ H, entonces
R1 R1 R1
0 [f (x) + g(x)] dx = 0 f (x) dx + 0 g(x) dx = 0 + 0 = 0 y
R1 R1
0 αf (x) dx = α 0 f (x) dx = 0. Así f + g y αf están en H para
todo número real α. Esto muestra que H es un subespacio propio
de C[0, 1]. Como lo ilustran los últimos tres ejemplos, un espacio
vectorial puede tener un número grande y variado de subespacios
propios.
Antes de terminar esta sección, se demostrará un hecho interesante
sobre subespacios.
Teorema 3
Sean H1 y H2 dos subespacios de un espacio vectorial V . Entonces H1 ∩ H2 es
un subespacio de V .
Demostración.
Observe que H1 ∩ H2 es no vacío porque contiene al 0. Sea x1 ∈ H1 ∩ H2 y
x2 ∈ H1 ∩ H2 . Entonces como H1 y H2 son subespacios x1 + x2 ∈ H1 y
x1 + x2 ∈ H2 . Esto significa que x1 + x2 ∈ H1 ∩ H2 . De manera similar,
αx1 ∈ H1 ∩ H2 . Por lo tanto, se cumplen los dos axiomas de cerradura y
H1 ∩ H2 es un subespacio de V .
Ejemplo 24
La intersección de dos subespacios de R3 es un subespacio
En R3 sean H1 = {(x, y, z) : 2x − y − z = 0} y
H2 = {(x, y, z) : x + 2y + 3z = 0}. Entonces H1 y H2 consisten en vectores
que se encuentran sobre planos que pasan por el origen y son, según el ejemplo
16, subespacios de R3 . H1 ∩ H2 es la intersección de los dos planos que se
calculan como saben del curso Cálculo Vectorial:
x + 2y + 3z = 0
2x − y − z = 0
Reduciendo renglones, se tiene
! ! ! !
1 2 3 0 1 2 3 0 1 2 3 0 1 0 1 0
→ → → 5
2 −1 −1 0 0 −5 −7 0 0 1 7 0 0 1 7 0
5 5
De este modo, todas las soluciones al sistema homogéneo están dadas

por − 15 z, − 75 z, z .
Haciendo z = t, se obtienen las ecuaciones paramétricas de la recta L en
R3 : x = − 51 t, y = − 57 t, z = t. Como se observó en el ejemplo 15, el
conjunto de vectores sobre L constituye un subespacio de R3 .
Observación
No es necesariamente cierto que si H1 y H2 son subespacios de V ,
H1 ∪ H2 es un subespacio de V (puede o no serlo). Por ejemplo,
H1 = {(x, y) : y = 2x} y H2 = {(x, y) : y = 3x} son subespacios de R2 ,
pero H1 ∪ H2 no es un subespacio. Para ver esto, observe que
(1, 2) ∈ H1 y (1, 3) ∈ H2 , de manera que tanto (1, 2) como (1, 3) están
en H1 ∪ H2 . Pero (1, 2) + (1, 3) = (2, 5) ∈
/ H1 ∪ H2 porque (2, 5) ∈
/ H1 y
(2, 5) ∈
/ H2 . Así, H1 ∪ H2 no es cerrado bajo la suma y por lo tanto no
es un subespacio.
Combinación lineal y espacio generado
Sabemos que todo vector v = (a, b, c) en R3 se puede escribir en la

forma
v = ai + bj + ck
en cuyo caso se dice que v es una combinación lineal de los tres
vectores i, j y k. De manera más general, se tiene la siguiente
definición.
Definición 3
Sean v1 , v2 , . . . , vn vectores en un espacio vectorial V . Entonces
cualquier vector de la forma
a1 v1 + a2 v2 + · · · + an vn (3)
donde, a1 , a2 , . . . , an son escalares se denomina una combinación

lineal de v1 , v2 , . . . , vn .
Ejemplo 25
3
Una combinación
 lineal en R    
−7 −1 5
En R3 ,  7  es una combinación lineal de  2  y  −3  ya que
     
7 4 1
     
−7 −1 5
7  = 2 2  −  −3  .
     

7 4 1
Ejemplo 26
Una combinación lineal en M23
En M23 , ! ! !
−3 2 8 −1 0 4 0 1 −2
=3 +2 ,
−1 9 3 1 1 5 −2 3 −6
!
−3 2 8
lo que muestra que es una combinación lineal de
−1 9 3
! !
−1 0 4 0 1 −2
y .
1 1 5 −2 3 −6
Ejemplo 27
Combinaciones lineales en Pn
En Pn todo polinomio se puede escribir como una combinación lineal de los “monomios”
1, x, x2 , . . . , xn .
Definición 4
Conjunto generador
Se dice que los vectores v1 , v2 , . . . , vn de un espacio vectorial V generan a V si todo vector en V se
puede escribir como una combinación lineal de los mismos. Es decir, para todo v ∈ V existen escalares
a1 , a2 , . . . , an tales que
v = a1 v1 + a2 v2 + · · · + an vn . (4)
Ejemplo 28
Conjunto de vectores que generan R2 y R3
   
! ! 1 0
1 0 2
Sabemos que los vectores i = yj= generan R . También sabemos que i = 0, j = 1
   
0 1
0 0
 
0
y k = 0 generan a R3 .
 
1
Ejemplo 29
n + 1 vectores que generan a Pn
Del ejemplo 27 se deduce que los monomios 1, x, x2 , . . . , xn generan a Pn .
Ejemplo 30
Cuatro vectores que generan a M22
Como ! ! ! ! !
a b 1 0 0 1 0 0 0 0
=a +b +c +d ,
c d 0 0 0 0 1 0 0 1
vemos que ! ! ! !
1 0 0 1 0 0 0 0
, , y
0 0 0 0 1 0 0 1
generan a M22 .
Ejemplo 31
Ningún conjunto finito de polinomios generan a P
Sea P el espacio vectorial de polinomios. Entonces ningún conjunto
finito de polinomios genera a P . Para ver esto, suponga que
p1 , p2 , . . . , pm son polinomios. Sea pk el polinomio de mayor grado
en este conjunto y sea N = grado(pk ). Entonces el polinomio
p(x) = xN +1 no se puede escribir como una combinación lineal de
p1 , p2 , . . . , pm . Por ejemplo, si N = 3, entonces
x4 6= c0 + c1 x + c2 x2 + c3 x3 para cualesquiera escalares c0 , c1 , c2 y
c3 .
Ahora se analizará otra forma de encontrar subespacios de un
espacio vectorial V .
Definición 5
Espacio generado por un conjunto de vectores
Sean v1 , v2 , . . . , vk , k vectores de un espacio vectorial V . El espacio generado
por {v1 , v2 , . . . , vk } es el conjunto de combinaciones lineales de
v1 , v2 , . . . , vk . Es decir
gen {v1 , v2 , . . . , vk } = {v : v = a1 v1 + a2 v2 + · · · + ak vk } (5)
donde a1 , a2 , . . . , ak son escalares arbitrarios.
Teorema 4
El espacio generado por vectores es un subespacio vectorial
Si v1 , v2 , . . . , vk son vectores en un espacio vectorial V , entonces
gen {v1 , v2 , . . . , vk } es un subespacio de V .
Demostración.
La prueba es sencilla y se deja como ejercicio.
Ejemplo 32
El espacio generado por dos vectores en R3
Sean v1 = (2, −1, 4) y v2 = (4, 1, 6). Entonces,
H = gen {v1 , v2 } = {v : v = a1 (2, −1, 4) + a2 (4, 1, 6)} .
¿Cuál es la apariencia de H? Si v = (x, y, z) ∈ H, entonces se tiene x = 2a1 + 4a2 , y = −a1 + a2 y

z = 4a1 + 6a2 . Si se piensa que (x, y, z) es fijo, entonces estas ecuaciones se pueden ver como un
sistema de tres ecuaciones con dos incógnitas a1 , a2 . Este sistema se resuelve en la forma usual:
     
−1 1 y 1 −1 −y R2 →R2 −2R1 1 −1 −y
 R1 →−R1   R3 →R3 −4R1 
2 4 x −−−−−−−−
→ 2 4 x −−−−−−−−−−−→ 0 6 x + 2y 
 

4 6 z 4 6 z 0 10 z + 4y
x − 2y
   
1 −1 −y R1 →R1 +R2 1 0
R2 → 1 R2  R3 →R3 −10R2  6 3
6 x+2y x + y
−
−−−−−−−
→ 0 1  −−−−−−−−−−−→  0 1
 
6 6 3 
−5x 2y
0 10 z + 4y 0 0 3
+ 3 +z
Se sabe que el sistema tiene una solución si −5x

3
+ 2y
3
+ z = 0; o multiplicando por −3, si
5x − 2y − 3z = 0. (6)
La ecuación (6) es la ecuación de un plano en R3 que pasa por el origen.

Este último ejemplo se puede generalizar para probar el siguiente hecho
interesante:
El espacio generado por dos vectores diferentes de cero en R3
que no son paralelos es un plano que pasa por el origen.
Observación
En las definiciones 4 y 5 se utilizaron dos términos diferentes: “genera” y
“espacio generado”. Se hace hincapié en que
Un conjunto de vectores v1 , v2 , . . . , vn genera a V si todo vec-
tor en V se puede escribir como una combinación lineal de
v1 , v2 , . . . , vn ;
pero
El espacio generado por los k vectores v1 , v2 , . . . , vk es el con-
junto de combinaciones lineales de estos vectores.
Estos dos conceptos son diferentes —aun cuando los términos se
parezcan—.
Se cierra esta sección con la mención de un resultado útil. Su

demostración no es difícil y se deja como ejercicio.
Teorema 5
Sean v1 , v2 , . . . , vn , vn+1 , n + 1 vectores que están en un espacio
vectorial V . Si v1 , v2 , . . . , vn genera a V , entonces v1 , v2 , . . . , vn , vn+1
también genera a V . Es decir, si se agregan uno o más vectores a un
conjunto generador se obtiene otro conjunto generador.
Independencia lineal
En el estudio del álgebra lineal, una de las ideas centrales es la de dependencia o independencia
lineal de los vectores.
En esta sección se define el significado de independencia lineal y se muestra su relación con la
teoría de sistemas homogéneos de ecuaciones y determinantes.
! !
1 2
¿existe una relación especial entre los vectores v1 = y v2 = ? Por supuesto, se puede
2 4
apreciar que v2 = 2v1 ; o, escribiendo esta ecuación de otra manera,
2v1 − v2 = 0. (7)
En otras palabras, el vector cero se puede escribir como una combinación no trivial de v1 y v2 (es decir,
donde los coeficientes en la combinación lineal no son ambos cero).
     
1 −4 −5
¿Qué tienen de especial los vectores v1 =  2 , v2 =  1  y v3 =  8 ? La respuesta
     
3 5 19
a esta pregunta es más difícil a simple vista. Es fácil verificar que v3 = 3v1 + 2v2 ; reescribiendo esto se
obtiene
3v1 + 2v2 − v3 = 0. (8)
Se ha escrito el vector cero como una combinación lineal de v1 y v2 (ecuación 7) o como una
combinación lineal de v1 , v2 y v3 (ecuación 8).
En cada caso, se dice que los vectores son linealmente dependientes.
Definición 6
Dependencia e independencia lineal
Sean v1 , v2 , . . . , vn n vectores en un espacio vectorial V . Entonces se
dice que los vectores son linealmente dependientes si existen n escalares
c1 , c2 , . . . , cn no todos cero tales que
c1 v1 + c2 v2 + · · · + cn vn = 0 (9)
Si los vectores no son linealmente dependientes, se dice que son

linealmente independientes.
Es decir:
v1 , v2 , . . . , vn son linealmente independientes si la ecuación
c1 v1 + c2 v2 + · · · + cn vn = 0 se cumple únicamente para
c1 = c2 = · · · = cn = 0.
Son linealmente dependientes si el vector cero en V se puede
expresar como una combinación lineal de v1 , v2 , . . . , vn con
coeficientes no todos iguales a cero.
Teorema 6
Dependencia e independencia lineal
Dos vectores en un espacio vectorial son linealmente dependientes si y sólo si uno de
ellos es un múltiplo escalar del otro.
Demostración.
Primero suponga que v2 = cv1 para algún escalar c 6= 0. Entonces cv1 − v2 = 0 y v1
y v2 son linealmente dependientes. Por otro parte, suponga que v1 y v2 son
linealmente dependientes. Entonces existen constantes c1 y c2 al menos una distinto
de cero, tales que c1 v1 + c2 v2 = 0. Si c1 6= 0, entonces dividiendo entre c1 se obtiene
v1 + (c2 /c1 ) v2 = 0, o sea,
c2
v1 = − v2 .
c1
Es decir, v1 es un múltiplo escalar de v2 . Si c1 = 0, entonces c2 6= 0 y, por lo tanto,
v2 = 0 = 0v1 .
Ejemplo 33
Dos vectores linealmente dependientes 4
  en R 
2 −6
   
 −1   3 
Los vectores v1 =  0  y v2 =  0  son linealmente dependientes ya que
  
   
3 −9
v2 = −3v1 .
Ejemplo 34
Dos vectores linealmente independientes en R3
   
1 2
Los vectores v1 =  2  y v2 =  5  son linealmente independientes ya que si
   
4 −3
no lo fueran se tendría que v2 = cv1 ; esto es
     
2 1 c
5  = c  2  =  2c  .
     

−3 4 4c
Entonces, 2 = c, 5 = 2c y −3 = 4c, lo cual es evidentemente imposible para cualquier

número c.
Ejemplo 35
Determinación de la dependencia o independencia lineal de tres vectores en R3
     
1 2 0
Determine si los vectores  −2 ,  −2  y  1  son linealmente
     
3 0 7
dependientes o independientes.
Solución
Suponga que
       
1 2 0 0
c1  −2  + c2  −2  + c3  1  =  0  .
       
3 0 7 0
Entonces se obtiene
   
c1 + 2c2 0
 −2c1 − 2c2 + c3  =  0  .
   
3c1 + 7c3 0
Esto lleva al sistema homogéneo de tres ecuaciones con tres incógnitas c1 , c2 y c3 :
c1 + 2c2 =0
−2c1 − 2c2 + c3 = 0 (10)
3c1 + 7c3 = 0
De este modo, los vectores serán linealmente dependientes si y sólo si el sistema (10)
tiene soluciones no triviales. Se escribe el sistema (10) usando una matriz aumentada
y después se reduce por renglones. La forma escalonada reducida por renglones de
 
1 2 0 0
 −2 −2 1 0 
 
3 0 7 0
es  
1 0 0 0
 0 1 0 0 .
 
0 0 1 0
Este último sistema de ecuaciones se lee c1 = 0, c2 = 0, c3 = 0. Por lo tanto, (10) no

tiene soluciones no triviales y los vectores dados son linealmente independientes.
Ejemplo 36
Determinación de la dependencia
   lineal
 de vectores en R3
 tres 
1 3 11
     
Determine si los vectores  −3 ,  0  y  −6 
    
 son linealmente
0 4 12
Solución
Suponga que
       
1 3 11 0
       
c1 
 −3 
 + c2 0 
  + c 3  −6 
  =  0
 .

0 4 12 0
Entonces se obtiene el sistema homogéneo
c1 + 3c2 + 11c3 = 0
−3c1 − 6c3 = 0 (11)
4c2 + 12c3 = 0
Escribiendo el sistema (11) en la forma de matriz aumentada y reduciendo por renglones, se obtiene
  
1 3 11 0 1 3 11 0
 −3 0 −6 0 → 0 9 27 0 →
   
0 4 12 0 0 4 12 0
   
1 3 11 0 1 0 2 0
→ 0 1 3 0  →  0 1 3 0 .
   
0 4 12 0 0 0 0 0
Este resultado muestra que el sistema (11) tiene un número infinito de soluciones. Por ejemplo, la
última matriz aumentada se lee
c1 + 2c3 = 0
c2 + 3c3 = 0.
Si hacemos c3 = 1, se tiene c2 = −3 y c1 = −2, por lo que
       
1 3 11 0
−2  −3  − 3  0  +  −6  =  0  ,
       
0 4 12 0
lo que implica que éstos vectores son linealmente dependientes.

Interpretación geométrica de la dependencia lineal en R3
En el ejemplo 35 se encontraron tres vectores en R3 que eran linealmente independientes. En el ejemplo
36 se encontraron tres vectores que eran linealmente dependientes. ¿Qué significado geométrico tiene
esto?
Suponga que u, v y w son tres vectores linealmente dependientes en R3 . Se pueden tratar los vectores
como si tuvieran un punto terminal en el origen. Entonces existen constantes c1 , c2 y c3 , no todas cero,
tales que
c1 u + c2 v + c3 w = 0. (12)
Suponga que c3 6= 0 (un resultado similar se cumple si c1 6= 0 o c2 6= 0). Entonces se pueden dividir
ambos lados de (12) entre c3 y resolver para w y obtener
c1 c2
w=− u− v = Au + Bv
c3 c3
donde A = −c1 /c3 y B = −c2 /c3 . Ahora se demostrará que u, v y w son coplanares. Se calcula
w · (u × v) = (Au + Bv) · (u × v) = A (u · (u × v)) + B (v · (u × v))

=A·0+B·0=0
porque u y v son ambos ortogonales a u × v. Sea n = u × v. Si n = 0, entonces u y v son paralelos

(y colineales). Así u, v y w están en cualquier plano que contiene tanto a u como a v y por
consiguiente son coplanares. Si n 6= 0, entonces u y v están en el plano que consiste en aquellos
vectores que pasan por el origen que son ortogonales a n. Pero w está en el mismo plano porque
w · n = w · (u × v) = 0. Esto muestra que u, v y w son coplanares.
Se puede demostrar que si u, v y w son coplanares, entonces son linealmente dependientes. Se concluye
que
Tres vectores en R3 son linealmente dependientes si y sólo si son coplanares.

La Figura 1 ilustra este hecho utilizando los vectores en los
ejemplos 35 y 36.
(a) Tres vectores linealmente (b) Tres vectores linealmente

independientes y no coplanares. dependientes y coplanares.
Figura 1: Dos conjuntos de tres vectores.

Teorema 7
Un conjunto de n vectores en Rm es siempre linealmente dependiente si n > m.
Demostración.
Sean v1 , v2 , . . . , vn n vectores en Rm e intentemos encontrar constantes c1 , c2 , . . . , cn no todos
cero tales que
c1 v1 + c2 v2 + · · · + cn vn = 0 (13)
Sean      
a11 a12 a1n
     
 a21   a22   a2n 
     
 ..
v1 =   , v2 =  .  , . . . , vn =  .  .
  .   . 
 .  .   . 
     

am1 am2 amn
Entonces la ecuación (13) se convierte en
a11 c1 + a12 c2 + · · · + c1n cn = 0

a21 c1 + a22 c2 + · · · + c2n cn = 0
. . . .
. . . .
. . . . (14)
am1 c1 + am2 c2 + · · · + amn cn = 0
Pero el sistema (14), según el teorema que está en la última transparencia del tema «Sistemas de
ecuaciones lineales», tiene un número infinito de soluciones si n > m. De esta forma, existen escalares
c1 , c2 , . . . , cn no todos cero , que satisfacen (14) y, por lo tanto, los vectores v1 , v2 , . . . , vn son
linealmente dependientes.
Ejemplo 37
Cuatro vectores en R3 que son linealmente dependientes
Los vectores
       
2 4 18 2
       
 −3  ,  7  ,  −7  y  −7 
       
4 −6 3 3
son linealmente dependientes ya que constituyen un conjunto de

cuatro vectores de tres elementos.
Existe un corolario importante del teorema 7.
Corolario 1
Un conjunto de vectores linealmente independientes en Rn contiene
a lo sumo n vectores.
Del sistema (14) se puede hacer otra observación importante cuya prueba se deja
como ejercicio.
Teorema 8
Sea  
a11 a12 ··· a1n
···
 
 a21 a22 a2n 
A= .
 
 . .. .. 
 . . . 

am1 am2 ··· amn
Entonces las columnas de A consideradas como vectores son linealmente dependientes

si y sólo si el sistema (14), que se puede escribir como Ac = 0, tiene soluciones no
triviales, donde  
c1
 
 c2 
c =  . .
 
 . 
 . 
cn
Ejemplo 38
Considere el sistema homogéneo
x1 + 2x2 − x3 + 2x4 = 0
3x1 + 7x2 + x3 + 4x4 = 0. (15)
Solución
Haciendo una reducción de renglones:
! ! !
1 2 −1 2 0 1 2 −1 2 0 1 0 −9 6 0
→ → .
3 7 1 4 0 0 1 4 −2 0 0 1 4 −2 0
El último sistema es
x1 − 9x3 + 6x4 = 0
x2 + 4x3 − 2x4 = 0.
Se ve que este sistema tiene un número infinito de soluciones, que se escriben como
una combinación lineal de los vectores columna:
       
x1 9x3 − 6x4 9 −6
       
x2  −4x3 + 2x4 
 = x3  −4  + x4  2 
  
 =
x  
 (16)
 3  x 3



 1 


 0 

x4 x4 0 1
Observe que    
9 −6
   
 −4   2 
  y  
 1   0 
   
0 1
son soluciones linealmente independientes para (15) porque ninguno de los dos es
múltiplo del otro. Como x3 y x4 son números reales arbitrarios, se ve de (16) que el
conjunto de soluciones al sistema (15) es un subespacio de R4 generado por estos dos
vectores solución linealmente independientes.
Los siguientes dos teoremas se deducen directamente del teorema 8.
Teorema 9
Sean v1 , v2 , . . . , vn n vectores en Rn y sea A una matriz de n × n cuyas columnas
son v1 , v2 , . . . , vn . Entonces v1 , v2 , . . . , vn son linealmente independientes si y sólo
si la única solución al sistema homogéneo Ax = 0 es la solución trivial x = 0.
Demostración.
Ésta es la del teorema 8 para el caso m = n.
Teorema 10
Sea A una matriz de n × n. Entonces det A 6= 0 si y sólo si las columnas de A son
Demostración.
Del teorema 9 y del teorema de resumen (versión 5), las columnas de A son
linealmente independientes sí y sólo si 0 es la única solución a Ax = 0 o si y sólo si
det A 6= 0.
Teorema 11
Teorema de resumen (versión 6)
Sea A una matriz de n × n. Entonces las ocho afirmaciones siguientes son
equivalentes; es decir, cada una implica a las otras siete (de manera que si una es
cierta, todas son ciertas).
1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).
3. El sistema Ax = b tiene una solución única para cada vector de dimensión n b.
4. Aes equivalente por renglones a la matriz identidad de n × n, In .
5. A es el producto de matrices elementales.
6. La forma escalonada por renglones de A tiene n pivotes.
7. det A 6= 0.
8. Las columnas (y renglones) de A son linealmente independientes.
Teorema 12
Cualquier conjunto de n vectores linealmente independiente en Rn genera a Rn .
Demostración.
Sean      
a11 a12 a1n
     
 a21   a22   a2n 
v1 =  .  , v2 =  .  , . . . , vn =  .  ,
     
 .   .   . 
 .   .   . 
an1 an2 ann
vectores linealmente independientes y sea

 
x1
 
 x2 
v= . 
 
 . 
 . 
xn
un vector en Rn . Debemos demostrar que existen escalares c1 , c2 , . . . , cn tales que
v = c1 v1 + c2 v2 + · · · + cn vn .
Es decir        
x1 a11 a12 a1n
       
 x2   a21   a22   a2n 
(17)
       
 .  = c1  .  + c2  .  + · · · + cn  .  .
 .   .   .   . 
 .   .   .   . 
       
xn an1 an2 ann
En (17) se multiplican componentes, se igualan y se suman para obtener un sistema de n ecuaciones

con n incógnitas c1 , c2 , . . . , cn :
a11 c1 + a12 c2 + · · · + c1n cn = x1

a21 c1 + a22 c2 + · · · + c2n cn = x2
. . . .
. . . .
. . . . (18)
an1 c1 + an2 c2 + · · · + ann cn = xn .
Se puede escribir (18) como Ac = v, donde
   
a11 a12 ··· a1n c1
···
   
 a21 a22 a2n   c2 
   
 ..
A= . .   ..  .
yc= 
. . 
 . . .   . 
   
an1 an2 ··· ann cn
Pero det A 6= 0 ya que las columnas de A son linealmente independientes. De manera que el sistema
(18) tiene una solución única c por el teorema 11 y el teorema queda demostrado.
Ejemplo 39
Tres vectores en R3 generan R3 si su determinante es diferente de cero
Los vectores (2, −1, 4), (1, 0, 2) y (3, −1, 5) generan R3 porque

2
−1 4
1 0 2 = −1 6= 0

3 −1 5
y, por lo tanto, son independientes.
Ejemplo 40
Tres matrices linealmente independientes en M23
Sean
! ! !
1 0 2 −1 1 4 −1 0 1
A1 = , A2 = y A3 = .
3 1 −1 2 3 0 1 2 1
Determine si A1 , A2 y A3 son linealmente dependientes o independientes.

Solución
Suponga que c1 A1 + c2 A2 + c3 A3 = 0. Entonces
! ! ! !
0 0 0 1 0 2 −1 1 4 −1 0 1
= c1 + c2 + c3
0 0 0 3 1 −1 2 3 0 1 2 1
!
c1 − c2 − c3 c2 2c1 + 4c2 + c3
= .
3c1 + 2c2 + c3 c1 + 3c2 + 2c3 −c1 + c3
Esto nos proporciona un sistema homogéneo de seis ecuaciones con tres

incógnitas, c1 , c2 y c3 , en el cual resulta bastante sencillo verificar que la única
solución es c1 = c2 = c3 = 0. De este modo, las tres matrices son linealmente
independientes.
Ejemplo 41
Cuatro polinomios linealmente independientes en P3
En P3 determine si los polinomios 1, x, x2 y x3 son linealmente dependientes o
independientes.
Solución
Suponga que c1 + c2 x + c3 x2 + c4 x3 = 0. Esto debe cumplirse para todo número real x. En
particular, si x = 0, se obtiene c1 = 0. Entonces, haciendo x = 1, −1, 2, se obtiene, sucesivamente,
c2 + c3 + c4 = 0
−c2 + c3 − c4 = 0
2c2 + 4c3 + 8c4 = 0
El determinante de este sistema homogéneo es

1 1 1
−1 1 −1 = 12 6= 0.

2 4 8
De manera que el sistema tiene una solución única c1 = c2 = c3 = c4 = 0 y los cuatro polinomios son
linealmente independientes. Esto se puede ver de otra forma. Se sabe que cualquier polinomio de grado
3 tiene a lo más tres raíces reales. Pero si c1 + c2 x + c3 x2 + c4 x3 = 0 para algunas constantes
diferentes de cero c1 , c2 , c3 y c4 y para todo número real x, entonces se ha construido un polinomio
cúbico para el que todo número real es una raíz, lo cual es imposible.
Bases y dimensión
Definición 7 (Base)
Un conjunto finito de vectores {v1 , v2 , . . . , vn } es una base para un espacio vectorial V si
1. {v1 , v2 , . . . , vn } es linealmente independiente.
2. {v1 , v2 , . . . , vn } genera a V .
Ya se han analizado algunos ejemplos de bases. En el Teorema 12, por ejemplo, se vio que cualquier
conjunto de n vectores linealmente independientes en Rn genera a Rn . De esta forma,
Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn .
En Rn se define        
1 0 0 0
0  1  0  0
       
       
0  0  1  0
e1 = 
  , e2 =   , e3 =   , . . . , en =   .
      
. . . .
. . . .
. . . .
0 0 0 1
Puesto que los vectores ei son las columnas de una matriz identidad (que tiene determinante 1),
{e1 , e2 , . . . , en } es un conjunto linealmente independiente y, por lo tanto, constituye una base en Rn .
Esta base especial se denomina base canónica en Rn .
Bases y dimensión
Ejemplo 42
Por el Ejemplo 41, los polinomios 1, x,nx2 y x3 son olinealmente independientes en P3 ; por el Ejemplo
29, estos polinomios generan P3 . Así, 1, x, x2 , x3 es una base para P3 . Ésta se denomina la base
n o
canónica para P3 . En general, los monomios 1, x, x2 , x3 , . . . , xn es una base para Pn . Ésta se
denomina la base canónica para Pn .
Ejemplo 43
En el Ejemplo 30 se vio que
! ! ! !
1 0 0 1 0 0 0 0
, , y
0 0 0 0 1 0 0 1
generan a M22 . Si
! ! ! ! ! !
c1 c2 1 0 0 1 0 0 0 0 0 0
= c1 + c2 + c3 + c4 = ,
c3 c4 0 0 0 0 1 0 0 1 0 0
entonces es evidente que c1 = c2 = c3 = c4 = 0. Así, estas cuatro matrices son linealmente

independientes y forman una base para M22 , lo que se denomina base canónica para M22 .
Bases y dimensión
Ejemplo 44
Una base para un subespacio de R3
Encuentre una base para el conjunto de vectores que se encuentra en el plano
  
 x
 

π = y  : 2x − y + 3z = 0 .
 
 
z
 
En el Ejemplo 12 se observó que π es un espacio vectorial. Para encontrar una base, primero se observa
que si x y z se escogen arbitrariamente y si (x, y, z) ∈ π, entonces y = 2x + 3z. Así, los vectores en π
tienen la forma          
x x 0 1 0
2x + 3z  = 2x + 3z  = x 2 + z 3
         
z 0 z 0 1
lo cual muestra que (1, 2, 0) y (0, 3, 1) generan a π. Como es evidente que estos dos vectores son
linealmente independientes (porque uno no es múltiplo del otro), forman una base para π.
Si v1 , v2 , . . . , vn es una base para V , entonces cualquier otro vector v ∈ V se puede escribir como
v = c1 v1 + c2 v2 + · · · + cn vn . ¿Puede escribirse de otra manera como una combinación lineal de
los vectores vi ? La respuesta es no.

Bases y dimensión
Teorema 13
Si {v1 , v2 , . . . , vn } es una base para V , entonces existe un conjunto único de
escalares c1 , c2 , . . . , cn tales que v = c1 v1 + c2 v2 + · · · + cn vn .
Demostración.
Existe cuando menos un conjunto de dichos escalares porque {v1 , v2 , . . . , vn } genera
a V . Suponga entonces que v se puede escribir de dos maneras como una
combinación lineal de los vectores de la base. Es decir, suponga que
v = c1 v1 + c2 v2 + · · · + cn vn = d1 v1 + d2 v2 + · · · + dn vn .
Entonces, restando se obtiene la ecuación
(c1 − d1 ) v1 + (c2 − d2 ) v2 + · · · + (cn − dn ) vn = 0.
Pero como los vi son linealmente independientes, esta ecuación se cumple si y sólo si
c1 − d1 = c2 − d2 = · · · = cn − dn = 0 y el teorema queda demostrado.
Bases y dimensión
Se ha visto que un espacio vectorial tiene múltiples bases. Una pregunta surge
de manera natural: ¿contienen todas las bases el mismo número de vectores? En
R3 la respuesta es: por supuesto, sí. Para ver esto, se observa que cualesquiera
tres vectores linealmente independientes en R3 forman una base. Pero menos
vectores no pueden formar una base ya que, como se vio ya, el espacio generado
por dos vectores linealmente independientes en R3 es un plano —y un plano no
es todo R3 —. De manera similar, un conjunto de cuatro vectores o más en R3
no puede ser linealmente independiente, pues si los tres primeros vectores en el
conjunto son linealmente independientes, entonces forman una base; por lo
tanto, todos los demás vectores en el conjunto se pueden expresar como una
combinación lineal de los primeros tres. Entonces, todas las bases en R3
contienen tres vectores.
El siguiente teorema nos indica que la respuesta a la pregunta anterior es sí para
todos los espacios vectoriales.
Bases y dimensión
Teorema 14
Si {u1 , u2 , . . . , um } y {v1 , v2 , . . . , vn } son bases en un espacio vectorial V , entonces
m = n; es decir, cualesquiera dos bases en un espacio vectorial V tienen el mismo
número de vectores.
Demostración.
Sean S1 = {u1 , u2 , . . . , um } y S2 = {v1 , v2 , . . . , vn } dos bases para V . Debe
demostrarse que m = n. Esto se prueba mostrando que si m > n, entonces S1 es un
conjunto linealmente dependiente, lo que contradice la hipótesis de que S1 es una
base. Esto demostrará que m ≤ n. La misma prueba demostrará que n ≤ m, y esto
prueba el teorema. Así, basta demostrar que si m > n, entonces S1 es dependiente.
Como S2 constituye una base, todo ui se puede expresar como una combinación lineal
de las vj . Se tiene
u1 = a11 v1 + a12 v2 + · · · + a1n vn

u2 = a21 v1 + a22 v2 + · · · + a2n vn
.. .. .. ..
. . . . (19)
um = am1 v1 + am2 v2 + · · · + amn vn
Para demostrar que S1 es dependiente, deben encontrarse escalares c1 , c2 , . . . , cm , no

todos cero, tales que
c1 u1 + c2 u2 + . . . + cm um = 0. (20)
Bases y dimensión
Demostración.
Sustituyendo (19) en (20) se obtiene
c1 (a11 v1 + a12 v2 + · · · + a1n vn ) + c2 (a21 v1 + a22 v2 + · · · + a2n vn )

+ · · · + cm (am1 v1 + am2 v2 + · · · + amn vn ) = 0 (21)
La ecuación (21) se puede reescribir como
(a11 c1 + a21 c2 + · · · + am1 cm ) v1 + (a12 c1 + a22 c2 + · · · + am2 cm ) v2

+ · · · + (a1n c1 + a2n c2 + · · · + amn cm ) vn = 0 (22)
Pero como v1 , v2 , . . . , vn son linealmente independientes, se debe tener
a11 c1 + a21 c2 + · · · + am1 cm = 0

a12 c1 + a22 c2 + · · · + am2 cm = 0
. . .
. . .
. . . (23)
a1n c1 + a2n c2 + · · · + amn cm = 0
El sistema (23) es un sistema homogéneo de n ecuaciones con las m incógnitas c1 , c2 , . . . , cm , y como

m > n, el sistema tiene un número infinito de soluciones. De esta forma, existen escalares
c1 , c2 , . . . , cm , no todos cero, tales que (20) se satisface y, por lo tanto, S1 es un conjunto linealmente
dependiente. Esta contradicción prueba que m ≤ n. Si se cambian los papeles de S1 y S2 , se
demuestra que n ≤ m y la prueba queda completa.
Bases y dimensión
Por este teorema se puede definir uno de los conceptos centrales en
el álgebra lineal.
Definición 8 (Dimensión)
Si el espacio vectorial V tiene una base con un número finito de
elementos, entonces la dimensión de V , denotada por dim V , es el
número de vectores en todas las bases y V se denomina espacio
vectorial de dimensión finita. De otra manera, V se denomina
espacio vectorial de dimensión infinita. Si V = {0}, entonces se
dice que V tiene dimensión cero.
Ejemplo 45
La dimensión de Rn
Como n vectores linealmente independientes en Rn constituyen una
base, se observa que
dim Rn = n.
Bases y dimensión
Ejemplo 46
La dimensión de Pn
Por el Ejemplo 42, los monomios 1, x, x2 , x3 , . . . , xn es una base para Pn .

Entonces dim Pn = n + 1.
Ejemplo 47
La dimensión de Mmn
En Mmn , sea Aij la matriz de m × n con un uno en la posición ij y cero en
otra parte. Es sencillo demostrar que las matrices Aij para i = 1, 2, . . . , m y
j = 1, 2, . . . , n forman una base para Mmn . Así, dim Mmn = mn.
Ejemplo 48
P tiene dimensión infinita
En el Ejemplo 31 se observó que ningún conjunto finito de
polinomios genera a P . Entonces P no tiene una base finita y, por
lo tanto, es un espacio vectorial de dimensión infinita.
Bases y dimensión
Existe un gran número de teoremas sobre la dimensión de un espacio vectorial.
Teorema 15
Suponga que dim V = n. Si u1 , u2 , . . . , um es un conjunto de m vectores linealmente independientes
en V , entonces m ≤ n.
Demostración.
Sea v1 , v2 , . . . , vn una base para V . Si m > n, entonces, igual que en la prueba del Teorema 14, se
pueden encontrar constantes c1 , c2 , . . . , cm no todas cero, tales que la ecuación (20) se satisface. Esto
contradice la independencia lineal de los vectores ui . Así, m ≤ n.
Teorema 16
Sea H un subespacio de un espacio vectorial de dimensión finita V . Entonces H tiene dimensión finita y
dim H ≤ dim V. (24)
Demostración.
Sea dim V = n. Cualquier conjunto de vectores linealmente independientes en H es también
linealmente independiente en V . Por el Teorema 15, cualquier conjunto linealmente independiente en H
puede contener a lo más n vectores. Si H = {0}, entonces dim H = 0. Si dim H 6= 0, sea v1 6= 0 un
vector en H y H1 = gen {v1 }. Si H1 = H, dim H = 1 y la prueba queda completa. De lo contrario,
elija a v2 ∈ H tal que v2 ∈/ H1 y sea H2 = gen {v1 , v2 }, y así sucesivamente. Continuamos hasta
encontrar vectores linealmente independientes v1 , v2 , . . . , vk tales que H = gen {v1 , v2 , . . . , vk }.
El proceso tiene que terminar porque se pueden encontrar a lo más n vectores linealmente
independientes en H. Entonces dim H = k ≤ n.
Bases y dimensión
El Teorema 16 tiene algunas consecuencias interesantes.

Presentaremos dos de ellas.
Ejemplo 49
C [0, 1] y C 1 [0, 1] tienen dimensión infinita
Sea P [0, 1] el conjunto de polinomios definido 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 según el
ejemplo 48, no es así. Por lo tanto, C[0, 1] tiene dimensión infinita.
De manera similar, 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.
En términos generales,
Cualquier espacio vectorial que contiene un subespacio de dimen-
sión infinita es de dimensión infinita.
Bases y dimensión
Ejemplo 50
Los subespacios de R3
Se puede usar el Teorema 16 para encontrar todos los subespacios de R3 . Sea H un subespacio de R3 .
Existen cuatro posibilidades: dim H = 0, dim H = 1, dim H = 2 y dim H = 3. Si dim H = 3,
entonces H contiene una base de tres vectores linealmente independientes v1 , v2 , v3 ∈ R3 . Pero
entonces v1 , v2 , v3 también forman una base para R3 , y así, H = gen {v1 , v2 , v3 } = R3 . Por lo
tanto, la única manera de obtener un subespacio propio de R3 es teniendo dim H = 1 o dim H = 2. Si
dim H = 1, entonces H tiene una base que consiste en un vector v = (a, b, c). Sea x en H. Entonces
x = t(a, b, c) para algún número real t (puesto que (a, b, c) genera a H). Si x = (x, y, z), esto
significa que x = at, y = bt, y z = ct. Pero ésta es la ecuación de una recta en R3 que pasa por el
origen con la dirección del vector (a, b, c).
Ahora, suponga que dim H = 2 y sea v1 = (a1 , b1 , c1 ) y v2 = (a2 , b2 , c2 ) una base para H. Si
x = (x, y, z) ∈ H, entonces existen números reales s y t tales que x = sv1 + tv2 o
(x, y, z) = s(a1 , b1 , c1 ) + t(a2 , b2 , c2 ). Entonces
x = sa1 + ta2
y = sb1 + tb2 (25)
z = sc1 + tc2 .
Sea v3 = (α, β, γ) = v1 × v2 . Entonces se tiene que v3 · v1 = 0 y v3 · v2 = 0. Ahora calculamos
αx + βy + γz = α (sa1 + ta2 ) + β (sb1 + tb2 ) + γ (sc1 + tc2 )

= (αa1 + βb1 + γc1 ) s + (αa2 + βb2 + γc2 ) t
= (v3 · v1 ) s + (v3 · v2 ) t = 0.
Así, si (x, y, z) ∈ H, entonces αx + βy + γz = 0, lo que muestra que H es un plano que pasa por el
origen con vector normal v3 = v1 × v2 . Por lo tanto, se ha demostrado que
Nota: Los únicos subespacios propios de R3 son los conjuntos de vectores que se encuentran en una
recta o un plano que pasa por el origen.
Bases y dimensión
Ejemplo 51
Espacios solución y espacio nulo
Sea A una matriz m × n y sea S = {x ∈ Rn : Ax = 0}. Sean
x1 ∈ S y x2 ∈ S; entonces A (x1 + x2 ) = Ax1 + Ax2 = 0 + 0 = 0
y A (αx1 ) = α (Ax1 ) = α0 = 0, de manera que S es un
subespacio de Rn y dim S ≤ n. S se denomina espacio solución del
sistema homogéneo Ax = 0. También se denomina espacio nulo de
la matriz A.
Ejemplo 52
Una base para el espacio solución de un sistema homogéneo
Encuentre una base (y la dimensión) para el espacio solución S del
sistema homogéneo
x + 2y − z = 0
2x − y + 3z = 0
Bases y dimensión
!
1 2 −1
Aquí A = . Como A es una matriz de 2 × 3, S es
2 −1 3
un subespacio de R3 . Reduciendo por renglones, se encuentra,
sucesivamente,
! !
1 2 −1 0 R2 →R2 −2R1 1 2 −1 0
−−−−−−−−→
2 −1 3 0 0 −5 5 0
! !
R2 →− 15 R2 1 2 −1 0 R1 →R1 −2R2 1 0 1 0
−−−−−−−→ −−−−−−−−→ .
0 1 −1 0 0 1 −1 0
Entonces y = z y x = −z, de manera que todas las soluciones son

de la forma (−z, z, z)T . Así, (−1, 1, 1)T es una base para S y
dim S = 1. Observe que S es el conjunto de vectores que se
encuentran en la recta x = −t, y = t, z = t.
Bases y dimensión
Ejemplo 53
Una base para el espacio solución de un sistema homogéneo
Encuentre una base para el espacio solución S del sistema
2x − y + 3z = 0
4x − 2y + 6z = 0
−6x + 3y − 9z = 0
Reduciendo renglones se obtiene

   
2 −1 3 0 R2 →R2 −2R1 2 −1 3 0
R3 →R3 +3R1
4 −2 6 0 −−−−−−−−−−
→ 0 0 0 0 
   

−6 3 −9 0 0 0 0 0
lo que da una sola ecuación: 2x − y + 3z = 0. S es un plano y, por el Ejemplo 44, una

base está dada por (1, 2, 0)T y (0, 3, 1)T y dim S = 2.
Bases y dimensión
Teorema 17
Cualquier conjunto de n vectores linealmente independientes en un
espacio vectorial V de dimensión n constituyen una base para V .
Demostración.
Sean v1 , v2 , . . . , vn , n vectores. Si generan el espacio V , entonces
constituyen una base. De lo contrario, existe un vector u ∈ V tal que
u∈/ gen {v1 , v2 , . . . , vn }. Esto significa que los n + 1 vectores
v1 , v2 , . . . , vn , u son linealmente independientes. Para ver esto, observe
que si
c1 v1 + c2 v2 + · · · + cn vn + cn+1 u = 0. (26)
Entonces cn+1 = 0, porque de lo contrario podríamos escribir u como
una combinación lineal de v1 , v2 , . . . , vn dividiendo la ecuación (26)
entre cn+1 y poniendo todos los términos, excepto u, en el lado derecho.
Pero si cn+1 = 0, entonces (26) es
c1 v1 + c2 v2 + · · · + cn vn = 0
lo que significa que c1 = c2 = · · · = cn = 0, ya que los vi son

Bases y dimensión
Continuación.
Ahora sea W = gen {v1 , v2 , . . . , vn , u}. Como todos los vectores
entre las llaves están en V , W es un subespacio de V . Como
v1 , v2 , . . . , vn , u son linealmente independientes, forman una base para
W , y dim W = n + 1. Pero por el Teorema 16, dim W ≤ n. Esta
contradicción muestra que no existe el vector u ∈ V tal que
u∈/ gen {v1 , v2 , . . . , vn }. Así, v1 , v2 , . . . , vn genera a V y, por
consiguiente, constituye una base para V .
Cambio de Base
En R2 se expresaron vectores en términos de la base canónica

i = (1, 0)T , j = (0, 1)T
En Rn se definió la base canónica {e1 , e2 , . . . , en }
En Pn se definió la base estándar como 1, x, x2 , ..., xn

Estas bases se usan ampliamente por la sencillez que ofrecen el

trabajar con ellas
Pero en ocasiones ocurre que es más conveniente alguna otra
base
Existe un número infinito de bases para elegir, ya que en un
espacio vectorial de dimensión n, cualquier conjunto de n
vectores linealmente independientes, forman una base
En esta sección se verá cómo cambiar de una base a otra
mediante el cálculo de cierta matriz
Cambio de Base
Ejemplo 54
Sean ! !
1 0
u1 = y u2 = .
0 1
Entonces, B1 = {u1 , u2 } es la base canónica en R2 . Sean
! !
1 −1
v1 = y v2 = .
3 2
Como v1 y v2 son linealmente independientes (porque v1 no es un múltiplo de v2 ), B2 = {v1 , v2 }

es una segunda base en R2 . Sea !
x1
x=
x2
un vector en R2 . Esta notación significa que
! ! !
x1 1 0
x= = x1 + x2 = x1 u1 + x2 u2 .
x2 0 1
Es decir, x está expresado en términos de los vectores de la base B1 . Para hacer hincapié en este hecho,
se escribe !
x1
(x)B =
1 x2
y a este vector se le denomina vector de coordenadas (o matriz de coordenadas) con respecto a B1 , ya

que son las coordenadas de x con respecto a la base B1 .
Cambio de Base
Como B es otra base en R , existen escalares c y c2 tales que
2 2 1
x = c1 v1 + c2 v2 . (27)
Una vez que se encuentran estos escalares, se puede escribir
!
c1
(x)B =
2 c2
para indicar que x está ahora expresado en términos de los vectores en B2 . Para encontrar los números
c1 y c2 , se escribe la base anterior (u1 y u2 ) en términos de la nueva base (v1 y v2 ). Es sencillo
verificar que ! ! !
1 2 1 −1
u1 = = 5 − 35
= 2 v − 5
5 1
3v
2 (28)
0 3 2
y ! ! !
0 1 −1
u2 = = 1
5
+ 1
5
= 1 1v
v + 5
5 1 2 (29)
1 3 2
es decir, ! !
2 1
(u1 )B = 5 y (u2 )B = 5 .
2 −3
5
2 1
5
Entonces, de (28) y (29)

x = x1 u1 + x2 u2 = x1 2 3v
v − 5
5 1
1 1
2 + x2 5 v1 + 5 v2
2 1 3 1

= x1 + x2 v1 + − x1 + x2 v2 .
5 5 5 5
Cambio de Base
Así, de 27
2 1
c1 = x1 + x2
5 5
3 1
c2 = − x1 + x2
5 5
o ! ! ! !
c1 2x + 1 x 2 1 x1
(x)B = = 5 1 5 2 = 5 5 .
2 c2 −3 1x
x + 5
5 1 2
3
−5 1
5
x2
!
3
Por ejemplo, si (x)B = , entonces
1 −4
! ! !
2 1 3 2
(x)B = 5 5 = 5 .
2 −3
5
1
5
−4 − 13
5
Verificación.
! ! ! ! ! !
2 13 2 1 13 −1 2 + 13 3 1 0
v1 − v2 = − = 5 5 = =3 −4
3 2 6 − 26 −4 0 1
5 5 5 5 5 5
= 3u1 − 4u2 .
Cambio de Base !
2 1
La matriz A = 5 5 se denomina matriz de transición de B1 a B2 , y se ha demostrado que
−3
5
1
5
(x)B = A (x)B . (30)

2 1
( ! !) ( ! !)
1 0 1 −1
En la Figura 2 se ilustran las dos bases , y , .
0 1 3 2
Figura 2: Dos bases.

Cambio de Base
Es sencillo generalizar este ejemplo. Sin embargo, antes es necesario ampliar la
notación.
Sean B1 = {u1 , u2 , · · · , un } y B2 = {v1 , v2 , · · · , vn } dos bases para un espacio
vectorial real V de dimensión n. Sea x ∈ V . Entonces x se puede escribir en términos
de ambas bases:
x = b1 u1 + b2 u2 + · · · + bn un (31)
y
x = c1 v 1 + c2 v 2 + · · · + cn v n (32)
 
b1
 
 b2 
donde las bi y ci son números reales. Así, (x)B1 =  .  denota al vector de
 
.
.
bn
coordenadas de x con respecto a B1 . Los coeficientes bi en (31) son únicos. De igual
 
c1
 
 c2 
manera, (x)B2 =  .  tiene un significado similar.
 
 . 
 . 
cn
Cambio de Base
Suponga que w1 = a1 u1 + a2 u2 + · · · + an un y w2 = b1 u1 + b2 u2 + · · · + bn un .
Entonces
w1 + w2 = (a1 + b1 ) u1 + (a2 + b2 ) u2 + · · · + (an + bn ) un ,
de manera que
(w1 + w2 )B1 = (w1 )B1 + (w2 )B1 .
Es decir, en la nueva notación se pueden sumar vectores igual que como se suman en
Rn . Los coeficientes de la “suma” de vectores son las sumas de los coeficientes de los
dos vectores individuales. Más aún, es sencillo demostrar que
α (w)B1 = (αw)B1 .
Ahora, como B2 es una base, cada uj en B1 se puede escribir como una combinación
lineal de las vi . Así, existe un conjunto único de escalares a1j , a2j , . . . , anj tales que
para j = 1, 2, . . . , n
uj = a1j v1 + a2j v2 + · · · + anj vn (33)
o sea,  
a1j
 
 a2j 
(uj )B =  . . (34)
 
2  . 
 . 
anj
Cambio de Base
Definición 9
La matriz A de n × n cuyas columnas están dadas por (34) se denomina matriz
de transición de la base B1 a la base B2 . Esto es,
 
a11 a12 · · · a1n
 
 a21 a22 · · · a2n 
A= . (35)
 
 .. .. .. 
 . . 

an1 an2 · · · ann
↑ ↑ ↑
(u1 )B2 (u2 )B2 (un )B2
Teorema 18
Sea B1 y B2 bases para un espacio vectorial V . Sea A la matriz de transición
de B1 a B2 . Entonces para todo x ∈ V
(x)B2 = A (x)B1 (36)

Cambio de Base
Demostración.
Se usa la representación de x dada en (31) y (32) y de (33):
x = b1 u1 + b2 u2 + · · · + bn un
= b1 (a11 v1 + a21 v2 + · · · + an1 vn ) + b2 (a12 v1 + a22 v2 + · · · + an2 vn )
+ · · · + bn (a1n v1 + a2n v2 + · · · + ann vn )
= (a11 b1 + a12 b2 + · · · + a1n bn ) v1 + (a21 b1 + a22 b2 + · · · + a2n bn ) v2
+ · · · + (an1 b1 + an2 b2 + · · · + ann bn ) vn
= c1 v1 + c2 v2 + · · · + cn vn . (37)
Así, de (37)
   
c1 a11 b1 + a12 b2 + · · · + a1n bn
 a21 b1 + a22 b2 + · · · + a2n bn 
   
 c2 
   
 ..  = 
(x)B =  .
  
2 . 
 .  .
   
 
cn an1 b1 + an2 b2 + · · · + ann bn
  
a11 a12 ··· a1n b1
···
  
a a22 a2n   b2 
 21
(38)
 
 .. . . 
=  .  = A (x)
B1 .
. .  . 
 
 . . .  . 

an1 an2 ··· ann bn

Cambio de Base
Teorema 19
Sea A la matriz de transición de B1 a B2 . Entonces A−1 es la matriz de transición de B2 a B1 .
Demostración.
Sea C la matriz de transición de B2 a B1 . Entonces de (36) se tiene
(x)B = C (x)B . (39)

1 2
Pero (x)B = A (x)B , y sustituyendo esto en (39) se obtiene

2 1
(x)B = CA (x)B . (40)

1 1
Por lo tanto, se concluye que CA = I. Así, A es invertible y A−1 es igual a C, la matriz de transición
de B2 a B1 .
Observación
Este teorema hace especialmente sencillo encontrar la matriz de transición a partir de una base canónica
B1 = {e1 , e2 , . . . , en } en Rn a cualquier otra base en Rn . Sea B2 = {v1 , v2 , . . . , vn } cualquier
otra base. Sea C la matriz cuyas columnas son los vectores v1 , v2 , . . . , vn . Entonces C es la matriz de
transición de B2 a B1 , ya que cada vector vi está expresado ya en términos de la base canónica.
Cambio de Base
Ejemplo 55
Expresión de vectores en R3 en términos de una nueva base
       

 1 3 0 
 x
3
En R , sea B1 = {i, j, k} y B2 =  0  ,  −1  ,  1  . Si x =  y  ∈ R3 ,
       
 
2 0 −2 z
 
escriba x en términos de los vectores en B2 .
Solución
1

3 0
Primero se verifica que B2 es una base. Esto es evidente ya que 0 −1 1 = 8 6= 0. Como

2 0 −2
     
1 0 0
u1 = 0, u2 = 1 y u3 = 0 , de inmediato se ve que la matriz de transición C de B2 a B1
     
0 0 1
está dada por
 
1 3 0
C = 0 −1 1 
 
2 0 −2
Así, de acuerdo con el teorema 19, la matriz de transición A de B1 a B2 es
 
2 6 3
−1 1 
A=C =  2 −2 −1  .

8
2 6 −1
Cambio de Base
Solución (Continuación)
 
1
Por ejemplo, si (x)B =  −2 , entonces
 
1
4
1
      
2 6 3 1 2 4
1  1  1
(x)B =  2 −2 −1   −2  = 2 = .
    
2 8 8
 4
2 6 −1 4 −14 −7
4
Para verificar, observe que
           
1 3 0 1 0 0
1  1  7 
 0 +  −1  − 1  = 1 0  − 2 1  + 4 0 .
        

4 4 4
2 0 −2 0 0 1
Cambio de Base
Ejemplo 56
Expresión de polinomios en P2 en n
términos o
de una nueva base n o
En P2 , la base canónica es B1 = 1, x, x2 . Otra base es B2 = 4x − 1, 2x2 − x, 3x2 + 3 . Si
p = a0 + a1 x + a2 x2 , escriba p en términos de los polinomios en B2 .
Solución
Primero se verifica que B2 es una base. Si c1 (4x − 1) + c2 2x2 − x + c3 3x2 + 3 = 0 para toda
x, entonces al reacomodar los términos se obtiene
2
(−c1 + 3c3 ) 1 + (4c1 − c2 ) x + (2c2 + 3c3 ) x = 0.
n o
Pero como 1, x, x2 es un conjunto linealmente independiente, se debe tener
−c1 + 3c3 = 0
4c1 − c2 =0
2c2 + 3c3 = 0

−1 0 3

El determinante de este sistema homogéneo es 4 −1 0 = 27 6= 0, lo que significa que

0 2 3
c1 = c2 = c3 = 0 es la única solución.
Cambio de Base
Solución (continuación)
     
−1 0 3
Ahora (4x − 1)B = 4 , 2x2 − x =  −1  y 3 + 3x2 =  0 .
     
1 B1 B1
0 2 3
 
−1 0 3
Así, C =  4 −1 0  es la matriz de transición de B2 a B1 , de manera que
 
0 2 3
 
−3 6 3
−1 1 
A=C =  −12 −3 12 

27
8 2 1
 
a0
es la matriz de transición de B1 a B2 . Como a0 + a1 x + a2 x2 = a1 , se tiene
 
B1
a2
  
−3 6 3 a0

2
1 
a0 + a1 x + a2 x = −12 −3 12  a1 
 

B2 27
8 2 1 a2
 1 
(−3a 0 + 6a1 + 3a 2 )
 127
=  27 (−12a0 − 3a1 + 12a2 ) .

1 (8a0 + 2a1 + a2 )
27
Cambio de Base
Por ejemplo, si p(x) = 5x2 − 3x + 4, entonces
15
    
−3 6 3 4 − 27
1 
5x2 − 3x + 4 21

=  −12 −3 12   −3  = 
   
B2 27 27 
31
8 2 1 5 27
o
15 21 31
5x2 − 3x + 4 = − 2x2 − x + 3x2 + 3 .

(4x − 1) +
27 27 27
El problema de encontrar una matriz de transición es un poco más difícil cuando
ninguna de las dos bases es canónica. Sin embargo, según el Teorema 19, también en
este caso se puede utilizar la eliminación de Gauss-Jordan para encontrar la matriz de
transición A−1 . Primero se definen dos matrices B1 y B2 cuyas columnas
corresponden a los vectores en B1 = {u1 , u2 , . . . , un } y en B2 = {v1 , v2 , . . . , vn }.
Es decir,
Cambio de Base
   
u11 u12 ··· u1n v11 v12 ··· v1n
··· ···
   
 u21 u22 u2n   v21 v22 v2n 
   
 ..
B1 =  .
.
. 
. 
y  ..
B2 =  .
.
. 
. 
.
 . . .   . . . 
   
un1 un2 ··· unn vn1 vn2 ··· vnn
Luego, al reducir la matriz

h i 1 ] de n × 2n de modo que la matriz B2 se convierta en la matriz
[ B2 | B
identidad In , esto es, In | A−1 . Este procedimiento se establece formalmente en el siguiente teorema.
Teorema 20 (Matriz de transición de B1 a B2 )

Sean B1 = {u1 , u2 , . . . , un } y B2 = {v1 , v 2 , . . . , vn } dos bases de Rn . Entonces, la matriz de
transición A−1 de B1 a B2 puede determinarse mediante la eliminación de Gauss-Jordan en la matriz
[ B2 | B1 ] de n × 2n como sigue h i
−1
[ B2 | B1 ] → In | A .
Demostración.
Para empezar, sea
u1 = c11 v1 + c21 v2 + · · · + cn1 vn

u2 = c12 v1 + c22 v2 + · · · + cn2 vn
.
.
.
un = c1n v1 + c2n v2 + · · · + cnn vn
Cambio de Base
continuación de la demostración.
lo cual implica que
       
v11 v12 v1n u1i
       
 v21   v22   v2n   u2i 
       
 .. 
c1i  + c2i  .  + · · · + c ni  .  =  .. 
      
 .   . 
. . . .
   
       
vn1 vn2 vnn uni
para i = 1, 2, . . . , n. A partir de estas ecuaciones vectoriales se pueden escribir los n sistemas de

ecuaciones lineales
v11 c1i + v12 c2i + · · · + v1n cni = u1i

v21 c1i + v22 c2i + · · · + v2n cni = u2i
.
.
.
vn1 c1i + vn2 c2i + · · · + vnn cni = uni
para i = 1, 2, . . . , n. Como cada uno de los sistemas tiene la misma matriz de coeficientes, se pueden
reducir todos los n sistema simultáneamente utilizando la siguiente matriz aumentada
 
v11 v12 ··· v1n u11 u12 ··· u1n
··· ···
 
 v21 v22 v2n u21 u22 u2n 
 
 . . . . . . 
 . . . . . . 
 . . . . . . 
 
vn1 vn2 ··· unn un1 un2 ··· unn

Cambio de Base
continuación de la demostración.
Aplicando la eliminación de Gauss-Jordan a esta matriz resulta
 
1 0 ··· 0 c11 c12 ··· c1n
··· ···
 
0 1 0 c21 c22 c2n 
 
. . . . . . 
. . . . . . 
. . . . . . 
 
0 0 ··· 1 cn1 cn2 ··· cnn
h i
el lado derecho de esta matriz es A−1 , lo que implica que la matriz tiene la forma In | A−1 , lo cual
demuestra el teorema.
Ejemplo( 57 ! !) ( ! !)
3 2 2 −5
Sean B1 = , y B2 = , dos bases en R2 . Si
1 −1 4 3
!
b1
(x)B = , exprese x en términos de los vectores de B2 .
1 b2
Cambio de Base
Solución
Este problema es un poco más difícil porque ninguna de las dos bases es canónica. De acuerdo al
Teorema 20, la matriz de transición A−1 de B1 a B2 puede determinarse mediante la eliminación de
Gauss-Jordan en la matriz [ B2 | B1 ] de 2 × 4. Sea [ B2 | B1 ] como sigue
!
2 −5 3 2
.
4 3 1 −1
Aplicando la eliminación de Gauss-Jordan en esta matriz, se obtiene
!
1 0 14 1
26 26 .
0 1 − 10
26
− 10
26
Entonces, !
−1 1 14 1
A =
26 −10 −10
y ! ! !
1 14 1 b1 1 (14b + b )
26 1 2
(x)B = = .
2 26 −10 −10 b2 − 10
26
(b1 + b2 )
!
7
Por ejemplo, si en la base canónica x = ; entonces
4
! ! !
7 3 2 b1
=
4 1 −1 b2
B1
Cambio de Base
que define el sistema de ecuaciones
3b1 + 2b2 = 7
b1 − b2 = 4
cuya solución es b1 = 3 y b2 = −1, de manera que

! !
7 3
=
4 −1
B1
y ! ! ! !
41
7 1 14 1 3 26
= = 20
.
4 26 −10 −10 −1 − 26
B2
Haciendo uso de la notación de esta sección se puede deducir una manera conveniente
para determinar si un conjunto de vectores dado en cualquier espacio vectorial de
dimensión finita es linealmente dependiente o independiente.
Cambio de Base
Teorema 21
Sea B1 = {v1 , v2 , . . . , vn } una base del espacio vectorial V de dimensión n. Suponga
que
     
a11 a12 a1n
     
 a21   a22   a2n 
(x1 )B1 =  .  , (x2 )B1 =  .  , . . . , (xn )B1 =  .  .
     
 .   .   . 
 .   .   . 
an1 an2 ann
Sea  
a11 a12 ··· a1n
···
 
 a21 a22 a2n 
A= . .
 
 . .. .. 
 . . . 

an1 an2 ··· ann
Entonces x1 , x2 , . . . , xn son linealmente independientes si y sólo si det A 6= 0.

Cambio de Base
Demostración.
Sean a1 , a2 , ..., an las columnas de A. Suponga que
c1 x1 + c2 x2 + · · · + cn xn = 0. (41)
Después, si se emplea la suma definida en la página 84, se puede escribir (41) como
(c1 a1 + c2 a2 + · · · + cn an )B1 = (0)B1 . (42)
La ecuación (42) da dos representaciones del vector cero en V en términos de los

vectores de la base B1 . Como la representación de un vector en términos de los
vectores de la base es única (por el teorema 13, página 64) se concluye que
c1 a1 + c2 a2 + · · · + cn an = 0 (43)
donde el cero de la derecha es el vector cero en Rn . Pero esto prueba el teorema, ya

que la ecuación (43) incluye a las columnas de A, que son linealmente independientes
si y sólo si det A 6= 0.
Cambio de Base
Ejemplo 58
Determinación de si tres polinomios en P2 son linealmente dependientes o
independientes.
En P2 , determine si los polinomios 3 − x, 2 + x2 y 4 + 5x − 2x2 son linealmente
Solución
Si se utiliza la base B! = 1, x, x2 se tiene

     
3 2 4
=  −1  , 2 + x2 B =  0  , 4 + 5x − 2x2 B = 

(3 − x)B1 5 .
     
1 1
0 1 −2
Entonces
3 2 4

det A = −1 0 5 = −23 6= 0,

0 1 −2
por lo que los polinomios son independientes.

Cambio de Base
Ejemplo 59
Determinación de si cuatro matrices de 2 × 2 !
son linealmente !
! !
1 2 −1 3 2 −1 1 4
En M22 determine si las matrices , , y son
3 6 −1 1 0 1 4 9
linealmente dependientes o independientes.
Solución
Utilizando la base estándar
( ! ! ! !)
1 0 0 1 0 0 0 0
B1 = , , ,
0 0 0 0 1 0 0 1
se obtiene

1 −1 2 1

2 3 −1 4
det A = = 0,
3 −1 0 4

6 1 1 9
de manera que las matrices son dependientes. Observe que det A = 0, porque el cuarto renglón es la
suma de los tres primeros. Además, observe que
! ! ! ! !
1 2 −1 3 2 −1 1 4 0 0
−29 −7 + + 20 =
3 6 −1 1 0 1 4 9 0 0
lo que ilustra que las cuatro matrices son linealmente dependientes.

Rango, nulidad, espacio renglón y espacio columna
Estudiamos ya la noción de independencia lineal.

Se demostró que si A es una matriz invertible de n × n,
entonces las columnas y los renglones de A forman conjuntos
de vectores linealmente independientes.
Sin embargo, si A no es invertible (de manera que det A 6= 0),
o si A no es una matriz cuadrada, entonces estos resultados no
dicen nada sobre el número de renglones o columnas
linealmente independientes de A. Eso es lo que se estudiará en
esta sección.
También se mostrará la forma en la cual se puede obtener una
base para el espacio generado de un conjunto de vectores
mediante la reducción por renglones.
El siguiente teorema establece que el conjunto de todas las soluciones del sistema homogéneo Ax = 0
es un subespacio de Rn .
Definición 10 (Espacio nulo y nulidad de una matriz)

Sea A una matriz de m × n y sea
n
(44)

NA = x∈R : Ax = 0 .
NA se denomina el espacio nulo de la matriz A y la dimensión del espacio nulo, denotado por
ν(A) = dim NA , se denomina nulidad de A. Si NA contiene sólo al vector cero, entonces ν(A) = 0.
Ejemplo 60
Espacio nulo y nulidad de una!matriz de 2 × 3
1 2 −1
Sea A = . Entonces, como se vio en el Ejemplo 52 de la página 73, NA está
2 −1 3
 
−1
generado por  1 , y ν(A) = 1.
 
Ejemplo 61
Espacio nulo y nulidad de una matriz de 3 × 3
 
2 −1 3
Sea A =  4 −2 6 . Entonces, como se vio en el Ejemplo 53 de la página 75,
 
−6 3 −9
   
 1
 0  
2 , 3 es una base para NA , y ν(A) = 2.
   
 
0 1
 
Teorema 22
Sea A una matriz de n × n. Entonces A es invertible si y sólo si ν(A) = 0.
Demostración.
Ya hemos demostrado que A es invertible si y sólo si la única solución al sistema homogéneo Ax = 0 es
la solución trivial x = 0. Pero según la ecuación (44), esto significa que A es invertible si y sólo si
NA = {0}. Así, A es invertible si y sólo si ν(A) = dim NA = 0.
Definición 11 (Imagen de una matriz)

Sea A una matriz de m × n. Entonces la imagen de A, denotada por im A, está dada por
m n
im A = y ∈ R : Ax = y para alguna x ∈ R .
Teorema 23
Sea A una matriz de m × n. Entonces la imagen de A, im A, es un subespacio de Rm .
Demostración.
Suponga que y1 y y2 están en im A. Entonces existen vectores x1 y x2 en Rn tales que y1 = Ax1 y
y2 = Ax2 . Por lo tanto,
A (αx1 ) = αAx1 = αy1 y A (x1 + x2 ) = Ax1 + Ax2 = y1 + y2
por lo que αy1 y y1 + y2 están en im A. Así, del teorema 2, im A es un subespacio de Rm .

Definición 12 (Rango de una matriz)

Sea A una matriz de m × n. Entonces el rango de A, denotado por ρ(A), está dado
por
ρ(A) = dim im A.
Se darán dos definiciones y un teorema que facilitarán en cierta medida el cálculo del
rango.
Definición 13 (Espacio de los renglones y espacio de las

columnas de una matriz)
Si A es una matriz de m × n, sean {r1 , r2 , . . . , rm } los renglones de A y
{c1 , c2 , . . . , cn } las columnas de A. Entonces se define
1. El espacio de los renglones de A, denotado por RA es el subespacio de Rn
generado por los vectores renglón de A, es decir, RA = gen {r1 , r2 , . . . , rm }.
2. El espacio de las columnas de A, denotado por CA es el subespacio de Rm
generado por los vectores renglón de A, es decir, CA = gen {c1 , c2 , . . . , cn }.
Antes de dar un ejemplo, se demostrará que dos de estos cuatro espacios son los
mismos.
Teorema 24
Para cualquier matriz A, CA = im A. Es decir, la imagen de una matriz es igual al
espacio de sus columnas.
Demostración.
Para demostrar que CA = im A, se demuestra que im A ⊆ CA y CA ⊆ im A.
1. Se quiere probar que im A ⊆ CA . Suponga que y ∈ im A. Entonces existe un
vector x tal que y = Ax. Pero como se ha demostrado, Ax se puede expresar
como una combinación lineal de las columnas de A. Por lo tanto, y ∈ CA , de
manera que im A ⊆ CA .
2. Se quiere probar que CA ⊆ im A. Suponga que y ∈ CA . Entonces y se puede
expresar como una combinación lineal de las columnas de A. Sea x el vector
columna de los coeficientes de esta combinación lineal. Entonces, y = Ax. Así,
y ∈ im A, lo que prueba que CA ⊆ im A.
Ejemplo 62
! ρ(A), RA y CA para una matriz de 2 × 3
Cálculo de NA , ν(A), im A,
1 2 −1
Sea A = . A es una matriz de 2 × 3.
2 −1 3
1. El espacio nulo de A, NA = x ∈ R3 : Ax = 0 . Como se vio en el Ejemplo 60

 

 −1 

de la página 103, NA = gen  1  .
 

 

1
2. La nulidad de A, ν(A) = dim NA = 1.
3. Se sabe que im A = CA . Las primeras dos columnas de A son vectores linealmente
independientes en R2 y, por lo tanto, forman una base para R2 . La im A = CA =
R2 .
4. ρ(A) = dim im A = dim R2 = 2.
5. El espacio de los renglones de A, RA = gen {(1, 2, −1) , (2, −1, 3)}. Como estos
dos vectores son linealmente independientes, se ve que RA es un subespacio de
dimensión dos de R3 . Del Ejemplo 50 de la página 72, se observa que RA es un
plano que pasa por el origen.
En el inciso 4) de este ejemplo se observa que %(A) = dim RA = 2, lo que no es una

coincidencia.
Teorema 25
Si Aes una matriz de m × n, entonces
dim RA = dim CA = dim im A = %(A).
Demostración.
Como es usual, se denota por aij la componente ij de A. Debemos demostrar que
dim RA = dim CA . Los renglones de A se denotan por r1 , r2 , ..., rm , y sea
k = dim RA . Sea S = {s1 , s2 , ..., sk } una base para RA . Entonces cada renglón de A
se puede expresar como una combinación lineal de los vectores en S, y se tiene, para
algunas constantes αij ,
r1 = α11 s1 + α12 s2 + · · · + α1k sk

r2 = α21 s1 + α22 s2 + · · · + α2k sk
.. .. .. ..
. . . . (45)
rm = αm1 s1 + αm2 s2 + · · · + αmk sk
Ahora la componente j de ri es aij . Entonces si se igualan las componentes j de

ambos lados de (45) y se hace si = (si1 , si2 , . . . , sin ), se obtiene
Demostración.
(continuación)
a1j = α11 s1j + α12 s2j + · · · + α1k skj

a2j = α21 s1j + α22 s2j + · · · + α2k skj
.. .. .. ..
. . . .
amj = αm1 s1j + αm2 s2j + · · · + αmk skj
es decir,
       
a1j α11 α12 α1k
       
 a2j   α21   α22   α2k 
 .  = s1j  .  + s2j  .  + · · · + s1j  .  (46)
       
 .   .   .   . 
 .   .   .   . 
amj αm1 αm2 αmk
Demostración.
(continuación)
 
α1i
 
 α2i 
−
→ el vector 
Sea α . Entonces como el lado izquierdo de (46) es la columna j de

i
 .. 

 . 
αmi
A, se observa que cada columna de A se puede escribir como una combinación lineal
de −
→, −
α → −
→ −
→ − → −
→
1 α2 , . . . , αk , lo que significa que los vectores α1 , α2 , . . . , αk , generan a CA y
dim CA ≤ k = dim RA . (47)
Pero la ecuación (47) se cumple para cualquier matriz A. En particular, se cumple para
AT . Pero CAT = RA y RAT = CA . Como de (47) dim CAT ≤ dim RAT , se tiene
dim RA ≤ dim CA . (48)
Combinando (47) y (48) la prueba queda completa.

Ejemplo 63
Cálculo de im A y %(A) para una matriz de 3 × 3
 
2 −1 3
Encuentre una base para im A y determine el rango de A =  4 −2 6 .
 
−6 3 −9
Solución
Como r2 = 2r1 y r3 = −3r1 , se ve que %(A) = dim RA = 1. Así, toda columna en
 
2
CA es una base para CA = im A. Por ejemplo,  4  es una base para im A.
 
−6
El siguiente teorema simplificará los cálculos de la imagen, el rango y la nulidad.
Teorema 26
Si A es equivalente por renglones a B, entonces RA = RB , ρ(A) = %(B) y
ν(A) = ν(B).
Demostración.
Recuerde que A es equivalente por renglones a B si A se puede “reducir” a B mediante operaciones
elementales con renglones. Suponga que C es la matriz obtenida al realizar operaciones elementales en
A. Primero se muestra que RA = RC . Como B se obtiene realizando varias operaciones elementales
con los renglones de A, el primer resultado, aplicado varias veces, implicará que RA = RB .
Caso 1. Intercambio de dos renglones de A. Entonces RA = RC porque los renglones de A y C

son los mismos (escritos en diferente orden).
Caso 2. Multiplicación del renglón i de A por c 6= 0. Si los renglones de A son

{r1 , r2 , ..., ri , ..., rm }, entonces los renglones de C son {r1 , r2 , ..., cri , ..., rm }. Es
obvio que cri = c(ri ) y ri = (1/c)(cri ). De esta forma, cada renglón de C es un
múltiplo de un renglón de A y viceversa, lo que significa que cada renglón de C está en el
espacio generado por los renglones de A y viceversa. Así se tiene RA ⊆ RC y RC ⊆ RA ,
lo que implica que RC = RA .
Caso 3. Multiplicación del renglón i de A por c 6= 0 y suma del mismo al renglón j. Ahora los
renglones de C son r1 , r2 , ..., ri , . . . , rj + cri , ..., rm . En este caso,

rj = rj + cri − cri
| {z } |{z}
renglón j de C renglón i de C
de manera que todos los renglones de A se pueden expresar como una combinación lineal
de los renglones de C y viceversa. Entonces, como antes, RA ⊆ RC y RC ⊆ RA , lo
que implica que RC = RA .
Se ha demostrado que RA = RB . Por lo tanto, %(RA ) = %(RB ). Por último, el conjunto de soluciones
de Ax = 0 no cambia bajo las operaciones elementales. Así, NA = NB , y entonces ν(A) = ν(B).
El teorema 26 es de suma importancia. Indica, por ejemplo, que el rango y el espacio
de los renglones de una matriz son lo mismo que el rango y el espacio de los renglones
de la forma escalonada de dicha matriz. No es difícil probar el siguiente teorema.
Teorema 27
El rango de una matriz es igual al número de pivotes en su forma escalonada por
renglones.
Ejemplo 64
Cálculo de %(A) y RA para una matriz de 3 × 3
 
1 −1 3
Determine el rango y el espacio de los renglones de A =  2 0 4  . La
 
−1 −3 1
 
1 −1 3
forma escalonada por renglones de A es  0 1 −1  = B. Como B tiene dos
 
0 0 0
pivotes, %(A) = dim RA = 2. Una base para RA consiste en los primeros dos
renglones de B:
RA = gen {(1, −1, 3) , (0, 1, −1)} .
El teorema 26 es útil cuando se quiere encontrar una base para el espacio generado por un conjunto de
vectores.
Ejemplo 65
Determinación de una base para el espacio generado por cuatro vectores en R3
Encuentre una base para el espacio generado por
       
1 −2 0 −2
v1 =  2  , v2 =  0  , v3 =  4  , v4 =  −4  .
       
−3 4 −2 6
Solución
Se estructuran los vectores como renglones de una matriz A y después se reduce la matriz a la forma
escalonada por renglones. La matrizque se obtiene tendrá
el mismo espacio de renglones que A. La
1 2 −3
 
 −2 0 4 
forma escalonada por renglones de   es

 0 4 −2 

−2 −4 6
 
1 2 −3

 0 1 1
−2


 ,
 0 0 0 
 
0 0 0
que tiene dos pivotes.

Entonces una base para gen {v1 , v2 , v3 , v4 } es
   

 1 0 

2 , 1  .
   

1
 
−3 −2
 
Por ejemplo,
     
−2 1 0
0  = −2  2  + 4 1 .
     

4 −3 −1
2
Existe un camino relativamente sencillo para encontrar el espacio nulo de una matriz.
Ejemplo 66
Cálculo del espacio nulo de una matriz
 de 4 × 4 
1 2 −4 3
 
 2 5 6 −8 
Encuentre el espacio nulo de A = 

 .
 0 −1 −14 14 

3 6 −12 9
Solución
La forma escalonada por renglones reducidos de A es
 
1 0 −32 31
 
 0 1 14 −14 
U =
 .
 0 0 0 0 

0 0 0 0
Siguiendo el mismo razonamiento que en la prueba

  del teorema 26, las soluciones a Ax = 0 son las
x1
 
x2 
mismas que las so luciones a U x = 0. Si x = 
x , entonces U x = 0 da como resultado

 3
x4
x1 − 32x3 + 31x4 = 0
x2 + 14x3 − 14x4 = 0
x1 = 32x3 − 31x4
x2 = −14x3 + 14x4
de manera que si x ∈ NA , entonces

     
32x3 − 31x4 32 −31
     
−14x3 + 14x4 
 = x3  −14  + x4  14 
  
x= .

 x 3



 0 


 0 

x4 1 1
| {z }
base para NA
   


 32 −31 

   
 −14   14  
Esto es, NA = gen 
  ,
  .


 0 
  0 
 


 
 1 1 
El procedimiento usado en este ejemplo siempre se puede utilizar para encontrar el espacio nulo de una
matriz.
Observación
Se hace aquí una observación geométrica interesante:
Todo vector en el espacio de los renglones de una matriz real es ortogonal a todo
vector en su espacio nulo.
En notación abreviada esto se describe como RA ⊥NA . Para ver por qué, considere la
ecuación Ax = 0. Si A es una matriz de m × n, entonces se tiene
    
a11 a12 ··· a1n x10
···
    
 a21 a22 a2n   x2  0
  =  .
    
 . .. .. 
 .   .  .
 . . .   ..   .. 
am1 am2 ··· amn xn 0
Si ri denota el i-ésimo renglón de A, se ve de la ecuación anterior que ri · x = 0 para

i = 1, 2, ..., m. Así, si x ∈ NA , entonces ri ⊥x para i = 1, 2, ..., m. Pero si y ∈ RA ,
entonces y = c1 r1 + · · · + cm rm , para algunas constantes c1 , c2 , ..., cm . Entonces
y · x = (c1 r1 + c2 r2 + · · · + cm rm ) · x = c1 r1 · x + c2 r2 · x + · · · + cm rm · x = 0,
lo que prueba la afirmación.

En el Ejemplo
66, RA  = gen {(1, 0, −32, 31) , (0, 1, 14, −14)} y
 

 32 −31 


 
  
 −14   14 

NA = gen  ,  .




 0  
 0 
 

 
1 1
 
El lector debe verificar que los vectores de la base para RA , en efecto, son ortogonales
a los vectores de la base para NA .
El siguiente teorema da la relación entre el rango y la nulidad.
Teorema 28
Sea A una matriz de m × n. Entonces
%(A) + ν(A) = n.
Es decir, el rango de A más la nulidad de A es igual al número de columnas de A.
Demostración.
Se supone que k = %(A) y que las primeras k columnas de A son linealmente
independientes. Sea ci (i > k) cualquier otra 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 .
Demostración.
(continuación)
Así, sumando −a1 c1 , −a2 c2 , . . . , −ak ck sucesivamente a la i-ésima columna de A, se obtiene una
nueva matriz B de m × n con %(B) = %(A) y ν(A) = ν(B) con la columna i de B igual a 0.
1 Esto
se hace a todas las demás columnas de A (excepto las primeras k) para obtener la matriz
 
a11 a12 ··· a1k 0 0 ··· 0
··· ···
 
 a21 a22 a2k 0 0 0
 
 ..
D= .
.
.
.
.
.
.
.
.
.
 . . . . . .
 
am1 am2 ··· amk 0 0 ··· 0
donde %(D) = %(A) y ν(D) = ν(A). Mediante un posible reacomodo de los renglones de D, se puede
suponer que los primeros k renglones son independientes. Después se hace lo mismo con los renglones
de D (esto es, sumar múltiplos de los primeros k renglones a los últimos m − k) para obtener una nueva
matriz:
a11 a12 ··· a1k 0 ··· 0
 
a
 21 a22 · · · a2k 0 · · · 0 

 . . . . .
 
 . . . . .
 . . . . .
 
F = ak1 ak2 ··· akk 0 ··· 0
 
 
 0
 0 · · · 0 0 · · · 0 

 . . . . .
 
 . . . . .
 . . . . .
0 0 ··· 0 0 ··· 0
1
Esto se deduce considerando AT (las columnas de A son los renglones de AT ).
Demostración.
(continuación...) donde %(F ) = %(A) y ν(F ) = ν(A). Ahora es obvio que si i > k, entonces
2
F ei = 0, de manera que Ek = ek+1 , ek+2 , ..., en es un conjunto linealmente independiente de

n − k vectores de NF . Ahora se demostrará que Ek genera NF . Sea x ∈ NF un vector de la forma
 
x1
 x2 
 
 
 . 
 . 
 . 
x= .
 
 xk 
 
 . 
 
 . 
 . 
xn
Entonces
a11 x1 + a12 x2 + · · · + a1k xk
 
a x + a x + · · · + a x 
 21 1 22 2 2k k   
. 0
 
.
 
.
   



  0
 
 ..  .
0 = F x = ak1 x1 + ak2 x2 + · · · + akk xk  = 
  
.
 
0
   
   
. 0
 
.
 
.
 
 
0
2
Recuerde que ei es el vector con un uno en la posición i y cero en las otras posiciones.
El determinante de la matriz del sistema homogéneo de k × k dado

es diferente de cero, ya que los renglones de esta matriz son
linealmente independientes. De esta forma, 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 ek+1 +xk+2 ek+2 +· · ·+xn en .
Esto significa que Ek genera NF , de manera que

ν(F ) = n − k = n − %(F ), lo que completa la prueba.
Nota. Se sabe que %(A) es igual al número de pivotes n de la forma
escalonada por renglones de A y es igual al número de columnas de
la forma escalonada por renglones de A que contienen pivotes.
Entonces, del teorema 28, ν(A) es el número de columnas de la
forma escalonada por renglones de A que no contienen pivotes.
Ejemplo 66
Ilustración del Teorema 28 !
1 2 −1
Para A = se calculó (en los ejemplos 60 y 62) que %(A) = 2 y
2 −1 3
ν(A) = 1; esto ilustra que %(A) + ν(A) = n(= 3).
Ejemplo 67
Ilustración
del Teorema 28 
1 −1 3
Para A =  2 0 4  calcule ν(A).
 
−1 −3 1
Solución
En el ejemplo 64 se encontró que %(A) = 2. Así, ν(A) = 3 − 2 = 1. El lector puede
demostrar esto directamente resolviendo el sistema Ax = 0 para encontrar que
 

 −2 

NA = gen  1  .
 

 

1
Teorema 29
Sea A una matriz de n × n. Entonces A es invertible si y sólo si %(A) = n.
Demostración.
Por el teorema 22, A es invertible si y sólo si ν(A) = 0. Pero por el teorema 28,
%(A) = n − ν(A). Así, A es invertible si y sólo si %(A) = n − 0 = n.
Ahora se demostrará la aplicación del concepto de rango para determinar si un sistema

de ecuaciones lineales tiene soluciones o si es inconsistente. De nuevo, se considera el
sistema de m ecuaciones en n incógnitas:
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. ..
. . . . (49)
am1 x1 + am2 x2 + · · · + amn xn = bm
lo que se escribe como Ax = b. Se utiliza el símbolo (A, b) para denotar la matriz

aumentada de m × (n + 1) obtenida agregando el vector b a A.
Teorema 30
El sistema Ax = b tiene cuando menos una solución si y sólo si b ∈ CA . Esto ocurrirá si y sólo si A y
la matriz aumentada (A, b) tienen el mismo rango.
Demostración.
Si c1 , c2 , . . . , cn son las columnas de A, entonces podemos escribir el sistema (49) como
x1 c1 + x2 c2 + · · · + xn cn = b (50)
El sistema (50) tendrá solución si y sólo si b se puede escribir como una combinación lineal de las
columnas de A. Es decir, para tener una solución debemos tener b ∈ CA . Si b ∈ CA , entonces (A, b)
tiene el mismo número de columnas linealmente independientes de A, así que A y (A, b) tienen el
mismo rango. Si b ∈/ CA , entonces %(A, b) = %(A) + 1 y el sistema no tiene soluciones. Esto completa
la prueba.
Ejemplo 68
Uso del teorema 30 para determinar si un sistema tiene soluciones
Determine si el sistema
2x1 + 4x2 + 6x3 = 18

4x1 + 5x2 + 6x3 = 24
2x1 + 7x2 + 12x3 = 40
tiene soluciones.
Solución
 
2 4 6
Sea A =  4 5 6 . La forma escalonada por renglones de A es
 
2 7 12
 
1 2 3
 0 1 2 
 
0 0 0
y %(A) = 2. La forma escalonada por renglones de la matriz aumentada
 
2 4 6 18
 4 5 6 24 
 
2 7 12 40
es  
1 2 3 9
 0 1 2 4 ,
 
0 0 0 1
que tiene tres pivotes, por lo que %(A, b) = 3 y el sistema no tiene solución.
Ejemplo 69
Uso del teorema 30 para determinar si un sistema tiene soluciones
Determine si el sistema
x1 − x2 + 2x3 = 4
2x1 + x2 − 3x3 = −2
4x1 + x2 + x3 = 6
tiene soluciones.
Solución
 
1 −1 2
Sea A =  2 1 −3 . Entonces det A = 0, de manera que %(A) < 3. Como la primera
 
4 −1 1
columna no es un múltiplo de la segunda, es evidente que las primeras dos columnas son linealmente
independientes; así, %(A) = 2. Para calcular %(A, b) se reduce por renglones:
   
1 −1 2 4 1 −1 2 4
 2 1 −3 −2  →  0 3 −7 −10  .
   
4 −1 1 6 0 3 −7 −10
Se ve que %(A, b) = 2 y existe un número infinito de soluciones para el sistema (si hubiera una solución
única se tendría det A 6= 0).
Los resultados de esta sección permiten mejorar el teorema de resumen.
Teorema 31 (Teorema de resumen)

Sea A una matriz de n × n. Entonces las siguientes diez afirmaciones son equivalentes; es decir, cada
una implica a las otras nueve (si una se cumple, todas se cumplen).
1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).
3. El sistema Ax = b tiene una solución única para cada vector b de dimensión n.
4. A es equivalente por renglones a la matriz identidad, In , de n × n.
5. A se puede expresar como el producto de matrices elementales.
6. La forma escalonada por renglones de A tiene n pivotes.
7. Las columnas (y renglones) de A son linealmente independientes.
8. det A 6= 0.
9. ν(A) = 0.
10. %(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 número infinito de soluciones. Tiene un número infinito de soluciones si y sólo si
%(A) = %(A, b).
Espacios con producto interno
Determinar si una función define un producto interno y encontrar el producto
interno de dos vectores en Rn , Mm,n y C [a, b].
Encontrar una proyección ortogonal de un vector sobre otro vector en un espacio
con producto interno.
Definición 14 (Definición de producto interno)

Sean u, v y w vectores en un espacio vectorial V y sea c cualquier escalar3 . Un
producto interno en V es una función que asocia un número real hu, vi con cada par
de vectores u y v que cumple los siguientes axiomas:
1. hu, vi = hv, ui
2. hu, v + wi = hu, vi + hu, wi
3. c hu, vi = hcu, vi
4. hv, vi ≥ 0 y hv, vi = 0 si y sólo si v = 0.
Definición 15
Un espacio vectorial V en el que se ha definido un producto interno se denomina
espacio con producto interno.
3
Siempre que hagamos referencia a un espacio con producto interno, se supondrá
que el conjunto de escalares es el conjunto de los números reales.
Ejemplo 70
El producto interno euclideano para Rn
Al considerar el espacio Rn , cualquier producto interno hu, vi se conoce como un
producto interno euclideano y generalmente se denomina producto punto. Existen
muchos productos internos en Rn . En particular la cantidad escalar definida definida
por
u · v = (u1 , u2 , . . . , un ) · (v1 , v2 , . . . , vn ) = u1 v1 + u2 v2 + · · · + un vn
es un producto interno. Para demostrar que esta cantidad es un producto interno, hay
que verificar las cuatro condiciones de la definición de producto interno.
Como el producto de números reales es conmutativo, se tiene
u · v = u1 v1 + u2 v2 + · · · + un vn = v1 u1 + v2 u2 + · · · + vn un = v · u
lo cual verifica el inciso 1.

Por la ley distributiva de adición de números reales, se tiene
u · (v + w) = (u1 , u2 , . . . , un ) · ((v1 , v2 , . . . , vn ) + (w1 , w2 , . . . , wn ))

= (u1 , u2 , . . . , un ) · (v1 + w1 , v2 + w2 , . . . , vn + wn )
= u1 (v1 + w1 ) + u2 (v2 + w2 ) + · · · + un (vn + wn )
= u1 v1 + u1 w1 + u2 v2 + u2 w2 + · · · + un vn + un wn .
(continuación...)
Por la ley asociativa de la adición de números reales,
u · (v + w) = (u1 v1 + u2 v2 + · · · + un vn ) + (u1 w1 + u2 w2 + · · · + un wn )
= u · v + u · w,
lo cual verifica el inciso 2.

Si c es un escalar, por la ley distributiva de los números reales
c (u · v) = c (u1 v1 + u2 v2 + · · · + un vn )
= cu1 v1 + cu2 v2 + · · · + cun vn .
Por la ley asociativa del producto de números reales
c (u · v) = cu1 v1 + cu2 v2 + · · · + cun vn

= (cu1 ) v1 + (cu2 ) v2 + · · · + (cun ) vn .
Por la definición del producto punto,
c (u · v) = (cu1 ) v1 + (cu2 ) v2 + · · · + (cun ) vn

= (cu1 , cu2 , . . . , cun ) · (v1 , v2 , . . . , vn ) .
Por la definición del producto de un escalar por un vector
c (u · v) = (cu) · v
lo que demuestra el inciso 3.

(continuación...)
Ahora, como el cuadrado de un número real es no negativo
2 2 2
v · v = v1 + v2 + · · · + vn ≥ 0.
2 2 2
Además, v1 + v2 + · · · + vn = 0 si y sólo si v1 = v2 = · · · = vn = 0; es decir, v · v = 0 si y sólo si
x = 0.
El producto interno euclideano no es el único producto interno que puede definirse en Rn .
Ejemplo 71
Un producto interno diferente en R2
Demuestre que la siguiente función define un producto interno en R2 , donde u = (u1 , u2 ) y
v = (v1 , v2 ):
hu, vi = u1 v1 + 2u2 v2 .
Solución
Probamos las cuatro condiciones de un producto interno.
1. Como el producto de números reales es conmutativo,
hu, vi = u1 v1 + 2u2 v2 = v1 u1 + 2v2 u2 = hv, ui .
2. Sea w = (w1 , w2 ). Entonces
hu, v + wi = u1 (v1 + w1 ) + 2u2 (v2 + w2 )

= (u1 v1 + 2u2 v2 ) + (u1 w1 + 2u2 w2 ) = u1 v1 + u1 w1 + 2u2 v2 + 2u2 w2
= hu, vi + hu, wi .
3. Si c es cualquier escalar, entonces
c hu, vi = c (u1 v1 + 2u2 v2 ) = (cu1 ) v1 + 2 (cu2 ) v2 = hcu, vi .
4. Ya que el cuadrado de un número real es no negativo,
hv, vi = v12 + 2v22 ≥ 0.
Además, esta expresión es igual a cero si y sólo si v = 0, es decir, si y sólo si

v1 = v2 = · · · = vn = 0.
El Ejemplo 71 se puede generalizar como sigue:
hu, vi = cu1 v1 + cu2 v2 + · · · + cun vn , ci > 0
es un producto interno en Rn . Las constantes ci positivas se denominan

ponderaciones o pesos. Si cualquier ci es negativo o cero, entonces la función
anterior no define un producto interno.
Ejemplo 72
Una función que no es un producto interno
Demuestre que la siguiente función no es un producto interno en R3 , donde
u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ):
hu, vi = u1 v1 − 2u2 v2 + u3 v3 .
Solución
Note que el inciso 4 de la definición de producto interno no se satisface. Por ejemplo,
si v = (1, 2, 1), entonces hv, vi = (1) (1) − 2 (2) (2) + (1) (1) = −6, que es menor que
cero.
Ejemplo 73
Producto interno en M!2,2 !
a11 a12 b11 b12
Sean A = yB= dos matrices en el espacio vectorial
a21 a22 b21 b22
M2,2 . La función
hA, Bi = a11 b11 + a21 b21 + a12 b12 + a22 b22
es un producto interno en M2,2 . La comprobación de los cuatro incisos de la definición

de producto interno es como sigue:
Solución
Probamos las cuatro condiciones de un producto interno.
1. Como el producto de números reales es conmutativo,
hA, Bi = a11 b11 + a21 b21 + a12 b12 + a22 b22

= b11 a11 + b21 a21 + b12 a12 + b22 a22
= hB, Ai .
! !
c11 c12 b11 + c11 b12 + c12
2. Sea C = . Como B + C = Entonces
c21 c22 b21 + c21 b22 + c22
hA, B + Ci = a11 (b11 + c11 ) + a21 (b21 + c21 ) + a12 (b12 + c12 ) + a22 (b22 + c22 )
= a11 b11 + a11 c11 + a21 b21 + a21 c21 + a12 b12 + a12 c12 + a22 b22 + a22 c22
= (a11 b11 + a21 b21 + a12 b12 + a22 b22 ) + (a11 c11 + a21 c21 + a12 c12 + a22 c22 )
= hA, Bi + hA, Ci .
3. Si c es cualquier escalar, entonces
c hA, Bi = c (a11 b11 + a21 b21 + a12 b12 + a22 b22 )

= c (a11 b11 ) + c (a21 b21 ) + c (a12 b12 ) + c (a22 b22 )
= (ca11 ) b11 + (ca21 ) b21 + (ca12 ) b12 + (ca22 ) b22
= hcA, Bi .
Solución (continuación...)
4. Ya que el cuadrado de un número real es no negativo,

hB, Bi = b211 + b221 + b212 + b222 ≥ 0.
Además, esta expresión es igual a cero si y sólo si B = O; es decir, si y sólo si
b11 = b12 = b21 = b22 = 0.
Ejemplo 74
Un producto interno definido por una integral definida
Sean f y g funciones continuas de valores reales en el espacio vectorial C [a, b].
Demuestre que
Z b
hf, gi = f (x) g(x) dx
a
define un producto interno en C [a, b].
Solución
Utilizando las propiedades del cálculo integral, tenemos:
1. Como el producto de dos funciones es comutativo,
Z b Z b
hf, gi = f (x) g(x) dx = g(x) f (x) dx = hg, f i .
a a
Solución (continuación...)
2. Utilizando la ley distributiva para el producto de funciones,
Z b Z b
hf, g + hi = f (x) [g(x) + h(x)] dx = [f (x) g(x) + f (x) h(x)] dx
a a
Z b Z b
= f (x) g(x) dx + f (x) h(x) dx = hf, gi + hf, hi .
a a
3. Utilizando la ley asociativa,

Z b Z b
c hf, gi = c f (x) g(x) dx = (cf (x)) g(x) dx = hcf, gi .
a a
4. Ya que el cuadrado de una función real es una función real no negativa, del cálculo
Z b Z b
hf, f i = f (x) f (x) dx = [f (x)]2 dx ≥ 0.
a a
con Z b
hf, f i = [f (x)]2 dx = 0
a
si y sólo si f es la función constante cero en C [a, b] o si a = b.

Teorema 32 (Propiedades del producto interno)

Sean u, v, y w vectores en un espacio V con producto interno y sea c cualquier número real.
1. h0, vi = hv, 0i = 0
2. hu + v, wi = hu, wi + hv, wi
3. hu, cvi = c hu, vi
Demostración.
Se demostrará la primera propiedad y la demostración de las otras se dejan como ejercicio. De la
definición de producto interno se sabe que h0, vi = hv, 0i, de modo que basta demostrar que uno de
los dos es cero. Usando el hecho de que 0 (v) = 0,
h0, vi = h0 (0) , vi
= 0 h0, vi
= 0.
La definición de norma (o longitud), distancia y ángulo para espacios generales con producto interno son
bastante semejantes a las correspondientes para el espacio euclideano n-dimensional.
Definición 16 (Norma, distancia, ángulo, etc.)
Sean u y v vectores en un espacio V con producto interno.
1. La norma (o longitud) de u es kuk =

p
hu, ui.
2. La distancia entre u y v es d (u, v) = ku − vk.
3. El ángulo entre dos vectores diferentes de cero u y v está dado por
hu, vi
cos θ = , 0 ≤ θ ≤ π.
kuk kvk
4. uy v son ortogonales si hu, vi = 0.
5. Si kvk = 1, entonces vse llama vector unitario.

v
6. Si v es cualquier vector distinto de cero, entonces el vector u =
kvk
es un vector unitario en la
dirección de v.
Observación
La definición del ángulo entre u y vpresupone que
hu, vi
−1 ≤ ≤1
kuk kvk
para un producto interno general, lo cual se puede demostrar con la desigualdad de Cauchy-Schwarz.
Ejemplo 75
Para los polinomios p = a0 + a1 x + · · · + an xn y q = b0 + b1 x + · · · + bn xn en el espacio vectorial
Pn , la función hp, qi = a0 b0 + a1 b1 + · · · + an bn es un producto interno. Demuéstrelo. Si
p(x) = 1 − 2x2 , q(x) = 4 − 2x + x2 y r(x) = x + 2x2 son polinomios en P2 , determine:
a) hp, qi; b) hq, ri; c) kqk; d) d(p, q).
Solución
Tenemos
a) El producto interno de p y q es
hp, qi = a0 b0 + a1 b1 + a2 b2 = 1 × 4 + 0 × (−2) + (−2) × 1 = 2.
b) El producto interno de q y r es
hq, ri = 4 × 0 + (−2) × 1 + 1 × 2 = 0.
c) La norma de q es
q q √
kqk = hq, qi = 42 + (−2)2 + 12 = 21.
d) La distancia entre p y q es

2 2
d(p, q) = kp − qk = 1 − 2x − 4 − 2x + x

q
2
= −3 + 2x − 3x = (−3)2 + 22 + (−3)2

√
= 22.
Ejemplo 76
Uso del producto interno en C [0, 1]
Utilice el producto interno definido en el Ejemplo 74 y las funciones f (x) = x y g(x) = x2 en C [0, 1]
para determinar: a) kf k; b) d(f, g).
Solución
Tenemos
a) Como f (x) = x,
Z 1 Z 1 " 3 #1
2 2 x 1
kf k = hf.f i = (x) (x) dx = x dx = = .
0 0 3 0 3
1
Así, kf k = √ .
3
b) Para encontrar d(f, g) escribimos
2
[d(f, g)] = hf − g, f − gi
Z 1 Z 1
2 2

2
= [f (x) − g(x)] dx = x−x dx
0 0
" 3 #1
x4 x5
Z 1
2 3 4
x 1
= x − 2x + x dx = − + = .
0 3 2 5 0 30
1
Así, d(f, g) = √ .
30
Las propiedades de longitud y distancia enumeradas para R n
también son válidas para el producto
interno en espacios generales con productos internos. Estas propiedades se enuncian en los siguientes
tres teoremas.
Teorema 33 (Propiedades de la norma)

Sea u un vector en un espacio V con producto interno y sea c cualquier número real. Entonces
1. kuk ≥ 0
2. kuk = 0 si y sólo si u = 0
3. kcuk = |c| kuk
Teorema 34 (Propiedades de la distancia)

Sean u y v vectores en un espacio V con producto interno. Entonces
1. d (u, v) ≥ 0
2. d (u, v) = 0 si y sólo si u = v
3. d (u, v) = d (v, u)
Teorema 35
Sean u y v vectores en un espacio V con producto interno. Entonces
1. Desigualdad de Cauchy-Schwarz: |hu, vi| ≤ kuk kvk

2. Desigualdad del triángulo: ku + vk ≤ kuk + kvk
3. Teorema de Pitágoras: u y v son ortogonales si y sólo si ku + vk2 = kuk2 + kvk2
Ejemplo 77
Sean f (x) = 1 y g(x) = x funciones en el espacio vectorial C [0, 1], con el producto
interno definido en el Ejemplo 74. Compruebe que |hf, gi| ≤ kf k kgk.
Solución
Para el lado izquierdo de esta desigualdad tenemos
1 1 1
x2
Z Z
1
hf, gi = f (x) g(x) dx = x dx = = .
0 0 2 0 2
Para el lado derecho de esta desigualdad tenemos
Z 1 Z 1 1
kf k2 = f (x) f (x) dx = dx = x = 1.
0 0 0
y
1 1 1
x3
Z Z
1
kgk2 = g(x) g(x) dx = x2 dx = = .
0 0 3 0 3
Por consiguiente,
r
1
kf k kgk = 1× ≈ 0.577 y |hf, gi| ≤ kf k kgk .
3
Proyección ortogonal en espacios con producto interno
Sean u y v vectores en R3 . Si v es distinto de cero, entonces se puede proyectar ortogonalmente u
sobre v, como se muestra en la Figura 3. Esta proyección se denota por proyv u. Dado que proyv u es
un múltiplo escalar de v, podemos escribir
proyv u = av.
Figura 3: Proyección ortogonal de u sobre v.
Si a > 0, como se muestra en la Figura 3(a), entonces cos θ > 0 y la longitud de proyv u es
kuk kvk cos θ u·v

kavk = |a| kvk = a kvk = kuk cos θ = =
kvk kvk
u·v u·v
lo cual implica que a = = . Así
kvk2 v·v
u·v
proyv u = v.
v·v
Si a < 0, como se muestra en la Figura 3(b), entonces se puede demostrar que la proyección ortogonal
de u sobre v está dada por la misma fórmula. Verifique esto.
Ejemplo 78
Cálculo de la proyección ortogonal
Utilice el producto interno euclideano, en R3 , para encontrar la proyección ortogonal de u = (6, 2, 4)
sobre v = (1, 2, 0).
Solución
Como u · v = 10 y kvk2 = v · v = 5, la proyección ortogonal de u sobre v es
u·v 10
proyv u = v= (1, 2, 0) = (2, 4, 0)
v·v 5
como se muestra en la Figura 4.
Figura 4: proyv u = (2, 3, 0)

Una importante propiedad de la proyección ortogonal usada en modelación
matemática se enuncia en el teorema siguiente, el cual afirma que de todos los
posibles múltiplos escalares de un vector v, la proyección ortogonal de u sobre v es la
más próxima a u, como se observa en la Figura 5.
Figura 5: proyv u es la más próxima a u-
Teorema 36 (Proyección ortogonal y distancia)

Sea u y v dos vectores en un espacio vectorial V con producto interno, de modo que
v 6= 0. Entonces
hu, vi
d (u, proyv u) < d (u, cv) , c 6= .
hv, vi
Demostración.
Sea b = hu, vi / hv, vi. Entonces
ku − cvk2 = k(u − bv) + (b − c) vk2
donde u − bv y (b − c) v son ortogonales. Demuestre esto verificando

hu − bv, (b − c) vi = 0. Ahora, por el Teorema de Pitágoras,
k(u − bv) + (b − c) vk2 = ku − bvk2 + k(b − c) vk2
lo cual implica
ku − cvk2 = ku − bvk2 + (b − c)2 kvk2 .
Como b 6= c y v 6= 0, se sabe que (b − c)2 kvk2 > 0. Así que
ku − bvk2 < ku − cvk2
y puede concluirse que d (u, bv) < d (u, cv).

Ejemplo 79
Cálculo integral
Sean f (x) = 1 y g(x) = x funciones en C [0, 1]. Utilice el producto interno
Z 1
hf, gi = f (x)g(x)dx
0
para hallar la proyección ortogonal de f sobre g.
Solución
Del Ejemplo 76 sabemos
1 1
hf, gi = y hg, gi = kgk2 = .
2 3
Por lo tanto, la proyección ortogonal de f sobre g es
hf, gi 1/2 3
proyg f = g= x = x.
hg, gi 1/3 2
Bases ortonormales
Un espacio vectorial puede tener muchas bases distintas y quizá haya
observado que ciertas bases son más convenientes que otras.
Por ejemplo, R3 tiene la base estándar B = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)}.
Este conjunto es la base estándar porque tiene características especiales
particulares muy útiles.
Una característica importante es que los tres vectores de la base son
mutuamente ortogonales, es decir
(1, 0, 0) · (0, 1, 0) = 0
(1, 0, 0) · (0, 0, 1) = 0
(0, 1, 0) · (0, 0, 1) = 0.
Una segunda característica importante es que cada vector de la base

es un vector unitario.
En esta sección se definen algunas ventajas que poseen las bases que
constan de vectores unitarios mutuamente ortogonales y se desarrolla un
procedimiento, denominado el proceso de ortonormalización de
Gram-Scmidt, para construir estas bases.
Bases ortonormales
Definición 17 (Conjuntos ortogonales y conjuntos
ortonormales)
Un conjunto S de vectores en un espacio V con producto interno se llama ortogonal si todo par de
vectores en S es ortogonal. Si además, cada vector en este conjunto es unitario, entonces S se denomina
ortonormal. Formalmente, S = {v1 , v2 , . . . , vn }
1. es ortogonal si vi , vj = 0, ∀ i 6= j

2. es ortonormal si vi , vj = 0, ∀ i 6= j y kvi k = 1, ∀ i = 1, 2, . . . , n

La base estándar para Rn es ortonormal, aunque no es la única base ortonormal de Rn . Por ejemplo, se
puede formar una base ortonormal no estándar de R3 efectuando una rotación de los ejes alrededor del
eje z para obtener
B = {(cos θ, sen θ, 0) , (− sen θ, cos θ, 0) , (0, 0, 1)}
como se muestra en la Figura 6. Compruebe que esta base es un conjunto ortonormal.
Figura 6: Base ortonormal no estándar

Bases ortonormales
Ejemplo 80
Una base ortonormal no estándar para R3
Demuestre que el conjunto que se muestra en seguida es una base ortonormal para R3 .
( √ √ √ ! )
1 1 2 2 2 2 2 2 1

S = {v1 , v2 , v3 } = √ , √ ,0 , − , , , ,− , .
2 2 6 6 3 3 3 3
Solución
Primero, demostramos que los tres vectores son mutuamente ortogonales.
1 1
v1 · v2 = − + +0=0
6 6
22
v1 · v3 = √ −
√ +0=0
3 2
3 2
√√ √
2
2 2 2
v2 · v3 = − − + = 0.
9 9 9
√
q
Además, cada vector es de longitud 1, ya que kv1 k = v1 · v1 = 1 + 1 + 0 = 1,
q 2 2
√ √
q
kv2 k = v2 · v2 = 2 + 2 + 8 = 1 y kv k = v · v = 4 + 4 + 1 = 1. Por
36 36 9 3 3 3 9 9 9
consiguiente, S es un conjunto ortonormal y dado que los tres vectores no son coplanares, generan a R3
y por tanto, forman una base ortonormal no estándar para R3 .
Bases ortonormales
Ejemplo 81
Una base ortonormal para P3
En P3 con el producto interno
hp, qi = a0 b0 + a1 b1 + a2 b2 + a3 b3
n o
la base estándar B = 1, x, x2 , x3 es ortonormal.
Soluciónn o D E D E D E
El conjunto 1, x, x2 , x3 es ortogonal ya que h1, xi = 0, 1, x2 = 0, 1, x3 = 0. x, x2 = 0,
D E D E
x, x3 = 0 y x2 , x3 = 0. Además, el conjunto es ortonormal puesto que k1k = 1, kxk = 1,
n o
2
x = 1 y x3 = 1. Así, 1, x, x2 , x3 es una base ortonormal para P3 .

Ejemplo 82
Un conjunto ortonormal en C [0, 2π]
En C [0, 2π], con el producto interno
Z 2π
hf, gi = f (x)g(x)dx
0
demuestre que el conjunto S = {1, sen x, cos x, sen 2x, cos 2x, . . . , sen nx, cos nx} es ortogonal.
Bases ortonormales
Solución
Para demostrar que el conjunto dado es ortogonal, es necesario que verifique los productos internos
enlistados abajo, donde m y nson enteros positivos.
Z 2π
h1, sen nxi = sen nx dx = 0
0
Z 2π
h1, cos nxi = cos nx dx = 0
0
Z 2π
hsen mx, cos nxi = sen mx cos nx dx = 0
0
Z 2π
hsen mx, sen nxi = sen mx sen nx dx = 0 m 6= n
0
Z 2π
hcos mx, cos nxi = cos mx cos nx dx = 0, m 6= n.
0
El conjunto S es ortogonal pero no es ortonormal. Sin embargo, es posible formar un conjunto

ortonormal al normalizar cada uno de los vectores en S. Esto es,
Z 2π Z 2π Z 2π
2 2 2 2 2
k1k = dx = 2π, ksen nxk = sen nx dx = π, kcos nxk = cos nx dx = π
0 0 0
concluimos que el conjunto
( )
1 1 1 1 1 1 1
S = √ , √ sen x, √ cos x, √ sen 2x, √ cos 2x, . . . , √ sen nx, √ cos nx
2π π π π π π π
es ortonormal.
Bases ortonormales
Cada conjunto en los ejemplos 80, 81 y 82 son linealmente independientes. La independencia lineal es
una característica de cualquier conjunto ortogonal de vectores diferentes de cero, como se demuestra en
el siguiente teorema.
Teorema 37 (Los conjuntos ortogonales son linealmente

independientes)
Si S = {v1 , v2 , . . . , vn } es un conjunto ortogonal de vectores diferentes de cero en un espacio V con
producto interno, entonces S es linealmente independiente.
Demostración.
Es necesario demostrar que la ecuación vectorial
c1 v1 + c2 v2 + · · · + cn vn = 0
implica que c1 = c2 = · · · = cn = 0. Para hacer esto, construyamos el producto interno del lado
izquierdo de la ecuación con cada vector en S, es decir, para cada i,
hc1 v1 + c2 v2 + · · · + cn vn , vi i = h0, vi i
c1 hv1 , vi i + c2 hv2 , vi i + · · · + cn hvn , vi i = 0.
Como cada vector en S es ortogonal vi , vj = 0 para i 6= j y de este modo la ecuación se reduce a

ci hvi , vi i = 0.
Pero como cada uno de los vectores en S es diferente de cero, y sabemos que hvi , vi i = kvi k2 6= 0,lo
cual implica que cada ci debe ser cero y el conjunto debe ser linealmente independiente.
Bases ortonormales
Como una consecuencia de este Teorema, tenemos el siguiente corolario.
Corolario 2
Si V es un espacio vectorial con producto interno de dimensión n, entonces cualquier conjunto de n
vectores ortogonales distintos de cero es una base para V .
Ejemplo 83
Uso de la ortogonalidad para verificar una base
Demuestre que el conjunto S = {v1 , v2 , v3 , v4 } es una base para R4 ., donde v1 = (2, 3, 2, −2),
v2 = (1, 0, 0, 1), v3 = (−1, 0, 2, 1) y v4 = (−1, 2, −1, 1).
Solución
El conjunto S está formado por cuatro vectores distintos de cero. Probamos a continuación que S es
otogonal.
v1 · v2 = 2 + 0 + 0 − 2 = 0
v1 · v3 = −2 + 0 + 4 − 2 = 0
v1 · v4 = −2 + 6 − 2 − 2 = 0
v2 · v3 = −1 + 0 + 0 + 1 = 0
v2 · v4 = −1 + 0 + 0 + 1 = 0
v3 · v4 = 1 + 0 − 2 + 1 = 0
Por el Corolario 2, S es una base para R4 .

Bases ortonormales
A continuación, estudiaremos el procedimiento para obtener la representación de las coordenadas de un
vector con respecto a una base ortonormal en R2 . En la Figura 7 se observa que i = (1, 0) y j = (0, 1)
forman una base ortonormal para R2 . Cualquier vector w en R2 puede representarse como
w = w1 + w2 , donde w1 = proyi w y w2 = proyj w. Como i y j son vectores unitarios, concluimos
que w1 = (w · i) i y w2 = (w · j) j. En consecuencia
w = w1 + w2 = (w · i) i + (w · j) j = c1 i + c2 j
lo que demuestra que los coeficientes c1 y c2 son simplemente los productos punto de w con los
vectores respectivos de la base. Este resultado se generaliza en el teorema siguiente.
Figura 7: Base ortonormal de w.

Bases ortonormales
Teorema 38 (Coordenadas con respecto a una base
ortonormal)
Si B = {v1 , v2 , . . . , vn } es una base ortonormal de un espacio V con producto interno, entonces la
representación en coordenadas de un vector w con respecto a B es
w = hw, v1 i v1 + hw, v2 i v2 + · · · + hw, vn i vn .
Demostración.
Como B es una base de V , entonces deben existir escalares únicos c1 , c2 , . . . , cn tales que
w = c1 v1 + c2 v2 + · · · + cn vn .
Aplicando el producto interno (con vi ) en ambos lados de esta ecuación se obtiene
hw, vi i = hc1 v1 + c2 v2 + · · · + cn vn , vi i
= c1 hv1 , vi i + c2 hv2 , vi i + · · · + cn hvn , vi i
pero por ortogonalidad de B la ecuación anterior se reduce a
hw, vi i = ci hvi , vi i
y como B es ortogonal, se tiene que hvi , vi i = kvi k2 = 1, por lo que se concluye que ci = hw, vi i.
Gram-Schmidt
Proceso de ortonormalización de Gram-Schmidt:
1. Empezar con una base del espacio con producto interno. No se requiere que sea una base
ortogonal ni que conste de vectores unitarios.
2. Convertir la base dada a una base ortogonal.
3. Normalizar cada uno de los vectores de la base ortogonal para obtener así una base ortonormal.
Teorema 39 (Proceso de ortonormalización de Gram-Schmidt)
1. Sea B = {v1 , v2 , . . . , vn } una base del espacio V con producto interno.

2. Sea B´ = {w1 , w2 , . . . , wn }, donde wi está dado por
w1 = v1
hv2 , w1 i
w2 = v2 − w1
hw1 , w1 i
hv3 , w1 i hv3 , w2 i
w3 = v 3 − w1 − w2
hw1 , w1 i hw2 , w2 i
.
.
.

hvn , w1 i hvn , w2 i vn , wn−1
wn = v n − w1 − w2 − · · · −
wn−1 .
hw1 , w1 i hw2 , w2 i wn−1 , wn−1
Entonces B 0 es una base ortogonal de V .

wi
3. Sea ui =
kwi k
. Luego, el conjunto B 00 = {u1 , u2 , . . . , un } es una base ortonormal de V .
Además, gen {v1 , v2 , . . . , vk } = gen {u1 , u2 , . . . , uk } para k = 1, 2, . . . , n.

Gram-Schmidt
Ejemplo 84
Aplique el proceso de ortonormalización de Gram-Schmidt a la siguiente base en R2 :
B = {v1 , v2 } donde v1 = (1, 1) y v2 = (0, 1).
Solución
Utilizando el proceso de ortonormalización de Gram-Schmidt, se tiene
w1 = v1 = (1, 1)

v2 · w1 1 1 1
w 2 = v2 − w1 = (0, 1) − (1, 1) = − , .
w1 · w1 2 2 2
El conjunto B 0 = {w1 , w2 } es una base ortogonal en R2 . Al normalizar cada vector

de B 0 , se obtiene
√ √ √ !
w1 1 2 2 2
u1 = = √ (1, 1) = (1, 1) = ,
kw1 k 2 2 2 2
√ √ !
√

w2 1 1 1 1 1 2 2
u2 = = √ − , = 2 − , = − , .
kw2 k 1/ 2 2 2 2 2 2 2
Por tanto, B 00 = {u1 , u2 } es una base ortonormal en R2 .

Gram-Schmidt
Ejemplo 85
Aplique el proceso de ortonormalización de Gram-Schmidt a la siguiente base en R3 : B = {v1 , v2 , v3 }
donde v1 = (1, 1, 0), v2 = (1, 2, 0) y v3 = (0, 1, 2).
Solución
Utilizando el proceso de ortonormalización de Gram-Schmidt, se tiene
w1 = v1 = (1, 1, 0)
v 2 · w1 3 1 1

w2 = v2 − w1 = (1, 2, 0) − (1, 1, 0) = − , ,0
w1 · w1 2 2 2
v 3 · w1 v 3 · w2
w3 = v3 − w1 − w2
w1 · w1 w2 · w2
1 1/2 1 1

= (0, 1, 2) − (1, 1, 0) − − , ,0
2 1/2 2 2
= (0, 0, 2) .
El conjunto B 0 = {w1 , w2 , w3 } es una base ortogonal en R3 . Al normalizar cada vector de B 0 , se

obtiene
√ √ !
w1 1 2 2
u1 = = √ (1, 1, 0) = , ,0
kw1 k 2 2 2
√ √ !
w2 1 1 1 2 2

u2 = = √ − , ,0 = − , ,0
kw2 k 1/ 2 2 2 2 2
w3 1
u3 = = (0, 0, 2) = (0, 0, 1) .
kw3 k 2
Gram-Schmidt
El proceso de ortonormalización de Gram-Schmidt también es aplicable en subespacios
de un espacio con producto interno.
Ejemplo 86
Los vectores v1 = (0, 1, 0) y v2 = (1, 1, 1) generan un plano en R3 . Determine una
base ortonormal para este subespacio.
Solución
La aplicación del proceso de ortonormalización de Gram-Schmidt produce
w1 = v1 = (0, 1, 0)
v2 · w1 1
w2 = v2 − w1 = (1, 1, 1) − (0, 1, 0) = (1, 0, 1) .
w1 · w1 1
Al normalizar w1 y w2 se obtiene el conjunto ortonormal
w1
u1 = = (0, 1, 0)
kw1 k
√ √ !
w2 1 2 2
u2 = = √ (1, 0, 1) = , 0, .
kw2 k 2 2 2
Gram-Schmidt
Ejemplo 87 n o
Aplique el proceso de ortonormalización de Gram-Schmidt a la base B = 1, x, x2 en P2 , usando el
R1
producto interno hp, qi = −1 p(x) q(x) dx.
Solución n o
Sea B = {v1 , v2 , v3 } = 1, x, x2 . Entonces
w1 = v 1 = 1
hv2 , w1 i 0
w2 = v 2 − w1 = x − (1) = x
hw1 , w1 i 2
hv3 , w1 i hv3 , w2 i
w3 = v 3 − w1 − w2
hw1 , w1 i hw2 , w2 i
2 2/3 0
=x − (1) − x
2 2/3
2
= x − 1/3.
Luego, al normalizar B 0 = {w1 , w2 , w3 } se obtiene
w1 1 1
u1 = = √ (1) = √
kw1 k2 2
√
w2 1 3
u2 = = p x= √ x
kw2 k 2/3 2
√
w3 1 1 5 2

2
u3 = = p x − = √ 3x − 1 .
kw3 k 8/45 3 2 2
Gram-Schmidt
Los cálculos en el proceso de ortonormalización de Gram-Schmidt algunas veces son
más simples cuando cada vector wi se normaliza antes de ser usado para calcular el
siguiente vector. La forma alternativa del proceso de ortonormalización de
Gram-Schmidt es:
w1 v1
u1 = =
kw1 k kv1 k
w2
u2 = , donde w2 = v2 − hv2 , u1 i u1
kw2 k
w3
u3 = , donde w3 = v3 − hv3 , u1 i u1 − hv3 , u2 i u2
kw3 k
..
.
wn
un = , donde wn = vn − hvn , u1 i u1 − · · · − hvn , un−1 i un−1
kwn k
Ejemplo 88
Determine una base ortonormal del espacio solución del siguiente sistema homogéneo
de ecuaciones lineales:
x1 + x2 + 7x4 = 0
2x1 + x2 + 2x3 + 6x4 = 0
Gram-Schmidt
Solución
La matriz aumentada de este sistema se reduce como sigue:
! !
1 1 0 7 0 1 0 2 −1 0
→ .
2 1 2 6 0 0 1 −2 8 0
Si se hace x3 = s y x4 = t, entonces cada solución del sistema es de la forma
       
x1 −2s + t −2 1
       
 x2   2s − 8t   2 
  8 
 =  = s + t
 .
x  s 1   0
   
 3     
x4 t 0 1
Por consiguiente, una base del espacio solución es
B = {v1 , v2 } = {(−2, 2, 1, 0) , (1, 8, 0, 1)} .
Para hallar una base ortonormal B 0 = {u1 , u2 }, se utiliza la forma alternativa del proceso de
ortonormalización de Gram-Schmidt:
v1 2 2 1

u1 = = − , , ,0
kv1 k 3 3 3
w2 = v2 − hv2 , u1 i u1 = (−3, −4, 2, 1)
w2 3 4 2 1

u2 = = −√ ,−√ , √ , √ .
kw2 k 30 30 30 30
Referencias
Algebra Lineal, Stanley I. Grossman S., McGraw-Hill, México,

Séptima edición.
Elementary Linear Algebra, Ron Larson & David C. Falvo,
Hougton Mifflin Harcourt Publishing Company, Sixth Edition.
Elementary Linear Algebra, Howard Anton & Chris Rorres,
Wiley, Tenth Edition.

Espacios vectoriales: Introducción a los conceptos básicos

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Espacios vectoriales: Introducción a los conceptos básicos

Transféré par

Droits d'auteur :

Formats disponibles

Espacios vectoriales

Luis Angel Zaldívar Cruz

Departamento de Ciencias Básicas

Los conjuntos R2 (vectores en el plano) y R3 (vectores en el

En este tema ...

Dos asuntos de importancia:

V = {(x, y) : y = mx, donde m es un número real fijo y x es un número real arbitrario}

x + y = (x1 , y1 ) + (x2 , y2 ) = (x1 , mx1 ) + (x2 , mx2 ) = (x1 + x2 , mx1 + mx2 )

Por lo tanto se cumple el axioma 1.

2. Suponga que (x, y) ∈ V . Entonces y = mx y

− (x, y) = − (x, mx) = (−x, m(−x)) ,

de manera que −(x, y) también pertenece a V y

(x, mx) + (−x, m (−x)) = (x − x, m (x − x)) = (0, 0).

Por lo tanto se cumple el axioma 5.

(x, mx) + (0, 0) = (x + 0, mx + 0) = (x, mx) .

Por lo tanto se cumple el axioma 4.

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) .

Si el vector del lado derecho estuviera en V , se tendría

y1 + y2 = 2 (x1 + x2 ) + 1 = 2x1 + 2x2 + 1.

Pero y1 = 2x1 + 1 y y2 = 2x2 + 1, de manera que

y1 + y2 = (2x1 + 1) + (2x2 + 1) = 2x1 + 2x2 + 2.

Por lo tanto se concluye que si (x1 , y1 ) ∈ V y (x2 , y2 ) ∈ V , entonces

(x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) ∈ V

Por lo tanto, el axioma 1) se cumple.

(x, y, z) + (0, 0, 0) = (x, y, z)

(ax + by + cz) + (a · 0 + b · 0 + c · 0) = a(x + 0) + b(y + 0) + c(z + 0) = ax + by + cz.

Por lo tanto se verifica el axioma 4.

a(−x) + b(−y) + c(−z) = − (ax + by + cz) = −0 = 0

lo que demuestra que − (x, y, z) ∈ V y

(ax + by + cz)+(a(−x) + b(−y) + c(−z)) = (a(x − x) + b(y − y) + c(z − z) = (0, 0, 0).

Por lo tanto se verifica el axioma 5.

p(x) = an xn + an−1 xn−1 + · · · + a1 x + a0

p(x) + q(x) = (an + bn ) xn + (an−1 + bn−1 ) xn−1 + · · · + (a1 + b1 ) x + (a0 + b0 ) .

−p(x) = −an xn − an−1 xn−1 − · · · − a1 x − a0 ;

se ve que el axioma 5) se cumple, con lo que Pn es un espacio vectorial real.

(f + g) (x) = f (x) + g(x) y (αf ) (x) = α f (x).

Como la suma de funciones continuas es continua, el axioma 1) se cumple y como el

1. Por el axioma 4), 0 + 0 = 0; y del axioma 7),

α0 + (−α0) = (α0 + α0) + (−α0)

2. Se usa, esencialmente, la misma prueba que en la parte 1). Se comienza con

0x + (−0x) = 0x + (0x + (−0x))

−x = 0 + (−x) = x + (−1) x + (−x) = x + (−x) + (−1) x

De este modo, −x = (−1) x. Observe que el orden de la suma en la ecuación

Del ejemplo 1, se sabe que R2 = {(x, y) : x ∈ R y y ∈ R} es un

Este teorema demuestra que para probar si H es o no un subespacio de V , es

x + y = (a (t1 + t2 ) , b (t1 + t2 ) , c (t1 + t2 )) ∈ H

De este modo, todas las soluciones al sistema homogéneo están dadas

Sabemos que todo vector v = (a, b, c) en R3 se puede escribir en la

donde, a1 , a2 , . . . , an son escalares se denomina una combinación

gen {v1 , v2 , . . . , vk } = {v : v = a1 v1 + a2 v2 + · · · + ak vk } (5)

donde a1 , a2 , . . . , ak son escalares arbitrarios.

H = gen {v1 , v2 } = {v : v = a1 (2, −1, 4) + a2 (4, 1, 6)} .

¿Cuál es la apariencia de H? Si v = (x, y, z) ∈ H, entonces se tiene x = 2a1 + 4a2 , y = −a1 + a2 y

Se sabe que el sistema tiene una solución si −5x

La ecuación (6) es la ecuación de un plano en R3 que pasa por el origen.

Se cierra esta sección con la mención de un resultado útil. Su

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

Entonces, 2 = c, 5 = 2c y −3 = 4c, lo cual es evidentemente imposible para cualquier

Este último sistema de ecuaciones se lee c1 = 0, c2 = 0, c3 = 0. Por lo tanto, (10) no

Entonces se obtiene el sistema homogéneo

Si hacemos c3 = 1, se tiene c2 = −3 y c1 = −2, por lo que

lo que implica que éstos vectores son linealmente dependientes.