CAPÍTULO 3

Espacios Vectoriales

3.1. Espacios vectoriales y subespacios

Definición 3.1. Sea V un conjunto en el cual se han definido dos operaciones, llamadas adición
y multiplicación escalar. Si u y v pertenecen a V, la suma de u y v se denota por u + v, y si c
es un escalar, la multiplicación de u por c es denotada por cu. Para todo u, v y w en V y para todo
escalar c y d, decimos que V es un espacio vectorial si se satisfacen los siguientes diez axiomas:

1. u + vestá en V, cerradura bajo la adición

2. u + v = v + u, conmutatividad

3. (u + v) + w = u + (v + w), asociatividad

4. En V existe el elemento 0, llamado vector cero o nulo, tal que u + 0 = u,

5. Para cada u en V, existe un elemento −u en V, tal que u + (−u) = 0,

6. cu está en V, cerradura bajo la multiplicación escalar

7. c(u + v) = cu + cv, distributividad

8. (c + d)u = cu + du, distributividad

9. c(du) = (cd)u,

21
22 Carlos Mario Martı́nez

10. 1u = u.

Los elementos de V se llaman vectores.

Ejemplo 3.1. Rn , se define como el conjunto de todos los vectores con n componentes, es decir,
  

 x1 


   

x2

  

Rn :=   : x1 , x2 , . . . , xn ∈ R
 
..





 . 





 
xn
 

en este conjunto las operaciones usuales de adición y multiplicación escalar son:

     
x1 y1 x1 + y1
     
 x2   y2   x2 + y2 
+ =
     
 .. .. .. 

 .  
  .  
  . 

xn yn xn + yn

y
   
x1 cx1
   
 x2   cx2 
c = . 
   
..   .. 

 .   
xn cxn

Rn con las operaciones anteriores es un espacio vectorial.

Ejemplo 3.2. Mm×n , es el conjunto de todas las matrices de orden m × n.

Mm×n con las operaciones usuales de adición y multiplicación escalar entre matrices
es un espacio vectorial.

Ejemplo 3.3. Pn , es el conjunto de todos los polinomios de grado menor o igual a n. Si p, q ∈ Pn

entonces

p(x) = a0 + a1 x + a2 x2 + · · · + an xn
q(x) = b0 + b1 x + b2 x2 + · · · + bn xn
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + · · · + (an + bn )xn
cp(x) = ca0 + ca1 x + ca2 x2 + · · · + can xn

Pn con las operaciones anteriores es un espacio vectorial.

Espacios y subespacios vectoriales 23

Ejemplo 3.4. F, es el conjunto de todas las funciones con valores reales definidas sobre los números
reales. Si f, g ∈ F entonces

(f + g)(x) = f (x) + g(x) y (cf )(x) = cf (x)

F con las operaciones anteriores es un espacio vectorial.

Ejemplo 3.5. El conjunto de los números enteros Z con las operaciones usuales NO es un espacio
vectorial, puesto que el axioma 6 (cerradura bajo la multiplicación escalar) no se cumple, note que:

1 1 4
4∈Z y es un escalar y (4) = no está en Z.
5 5 5

Ejemplo 3.6. El conjunto R2 con la definición usual de adición pero con la siguiente multiplicación
por escalar    
x 0
c = 
y cy

como ejercicio se puede verificar que se cumplen los primero nueve axiomas, pero falla el número
diez, pues      
4 0 4
1 =  6=  
7 7 7

Teorema 3.1. Sea V un espacio vectorial, u un vector en V y c un escalar.

1. 0u = 0

2. c0 = 0

3. (−1)u = −u

4. Si cu = 0, entonces c = 0 o u = 0.

Definición 3.2. Un subconjunto W de un espacio vectorial V se denomina subespacio de V si

W mismo es un espacio vectorial con los mismos escalares, adición y multiplicación por escalar que
V.

Teorema 3.2. Sea V un espacio vectorial, y W un subconjunto no vacio de V. Entonces W es un

subespacio de V si y sólo si se cumplen las siguientes condiciones:

1. Si u, v ∈ W, entonces u + v ∈ W,

2. Si u ∈ W y c es un escalar, entonces cu ∈ W.
24 Carlos Mario Martı́nez

Ejemplo 3.7. El conjunto W de todas las matrices simétricas de orden n × n es un subespacio de

Mn×n . En efecto:
W es no vacio, y si A, B ∈ W y c es un escalar, entonces AT = A y B T = B, por tanto,

(A + B)T = AT + B T = A + B y (cA)T = cAT = cA

Ejemplo 3.8. Sea C el conjunto de todas las funciones contı́nuas con valores reales sobre los reales,
y D el conjunto de todas las funciones diferenciables con valores reales sobre los reales. C y D son
subespacios de F.

Nota. Toda función diferenciable es contı́nua, por tanto, D es subespacio de C, D ⊂ C.

Todo polinomio es diferenciable, por tanto, P ⊂ D.

Por todo lo anterior, tenemos la siguiente jerarquia entre subespacios,

P ⊂ D ⊂ C ⊂ F.

Ejemplo 3.9. El conjunto S de todas las funciones que satisfacen la ecuación diferencial

f 00 + f = 0 (3.1)

es un subespacio de F.

Ejemplo 3.10. Todo espacio vectorial V es claramente un subespacio de él mismo. El conjunto
{0}, que se compone únicamente del vector cero, también es un subespacio de V, conocido como
subespacio nulo; note que 0 + 0 = 0 y c0 = 0 para cualquier escalar c. Los subespacios {0} y V
son conocidos como subespacios triviales de V.

Proposición 3.1.1. Si W es un subespacio vectorial de V, entonces W contiene el vector nulo 0

de V.
 
a
 
 b 
Ejemplo 3.11. 1. Demuestre que el conjunto W de todos los vectores de la forma   es
 
 −b 
 
a
un subespacio de R4 .

2. Demuestre que el conjunto W de todos los polinomios de la forma a + bx − bx2 + ax3 es un

subespacio de P3 .
 
a b
3. Demuestre que el conjunto W de todas las matrices de la forma   es un subespacio
−b a
de M2×2 .
Espacios y subespacios vectoriales 25

Demostración. 1. W es novacio,
 puesto que
 contiene
 el vector cero nulo de R4 ; si tomamos
0 a c
     
 0   b   d 
a = b = 0, obtenemos 0 =  . Si u =  yv=  entonces
     
 0   −b   −d 
     
0 a c
   
a+c a+c
   
 b+d   b+d 
u+v = =  ⇒ u + v ∈ W.
   
 −b − d   −(b + d) 
   
a+c a+c

Si k ∈ R, entonces
 
ka
 
 kb 
ku =   ⇒ ku ∈ W.
 
 −kb 
 
ka

Luego, W es un subespacio de R4 .

2. Ejercicio para el estudiante.

3. Ejercicio para el estudiante.

Ejemplo 3.12. Sean V = Mn×n y W = {A ∈ Mn×n : A es invertible }. Entonces, W no es un

subespacio de V, ya que la matriz cero de Mn×n no está en W, pues, 0n×n no es invertible.

Teorema 3.3. Sean W1 y W2 subespacios de un espacio vectorial V. Entonces, W1 ∩ W2 también

es un subespacio de V.

Demostración. Como 0 ∈ W1 y 0 ∈ W2 , entonces 0 ∈ W1 ∩ W2 , es decir, W1 ∩ W2 es no vacio.

Sean u, v ∈ W1 ∩ W2 y α un escalar, entonces u, v ∈ W1 y u, v ∈ W2 , luego, como W1 y W2 son
subespacios, se tiene que αu, u + v ∈ W1 y αu, u + v ∈ W2 , por tanto, αu, u + v ∈ W1 ∩ W2 . En
consecuencia, W1 ∩ W2 es un subespacio de V.

Conjuntos generadores

Definición 3.3. Un vector v es una combinación lineal de vectores v1 , v2 , . . . , vk , si existen

escalares c1 , c2 , . . . , ck tales que v = c1 v1 + c2 v2 + · · · + ck vk . Los escalares c1 , c2 , . . . , ck son los
coeficientes de la combinación lineal.
26 Carlos Mario Martı́nez

       
2 1 2 5
       
Ejemplo 3.13. 1. El vector 
 −2  es una combinación lineal de  0  ,  −3  y  −4 ,
      

−1 −1 1 0
puesto que        
1 2 5 2
       
 0  + 2  −3  −  −4  =  −2 
3       

−1 1 0 −1
       
−9 1 2 5
       
2. Escribir el vector 
 0  como combinación lineal de los vectores  0 ,  −3 ,  −4 .
     

6 −1 1 0
Para esto, debemos hallar escalares c1 , c2 y c3 , tales que:
       
−9 1 2 5
       
 0  = c1  0  + c2  −3  + c3  −4  .
       
6 −1 1 0
En efecto:    
−9 c1 + 2c2 + 5c3
   
 0 = −3c2 − 4c3 
   
6 −c1 + c2
obteniendo el sistema de ecuaciones
c1 + 2c2 + 5c3 = −9
− 3c2 − 4c3 = 0
−c1 + c2 = 6
  
c1 −2
   
cuya solución es 
 c2  =  4 .
  

c3 −3
Definición 3.4. Si S = {v1 , v2 , . . . , vk } es un conjunto de vectores en un espacio vectorial V,
entonces el conjunto de todas las combinaciones lineales de v1 , v2 , . . . , vk se conoce como espacio
generado por S, y se denota por gen(S) o gen(v1 , v2 , . . . , vk ). Si V = gen(S), entonces S se
denomina conjunto generador para V y se dice que V es generado por S.

Ejemplo 3.14. Demuestre que el conjunto S = 1, x, x2 , . . . , xn genera a Pn .

Demostración. Por su misma definición, un polinomio p(x) = a0 + a1 x + a2 x2 + · · · + an xn es

una combinación lineal de S. Por tanto,

Pn = gen(1, x, x2 , . . . , xn ).
Espacios y subespacios vectoriales 27

Ejemplo 3.15. Demuestre que M2×3 = gen(E11 , E12 , E13 , E21 , E22 , E23 ), donde
     
1 0 0 0 1 0 0 0 1
E11 =   , E12 =   , E13 =  
0 0 0 0 0 0 0 0 0
     
0 0 0 0 0 0 0 0 0
E21 =   , E22 =   , E23 =  
1 0 0 0 1 0 0 0 1

(es decir, Eij es la matriz con un 1 en la fila i, columna j y con ceros en las otras posiciones).

Demostración. Sólo necesitamos observar que

 
a11 a12 a13
  = a11 E11 + a12 E12 + a13 E13 + a21 E21 + a22 E22 + a23 E23
a21 a22 a23

Si extendemos este ejemplo, vemos que, en general, Mm×n es generado por las mn matrices Eij ,
para i = 1, . . . , m y j = 1, . . . , n.

Teorema 3.4. Sean v1 , v2 , . . . , vk vectores en un espacio vectorial V.

1. gen(v1 , v2 , . . . , vk ) es un subespacio de V .

2. gen(v1 , v2 , . . . , vk ) es el subespacio más pequeño de V que contiene v1 , v2 , . . . , vk .

3.1.1. Ejercicios
Determine si el conjunto dado es un espacio vectorial. De no ser asi, proporcione una
lista de los axiomas que no se cumplen.

1. El conjunto de matrices diagonales de n × n bajo la adición de matrices y multiplicación por

escalar usuales.

2. El conjunto de vectores del plano que están en el primer cuadrante.

3. El conjunto de vectores en R3 de la forma (x, x, x).

4. El conjunto de matrices simétricas de n × n bajo la adición de matrices y multiplicación por

escalar usuales.
Determine si W es un subespacio de V.

5. V = Mn×n y W = {A ∈ Mn×n : det A = 1}.

6. V = Mn×n y W es el conjunto de matrices diagonales de n × n.

28 Carlos Mario Martı́nez

7. V = Mn×n y W = {A ∈ Mn×n : AB = BA}, donde B es una matriz (fija) dada.

8. V = F y W es el conjunto de funciones pares.

9. V = F y W es el conjunto de funciones impares.

10. V = F y W = {f ∈ F : lı́mx→0 f (x) = ∞}.

3.2. Independencia lineal, bases y dimensión

Independencia lineal

Definición 3.5. Un conjunto de vectores {v1 , v2 , . . . , vk } de un espacio vectorial V es linealmente

independiente, si ninguno de ellos puede ser escrito como una combinación lineal de los restantes;
es decir, si la ecuación
c1 v1 + c2 v2 + · · · + ck vk = 0

tiene como única solución la trivial, esto es, c1 = c2 = · · · = ck = 0.

Observación. En la definición anterior, si al menos uno de los escalares es distinto de cero, diremos
que el conjunto de vectores {v1 , v2 , . . . , vk } es linealmente dependiente.

Teorema 3.5. Un conjunto de vectores {v1 , v2 , . . . , vk } de un espacio vectorial V es linealmente

dependiente si y sólo si al menos uno de los vectores puede ser expresado como una combinación
lineal de los otros.

Ejemplo 3.16. El siguiente conjunto de matrices en M2×2 es linealmente independiente.

       
 1 1 1 0 0 1 1 1 
S=  , , , 
 0 1 1 1 1 1 1 0 

En efecto, si
         
1 1 1 0 0 1 1 1 0 0
c1   + c2   + c3   + c4  = 
0 1 1 1 1 1 1 0 0 0

entonces,
c1 + c2 + c4 = 0
c1 + c3 + c4 = 0
+ c2 + c3 + c4 = 0
c1 + c2 + c3 = 0
Espacios y subespacios vectoriales 29

 
1 1 0 1
 
 1 0 1 1 
donde la matriz de coeficientes A =   es invertible, ya que det(A) = 3 6= 0, en
 
 0 1 1 1 
 
1 1 1 0
consecuencia, la única solución de este sistema es la trivial; es decir, c1 = c2 = c3 = c4 = 0.

Ejemplo 3.17. Determine si el conjunto de polinomios

1 − 2x, 3x + x2 − x3 , 1 + x2 + 2x3 , 3 + 2x + 3x3



en P3 es linealmente independiente. Veamos,

c1 (1 − 2x) + c2 (3x + x2 − x3 ) + c3 (1 + x2 + 2x3 ) + c4 (3 + 2x + 3x3 ) = 0

entonces

(c1 + c3 + 3c4 ) + (−2c1 + 3c2 + 2c4 )x + (c2 + c3 )x2 + (−c2 + 2c3 + 3c4 )x3 = 0

igualando polinomios obtenemos el siguiente sistema

c1 + c3 + 3c4 = 0
−2c1 + 3c2 + 2c4 = 0
+ c2 + c3 = 0
− c2 + 2c3 + 3c4 = 0
 
1 0 1 3
 
 −2 3 0 2 
donde A =   es la matriz de coeficientes y det(A) = 27, por tanto, la matriz
 
 0 1 1 0 
 
0 −1 2 3
es invertible y ası́, la única solución del sistema es la trivial. Luego, el conjunto de polinomios es
linealmente independiente.

Ejemplo 3.18. En F, el conjunto sin2 x, cos2 x, cos 2x es linealmente dependiente, note que cos 2x


se deja escribir como combinación lineal de sin2 x y cos2 x, pues,

cos 2x = cos2 x − sin2 x

Bases

Definición 3.6. Un conjunto B de un espacio vectorial V es una base para V si:

1. B genera a V y
30 Carlos Mario Martı́nez

2. B es linealmente independiente.

Ejemplo 3.19. El conjunto de vectores

     

 1 0 0 


      

0 1 0

     

S=  , ,...,
     
.. .. .. 





 .  
  . 


 . 



 
0 0 1
 

 
x1
 
 x2 
es una base para Rn , denominada base estándar. Es fácil ver que, cualquier vector   se
 
..

 . 

xn
puede escribir como combinación lineal de los vectores dados, pues,
       
x1 1 0 0
       
 x2   0   1   0 
 .  = x1  .  + x2  .  + . . . + xn 
       
 ..   ..  ..  .. 
  

  

 . 

xn 0 0 1

osea que gen(S) = Rn . Con esta misma idea se deduce que S es linealmente independiente.

Ejemplo 3.20. El conjunto de polinomios S = 1, x, x2 , . . . , xn es una base para Pn , denominada
base estándar.

Ejemplo 3.21. De la misma forma el conjunto S = 1, x, x2 , . . . , xn , . . . es una base para P; donde
P es el conjunto de todos los polinomios.

Ejemplo 3.22. Demuestre que el conjunto B = 1 + x, x + x2 , 1 + x2 es una base para P2 .

Demostración. Este es un ejercicio para el estudiante.

Ejemplo 3.23. Encuentre bases para los tres espacios vectoriales siguientes
 


 a 



  

 b 

1. W1 =   ,




 −b  



 

 a 

2. W2 = a + bx − bx2 + ax3 ,
 
 a b 
3. W3 =   .
 −b a 
Espacios y subespacios vectoriales 31

Demostración. 1. Este es un ejercicio para el estudiante,

2. Este es un ejercicio para el estudiante,

3. Dado que      
a b 1 0 0 1
  = a  + b 
−b a 0 1 −1 0
   
1 0 0 1
entonces, W3 = gen  , , y se puede verificar de forma muy sencilla
0 1 −1 0
   
 1 0 0 1 
que  ,  , es linealmente independiente y por tanto, una base para W3 .
 0 1 −1 0 

Dimensión

Teorema 3.6. Sea B = {v1 , v2 , . . . , vn } una base para un espacio vectorial V.

1. Cualquier conjunto de más de n vectores en V debe ser linealmente dependiente.

2. Cualquier conjunto con menos de n vectores en V no puede generar a V.

Teorema 3.7 (Teorema de bases). Si un espacio vectorial V tiene una base con n vectores,
entonces toda base para V tiene exactamente n vectores.

Definición 3.7. Un espacio vectorial V se denomina de dimensión finita si tiene una base
determinada por un número finito de vectores. La dimensión de V, denotada mediante la expresión
dim V, es el número de vectores en una base para V. La dimensión del espacio vectorial {0}, se define
como cero. Un espacio vectorial que no tiene base finita se conoce como de dimensión infinita.

Ejemplo 3.24. La base estándar o canónica para Rn tiene n vectores, por lo tanto, dim Rn = n.

Ejemplo 3.25. La base estándar o canónica para Pn contiene n + 1 vectores, en consecuencia,

dim Pn = n + 1.

Ejemplo 3.26. La base estándar o canónica para Mm×n tiene mn vectores, de manera que,
dim Mm×n = mn.

Ejemplo 3.27. Los espacios P y F son de dimensión infinita, dado que cada uno de ellos tienen

una base con un número infinito de vectores; por ejemplo, B = 1, x, x2 , . . . , xn , . . . .

Ejemplo 3.28. Encuentre la dimensión del espacio vectorial W de las matrices simétricas de orden
3 × 3.
32 Carlos Mario Martı́nez

 
a b c
 
Solución. Una matriz simétrica de 3 × 3 es de la forma 
 b d , además,
e 
c e f
       
a b c 1 0 0 0 1 0 0 0 1
       
 = a 0 0 0  + b 1 0 0  + c 0 0 0 
 b d e       

c e f 0 0 0 0 0 0 1 0 0
     
0 0 0 0 0 0 0 0 0
     
+ d
 0 1 0  + e 0 0 1  + f  0 0 0 
    

0 0 0 0 1 0 0 0 1

osea que, W es generado por el conjunto

           
 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0

 

          
S=   0 0 0 , 1 0

, 0
0   0 , 0
0   1 , 0
0   0 , 0
1   0 0 


 

0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1
 

y se comprueba fácilmente que S también es linealmente independiente, siendo asi, S una base para
W, lo que implica que
dim W = 6.

Teorema 3.8. Sea V un espacio vectorial con dim V = n. Entonces,

1. Cualquier conjunto linealmente independiente en V contiene a lo más n vectores.

2. Cualquier conjunto generador de V contiene al menos n vectores.

3. Cualquier conjunto linealmente independiente con exactamente n vectores en V es una base

para V.

4. Cualquier conjunto generador de V compuesto de exactamente n vectores es una base para V.

5. Cualquier conjunto linealmente independiente en V puede ser extendido a una base para V.

6. Cualquier conjunto generador de V puede ser reducido a una base para V.

Ejemplo 3.29. En cada caso, utilice el teorema anterior para determinar si el conjunto S es una
base para V.

1. V = P2 , S = 1 + x, 2 − x + x2 , 3x − 2x2 , −1 + 3x + x2
     
 1 0 0 −1 1 1 
2. V = M2×2 , S =  , , 
 1 1 1 0 0 −1 
Espacios y subespacios vectoriales 33


3. V = P2 , S = 1 + x, x + x2 , 1 + x2

Solución. 1. Dado que dim P2 = 3 y S contiene 4 vectores, S es linealmente dependiente, según

el teorema 3.8 parte (1). Por lo tanto, S no es una base para P2 .

2. Sabemos que dim M2×2 = 4 y como S contiene tres vectores, entonces S no puede generar
a M2×2 , de acuerdo con el terorema 3.8 parte (2). En consecuencia, S no es una base para
M2×2 .

3. Como dim P2 = 3 y S contiene 3 vectores, S será una base para P2 si es linealmente indepen-
diente o genera a P2 , según terorema 3.8 partes (3) o (4). En este caso es más fácil demostrar
que S es linealmente independiente (Demuestrelo!). Ası́, S es una base para P2 .

Teorema 3.9. Sea W un subespacio de un espacio vectorial de dimensión finita V. Entonces

1. W es de dimensión finita y dim W ≤ dim V.

2. dim W = dim V si y sólo si W = V.

3.2.1. Ejercicios
Determine si los siguientes conjuntos son linealmente independientes
     
 1 1 1 −1 1 0 
1.  , ,  en M2×2 .
 0 −1 1 0 3 2 
       
 −1 1 3 0 0 2 −1 0 
2.  , , ,  en M2×2 .
 −2 2 1 1 −3 1 −1 7 

3. {x, 1 + x} en P2 .

4. 1 + x, 1 + x2 , 1 − x + x2 en P2 .

5. 2x, x − x2 , 1 + x3 , 2 − x2 + x3 en P3 .
Determine si el conjunto B es una base del espacio vectorial V

     
 1 1 0 −1 1 1 
6. V = M2×2 , B =  , ,  .
 0 1 1 0 1 −1 
34 Carlos Mario Martı́nez

       
 1 0 0 −1 1 1 1 1 
7. V = M2×2 , B =  , , ,  .
 0 1 1 0 1 1 1 −1 

8. V = P2 , B = x, 1 + x, x − x2 .


9. V = P2 , B = 1 − x, 1 − x2 , x − x2 .

3.3. Rango, nulidad, espacio fila y espacio columna de una

matriz
Si una matriz A de orden n×n es invertible, entonces las filas y las columnas de A forman conjuntos
de vectores linealmente independientes; sin embargo, si A no es invertible o no es una matriz cua-
drada, aún no podemos decir nada sobre el número de filas o columnas linealmente independientes
de A. Esto último es lo que se estudiará en esta sección.
Sea A una matriz de m × n y sea,

NA = {x ∈ Rn : Ax = 0}

Definición 3.8. NA se denomina el espacio nulo de A y ν(A) = dim NA se denomina nulidad

de A. Si NA contiene sólo al vector cero, entonces ν(A) = 0.

El espacio nulo de una matriz también se conoce como kernel.

 
  x
1 2 −1   
Ejemplo 3.30. Sea A =  , por definición NA = x ∈ R3 : Ax = 0 , si x =  y 
2 −1 3
 
z
entonces
 
  x
 
1 2 −1   0 x + 2y − z = 0
  y  =   ⇔
2 −1 3 0 2x − y + 3z = 0
 
z

Reduciendo por renglones, tenemos que

     
1 2 −1 | 0 1 2 −1 | 0 1 2 −1 | 0
 → → 
2 −1 3 | 0 0 −5 5 | 0 0 1 −1 | 0
 
1 0 1 | 0
→ 
0 1 −1 | 0
Espacios y subespacios vectoriales 35

entonces las variables principales son x y y, la variable z es libre, además y = z y x = −z, entonces
si z = t, t ∈ R se tiene      
x −t −1
     
 y  =  t  = t 1 
     
z t 1
 
−1
 
luego, NA está generado por 
 1  y asi, ν(A) = 1.


1
 
2 −1 3
   3

Ejemplo 3.31. Sea A =   4 −2 6  . Por definición NA = x ∈ R : Ax = 0 , si x =


−6 3 −9
 
x
 
 y  entonces,
 
z
    
2 −1 3 x 0 2x − y + 3z = 0
    
 4 −2 6   y  =  0  ⇔ 4x − 2y + 6z = 0
    
−6 3 −9 z 0 − 6x + 3y − 9z = 0

Reduciendo por filas, tenemos que

   
2 −1 3 | 0 2 −1 3 | 0
   
→ 0
 4 −2 6 | 0   0 0 | 0 
 
−6 3 −9 | 0 0 0 0 | 0

Quedándonos una sóla ecuación, 2x − y + 3z = 0, donde y y z son variables libres, sea y = s y z = t

con s, t ∈ R, entonces x = 21 s − 23 t y ası́,
       
1 3 1
x 2s − 2t 2 −3
       2 
 y = s  = s 1  + t 0 
       
z t 0 1
       
1
2 1 − 23 3
  1    
1 

donde,  1  = 2  2  y  0  = − 2  0  por tanto,
     

0 0 1 −2
   


 1 3 

  
NA = gen  2  ,  0 
   

 

0 −2
 
36 Carlos Mario Martı́nez

osea que, ν(A) = 2.

Teorema 3.10. Sea A una matriz de n × n. Entonces A es invertible si y sólo si ν(A) = 0.

Observación. Dado que ν(A) = dim NA entonces NA = {0}, lo cual significa que el sistema
Ax = 0 tiene como solución única la trivial, y por lo visto en secciones anteriores esto implica que
la matriz A es invertible.

Definición 3.9. Sea A una matriz de m × n. Entonces la imagen de A, denotada por Im (A),
está dada por
Im (A) = {y ∈ Rm : Ax = y para alguna x ∈ Rn }

Definición 3.10. Sea A una matriz de m×n. Entonces el rango de A, denotado por ρ (A), está dado
por
ρ (A) = dim Im (A)

Teorema 3.11. Sea A una matriz de m × n. Entonces la imagen de A, Im (A), es un subespacio

de Rm .

Demostración. Ver Stanley I. Grossman página 344.

Definición 3.11. Si A es una matriz de m×n, sean {r1 , r2 , . . . , rm } las filas de A y {c1 , c2 , . . . , cn }
las columnas de A. Entonces se define, el espacio fila de A, denotado RA por

RA = gen {r1 , r2 , . . . , rm } (3.2)

y el espacio columna de A, denotado CA por

CA = gen {c1 , c2 , . . . , cn } (3.3)

RA es un subespacio de Rn y CA es un subespacio de Rm .

Teorema 3.12. Para cualquier matriz A, CA = Im(A). Es decir, el espacio columna de una matriz
es igual a la imagen de la matriz.

Teorema 3.13. Si A es una matriz de m × n, entonces

dim RA = dim CA = dim Im(A) = ρ(A) (3.4)

 
1 2 −1
Ejemplo 3.32. Sea A =   una matriz de 2 × 3. Entonces, como vimos en el
2 −1 3
 


 −1 


ejemplo 3.30, NA = gen  1  de donde ν(A) = 1. Además, llegamos a la forma reducida
 

 

1
 
Espacios y subespacios vectoriales 37

 
1 0 1 | 0
 , donde observamos que las dos primeras columnas son vectores linealmente
0 1 −1 | 0
independientes en R2 , y por lo tanto, forman una base para R2 , ası́

Im(A) = CA = R2 ⇒ ρ(A) = dim Im(A) = dim R2 = 2.

También observamos que las dos filas de A son linealmente independientes y generan a RA , por lo
que RA es un subespacio de dimensión dos en R3 .
 
1 −1 3
 
Ejemplo 3.33. Sea A =   2 0 4  . Hallar:
−1 −3 1
1. El espacio nulo, NA , y la nulidad, ν(A),

2. Una base para la imagen, Im(A), y el rango de A, ρ(A),

3. El espacio fila de A, RA .
 
1 0 2
 
Solución. La forma reducida de A es, 
 0 1 , luego,
−1 
0 0 0
1. Para el espacio nulo tenemos, Ax = 0, equivalente a
 
1 0 2 |0
  x + 2z = 0
 0 1 −1 |0  ⇔
y − z = 0
 
0 0 0 |0
comola única
  variable
 libre es z, hacemos z = t, t ∈ R y asi, x = −2t, y = t, z = t de donde,
x −2
   
 y  = t  1 . Por tanto,
   
z 1
 


 −2 


NA = gen  1 
 

 

1
 

y ν(A) = 1.

2. Puesto que Im(A) = CA y CA es el número de columnas linealmente independientes, las cuales

se identifican claramente en la forma reducida de A, entonces una base para Im(A) es,
   


 1 −1 

  
 2 , 0 
    
 
−1 −3
 
38 Carlos Mario Martı́nez

luego, ρ(A) = 2.

3. De la misma matriz reducida se observan las filas linealmente independientes, por tanto,
nh i h io
RA = gen 1 0 2 , 0 1 −1

note que, dim RA = 2.

Teorema 3.14. Para cualquier matriz A,

ρ(AT ) = ρ(A)

Teorema 3.15. Sea A una matriz de m × n. Entonces,

ρ(A) + ν(A) = n (3.5)

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

Teorema 3.16 (Teorema fundamental de las matrices invertibles). Sea A una matriz de
orden n × n. Entonces, las siguientes afirmaciones son equivalentes:

1. A es invertible,

2. Ax = 0 tiene como única solución la trivial,

3. Ax = b tiene una única solución para toda b ∈ Rn ,

4. La forma reducida escalonada por renglón de A es In ,

5. A es un producto de matrices elementales,

6. ρ(A) = n,

7. ν(A) = 0,

8. Las columnas de A forman una base de Rn ,

9. Las filas de A forman una base de Rn .

Espacios y subespacios vectoriales 39

3.3.1. Ejercicios
1. Sea la matriz  
1 1 3 1 6
 
 2 −1 0 1 −1 
A=
 

 −3 2 1 −2 1 
 
4 1 6 1 3

a) Encuentre bases para el espacio columna y el espacio fila de A,

b) Encuentre una base para el espacio nulo de A,

c) Determine el rango y la nulidad de A.

2. Para cada uno de los siguientes sistemas de ecuaciones calcule ya sea el rango o la nulidad
de la matriz de coeficientes y utilice el teorema 3.16 para deducir si el sistema tiene solución
única.

a)
x + y − z = 7
4x − y + 5z = 4
6x + y + 3z = 20

b)
x1 − 2x2 + x3 + x4 = 2
3x1 + 2x3 − 2x4 = −8
4x2 − x3 − x4 = 1
5x1 + 3x3 − x4 = −3