Académique Documents
Professionnel Documents
Culture Documents
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
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».
Definición y propiedades básicas
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.
Definición y propiedades básicas
Ejemplo 4
El conjunto de puntos en R2 que se encuentran en una recta que pasa por el origen
constituye un espacio vectorial
Sea
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
(x1 + x2 , y1 + y2 ) ∈
/ V.
Definición y propiedades básicas
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,
porque
a(x1 +x2 )+b(y1 +y2 )+c(z1 +z2 ) = (ax1 + by1 + cz1 )+(ax2 + by2 + cz2 ) = 0+0 = 0.
porque
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
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
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.
Definición y propiedades básicas
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.
Definición y propiedades básicas
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.
α0 = α (0 + 0) = α0 + α0 (1)
Sumando −α0 en los dos lados de (1) y usando la ley asociativa (axioma 3), se
obtiene
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
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.
Subespacios vectoriales
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.
Subespacios vectoriales
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 .
Subespacios vectoriales
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
y
αx = (a (αt1 ) , b (αt1 ) , c (αt1 )) ∈ H.
Así, H es un subespacio de R3 .
Subespacios vectoriales
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.
Subespacios vectoriales
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.
Subespacios vectoriales
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.
Subespacios vectoriales
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.
Subespacios vectoriales
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
Subespacios vectoriales
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
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
a1 v1 + a2 v2 + · · · + an vn (3)
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
Combinación lineal y espacio generado
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
Combinación lineal y espacio generado
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 .
Combinación lineal y espacio generado
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 .
Combinación lineal y espacio generado
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
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.
Combinación lineal y espacio generado
Ejemplo 32
El espacio generado por dos vectores en R3
Sean v1 = (2, −1, 4) y v2 = (4, 1, 6). Entonces,
−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
5x − 2y − 3z = 0. (6)
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—.
Combinación lineal y espacio generado
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.
Independencia lineal
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)
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 .
Independencia lineal
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
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
Independencia lineal
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
Solución
Suponga que
1 3 11 0
c1
−3
+ c2 0
+ c 3 −6
= 0
.
0 4 12 0
c1 + 3c2 + 11c3 = 0
−3c1 − 6c3 = 0 (11)
4c2 + 12c3 = 0
Independencia lineal
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.
1 3 11 0
−2 −3 − 3 0 + −6 = 0 ,
0 4 12 0
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
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
. . . .
. . . .
. . . . (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.
Interpretación geométrica de la dependencia lineal en R3
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
Corolario 1
Un conjunto de vectores linealmente independientes en Rn contiene
a lo sumo n vectores.
Interpretación geométrica de la dependencia lineal en R3
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= .
. .. ..
. . .
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.
Interpretación geométrica de la dependencia lineal en R3
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.
Interpretación geométrica de la dependencia lineal en R3
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
linealmente independientes.
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.
Interpretación geométrica de la dependencia lineal en R3
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.
Interpretación geométrica de la dependencia lineal en R3
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
v = c1 v1 + c2 v2 + · · · + cn vn .
Interpretación geométrica de la dependencia lineal en R3
Es decir
x1 a11 a12 a1n
x2 a21 a22 a2n
(17)
. = c1 . + c2 . + · · · + cn . .
. . . .
. . . .
. . . .
. . . .
. . . . (18)
an1 c1 + an2 c2 + · · · + ann cn = xn .
a11 a12 ··· a1n c1
···
a21 a22 a2n c2
..
A= . . .. .
yc=
. .
. . . .
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.
Interpretación geométrica de la dependencia lineal en R3
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
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
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
Ejemplo 41
Cuatro polinomios linealmente independientes en P3
En P3 determine si los polinomios 1, x, x2 y x3 son linealmente dependientes o
independientes.
Interpretación geométrica de la dependencia lineal en R3
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
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
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
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
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 .
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
. . .
. . .
. . . (23)
a1n c1 + a2n c2 + · · · + amn cm = 0
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
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
x = sa1 + ta2
y = sb1 + tb2 (25)
z = sc1 + tc2 .
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
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
c1 v1 + c2 v2 + · · · + cn vn = 0
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
! !
1 −1
v1 = y v2 = .
3 2
! ! !
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
x = c1 v1 + c2 v2 . (27)
!
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
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
( ! !) ( ! !)
1 0 1 −1
En la Figura 2 se ilustran las dos bases , y , .
0 1 3 2
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
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 = 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 .
. . .
. . . .
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
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
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
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
Solución (continuación)
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 = .
.
.
.
.
. . . . . .
Demostración.
Para empezar, sea
.
.
.
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
.
.
.
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
. . . . . .
. . . . . .
. . . . . .
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
. . . . . .
. . . . . .
. . . . . .
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
!
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
3b1 + 2b2 = 7
b1 − b2 = 4
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= . .
. .. ..
. . .
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 = 0 (43)
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
dependientes o independientes.
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
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
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
Rango, nulidad, espacio renglón y espacio columna
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.
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,
Se darán dos definiciones y un teorema que facilitarán en cierta medida el cálculo del
rango.
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.
Rango, nulidad, espacio renglón y espacio columna
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
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 ,
Demostración.
(continuación)
es decir,
a1j α11 α12 α1k
a2j α21 α22 α2k
. = s1j . + s2j . + · · · + s1j . (46)
. . . .
. . . .
amj αm1 αm2 αmk
Rango, nulidad, espacio renglón y espacio columna
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
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
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
Teorema 26
Si A es equivalente por renglones a B, entonces RA = RB , ρ(A) = %(B) y
ν(A) = ν(B).
Rango, nulidad, espacio renglón y espacio columna
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 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).
Rango, nulidad, espacio renglón y espacio columna
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)} .
Rango, nulidad, espacio renglón y espacio columna
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 matrizque 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
Solución (continuación)
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
Rango, nulidad, espacio renglón y espacio columna
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
x1 − 32x3 + 31x4 = 0
x2 + 14x3 − 14x4 = 0
x1 = 32x3 − 31x4
x2 = −14x3 + 14x4
Solución (continuación)
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.
Rango, nulidad, espacio renglón y espacio columna
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
y · x = (c1 r1 + c2 r2 + · · · + cm rm ) · x = c1 r1 · x + c2 r2 · x + · · · + cm rm · x = 0,
Teorema 28
Sea A una matriz de m × n. Entonces
%(A) + ν(A) = n.
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 .
Rango, nulidad, espacio renglón y espacio columna
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= .
.
.
.
.
.
.
.
.
.
. . . . . .
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 ).
Rango, nulidad, espacio renglón y espacio columna
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.
Rango, nulidad, espacio renglón y espacio columna
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
Rango, nulidad, espacio renglón y espacio columna
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.
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
tiene soluciones.
Rango, nulidad, espacio renglón y espacio columna
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
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.
Rango, nulidad, espacio renglón y espacio columna
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).
Rango, nulidad, espacio renglón y espacio columna
Los resultados de esta sección permiten mejorar el teorema de resumen.
1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).
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 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.
Espacios con producto interno
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
u · (v + w) = (u1 v1 + u2 v2 + · · · + un vn ) + (u1 w1 + u2 w2 + · · · + un wn )
= u · v + u · w,
c (u · v) = c (u1 v1 + u2 v2 + · · · + un vn )
= cu1 v1 + cu2 v2 + · · · + cun vn .
c (u · v) = (cu) · v
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.
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
! !
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 .
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
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
Espacios con producto interno
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
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
1. h0, vi = hv, 0i = 0
2. hu + v, wi = hu, wi + hv, wi
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.
Espacios con producto interno
Definición 16 (Norma, distancia, ángulo, etc.)
Sean u y v vectores en un espacio V con producto interno.
hu, vi
cos θ = , 0 ≤ θ ≤ π.
kuk kvk
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.
Espacios con producto interno
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
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.
Espacios con producto interno
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
Espacios con producto interno
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.
1. kuk ≥ 0
2. kuk = 0 si y sólo si u = 0
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
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
Espacios con producto interno
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.
Si a > 0, como se muestra en la Figura 3(a), entonces cos θ > 0 y la longitud de proyv u es
u·v u·v
lo cual implica que a = = . Así
kvk2 v·v
u·v
proyv u = v.
v·v
Espacios con producto interno
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
Demostración.
Sea b = hu, vi / hv, vi. Entonces
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
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
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.
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)}
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
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
( )
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.
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
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
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.
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 .
hw, vi i = hc1 v1 + c2 v2 + · · · + cn vn , vi i
= c1 hv1 , vi i + c2 hv2 , vi i + · · · + cn hvn , vi i
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.
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
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
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) .
√ √ !
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
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.
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
x1 −2s + t −2 1
x2 2s − 8t 2
8
= = s + t
.
x s 1 0
3
x4 t 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