ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡X1 ⎤ ⎡Y1 ⎤ ⎡ X1 +Y1 ⎤

Capítulo 4 ⎢ ⎥
X
⎢ M ⎥
⎢ ⎥
Y
⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢
X2 Y2
. Si α = ⎢ 2 ⎥ ∈ ℜ n y β = ⎢ 2 ⎥ ∈ ℜ n entonces α+β = ⎢ ⎥ + ⎢ ⎥ = ⎢
⎢M ⎥ ⎢M⎥ ⎢ M ⎥
⎥
X2 +Y2 ⎥ n
∈ℜ
ESPACIOS VECTORIALES ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣Yn ⎥⎦ ⎢⎣Xn ⎥⎦ ⎢⎣Yn ⎥⎦ ⎢⎣Xn +Yn ⎥⎦
⎡ X1 ⎤ ⎡ X1 ⎤ ⎡ cX1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X X cX
. Si α = ⎢ 2 ⎥ ∈ ℜ n y c∈ℜ entonces c • α = c • ⎢ 2 ⎥ = ⎢ 2 ⎥ ∈ ℜ n
4.1. INTRODUCCIÓN. ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣X n ⎥⎦ ⎢⎣cX n ⎥⎦
En este capítulo se presentará una importante herramienta para lograr la
reducción de datos en el análisis de datos multivariante, como lo son los
espacios vectoriales. Se expondrán sus principales conceptos asociados como Ahora verificamos que tales operaciones satisfacen las 8 propiedades:
lo son: Subespacios, Combinación Lineal, Independencia y Dependencia
Lineal, Bases y Espacio Nulo, Nulidad, Imagen, Espacio Columna y Espacio ⎡ X1 ⎤ ⎡ Y1 ⎤
Fila de una Matriz. ⎢ ⎥ ⎢ ⎥
X Y
1. Si α = ⎢ 2 ⎥ y β = ⎢ 2 ⎥ tales que α, β∈V entonces:
⎢ M ⎥ ⎢ M ⎥
4.2. DEFINICIONES, PROPIEDADES Y EJEMPLOS. ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣Yn ⎥⎦
Definición 4.1.
⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ X1 + Y1 ⎤ ⎡ Y1 + X1 ⎤ ⎡ Y1 ⎤ ⎡ X1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Sea K un cuerpo. Se dice que un conjunto no vacío V es un K-espacio vectorial X Y X + Y2 ⎥ ⎢ Y2 + X 2 ⎥ ⎢Y2 ⎥ ⎢X 2 ⎥
α +β = ⎢ 2⎥ + ⎢ 2⎥ = ⎢ 2 = = + =β+α
o un espacio vectorial sobre K si en V están definidas dos operaciones; una ⎢ M ⎥ ⎢M ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢M ⎥ ⎢ M ⎥
interna denominada adición denotada por + que asigna a cada par ordenado ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣Yn ⎥⎦ ⎢⎣X n + Yn ⎥⎦ ⎢⎣Yn + X n ⎥⎦ ⎢⎣Yn ⎥⎦ ⎢⎣X n ⎥⎦
(α,β) ∈ VxV un único elemento (α+β) ∈ V y otra externa con dominio de
operadores K denominada multiplicación por escalares, denotada por • que ⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ Z1 ⎤
asigna a cada par ordenado (c,α) ∈ KxV un único elemento (c•α) ∈ V, las ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X Y Z
cuales verifican las siguientes propiedades: 2. Si α = ⎢ 2 ⎥ , β = ⎢ 2 ⎥ y δ = ⎢ 2 ⎥ tales que α, β, δ∈V entonces:
⎢ M ⎥ ⎢ M ⎥ ⎢M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1. ∀ α, β ∈ V se cumple que α + β = β + α. ⎢⎣X n ⎥⎦ ⎢⎣Yn ⎥⎦ ⎢⎣ Z n ⎥⎦
2. ∀ α, β, δ ∈ V se cumple que α + (β + δ) = (α + β) + δ.
3. ∃ θ ∈ V tal que ∀ α ∈ V se cumple que α + θ = α.
⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ Z1 ⎤ ⎡ X1 ⎤ ⎡ Y1 + Z1 ⎤
4. ∀ α ∈ V, ∃ (-α) ∈ V tal que α + (-α) = θ. ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X Y Z X Y + Z2 ⎥
5. ∀ α ∈ V se cumple que 1•α = α. α + (β + δ) = ⎢ 2 ⎥ + ( ⎢ 2 ⎥ + ⎢ 2 ⎥ ) = ⎢ 2 ⎥ + ⎢ 2
6. ∀ α, β ∈ V, c ∈ K se cumple que c•(α + β) = c•α + c•β. ⎢ M ⎥ ⎢ M ⎥ ⎢M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
7. ∀ α ∈ V, c, d ∈ K se cumple que (c+d)•α = c•α + d•α. ⎣⎢X n ⎦⎥ ⎣⎢Yn ⎦⎥ ⎣⎢ Z n ⎦⎥ ⎣⎢X n ⎦⎥ ⎣⎢Yn + Z n ⎦⎥
8. ∀ α ∈ V, c, d ∈ K se cumple que (cd)•α = c•(d•α).
⎡ X1 + Y1 + Z1 ⎤ ⎡ X1 + Y1 ⎤ ⎡ Z1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Los elementos de V se denominan vectores y los elementos de K se denominan X + Y2 + Z 2 ⎥ ⎢ X 2 + Y2 ⎥ ⎢ Z 2 ⎥
escalares. =⎢ 2 = +
⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Ejemplo 4.1. ⎣⎢X n + Yn + Z n ⎦⎥ ⎣⎢X n + Yn ⎦⎥ ⎣⎢ Z n ⎦⎥
⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ Z1 ⎤
⎧ ⎡ X1 ⎤ ⎫ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X Y Z
⎪ ⎢ ⎥
X
⎪ = ( ⎢ 2 ⎥ + ⎢ 2 ⎥ ) + ⎢ 2 ⎥ + (α + β) + δ
⎪ ⎪ ⎢ M ⎥ ⎢ M ⎥ ⎢M ⎥
Sea V = ℜ = ⎨α = ⎢ ⎥; X j ∈ ℜ, j = 1, 2, ..., n ⎬ . En este conjunto están
n 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ M ⎥
⎪ ⎢ ⎥ ⎪ ⎣⎢X n ⎦⎥ ⎣⎢Yn ⎦⎥ ⎣⎢ Z n ⎦⎥
⎪ ⎢ X ⎥ ⎪
⎩ ⎣ n ⎦ ⎭
definidas las operaciones de adición y multiplicación por escalares ya que:

130
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ X1 ⎤ ⎡0 ⎤ ⎡ cX1 ⎤ ⎡ cY1 ⎤ ⎡ X1 ⎤ ⎡ Y1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X 0 cX cY X Y
3. Si α = ⎢ 2 ⎥ tal que α∈V entonces ∃ θ ∈ V; θ = ⎢ ⎥ , tal que: = ⎢ 2 ⎥ + ⎢ 2 ⎥ = c• ⎢ 2 ⎥ + c• ⎢ 2 ⎥ = c•α + c•β
⎢ M ⎥ ⎢M⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣cX n ⎥⎦ ⎢⎣cYn ⎥⎦ ⎢⎣X n ⎥⎦ ⎢⎣Yn ⎥⎦
⎡ X1 ⎤ ⎡0⎤ ⎡ X1 ⎤ ⎡ X1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X 0 X X
α +θ = ⎢ 2⎥ + ⎢ ⎥ = ⎢ 2⎥ = α 7. Si α = ⎢ 2 ⎥ tal que α∈V y c, d∈ℜ entonces:
⎢ M ⎥ ⎢M⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣X n ⎥⎦ ⎢⎣X n ⎥⎦
⎡ X1 ⎤ ⎡ − X1 ⎤ ⎡ X1 ⎤ ⎡ (c + d )X1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X − X2 ⎥ X (c + d ) X 2 ⎥
4. Si α = ⎢ 2 ⎥ tal que α∈V entonces ∃ (-α) ∈ V; (−α) = ⎢ , tal (c + d ) • α = (c + d ) • ⎢ 2 ⎥ = ⎢ )
⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣X n ⎥⎦ ⎢⎣− X n ⎥⎦ ⎢⎣X n ⎥⎦ ⎢⎣(c + d )X n ⎥⎦
que: ⎡ cX 1 + dX 1 ⎤ ⎡ cX 1 ⎤ ⎡ dX 1 ⎤
⎡ X1 ⎤ ⎡ − X1 ⎤ ⎡ X1 + (−X1 ) ⎤ ⎡ X1 − X1 ⎤ ⎡0⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
cX + dX 2 ⎥ ⎢cX 2 ⎥ ⎢dX 2 ⎥
⎢ ⎥ ⎢
X
⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
− X 2 ⎥ ⎢ X 2 + ( − X 2 ) ⎥ ⎢ X 2 − X 2 ⎥ ⎢0 ⎥ =⎢ 2 = +
⎢ ⎥ ⎢ M ⎥ ⎢ M ⎥
α + ( −α ) = ⎢ 2 ⎥ + ⎢ = = = =θ ⎢
M
⎥ ⎢ ⎥ ⎢ ⎥
⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢⎣cX n + dX n ⎥⎦ ⎢⎣cX n ⎥⎦ ⎢⎣dX n ⎥⎦
⎣⎢X n ⎦⎥ ⎣⎢− X n ⎦⎥ ⎣⎢X n + (−X n )⎦⎥ ⎣⎢X n − X n ⎦⎥ ⎣⎢0⎦⎥
⎡ X1 ⎤
⎢ ⎥ ⎡ X1 ⎤ ⎡ X1 ⎤
X
5. Si α = ⎢ 2 ⎥ tal que α∈V entonces: ⎢ ⎥
X
⎢ ⎥
X
⎢ M ⎥
⎢ ⎥ = c• ⎢ ⎥ + d • ⎢ 2 ⎥ = c• α + d •β
2
⎢ M ⎥ ⎢ M ⎥
⎣⎢X n ⎦⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢X n ⎦⎥ ⎣⎢X n ⎦⎥
⎡ X1 ⎤ ⎡1.X1 ⎤ ⎡ X1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎡ X1 ⎤
X 1.X X
1•α = 1 • ⎢ 2 ⎥ = ⎢ 2 ⎥ = ⎢ 2 ⎥ = α . ⎢ ⎥
X
⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 8. Si α = ⎢ 2 ⎥ tal que α∈V y c, d∈ℜ entonces:
⎢ M ⎥
⎣⎢X n ⎦⎥ ⎣⎢1.X n ⎦⎥ ⎣⎢X n ⎦⎥ ⎢ ⎥
⎣⎢X n ⎦⎥
⎡ X1 ⎤ ⎡ Y1 ⎤
⎢ ⎥ ⎢ ⎥ ⎡ X1 ⎤ ⎡ (cd)X1 ⎤ ⎡ dX1 ⎤ ⎡ X1 ⎤
X Y
6. Si α = ⎢ 2 ⎥ , β = ⎢ 2 ⎥ tales que α, β∈V y c∈ℜ entonces: ⎢ ⎥ ⎢
X ( cd ) X
⎥ ⎢
dX
⎥ ⎢ ⎥
⎢ M ⎥ ⎢ M ⎥
(cd) • α = (cd ) • ⎢ ⎥ = ⎢
2 2 ⎥ = c•⎢ 2 ⎥ = c • (d • ⎢ X 2 ⎥ ) = c • (d • α )
⎢ ⎥ ⎢ ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎣⎢X n ⎦⎥ ⎣⎢Yn ⎦⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢X n ⎦⎥ ⎣⎢(cd)X n ⎦⎥ ⎣⎢dX n ⎦⎥ ⎣⎢X n ⎦⎥
⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ X1 + Y1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X Y X + Y2 ⎥
c • (α + β) = c • ( ⎢ 2 ⎥ + ⎢ 2 ⎥ ) = c • ( ⎢ 2 ) Luego, V es un espacio vectorial.
⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ Observación:
⎣⎢X n ⎦⎥ ⎣⎢Yn ⎦⎥ ⎣⎢X n + Yn ⎦⎥
⎡ c(X1 + Y1 ) ⎤ ⎡ cX1 + cY1 ⎤ Las operaciones de adición y multiplicación por escalares de ℜn del ejemplo
⎢ ⎥ ⎢ ⎥ anterior son las operaciones usuales. De ahora en adelante, cada vez que se
c(X 2 + Y2 ) ⎥ ⎢ cX 2 + cY2 ⎥
=⎢ = mencione a ℜn como espacio vectorial se supondrá que es con las operaciones
⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ de adición y multiplicación por escalares usuales, salvo que se mencione lo
⎣⎢ c ( X n + Y )
n ⎦ cX
⎥ ⎣⎢ n + cYn⎦⎥ contrario.

131 132
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Ejemplo 4.2. = an xn + an−1xn−1 + ...+ a0 − an xn − an−1xn−1 −...− a0 = 0 = 0xn + 0xn−1 + ...+ 0

Sea V = {0}. En V están definidas las operaciones de adición y multiplicación 5. Si α = a n x n + a n −1 x n −1 + ... + a 0 tal que α∈V entonces:
por escalares ya que 0 + 0 = 0∈V y c•0 = 0∈V. V es un espacio vectorial ya
1•α = 1 • (a n x n + a n −1x n −1 + ... + a 0 ) = a n x n + a n −1x n −1 + ... + a 0 = α
que:
6. Si α = a n x n + a n −1x n −1 + ... + a 0 , β = b n x n + b n −1x n −1 + ... + b 0 tales
1. 0+0 = 0+0.
que α, β∈V y c∈ℜ entonces:
2. 0+(0+0) = (0+0)+0.
3. 0+0 = 0. c • (α + β) = c • (a n x n + a n −1x n −1 + ... + a 0 + b n x n + b n −1x n −1 + ... + b 0 )
4. 0+(-0) = 0+0 = 0.
= ca n x n + ca n −1x n −1 + ... + ca 0 + cb n x n + cb n −1x n −1 + ... + cb 0 )
5. 1•0 = 0.
6. c•(0+0) = c•0 + c•0; c∈ℜ. = c • (a n x n + a n −1x n −1 + ... + a 0 ) + c • (b n x n + b n −1x n −1 + ... + b 0 )
7. (c+d)•0 = c•0 + d•0; c, d∈ℜ. = c•α + c•β
8. (cd) •0 = c•(d•0).
7. Si α = a n x n + a n −1 x n −1 + ... + a 0 tal que α∈V y c, d∈ℜ entonces:
Este conjunto se denomina espacio vectorial trivial. (c + d) • α = (c + d ) • (a n x n + a n −1x n −1 + ... + a 0 )

Ejemplo 4.3. = c • (a n x n + a n −1x n −1 + ... + a 0 ) + d • (a n x n + a n −1x n −1 + ... + a 0 )

= c•α +d•α
Sea V = Pn, el conjunto de polinomios con coeficientes reales de grado menor
8. Si α = a n x n + a n −1 x n −1 + ... + a 0 tal que α∈V y c, d∈ℜ entonces:
o igual a n, es decir, si p∈Pn entonces p(x) = anxn + an-1xn-1 + … + a1x + a0. En
V existen operaciones naturales de adición y multiplicación por escalares de (cd) • α = (cd) • (a n x n + a n −1x n −1 + ... + a 0 )
forma tal que la suma de 2 polinomios es un polinomio y la multiplicación de
un escalar por un polinomio es también un polinomio. V es un espacio = cda n x n + cda n −1x n −1 + ... + cda 0
vectorial ya que cumple con las 8 propiedades: = c • (da n x n + da n −1x n −1 + ... + da 0 )

1. Si α = a n x n + a n −1x n −1 + ... + a 0 y β = b n x n + b n −1x n −1 + ... + b 0 = c • (d • (a n x n + da n −1x n −1 + ... + da 0 ))

tales que α, β∈V entonces:
Observación:
α + β = (a n x n + a n −1x n −1 + ... + a 0 ) + (b n x n + b n −1x n −1 + ... + b 0 )
= (b n x n + b n −1x n −1 + ... + b 0 ) + (a n x n + a n −1x n −1 + ... + a 0 ) = β + α Las operaciones de adición y multiplicación por escalares de Pn del ejemplo
anterior son las operaciones usuales. De ahora en adelante, cada vez que se
2. Si α = a n x n + a n −1x n −1 + ... + a 0 , β = b n x n + b n −1x n −1 + ... + b 0 y mencione a Pn como espacio vectorial se supondrá que es con las operaciones
n n −1 de adición y multiplicación por escalares usuales, salvo que se mencione lo
δ = c n x + c n −1x + ... + c 0 tales que α, β, δ∈V entonces:
contrario.
α + (β + δ) =
an xn + an−1xn−1 + ...+ a0 + (bn xn + bn−1xn−1 + ...+ b0 + cn xn + cn−1xn−1 + ...+ c0 ) Ejemplo 4.4.

= an xn + an−1xn−1 + ...+ a0 + bn xn + bn−1xn−1 + ...+ b0 + cn xn + cn−1xn−1 + ...+ c0 Sea V = {5}. En V no está definida la operación de adición ya que
n n−1 n n−1 n n−1 5+5 = 10∉V. Luego, V no es un espacio vectorial.
= (an x + an−1x +...+ a0 + bn x + bn−1x +...+ b0 ) + cn x + cn−1x +...+ c0
= (α + β) + δ Ejemplo 4.5.
3. Si α = a n x n + a n −1 x n −1 + ... + a 0 tal que α∈V entonces ∃ θ ∈ V;
Sea V el conjunto de matrices en M2x2(ℜ) con la suma y multiplicación por
θ = 0x n + 0x n −1 + ... + 0 = 0, tal que: escalares definidas por:
α + θ = (a n x n + a n −1x n −1 + ... + a 0 ) + 0 = a n x n + a n −1x n −1 + ... + a 0 = α
⎡ X1 X2 ⎤ ⎡ Y1 Y2 ⎤ ⎡ X1 + Y1 + 1 X 2 + Y2 + 1⎤
4. Si α = a n x n + a n −1x n −1 + ... + a 0 tal que α∈V entonces ∃ (-α) ∈ V; ⎢ ⎥ + ⎢ ⎥ = ⎢ ⎥ y
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ ⎣X 3 + Y3 + 1 X 4 + Y4 + 1⎦
(−α) = −a n x n − a n −1x n −1 − ... − a 0 , tal que:
⎡X X2 ⎤ ⎡ c + cX1 − 1 c + cX 2 − 1⎤
c•⎢ 1 ⎥ = ⎢ ⎥
α + (−α) = a n x n + a n −1x n −1 + ... + a 0 + (−a n x n − a n −1x n −1 − ... − a 0 )
⎣X 3 X4 ⎦ ⎣c + cX 3 − 1 c + cX 4 − 1⎦

133 134
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ ⎡ X + Y1 + 1 X 2 + Y2 + 1⎤ ⎡ −1 −1⎤
V es un espacio vectorial ya que definiendo α = ⎢ 1 ⎥,β= ⎢ ⎥ y ⇒ ⎢ 1 ⎥ = ⎢ ⎥
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ X
⎣ 3 + Y3 + 1 X 4 + Y4 + 1⎦ ⎣− 1 − 1⎦
⎡Z Z2 ⎤ ⎧ X1 + Y1 + 1 = −1 ⎧ Y1 = −X1 − 2
δ= ⎢ 1 ⎥ se verifican las siguientes propiedades: ⎪ ⎪
⎣ Z3 Z4 ⎦ ⎪ X + Y + 1 = − 1 ⎪Y = − X 2 − 2
⇒ ⎨ 2 2
⇒ ⎨ 2
X
⎪ 3 + Y3 + 1 = −1 ⎪ Y3 = −X 3 − 2
⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ ⎡ X1 + Y1 + 1 X 2 + Y2 + 1⎤ ⎪X 4 + Y4 + 1 = −1 ⎪Y4 = −X 4 − 2
⎩ ⎩
1. α+β= ⎢ 1 ⎥ + ⎢ ⎥ = ⎢ ⎥
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ ⎣X 3 + Y3 + 1 X 4 + Y4 + 1⎦ ⎡ −X − 2 −X 2 − 2 ⎤ ⎡ − X1 − 1 − 1 − X 2 − 1 − 1⎤
⇒ (-α) = ⎢ 1 ⎥ = ⎢ ⎥
⎡ Y + X1 + 1 Y2 + X 2 + 1⎤ ⎡ Y1 Y2 ⎤ ⎡ X1 X2 ⎤ ⎣ − X 3 − 2 − X 4 − 2 ⎦ ⎣− X 3 − 1 − 1 − X 4 − 1 − 1⎦
= ⎢ 1 ⎥= ⎢ ⎥ + ⎢ ⎥ = β + α.
⎣Y3 + X 3 + 1 Y4 + X 4 + 1⎦ ⎣Y3 Y4 ⎦ ⎣X 3 X4 ⎦ ⎡ −1 − X1 − 1 −1 − X 2 − 1⎤ ⎡ X1 X2 ⎤
= ⎢ ⎥ = (-1)• ⎢ ⎥
⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ ⎡ Z1 Z2 ⎤ ⎣ − 1 − X 3 − 1 − 1 − X 4 − 1⎦ ⎣X 3 X4 ⎦
2. α + (β + δ) = ⎢ 1 ⎥ +( ⎢ ⎥ + ⎢ ⎥)
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ ⎣ Z3 Z4 ⎦ ⎡X X2 ⎤ ⎡1 + X1 − 1 1 + X 2 − 1⎤ ⎡ X1 X2 ⎤
5. (1)•α = (1)• ⎢ 1 ⎥= ⎢ ⎥ = ⎢ ⎥ =α
⎣X 3 X4 ⎦ ⎣1 + X 3 − 1 1 + X 4 − 1⎦ ⎣X 3 X4 ⎦
⎡X X2 ⎤ ⎡ Y1 + Z1 + 1 Y2 + Z 2 + 1⎤
= ⎢ 1 ⎥ + ⎢ ⎥ ⎡X X2 ⎤ ⎡ Y1 Y2 ⎤
⎣X 3 X4 ⎦ ⎣Y3 + Z3 + 1 Y4 + Z 4 + 1⎦ 6. c•(α + β) = c•( ⎢ 1 ⎥ + ⎢ ⎥)
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦
⎡ X + (Y1 + Z1 + 1) + 1 X 2 + (Y2 + Z 2 + 1) + 1⎤
= ⎢ 1 ⎥ ⎡ X + Y1 + 1 X 2 + Y2 + 1⎤
⎣X 3 + (Y3 + Z3 + 1) + 1 X 4 + (Y4 + Z 4 + 1) + 1⎦ = c• ⎢ 1 ⎥
⎣X 3 + Y3 + 1 X 4 + Y4 + 1⎦
⎡ X + Y1 + Z1 + 1 + 1 X 2 + Y2 + Z 2 + 1 + 1⎤
= ⎢ 1 ⎥ ⎡ c + c(X1 + Y1 + 1) − 1 c + c(X 2 + Y2 + 1) − 1⎤
⎣X 3 + Y3 + Z3 + 1 + 1 X 4 + Y4 + Z 4 + 1 + 1⎦ = ⎢ ⎥
⎣c + c(X 3 + Y3 + 1) − 1 c + c(X 4 + Y4 + 1) − 1⎦
⎡ (X + Y1 + 1) + Z1 + 1 (X 2 + Y2 + 1) + Z 2 + 1⎤
= ⎢ 1 ⎥ ⎡ c + cX1 + cY1 + c − 1 c + cX 2 + cY2 + c − 1⎤
⎣(X 3 + Y3 + 1) + Z3 + 1 (X 4 + Y4 + 1) + Z 4 + 1⎦ = ⎢ ⎥
⎣c + cX 3 + cY3 + c − 1 c + cX 4 + cY4 + c − 1⎦
⎡ X + Y1 + 1 X 2 + Y2 + 1⎤ ⎡ Z1 Z2 ⎤
= ⎢ 1 ⎥ + ⎢ ⎥ ⎡ c + cX1 + cY1 + c − 1 + 1 − 1 c + cX 2 + cY2 + c − 1 + 1 − 1⎤
⎣X 3 + Y3 + 1 X 4 + Y4 + 1⎦ ⎣ Z3 Z4 ⎦ = ⎢ ⎥
⎣c + cX 3 + cY3 + c − 1 + 1 − 1 c + cX 4 + cY4 + c − 1 + 1 − 1⎦
⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ ⎡ Z1 Z2 ⎤
=(⎢ 1 ⎥ + ⎢ ⎥)+ ⎢ ⎥ = (α + β) + δ ⎡ (c + cX1 − 1) + (c + cY1 − 1) + 1 (c + cX 2 − 1) + (c + cY2 − 1) + 1⎤
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ ⎣ Z3 Z4 ⎦ = ⎢ ⎥
⎣(c + cX 3 − 1) + (c + cY3 − 1) + 1 (c + cX 4 − 1) + (c + cY4 − 1) + 1⎦
⎡X X2 ⎤ ⎡ θ1 θ2 ⎤ ⎡ X1 X2 ⎤
3. α+θ=α⇒ ⎢ 1 ⎥ + ⎢ ⎥ = ⎢ ⎥ ⎡ c + cX1 − 1 c + cX 2 − 1⎤ ⎡ c + cY1 − 1 c + cY2 − 1⎤
⎣X 3 X4 ⎦ ⎣θ 3 θ4 ⎦ ⎣X 3 X4 ⎦ = ⎢
+ − + −
⎥ + ⎢ ⎥
⎣ c cX 3 1 c cX 4 1⎦ ⎣c + cY3 − 1 c + cY4 − 1⎦
⎡ X + θ + 1 X 2 + θ 2 + 1⎤ ⎡ X1 X2 ⎤
⇒ ⎢ 1 1 ⎥ = ⎢ ⎥ ⎡X X2 ⎤ ⎡ Y1 Y2 ⎤
⎣X 3 + θ3 + 1 X 4 + θ 4 + 1⎦ ⎣X 3 X4 ⎦ = c• ⎢ 1 ⎥ + c• ⎢ ⎥ = c•α + c•β
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦
⎧ X1 + θ1 + 1 = X1 ⎧ θ1 + 1 = 0 ⎧ θ1 = −1
⎪ ⎪ ⎪ ⎡X X2 ⎤
⎪X 2 + θ 2 + 1 = X 2 ⎪θ2 + 1 = 0 ⎪θ = −1 7. (c+d)•α = (c+d)• ⎢ 1 ⎥
⇒ ⎨ ⇒ ⎨ ⇒ ⎨ 2 ⎣X 3 X4 ⎦
⎪ X 3 + θ3 + 1 = X 3 ⎪ θ3 + 1 = 0 ⎪θ3 = −1
⎪X 4 + θ 4 + 1 = X 4 ⎪θ4 + 1 = 0 ⎪θ 4 = −1 ⎡ c + d + (c + d )X1 − 1 c + d + (c + d )X 2 − 1⎤
⎩ ⎩ ⎩ = ⎢ ⎥
⎡ −1 −1⎤ ⎣c + d + (c + d )X 3 − 1 c + d + (c + d )X 4 − 1⎦
⇒ θ=⎢ ⎥
⎣− 1 − 1⎦ ⎡ c + d + cX1 + dX1 − 1 c + d + cX 2 + dX 2 − 1⎤
= ⎢ ⎥
⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ ⎡ −1 −1⎤ ⎣c + d + cX 3 + dX 3 − 1 c + d + cX 4 + dX 4 − 1⎦
4. α + (-α) = θ ⇒ ⎢ 1 ⎥ + ⎢ ⎥ = ⎢ ⎥
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ ⎣− 1 − 1⎦

135 136
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ c + d + cX1 + dX1 − 1 + 1 − 1 c + d + cX 2 + dX 2 − 1 + 1 − 1⎤ Demostración

= ⎢ ⎥
⎣c + d + cX 3 + dX 3 − 1 + 1 − 1 c + d + cX 4 + dX 4 − 1 + 1 − 1⎦ 1. Sea α ∈ V. Supongamos que existen vectores θ1, θ2 ∈ V tales que
⎡ (c + cX1 − 1) + (d + dX1 − 1) + 1 (c + cX 2 − 1) + (d + dX 2 − 1) + 1⎤ α + θ1 = α y α + θ2 = α. Luego,
= ⎢ ⎥
⎣(c + cX 3 − 1) + (d + dX 3 − 1) + 1 (c + cX 4 − 1) + (d + dX 4 − 1) + 1⎦ θ1 = α + (-α) y θ2 = α + (-α) ⇒ θ1 = θ y θ2 =θ ⇒ θ1 = θ2 =θ.
⎡ c + cX1 − 1 c + cX 2 − 1⎤ ⎡ d + dX1 − 1 d + dX 2 − 1⎤
= ⎢ ⎥ + ⎢ ⎥ Por consiguiente el vector θ ∈ V es único.
⎣ c + cX 3 − 1 c + cX 4 − 1⎦ ⎣d + dX 3 − 1 d + dX 4 − 1⎦
⎡X X2 ⎤ ⎡ X1 X2 ⎤ 2. Sea α ∈ V. Supongamos que existen vectores (-α1), (-α2) ∈ V tales
= c• ⎢ 1 ⎥ + d• ⎢ ⎥ = c•α + d•α que α + (-α1) = θ y α + (-α2) = θ. Luego,
⎣X 3 X4 ⎦ ⎣X 3 X4 ⎦

⎡X X2 ⎤ ⎡ cd + cdX1 − 1 cd + cdX 2 − 1⎤ α = θ +(-(-α1)) y α = θ + (-(-α2)) ⇒ θ +(-(-α1)) = θ + (-(-α2))

8. (cd)•α = (cd)• ⎢ 1 ⎥ = ⎢ ⎥ ⇒ (-(-α1)) = (-(-α2))
⎣X 3 X4 ⎦ ⎣cd + cdX 3 − 1 cd + cdX 4 − 1⎦
⇒ (-α1) = (-α2).
⎡ cd + cdX1 − 1 + c − c cd + cdX 2 − 1 + c − c⎤
= ⎢ ⎥ Por consiguiente el vector (-α) ∈ V es único.
⎣cd + cdX 3 − 1 + c − c cd + cdX 4 − 1 + c − c⎦
3. Sean α, β ∈ V. Consideremos la ecuación α + X = β. Entonces se
⎡ c + cd + cdX1 − c − 1 c + cd + cdX 2 − c − 1⎤ cumple que:
= ⎢ ⎥
⎣c + cd + cdX 3 − c − 1 c + cd + cdX 4 − c − 1⎦
(-α) + (α + X) = (-α) + β.
⎡ c + c(d + dX1 − 1) − 1 c + c(d + dX 2 − 1) − 1⎤ ⇒ ((-α) + α) + X = (-α) + β.
= ⎢ ⎥
⎣c + c(d + dX 3 − 1) − 1 c + c(d + dX 4 − 1) − 1⎦ ⇒ θ + X = (-α) + β.
⇒ X = β + (-α).
⎡ d + dX1 − 1 d + dX 2 − 1⎤
= c• ⎢ ⎥
⎣d + dX 3 − 1 d + dX 4 − 1⎦ Luego, la solución de la ecuación es X = β + (-α) y es única ya que
(-α) es único.
⎡X X2 ⎤
= c•( d• ⎢ 1 ⎥ ) = c•(d•α)
⎣X 3 X4 ⎦ 4. Sean α, β, δ ∈ V. Si α + β = α + δ entonces:

Observación: (-α) + (α + β) = (-α) + (α + δ) ⇒ ((-α) + α) + β = ((-α) + α) + δ

⇒θ+β=θ+δ
Notemos que el vector nulo del espacio vectorial del ejemplo anterior, es decir, ⇒ β = δ.
⎡ −1 −1⎤
θ=⎢ ⎥ no es un vector formado por ceros. 5. CN(⇒): Sean α ∈ V y c ∈ K. Si c•α = θ entonces c = 0 ó α = θ.
⎣− 1 − 1⎦
Por hipótesis c•α = θ. Para que esto se cumpla debe ocurrir que
Teorema 4.1. c = 0 ó α = θ.
Sean K un cuerpo y V un espacio vectorial sobre K. Entonces se cumple que: CS(⇐): Sean α ∈ V y c ∈ K. Si c = 0 ó α = θ entonces c•α = θ.
1. El elemento θ ∈ V definido en la propiedad 3 es único y se Por hipótesis c = 0 ó α = θ. Veamos cada caso:
denomina el vector nulo o vector cero de V.
2. ∀ α ∈ V el vector -α ∈ V definido en la propiedad 4 es único y se Si c = 0 entonces c•α = 0•α = θ.
denomina el vector opuesto de α. Si α = θ entonces c•α = c•θ = θ.
3. ∀ α, β ∈ V se cumple que la ecuación α + X = β tiene una única
solución X = β + (-α). 6. Sean α ∈ V y c ∈ K. Luego,
4. ∀ α, β, δ ∈ V se cumple que si α + β = α + δ entonces β = δ.
5. ∀ α ∈ V, c ∈ K se cumple que c•α = θ si y sólo si c = 0 ó α = θ. (-c)•α = (-1c)•α = (-1)(c)•α = (c)(-1)•α = (c)•(-1α) = c•(-α).
6. ∀ α ∈ V, c ∈ K se cumple que (-c)•α = c•(-α) = -(c•α) y (-c)•(-α) (-c)•α = (-1c)•α = (-1)(c)•α = -(c•α).
= c•α. En particular, (-1)•α = -α.
Por consiguiente, (-c)•α = c•(-α) = -(c•α)

137 138
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

(-c)•(-α) = (-1c)•(-α) = (c)(-1)•(-α) = (c)•((-1)-α) = c•α. 1

Por hipótesis, ∀ α, β ∈ W, c ∈ K se cumple que (c•α + β) ∈ W. Sea α = •δ,
c
4.3. SUBESPACIOS.
1 1
con c ≠ 0. Es claro que •δ ∈ W. Luego, (c• •δ + β) ∈ W, es decir,
Definición 4.2. c c
(δ + β) ∈ W. Sea β = θ. Luego, (c•α + θ) ∈ W, es decir, (c•α) ∈ W. Por
Sean K un cuerpo y V un espacio vectorial sobre K. Se dice que un consiguiente, W es un subespacio de V.
subconjunto no vacío W de V es un subespacio de V si se verifican las
siguientes condiciones: Observaciones

1. W es estable respecto a la adición, es decir, ∀ α, β ∈ W se cumple 1. Sean K un cuerpo y V un espacio vectorial sobre K. Para demostrar
que (α + β) ∈ W. que un subconjunto no vacío W de V es un subespacio de V basta
2. W es estable respecto a la multiplicación por escalares, es decir, ∀ con demostrar que:
α ∈ W, c ∈ K se cumple que (c•α) ∈ W.
1. θ ∈ W.
2. ∀ α, β ∈ W, c ∈ K se cumple que (c•α + β)∈W.
Teorema 4.2.
2. Sean K un cuerpo y V un espacio vectorial sobre K. Los conjuntos
Sean K un cuerpo y V un espacio vectorial sobre K. Si W es un subespacio de V y {θ} son subespacios de V denominados los subespacios
V entonces W es un espacio vectorial sobre K con las operaciones de adición y triviales de V. Los subespacios distintos a V y {θ} se denominan
multiplicación por escalares inducidas sobre W. subespacios propios.

Demostración Ejemplo 4.6.

Por hipótesis W es un subespacio de V, es decir, W es estable respecto a la ⎡X ⎤

adición y a la multiplicación por escalares. Verifiquemos que θ ∈ W y que Sea W = { ⎢ ⎥ ∈ℜ2: Y = mX}. W es una recta en ℜ2 de pendiente m que pasa
∀ α ∈ W se tiene que (-α) ∈ W. Como W ≠ ∅ entonces ∃ α ∈ W. Luego, ⎣Y ⎦
0•α = θ ∈ W y (-1)•α = (-α) ∈ W. por el origen. W es un subespacio de V = ℜ2 ya que:

Teorema 4.3. 1. θ ∈ W, ya que 0 = m.0

⎡X ⎤ ⎡X ⎤
Sean K un cuerpo y V un espacio vectorial sobre K. El subconjunto no vacío 2. Si α = ⎢ 1 ⎥ , β = ⎢ 2 ⎥ y c∈ℜ son tales que α, β∈W entonces:
W de V es un subespacio de V si y sólo si ∀ α, β ∈ W, c ∈ K se cumple que ⎣ Y1 ⎦ ⎣ Y2 ⎦
(c•α + β)∈W. Y1 = mX1; Y2 = mX2
⎡X ⎤ ⎡X ⎤ ⎡cX ⎤ ⎡X ⎤ ⎡cX + X2 ⎤ ⎡ cX1 + X2 ⎤
c • α + β = c • ⎢ 1⎥ + ⎢ 2 ⎥ = ⎢ 1⎥ + ⎢ 2 ⎥ = ⎢ 1 ⎥=⎢ ⎥ ∈W
Demostración ⎣ Y1 ⎦ ⎣ Y2 ⎦ ⎣ cY1 ⎦ ⎣ Y2 ⎦ ⎣ cY1 + Y2 ⎦ ⎣cmX1 + mX2 ⎦
ya que cmX1 + mX2 = m(cX1 + X2)
CN(⇒): Si W es un subespacio de V entonces ∀ α, β ∈ W, c ∈ K se cumple
que (c•α + β) ∈ W. W es un subespacio propio de V = ℜ2.
Por hipótesis, W es un subespacio de V, es decir, se cumplen las siguientes Ejemplo 4.7.
condiciones:
Sea W = Pm, el conjunto de polinomios con coeficientes reales de grado menor
1. W es estable respecto a la adición, es decir, ∀ α, β ∈ W se cumple o igual a m. Si 0 ≤ m < n entonces W es un subespacio de V = Pn ya que:
que (α + β) ∈ W.
2. W es estable respecto a la multiplicación por escalares, es decir, 1. θ ∈ W, ya que 0 = 0xm + 0xm-1 + … + 0.
∀ α ∈ W, c ∈ K se cumple que (c•α) ∈ W.
2. Si α = a m x m + a m −1 x m −1 + ... + a 0 y β = b m x m + b m −1x m−1 + ... + b 0
Por las propiedades anteriores como (c•α) ∈ W y β ∈ W entonces tales que α, β∈W y c∈ℜ entonces:
(c•α + β) ∈ W.

CS(⇐): Si ∀ α, β ∈ W, c ∈ K se cumple que (c•α + β) ∈ W entonces W es un

subespacio de V.

139 140
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

c • α + β = c • (a m x m + a m −1x m −1 + ... + a 0 ) + (b m x m + b m −1x m −1 + ... + b 0 ) α + β ∈ W2. Por consiguiente, α + β ∈ W1 ∩ W2. Igualmente ∃ c ∈ K tal que
m m −1 m m −1
c•α ∈ W1 y tal que c•α ∈ W2. Por consiguiente c•α ∈ W1 ∩ W2. En
= ca m x + ca m−1x + ... + ca 0 + b m x + b m −1x + ... + b 0 consecuencia, W1 ∩ W2 es un subespacio de V.
m m −1
= (ca m + b m ) x + (ca m −1 + b m −1 ) x + ... + (ca 0 + b 0 ) ∈ W
Teorema 4.5.
ya que la suma y el producto de números reales es un número real. Sean K un cuerpo y V un espacio vectorial sobre K. Si W1 y W2 son
subespacios de V entonces W1 ∪ W2 es un subespacio de V si y sólo si
W es un subespacio propio de V = Pn.
W1 ⊆ W2 o W2 ⊆ W1.
Ejemplo 4.8. Demostración
En el ejemplo 4.1., si fijamos n = 1 se obtiene que V = ℜ es un espacio
CN(⇒): Sean K un cuerpo y V un espacio vectorial sobre K y W1 y W2
vectorial. Sea W = {3}. W no es un subespacio vectorial de V=ℜ ya que subespacios de V. Si W1 ∪ W2 es un subespacio de V entonces W1 ⊆ W2 o
0∉W. En general, V = ℜ no tiene subespacios propios.
W2 ⊆ W1.
Ejemplo 4.9.
Si W1 y W2 son subespacios de V y W1 ∪ W2 es un subespacio de V entonces
W1 ∩ W2 ≠ ∅. Utilicemos reducción al absurdo. Supongamos que no se
En el ejemplo 4.5., sea W el conjunto de matrices simétricas en M2x2(ℜ). W es
cumple que W1 ⊆ W2 o W2 ⊆ W1, es decir, W1 ⊄ W2 y W2 ⊄ W1. Esto
un subespacio de V ya que:
significa que W1 ∩ W2 = ∅, lo cual es una contradicción.
⎡ −1 −1⎤ ⎡ −1 −1⎤
1. θ=⎢ ⎥ ∈W ya que θ = ⎢ ⎥ es una matriz simétrica. CS(⇐): Sean K un cuerpo y V un espacio vectorial sobre K y W1 y W2
⎣− 1 − 1⎦ ⎣− 1 − 1⎦ subespacios de V. Si W1 ⊆ W2 o W2 ⊆ W1 entonces W1 ∪ W2 es un subespacio
⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ de V.
2. Si α = ⎢ 1 ⎥,β= ⎢ ⎥ y c∈ℜ y α, β∈W entonces:
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦ Si W1 ⊆ W2 o W2 ⊆ W1 entonces W1 ∪ W2 = W1 o W1 ∪ W2 = W2. Luego,
⎡X X2 ⎤ ⎡ Y1 Y2 ⎤ como W1 y W2 son subespacios de V entonces W1 ∪ W2 es un subespacio de
c•α + β = c• ⎢ 1 ⎥ + ⎢ ⎥ V.
⎣X 3 X4 ⎦ ⎣Y3 Y4 ⎦

⎡ c + cX1 − 1 c + cX 2 − 1⎤ ⎡ Y1 Y2 ⎤ Definición 4.3.

= ⎢ ⎥ + ⎢ ⎥
⎣ c + cX 3 − 1 c + cX 4 − 1⎦ ⎣Y3 Y4 ⎦ Sean K un cuerpo y V un espacio vectorial sobre K. Sea S un subconjunto de
⎡ c + cX1 − 1 + Y1 + 1 c + cX 2 − 1 + Y2 + 1⎤ V. Se define como familia de subespacios que contienen a S y se denota por
= ⎢ ⎥ F(S) a la clase de conjuntos formado por todos los subespacios que contienen a
⎣c + cX 3 − 1 + Y3 + 1 c + cX 4 − 1 + Y4 + 1⎦ S, es decir, W∈F(S) si y sólo si W es un subespacio de V y S ⊆ W.
⎡ c + cX1 + Y1 c + cX 2 + Y2 ⎤ Gráficamente se puede apreciar en la figura 4.1.
= ⎢ ⎥ ∈W
⎣c + cX 3 + Y3 c + cX 4 + Y4 ⎦

ya que como α y β son simétricas, es decir, X2 = X3 y Y2 = Y3

entonces c + cX2 + Y2 = c + cX3 + Y3, es decir, c•α + β es
simétrica.

Teorema 4.4.

Sean K un cuerpo y V un espacio vectorial sobre K. Si W1 y W2 son

subespacios de V entonces W1 ∩ W2 es un subespacio de V.

Demostración
Figura 4.1.
Como W1 y W2 contienen a θ entonces W1 ∩ W2 ≠ ∅. Sean α, β ∈ W1 ∩ W2.
Luego, como W1 y W2 son subespacios de V entonces α + β ∈ W1 y

141 142
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Observación: Demostración

F(S) ≠ ∅ ya que V∈F(S); esto porque V es un subespacio trivial que n

evidentemente contiene a S. Sea W = { ∑c

i =1
i • α i ; n ∈ℵ*, ci ∈ K, αi ∈ S, i = 1, 2, …, n}

4.4. COMBINACIÓN LINEAL.

Veamos que [S] = W.
Definición 4.4.
Sean α1, α2, …, αn ∈ S y c1, c2, …, cn ∈ K. Luego,
Sean K un cuerpo y V un espacio vectorial sobre K. Sean α1, α2, …, αn ∈ V.
Un vector α ∈ V se dice que es una combinación lineal de los vectores α1, α1, α2, …, αn ∈ [S] y c1•α1, c2•α2, …, cn•αn ∈ [S], por consiguiente
n
α2, …, αn si existen escalares c1, c2, …, cn ∈ K tales que:
∑c α
i =1
i i ∈ [S]
n
α= ∑c • α
i =1
i i
Por lo tanto, W ⊆ [S] (1).

Ejemplo 4.10. Es claro que S ⊆ W ya que si α ∈ S entonces α = 1•α ∈ W.

Veamos que W es un subespacio de V.
⎡ 4⎤ ⎡ −1 ⎤ ⎡ 2⎤
Sea V=ℜ2. α = ⎢ ⎥ es combinación lineal de β = ⎢ ⎥ y δ = ⎢ ⎥ ya que n m
⎣0⎦ ⎣ 3⎦ ⎣ − 2⎦ Sean α, β ∈ W y c ∈ K. Entonces α = ∑c • α i i , β= ∑d j • β j , ci ∈ K,
α = 2•β + 3•δ. i =1 j=1

αi ∈ S, i = 1, 2, …, n, dj ∈ K, βj ∈ S, j = 1, 2, …, m.
Definición 4.5.
En consecuencia,
Sean K un cuerpo y V un espacio vectorial sobre K. Sea S un subconjunto de
V. Se define como subespacio generado por S y se denota por [S] al conjunto: n m n m
(c•α + β) = (c• ∑c i • αi + ∑d j • βj ) = ( ∑ (cc ) • α i i + ∑d j • β j ) ∈ W.
[S] = I W i =1 j=1 i =1 j=1

W∈F (S)
Esto significa que W es un subespacio de V tal que S ⊆ W y por consiguiente
Observaciones: [S] ⊆ W (2).

1. [S] es el menor subespacio o subespacio más pequeño que contiene Finalmente, por (1) y (2) se deduce que W = [S].
a S, es decir, verifica las siguientes condiciones:
1.1. S ⊆ [S] Ejemplo 4.11.
1.2. Si U es un subespacio de V tal que S ⊆ U entonces
[S] ⊆ U. ⎡ 1⎤ ⎡ 2⎤
⎢ ⎥ ⎢ ⎥
2. [∅] = {θ}. Sean V = ℜ3 y S = { α1 = ⎢ 0⎥ , α 2 = ⎢3⎥ }. Determinemos explícitamente
⎢⎣ − 1 ⎥⎦ ⎢⎣5⎥⎦
Teorema 4.6.
[S].
Sean K un cuerpo y V un espacio vectorial sobre K. Si S es un subconjunto no
vacío de V entonces [S] es el conjunto formado por todas las combinaciones ⎡a ⎤
finitas de elementos de S, es decir, α ∈ [S] si y sólo si existen n ∈ ℵ*, vectores ⎢ ⎥
α = ⎢b⎥ ∈ [S] si y sólo si existen escalares c1, c2 ∈ ℜ tales que:
α1, α2, …, αn ∈ S y escalares c1, c2, …, cn ∈ K tales que: ⎢⎣ c ⎥⎦
n α = c1•α1 + c2•α2
α= ∑c • α
i =1
i i
Luego,

143 144
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡a ⎤ ⎡ 1⎤ ⎡ 2⎤ ⎡ c1 ⎤ ⎡ 2c 2 ⎤ ⎡ c1 + 2c 2 ⎤ Demostración
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥b = c1 • ⎢ ⎥ 0 + c2 • 3
⎢ ⎥ = ⎢ 0 ⎥ + 3c
⎢ 2⎥ = ⎢ 3c 2 ⎥ 1. Por el teorema anterior [S2] es el conjunto formado por todas las
⎢⎣ c ⎥⎦ ⎢⎣ −1⎥⎦ ⎢⎣5⎥⎦ ⎢⎣− c1 ⎥⎦ ⎢⎣5c 2 ⎥⎦ ⎢⎣− c1 + 5c 2 ⎥⎦ combinaciones finitas de elementos de S2, es decir, β ∈ [S2] si y
sólo si existen n ∈ ℵ*, vectores β1, β2, …, βn ∈ S2 y escalares c1,
Esto es equivalente a resolver el sistema de ecuaciones lineales: c2, …, cn ∈ K tales que:

n
⎡ 1 2 a⎤ ⎡1 2 a ⎤
⎧ c1 + 2c 2 = a
⎪ ⎢ ⎥ ⎢ ⎥
β= ∑c • β i i
⎨ 3c 2 = b ⎢ 0 3 b ⎥3r → r3 + r1 ⎢0 3 b ⎥ i =1
⎪− c + 5c = c ⎢− 1 5 c ⎥ ⎢0 7 a + c ⎥
⎩ 1 2 ⎣ ⎦ ⎣ ⎦ A su vez, [S1] es el conjunto formado por todas las combinaciones
⎡ 3a − 2b ⎤ finitas de elementos de S1. Luego, como S1 ⊆ S2 entonces δ ∈ [S1]
⎡1 2 a ⎤ ⎢ 3 ⎥ si y sólo si δ se puede expresar como combinación lineal de los
⎢1 0 ⎥
1 ⎢ b ⎥ r1 → r1 − 2r2 ⎢ b ⎥
vectores β1, β2, …, βm ∈ S2, m < n, es decir,
r2 → r2 ⎢0 1 ⎥ r → r − 7r 0 1
3 ⎢ 3 ⎥ 3 3 2⎢ 3 ⎥
0 7a+c ⎢0 0 3a + 3c − 7 b ⎥ m
⎣ ⎦
⎢
⎣ 3
⎥
⎦
δ= ∑c
i =1
i • βi

3a + 3c − 7b
Este sistema es consistente si y sólo si = 0, es decir,
3 Y además se cumple que:
3a + 3c – 7b = 0. Luego,
m n n

⎡a ⎤
δ= ∑c
i =1
i • βi + ∑0 • β = ∑c
i = m +1
i
i =1
i • βi ; con cm+1 = cm+2 = … = cn = 0
⎢ ⎥ Por consiguiente, δ ∈ [S2] y se cumple que [S1] ⊆ [S2].
[S] = { ⎢b⎥ ∈ ℜ3: 3a + 3c – 7b = 0}
⎢⎣ c ⎥⎦
2. S1 – {α} ⊆ S1. Luego, por el apartado anterior [S1 – {α}] ⊆ [S1]
(3). Por hipótesis α ∈ S1 y α ∈ [S1 – {α}]. Luego, α ∈ [S1]. Por lo
3a + 3c – 7b = 0 ⇒ 3a = 7b – 3c ⇒ a = 7 b − c tanto, [S1] ⊆ [S1 – {α}] (4). Por (3) y (4) se cumple que [S1] = [S1
3
– {α}].
Luego,
4.5. INDEPENDENCIA Y DEPENDENCIA LINEAL.
⎡a ⎤ ⎡ 7 3 b − c⎤ ⎡7 ⎤ ⎡− 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ 3⎥ ⎢ ⎥
⎢ ⎥b = ⎢ b ⎥ = b • ⎢ 1 ⎥ + c • ⎢0⎥
Definición 4.6.
⎢ ⎥ ⎢ ⎥
⎣⎢ c ⎦⎥ ⎣⎢ c ⎦⎥ 0
⎣⎢ ⎦⎥ ⎣⎢ 1 ⎦⎥ Sean K un cuerpo y V un espacio vectorial sobre K. Sea S un subconjunto de
V. Se dice que S es linealmente dependiente (L.D.) si existe un subconjunto
De manera que [S] también se puede escribir como: finito {α1, α2, …, αn} de S formado por vectores distintos y escalares c1, c2, …,
cn ∈ K no todos iguales a cero tales que:
⎡a ⎤ ⎡a ⎤ ⎡7 ⎤ ⎡− 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ 3⎥ ⎢ ⎥
n
[S] = { ⎢b⎥ ∈ ℜ3: ⎢ ⎥b = b • ⎢ 1 ⎥ + c • ⎢ 0 ⎥ ; b, c∈ℜ} ∑c i • αi = θ
⎢⎣ c ⎥⎦ ⎢⎣ c ⎥⎦ ⎢0⎥ ⎢⎣ 1 ⎥⎦ i =1
⎣⎢ ⎦⎥
La igualdad anterior se dice que es una relación lineal entre los vectores α1, α2,
Teorema 4.7. …, αn. En este caso se dice también que los vectores α1, α2, …, αn son
linealmente dependientes (L.D.).
Sean K un cuerpo y V un espacio vectorial sobre K. Sean S1 y S2 subconjuntos
de V y α ∈ S1. Se dice que S es linealmente independiente (L.I.) si S no es L.D. En este caso
se dice también que los vectores α1, α2, …, αn son linealmente independientes
1. Si S1 ⊆ S2 entonces [S1] ⊆ [S2]. (L.I.).
2. Si α ∈ [S1 – {α}] entonces [S1] = [S1 – {α}]

145 146
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Observaciones: ⎡1⎤ ⎡ −1⎤ ⎡2⎤ ⎡0⎤ ⎡ c1 − c2 + 2c3 ⎤ ⎡0⎤

⎢⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1. S es L.I. si y sólo si para cualquier subconjunto finito c1 • α + c2 • β + c3 • δ = θ ⇒ c1 • ⎢1⎥ + c2 • ⎢ 2⎥ + c3 • ⎢8⎥ = ⎢0⎥ ⇒ ⎢ c1 + 2c2 + 8c3 ⎥ = ⎢0⎥
{α1, α2, …, αn} de S formado por vectores distintos y escalares ⎢⎣3⎥⎦ ⎢⎣− 2⎥⎦ ⎢⎣8⎥⎦ ⎢⎣0⎥⎦ ⎢⎣3c1 − 2c2 + 8c3 ⎥⎦ ⎢⎣0⎥⎦
n
c1, c2, …, cn ∈ K se tiene que la relación lineal ∑c i • αi = θ ⎧ c1 − c 2 + 2c3 = 0
⎪
⎡1 −1
⎢
2⎤ ⎡ c1 ⎤ ⎡0⎤
⎥⎢ ⎥ ⎢ ⎥
i =1 ⇒ ⎨ c1 + 2c 2 + 8c3 = 0 ⇒ ⎢1 2 8 ⎥ ⎢c 2 ⎥ = ⎢0 ⎥
implica que c1 = c2 = … = cn = 0. ⎪3c − 2c + 8c = 0 ⎢3 − 2 8 ⎥⎦ ⎢⎣c3 ⎥⎦ ⎢⎣0⎥⎦
2. ∅ es L.I. ⎩ 1 2 3 ⎣
⎡1 − 1 2 0⎤ r → r − r ⎡1 − 1 2 0⎤ 1
⎡1 − 1 2 0⎤ ⎡1 −1 2 0⎤
⎢ ⎥ ⎯⎯ 2
⎯ ⎯→ ⎢
2 1
⎥ r2 → r2 + 3 r2 ⎢ ⎥ 3 → r3 − r3 ⎢ ⎥
Ejemplo 4.12. ⎢1 2 8 0⎥ r → r −3r ⎢0 3 6 0⎥ ⎯⎯ ⎯ ⎯ ⎯→ ⎢0 1 2 0⎥ ⎯r⎯ ⎯⎯→⎢0 1 2 0⎥
⎢3 − 2 ⎯⎯3
⎯
3
⎯ 1
→
⎡ 2⎤ ⎡ −6 ⎤ ⎣ 8 0⎥⎦ ⎢0
⎣ 1 2 0⎥⎦ ⎢0
⎣ 1 2 0⎥⎦ ⎢0
⎣ 0 0 0⎥⎦
⎢ ⎥ ⎢ ⎥ ⇒ c2 + 2c3 = 0 y c1 – c2 + 2c3 = 0.
− 1 3
Sea V=ℜ4. Los vectores α = ⎢ ⎥ y β = ⎢ ⎥ son L.D., ya que: ⇒ c2 = –2c3 y c1 – c2 + 2c3 = 0.
⎢ 0⎥ ⎢ 0⎥
⎢ ⎥ ⎢ ⎥ ⇒ c2 = –2c3 y c1 – (–2c3) + 2c3 = 0.
⎢⎣ 3⎥⎦ ⎢⎣ − 9 ⎥⎦ ⇒ c2 = –2c3 y c1 + 2c3 + 2c3 = 0.
⇒ c2 = –2c3 y c1 = –4c3.
3• α + β = θ .
1
Ejemplo 4.13. Si se elige arbitrariamente c3 = entonces c1 = –2 y c2 = –1. Luego, existen
2
escalares c1, c2, c3 no todos iguales a cero tales que c1 • α + c 2 • β + c 3 • δ = θ .
⎡1 ⎤ ⎡ 2⎤
⎢ ⎥ ⎢ ⎥
Sea V=ℜ3. Los vectores α = ⎢2⎥ y β = ⎢ 5⎥ son L.I., ya que: Ejemplo 4.15.
⎢⎣4⎥⎦ ⎢⎣ − 3 ⎥⎦
Sea V = P2. Los polinomios p1(x) = 1, p2(x) = x, p3(x) = x2 son L.I. ya que:

⎡1⎤ ⎡ 2⎤ ⎡0⎤ ⎡ c ⎤ ⎡ 2d ⎤ ⎡0⎤ ⎡ c + 2d ⎤ ⎡0⎤ a•p1 + b•p2 + c•p3 = 0 ⇒ a.1+ b.x + c.x2 = 0 ⇒ a + bx + cx2 = 0 ⇒ a = b = c =
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
c • α + d • β = θ ⇒ c • ⎢2⎥ + d • ⎢ 5⎥ = ⎢0⎥ ⇒ ⎢2c⎥ + ⎢ 5d ⎥ = ⎢0⎥ ⇒ ⎢2c + 5d⎥ = ⎢0⎥ 0.
⎢⎣4⎥⎦ ⎢⎣ − 3⎥⎦ ⎢⎣0⎥⎦ ⎢⎣4c⎥⎦ ⎢⎣− 3d⎥⎦ ⎢⎣0⎥⎦ ⎢⎣4c − 3d⎥⎦ ⎢⎣0⎥⎦
Ejemplo 4.16.

⎧ c + 2d = 0 ⎡1 2⎤ ⎡0 ⎤ Sean V = ℜn y B = {e1, e2, …, en} un subconjunto de V, siendo:

⎪ ⎢ ⎥ ⎡c ⎤ ⎢ ⎥
⇒ ⎨2c + 5d = 0 ⇒ ⎢2 5 ⎥ ⎢ ⎥ = ⎢0 ⎥
⎪4c − 3d = 0 ⎢4 − 3 ⎥ ⎣d ⎦ ⎢0⎥ ⎡0 ⎤
⎩ ⎣ ⎦ ⎣ ⎦ ⎢ ⎥
⎢M⎥
⎡1 2 0⎤ r →r − 2 r ⎡1 2 0⎤ ⎡1 2 0⎤ ⎡1 0 0⎤ e = ⎢1⎥ ← j - ésima coordenada
j
⎢ ⎥ ⎯⎯
2
⎯2
⎯1 → ⎢ ⎥ r3 →r3 +11r2 ⎢ ⎥ r1 → r1 − 2 r2 ⎢ ⎥ ⎢ ⎥
⎢ 2 5 0 ⎥ r3 →r3 − 4 r1 ⎢0 1 0 ⎥ ⎯⎯ ⎯ ⎯⎯ → ⎢ 0 1 0 ⎥ ⎯⎯ ⎯ ⎯ → ⎢0 1 0 ⎥ ⎢M⎥
⎢4 − 3 0⎥ ⎯⎯⎯⎯→ ⎢0 − 11 0⎥ ⎢0 0 0 ⎥ ⎢0 0 0 ⎥ ⎢0 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦

⇒ c = d = 0. Veamos que B es L.I.

Ejemplo 4.14. Verifiquemos que para cualesquiera escalares c1, c2, …, cn ∈ K se tiene que la
igualdad c1•e1 + c2•e2 + … + cn•en = θ implica que c1 = c2 = … = cn = 0.
⎡1⎤ ⎡ −1 ⎤ ⎡ 2⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ En efecto,
Sea V=ℜ3. Los vectores α = ⎢1⎥ , β = ⎢ 2⎥ y δ = ⎢8 ⎥ son L.D., ya que:
⎣⎢3⎦⎥ ⎣⎢ − 2 ⎦⎥ ⎣⎢8 ⎦⎥

147 148
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡1⎤ ⎡0 ⎤ ⎡0 ⎤ entonces existen escalares c1, c2, …, cm ∈ K no todos iguales a cero

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ m
0
⎢M ⎥
1
⎢M ⎥
0
c1•e1 + c2•e2 + … + cn•en = c1• ⎢ ⎥ + c2• ⎢ ⎥ + … + cn• ⎢ ⎥
⎢M ⎥
tales que ∑c
i =1
i • α i = θ . Por consiguiente, S2 es L.D.
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢0⎦⎥ ⎣⎢0⎦⎥ ⎣⎢1⎦⎥ 3. Supongamos que S1 = {α1, α2, …, αn}, con αi ≠ αj; i ≠ j; i,
j = 1, 2, …, n. Por hipótesis, S1 es L.D., es decir, existen escalares
⎡c1 ⎤ ⎡0⎤ ⎡0⎤ ⎡ c1 ⎤ ⎡0 ⎤ n

=
⎢ ⎥
⎢ 0⎥
⎢ ⎥
c
+ ⎢ 2⎥ + … +
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 ⎥ = ⎢ c 2 ⎥ = ⎢0 ⎥
c1, c2, …, cn ∈ K no todos iguales a cero tales que ∑c
i =1
i • αi = θ .
⎢M⎥ ⎢M⎥ ⎢M⎥ ⎢M⎥ ⎢M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ Supongamos, sin pérdida de generalidad que los primeros m
⎣⎢ 0 ⎦⎥ ⎣⎢ 0 ⎦⎥ ⎣⎢c n ⎦⎥ ⎢⎣c n ⎥⎦ ⎣⎢0⎦⎥ escalares son no nulos y que los últimos n–m escalares son nulos.
n

Esto implica que c1 = c2 = … = cn = 0 por lo cual B es L.I.

Consideremos la relación lineal ∑c
i =1
i • α i = θ . Esta relación se

m n
Teorema 4.8. puede escribir como ∑c • α + ∑c • α
i =1
i i
i = m +1
i i =θ. Como
Sean K un cuerpo y V un espacio vectorial sobre K. Sean S1 y S2 subconjuntos cm+1 = cm+2 = … = cn = 0 entonces la relación anterior concluye en
de V y α ∈ V. que existen escalares no nulos c1, c2, …, cm tales que
m
1. Si S1 ⊆ S2 y S2 es L.I. entonces S1 es L.I. ∑c i • α i = θ , es decir, el conjunto {α1, α2, …, αm} es L.D. Ahora
2. Si S1 ⊆ S2 y S1 es L.D. entonces S2 es L.D. i =1

3. Si S1 es L.D. entonces existe un subconjunto S3 de V con S3 ⊆ S1 tal bien, un conjunto formado por un vector no nulo es L.I. ya que
que S3 es L.I. c•α = θ implica que c = 0. Al unir cualquiera de estos m vectores,
4. Si θ ∈ S1 entonces S1 es L.D. digamos el vector αm, con los n–m vectores restantes
5. {α} es L.I. si y sólo si α ≠ θ. αm+1, αm+2, …, αn se obtiene el conjunto de n–m+1 vectores
n

Demostración S3 = {αm, αm+1, …, αn} tales que la relación lineal ∑c

i=m
i • αi = θ

1. Supongamos que S2 = {α1, α2, …, αn}, con αi ≠ αj; i ≠ j; i, implica que cm = cm+1 = … = cn = 0. En consecuencia, existe un
j = 1, 2, …, n. Por hipótesis, S2 es L.I., es decir, para escalares subconjunto S3 de V con S3 ⊆ S1 tal que S3 es L.I. Nótese que si a
n S3 se le agrega alguno de los vectores α1, α2, …, αm-1 se obtiene un
c1, c2, …, cn ∈ K se tiene que la relación lineal ∑c i • αi = θ conjunto L.D.
i =1 4. Por hipótesis θ ∈ S1. Sea {θ, α} un subconjunto finito de S1 con α
implica que c1 = c2 = … = cn = 0. Como S1 ⊆ S2 entonces, de S2 ≠ θ. Luego existen escalares c1 = 1 y c2 = 0 tales que
existen sin pérdida de generalidad vectores α1, α2, …, αm, (m < n), 1•θ + 0•α = θ. Por consiguiente S1 es L.D.
tales que S1 = {α1, α2, …, αm}. Consideremos la relación lineal 5. CN(⇒):Si {α} es L.I. entonces α ≠ θ.
m

∑c
i =1
i • αi = θ . Dicha relación se puede escribir como Utilicemos reducción al absurdo. Supongamos que α = θ. Luego
{α} es L.D. ya que {α} = {θ} lo cual es una contradicción ya que
m n n

∑c
i =1
i • αi + ∑0 • α
i = m +1
i = θ , es decir, ∑c
i =1
i • α i = θ la cual implica por hipótesis {α} es L.I.

por hipótesis que c1 = c2 = … = cn = 0. En consecuencia, CS(⇐):Si α ≠ θ entonces {α} es L.I.

c1 = c2 = … = cm = 0, es decir, S1 es L.I.
2. Supongamos que S1 = {α1, α2, …, αn}, con αi ≠ αj; i ≠ j; i, Utilicemos el método contrarecíproco, es decir, probemos que si
j = 1, 2, …, n. Por hipótesis, S1 es L.D., es decir, existen escalares {α} es L.D. entonces α = θ.. Si {α} es L.D. entonces existe un
n escalar c ≠ 0 tal que cα = θ. En ese caso se cumple α = θ.
c1, c2, …, cn ∈ K no todos iguales a cero tales que ∑c
i =1
i • αi = θ .
Teorema 4.9.
Como S1 ⊆ S2 entonces, existen vectores αn+1, αn+2, …, αm, (n < m),
tales que S2 = {α1, α2, …, αm}. Consideremos la relación lineal Sean K un cuerpo y V un espacio vectorial sobre K. Sea S = {α1, α2, …, αn}
m un subconjunto de V. S es L.D. si y sólo si existe j ∈ ℵ, 1 ≤ j ≤ n tal que
∑c • α
i =1
i i = θ . Luego, si se fija previamente cn+1 = cn+2 = … = cm= 0 αj ∈ [S – {αj}].

149 150
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Demostración 1
− 2•α = β− •δ
2
CN(⇒): Si S es L.D. entonces existe j ∈ ℵ, 1 ≤ j ≤ n tal que αj ∈ [S – {αj}].
1 1
⇒ α = − β+ •δ
Por hipótesis existen escalares c1, c2, …, cn ∈ K no todos iguales a cero tal que: 2 4

n Por lo tanto, α es combinación lineal de β y δ, es decir, α ∈ [{β, δ}]

∑c
i =1
i • αi = θ
Teorema 4.10.

Sea j ∈ ℵ, 1 ≤ j ≤ n tal que cj ≠ 0. Luego, Sean el espacio vectorial V = ℜn, A∈Mnxn(ℜ) y B = {A1, A2, …, An}⊆V. B es
L.I. si y sólo si A es no singular.
j−1 n

∑c • α
i =1
i i + cj •αj + ∑c • α
i = j+1
i i =θ Demostración

CN(⇒): Si B es L.I. entonces A es no singular.

j−1 n
⇒ cj •αj = − ∑c • α − ∑c • α
i =1
i i
i = j+1
i i Si B es L.I. entonces para cualesquiera escalares c1, c2, …, cn ∈ K se tiene que
n
c
∑
⇒ α j = −( ( i ) • α i +
j−1
n
c
( i ) • αi ) ∑
la relación lineal ∑c • A
j=1
j
j
= θ nx1 implica que c1 = c2 = … = cn = 0. Esto
i =1 c j i = j+1 c j
indica que:
⇒ αj ∈ [S – {αj}]
c1•A1 + c2•A2 + … + cn•An = θnx1 ⇒ c1 = c2 = … = cn = 0, es decir,
CS(⇐): Si existe j ∈ ℵ, 1 ≤ j ≤ n tal que αj ∈ [S – {αj}] entonces S es L.D.
⎡ c1 ⎤ ⎡0⎤ ⎡ c1 ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Por hipótesis, existen escalares c1, c2, …, cj-1, cj+1, …, cn ∈ K tales que:
[A1
A2
c
] 0 c
⎢ M ⎥ ⎢M⎥ ⎢ M ⎥ ⎢M⎥
0
L A n ⎢ 2 ⎥ = ⎢ ⎥ ⇒ ⎢ 2 ⎥ = ⎢ ⎥ , es decir,
j−1 n ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
αj = ∑c • α + ∑c • α
i =1
i i
i = j+1
i i
⎢⎣c n ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣c n ⎥⎦ ⎢⎣0⎥⎦
⎡ c1 ⎤
j−1 n ⎢ ⎥
⇒ ∑c • α
i =1
i i + (−1) • α j + ∑c • α
i = j+1
i i =θ c
AX = θ nx1 ⇒ X = θ nx1 ; siendo X = ⎢ 2 ⎥
⎢M⎥
⎢ ⎥
⎢⎣c n ⎥⎦
Por consiguiente, existen escalares c1, c2, …, cn ∈ K no todos iguales a cero
n
(al menos cj = (-1)) tal que ∑c • α
i =1
i i = θ . Luego, S es L.D. Por lo tanto el SEL AX = θ nx1 tiene como única solución la solución trivial lo
cual implica que A es no singular.

Ejemplo 4.17. CS(⇐): Si A es no singular entonces B es L.I.

⎡1⎤ ⎡ −1 ⎤ ⎡2⎤ Si A es no singular entonces el SEL AX = θ nx1 tiene como única solución la
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
En relación al ejemplo 4.12., los vectores α = ⎢1⎥ , β = ⎢ 2⎥ y δ = ⎢8 ⎥ son solución trivial. Luego,
⎢⎣3⎥⎦ ⎢⎣ − 2 ⎥⎦ ⎢⎣8 ⎥⎦ ⎡ c1 ⎤
⎢ ⎥
L.D., ya que existen escalares c1, c2, c3 no todos iguales a cero c
AX = θ nx1 ⇒ X = θ nx1 ; siendo X = ⎢ 2 ⎥ , es decir,
1 ⎢M⎥
(c1 = –2, c2 = –1, c3 = ) tales que c1 • α + c 2 • β + c 3 • δ = θ , es decir, ⎢ ⎥
⎣⎢c n ⎦⎥
2
1
− 2 • α + (−1) • β + • δ = θ . Luego,
2

151 152
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ c1 ⎤ ⎡0⎤ ⎡ c1 ⎤ ⎡0⎤ Teorema 4.11.

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
[A 1
A2
c
] 0 c
⎢ M ⎥ ⎢M⎥ ⎢ M ⎥ ⎢M⎥
0
L A n ⎢ 2 ⎥ = ⎢ ⎥ ⇒ ⎢ 2 ⎥ = ⎢ ⎥ , es decir, Sean K un cuerpo y V un espacio vectorial sobre K finito dimensional con
V ≠ {θ}. Si S es un conjunto de generadores finito de V entonces existe un
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣c n ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣c n ⎥⎦ ⎢⎣0⎥⎦ subconjunto B de S L.I. tal que B es un conjunto de generadores de V.

Demostración
c1•A1 + c2•A2 + … + cn•An = θ ⇒ c1 = c2 = … = cn = 0
Sea S = {α1, α2, …, αn} un conjunto de generadores de V, es decir, [S] = V.
Por consiguiente, B es L.I.
Como V ≠ {θ} existe algún j, tal que αj ≠ θ. Si S es L.I. entonces el teorema
esta demostrado. Si S es L.D. entonces existe p tal que αp ∈ [S – {αp}]. Luego,
Observaciones:
[S – {αp}] = V.
1. Sean el espacio vectorial V = ℜn, A∈Mnxn(ℜ) y B = {A1, A2, …, An}⊆V.
Repitiendo este proceso a lo sumo n-1 veces se obtiene un subconjunto B de S
L.I. tal que [B] = V, ya que un conjunto formado por un solo vector no nulo es
1.1. B es L.I. si y sólo si Det(A) ≠ 0.
L.I.
1.2. B es L.I. si y sólo si Rango(A) = n.
Definición 4.8.
2. B es L.D. si y sólo si A no es invertible (singular). Por el teorema 4.8.,
apartado 3, B es L.D., si y sólo si existen r columnas de A A1, A2, …, Ar
Sean K un cuerpo y V un espacio vectorial sobre K. Un subconjunto B de V se
tales que el conjunto C = {A1, A2, …, Ar} es L.I.
dice que es una base de V si B es L.I. y B es un conjunto de generadores de V.
3. Si A es no singular entonces At es no singular y (At)-1 = (A-1)t. Luego, A
Observaciones:
es no singular si y sólo si sus filas son vectores L.I.
1. V es finito dimensional si y sólo si V tiene una base finita.
4. El Rango de A es el número máximo de filas o columnas de A L.I.
2. Sea V un espacio vectorial finito dimensional. Si S es un conjunto
de generadores finito de V entonces existe una base B de V tal que
4.6. BASES.
B ⊆ S.
Definición 4.7.
Ejemplo 4.20.
Sean K un cuerpo y V un espacio vectorial sobre K. Un subconjunto S de V se
dice que es un conjunto de generadores de V si [S] = V. Si V tiene un conjunto Sean V = ℜn y B = {e1, e2, …, en}. B es L.I. y es también un conjunto de
de generadores finito entonces V se dice que es un espacio finito-dimensional generadores de V. Por consiguiente B es una base de V. Este conjunto
o finitamente generado. B = {e1, e2, …, en} se conoce como la base canónica de V = ℜn.

Ejemplo 4.18. Teorema 4.12.

Si V = {θ} entonces V es finito dimensional ya que [∅] = V. Sean K un cuerpo, V un espacio vectorial sobre K, B = {α1, α2,…, αn} un
subconjunto de V y α ∈ V. Si B es una base de V entonces existe un conjunto
n
Ejemplo 4.19.
único de escalares c1, c2, …, cn ∈ K tales que α = ∑c
i =1
i • αi .
Sea V = ℜn. Veamos que B = {e1, e2, …, en} es un conjunto de generadores de
V. Demostración

Como B es una base de V entonces B es un conjunto de generadores de V. Por

⎡ X1 ⎤ ⎡1⎤ ⎡ 0⎤ ⎡0 ⎤ consiguiente, existe al menos un conjunto de escalares c1, c2, …, cn ∈ K tales
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ X2 ⎥ ⎢ 0⎥ ⎢ 1⎥ 0 n
+ ... + X n • ⎢ ⎥ , es decir,
Sea α =
⎢ M ⎥
∈ V. En efecto, α = X1 •
⎢M⎥
+ X2 •
⎢M⎥ ⎢M⎥ que α = ∑c i • α i . Supongamos que α se puede escribir de 2 maneras
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ i =1

⎣⎢X n ⎦⎥ ⎣⎢0⎦⎥ ⎣⎢0⎦⎥ ⎣⎢1⎦⎥ distintas como una combinación lineal de los vectores de la base, es decir:

α = X1•e1 + X2•e2 + … + Xn•en. Luego, [B] = V y V es finito dimensional. n n

α= ∑c
i =1
i • αi = ∑d
i =1
i • αi

153 154
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Restando se obtiene que: Demostración

n 1. Sea B = {α1, α2,…, αn} una base de V y supongamos que

α= ∑ (c − d ) • α
i =1
i i i =θ S = {β1, β2,…, βm}. Utilicemos reducción al absurdo. Supongamos
que m > n. Como B es una base de V cada uno de los vectores de S
se pueden expresar como combinación lineal de α1, α2,…, αn, es
Como B es L.I. entonces (ci – di) = 0, ∀ i = 1, 2, …, n, es decir, ci = di decir:
∀ i = 1, 2, …, n. Por consiguiente, existen únicos escalares c1, c2, …, cn ∈ K
β1 = c11 • α1 + c12 • α 2 + ... + c1n • α n
n
tales que α = ∑c
i =1
i • αi . β 2 = c 21 • α1 + c 22 • α 2 + ... + c 2 n • α n
M
β m = c m1 • α1 + c m 2 • α 2 + ... + c mn • α n
Teorema 4.13.

Sean K un cuerpo, V un espacio vectorial sobre K finito dimensional y B1, B2 Consideremos la expresión c1•β1 + c2•β2 + … + cm•βm = θ.
subconjuntos de V. Si B1 y B2 son bases de V entonces B1 y B2 son finitas y
tienen el mismo número de vectores. Luego,

Demostración n n n
c1 • ∑c
j=1
1j • α j + c2 • ∑c j=1
2j • α j + ... + c m • ∑c
j=1
mj •αj = θ
Si V = {θ} entonces el resultado es inmediato ya que la única base es el
conjunto vacío.
Esta ecuación se puede escribir como:
Supongamos que V ≠ {θ}. Sea B1 = {α1, α2,…, αn} una base de V. Veamos
m m m
que B2 es finita y tiene n vectores. Verifiquemos que B2 no puede tener más de
n vectores. Utilicemos reducción al absurdo. Supongamos que B2 contiene mas
( ∑ c c ) • α + (∑ c
i =1
i1 i 1
i =1
i 2ci ) • α 2 + ... + ( ∑c
i =1
in c i ) • α n =θ
de n vectores. Entonces existen β1, β2, …, βn+1 ∈ B2. Ahora bien,
{β1, β2, …, βn+1} ⊆ V = [B1] y por lo tanto B2 es L.D. lo cual es una
Como B = {α1, α2,…, αn} es una base de V entonces B es L.I. Por
contradicción. Sea B2 = {β1, β2, …, βp}, con p ≤ n (5). Por otra parte, consiguiente,
B1 ⊆ V = [B2], lo cual implica que n ≤ p, es decir, p ≥ n (6). Por (5) y (6) se
tiene que n = p.
⎧ c11c1 + c 21c 2 + ... + c m1c m = 0
⎪
Definición 4.9. ⎪c12 c1 + c 22c 2 + ... + c m 2 c m = 0
⎨
⎪ M
Sean K un cuerpo, V un espacio vectorial sobre K y B una base de V. Se ⎪c1n c1 + c 2 n c 2 + ... + c mn c m = 0
define como Dimensión de V y se denota por Dim(V) al número de vectores de ⎩
cualquier base de V.
El SEL anterior es un SEL homogéneo de n ecuaciones con m
Ejemplo 4.21. incógnitas. Como m > n, es decir, n < m entonces el SEL
homogéneo tiene infinitas soluciones. Luego, existen escalares
En el ejemplo 4.16., Dim(V) = n. c1, c2, …, cm ∈ K no todos iguales a cero tales que
c1•β1 + c2•β2 + … + cm•βm = θ, es decir, S es L.D. lo cual es una
Teorema 4.14. contradicción.

Sean K un cuerpo, V un espacio vectorial sobre K finito dimensional con 2. Supongamos que S = {β1, β2,…, βm}. Si S es L.I. entonces forman
Dim(V) = n y S un subconjunto de V. una base de V y Dim(V) = m = n. Si S no es L.I. entonces es L.D. y
por el teorema 4.9. al menos uno de ellos se puede escribir como
1. Si S es un subconjunto L.I. de V y esta formado por m vectores combinación lineal de los vectores restantes. Eliminemos este
entonces m ≤ n. vector y apliquemos este proceso hasta que queden p vectores L.I.
2. Si S es un conjunto de generadores de V y esta formado por m Estos en conjunto deben ser un conjunto de generadores de V por la
vectores entonces m ≥ n. forma como se eligieron. Por consiguiente, Dim(V) = p < m. En
general, Dim(V) ≤ m, es decir, n ≤ m lo cual es lo mismo que decir
m ≥ n.

155 156
 CAPÍTULO 4: ESPACIOS VECTORIALES
Observación:
Nótese que si sobre ambos apartados del teorema anterior se aplica la
equivalencia contrarecíproca se obtienen los siguientes resultados:
Sean K un cuerpo, V un espacio vectorial sobre K finito dimensional con
Dim(V) = n y S un subconjunto de V.
1. Si S esta formado por m vectores y m > n entonces S es un
subconjunto L.D. de V.
2. Si S esta formado por m vectores y m < n entonces S no es un
conjunto de generadores de V.
Teorema 4.15.
Sean K un cuerpo, V un espacio vectorial sobre K finito dimensional con
Dim(V) = n y W un subconjunto de V. Si W es un subespacio de V entonces
W es finito dimensional y además se cumple que Dim(W) ≤ Dim(V).
Demostración
Por el teorema 4.8., apartado 1, cualquier conjunto de vectores L.I. en W es
también L.I. en V. Por el teorema 4.14., cualquier conjunto L.I. en W puede
contener a lo sumo n vectores. Si W = {θ} entonces Dim(W) = 0. Si W ≠ {θ},
sea α1 un vector en W y W1 = [W]. Si W1 = W entonces Dim(W) = 1 ≤ n y
el teorema esta demostrado. Si W1 ≠ W sea α2 ∈ W tal que α2 ∉ W1 y sea
W2 = [W]. Así sucesivamente continuamos hasta encontrar un conjunto de
vectores L.I. {α1, α2,…, αp} tales que W = [W]. El proceso tiene que terminar
porque se pueden encontrar a lo sumo n vectores L.I. en W. Por consiguiente,
Dim(W) = p ≤ n.
Teorema 4.16.
Sean K un cuerpo, V un espacio vectorial sobre K finito dimensional con
Dim(V) = n y S un subconjunto de V formado por n vectores.
1. Si S es L.I. entonces S es una base de V.
2. Si S es un conjunto de generadores entonces S es una base de V.
Demostración
1. Sean α1, α2,…, αn los n vectores que componen a S. Utilicemos
reducción al absurdo. Supongamos que S no es una base de V.
Entonces existe un vector β ∈ V tal que β ∉ [S]. Esto significa que
el conjunto formado por los n+1 vectores α1, α2,…, αn, β es L.I.
Ahora bien, observemos que la ecuación:
c1•α1 + c2•α2 + … + cn•αn +cn+1•β= θ
Implica que cn+1 = 0, ya que de lo contrario podríamos escribir a β
como una combinación lineal de α1, α2,…, αn dividiendo la
ecuación anterior entre cn+1 y poniendo todos los términos excepto
157
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
β, en el lado derecho. Pero si cn+1 = 0 entonces la ecuación anterior
se reduce a:
c1•α1 + c2•α2 + … + cn•αn = θ
Esto implica que c1 = c2 = … = cn = 0 ya que el conjunto formado
por los vectores α1, α2,…, αn es L.I. Sea W = [S ∪{β}]. Como
α1, α2,…, αn, β están en V, W es un subespacio de V. Como
α1, α2,…, αn, β es un conjunto de vectores L.I. entonces forman una
base de W y además Dim(W) = n+1, lo cual es una contradicción
ya que por el teorema 4.15. Dim(W) ≤ n.
2. Sean α1, α2,…, αn los n vectores que componen a S. Utilicemos
reducción al absurdo. Supongamos que S no es una base de V. En
ese caso, S no es L.I. Luego, por el teorema 4.14., apartado 2,
Dim(V) < n, lo cual es una contradicción ya que por hipótesis
Dim(V) = n.
Ejemplo 4.22.
En el ejemplo 4.15., {p1(x) = 1, p2(x) = x, p3(x) = x2} es una base de P2 ya que
se demostró que es un conjunto de 3 vectores L.I. Esta base se conoce como
base canónica de V=P2. En general, {1, x, x2, …, xn} es la base canónica de
V = Pn.
Teorema 4.17.
Sean K un cuerpo, V un espacio vectorial sobre K finito dimensional con
Dim(V) = n y S es un subconjunto de V formado por m vectores (m<n). Si
S = {β1, β2,…, βm} es L.I. entonces existen vectores βm+1, βm+2,…, βn tales que
S ∪ {βm+1, βm+2,…, βn} es una base de V.
Demostración
Como Dim(V) = n entonces V tiene por lo menos una base. Sea
B = {α1, α2,…, αn} una base de V. Como B es una base de V cada uno de los
vectores de S se pueden expresar como combinación lineal de α1, α2,…, αn, es
decir:
β1 = c11 • α1 + c12 • α 2 + ... + c1n • α n
β 2 = c 21 • α1 + c 22 • α 2 + ... + c 2 n • α n
M
β m = c m1 • α1 + c m 2 • α 2 + ... + c mn • α n
⎡ c1i ⎤
⎢ ⎥
c
Sea Ci = ⎢ 2i ⎥ ; i = 1, 2, …, m.
⎢ M ⎥
⎢ ⎥
⎣⎢c ni ⎦⎥
158
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Los Ci forman un conjunto L.I . en ℜn, ya que de otra manera {α1, α2,…, αn} Teorema 4.19.
no sería un conjunto L.I. Agreguemos a Ci n – m vectores que forman un
conjunto L.I. Sean estos vectores Cm+1, Cm+2, …, Cn. Luego, si: Sea A∈Mnxn(K). A es no singular si y sólo si n(A) = 0.

⎡ c1p ⎤ CN(⇒): Si A es no singular entonces n(A) = 0.

⎢ ⎥
c 2p
Cp = ⎢ ⎥ para m < p ≤ n Si A es no singular entonces el SEL homogéneo AX = θnx1 tiene como única
⎢ M ⎥
⎢ ⎥ solución la solución trivial, es decir, X = θnx1. Por consiguiente,
⎣⎢c np ⎦⎥ Dim(NA) = n(A) = 0.

CS(⇐): Si n(A) = 0 entonces A es no singular.

Se tiene que βp = cp1•α1 + cp2•α2 +…+ cpn•αn para p = m+1, m+2, …, n.
Como:
Si n(A) = 0 entonces Dim(NA) = Dim({X∈Kn: AX = θnx1 }) = 0. Esto significa
que el SEL homogéneo AX = θnx1 tiene como única solución la solución
⎡ c11 c12 L c1n ⎤ trivial, es decir, X = θnx1. Por consiguiente, A es no singular.
⎢ ⎥
c c 22 L c 2 n ⎥
Det ( ⎢ 21 )≠0
⎢ M M M ⎥ Definición 4.12.
⎢ ⎥
⎣⎢c n1 c n 2 L c nn ⎦⎥ Sea A∈Mmxn(K). Se define como imagen de A y se denota por IA al conjunto
IA = {Y∈Km: AX = Y, para algún X∈Kn}. La dimensión de IA se denota por
Entonces el conjunto {β1, β2, …, βn} es L.I. ya que consiste en n vectores que r(A).
forman un conjunto L.I. en V con Dim(V) = n. Luego, por el teorema 4.16.,
apartado 1, el conjunto {β1, β2, …, βn} forma una base para V. Observación:

4.7. ESPACIO NULO, NULIDAD, IMAGEN, ESPACIO FILA Y Rango(A) = Dim(IA) = r(A).
ESPACIO COLUMNA DE UNA MATRIZ.
Teorema 4.20.
Definición 4.10.
Sea A∈Mmxn(K). Entonces IA es es un subespacio de Km.
Sea A∈Mmxn(K). Se define como espacio nulo de A y se denota por NA al
conjunto NA = {X∈Kn: AX = θnx1 }. Demostración

Teorema 4.18.
Sea A∈Mmxn(K). Entonces NA es un subespacio de Kn.
Demostración
Es claro que θnx1∈NA ya que Aθnx1 = θnx1. Sean X1, X2∈NA y c∈K. Sólo basta
probar que que (cX1+X2)∈NA. En efecto, como X1, X2∈NA se tiene que
AX1 = θnx1 y AX2 = θnx1 (7). Luego, cAX1 = cθnx1 , es decir, cAX1 = θnx1 (8).
Sumando a ambos lados de (7) y (8) se obtiene que cAX1 + AX2 = θnx1 + θnx1,
es decir, A(cX1 + X2) = θnx1. Por consiguiente, (cX1+X2)∈NA y NA es un
subespacio de Kn.
Definición 4.11.
Es claro que θmx1∈IA ya que el SEL homogéneo AX = θmx1 tiene al menos la
solución trivial X = θnx1. Sean Y1, Y2∈IA y c∈K. Sólo basta probar que
(cY1+Y2)∈IA. En efecto, como Y1, Y2∈IA se tiene que ∃ X1, X2∈ Kn tales que
AX1 = Y1 y AX2 = Y2 (9). Luego, cAX1 = cY1 (10). Sumando a ambos lados de
(9) y (10) se obtiene que cAX1+AX2 = cY1+Y2, es decir,
A(cX1 + X2) = cY1+Y2. Por consiguiente, ∃ X*∈ Kn; X* = cX1 + X2 tal que
AX* = cY1+Y2. Luego, (cY1+Y2)∈IA e IA es un subespacio de Km.
Definición 4.13.
Sean A∈Mmxn(K), (A1)t , (A2)t , …, (Am)t ∈M1xn(K) las filas de A y
A1, A2, …, An∈Mmx1(K) las columnas de A. Se definen como espacio fila de A
y espacio columna de A y se denotan por RA y CA, respectivamente, a los
conjuntos RA = [{(A1)t , (A2)t , …, (Am)t}] y CA = [{A1, A2, …, An}].

Sea A∈Mmxn(K). Se define como nulidad de A y se denota por n(A) a la Observaciones:

dimensión de NA, es decir, n(A) = Dim(NA).
1. RA es un subespacio de Kn.
2. CA es un subespacio de Km.

159 160
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Teorema 4.21. Demostración

Sea A∈Mmxn(K). Entonces CA = IA. Supongamos que Dim(RA) = p. Sea S = {α1, α2, …, αp} una base para RA.
Nótese que αi∈Kn. Luego, cada fila de A se puede expresar como una
Demostración combinación lineal de los vectores de S, es decir, existen escalares cij;
i = 1, 2, …, m; j = 1, 2, …, p tales que:
Supongamos que Y∈IA. Entonces, ∃ X∈Kn: AX = Y. Luego,
(A1 ) t = c11 • α1 + c12 • α 2 + ... + c1p • α p
⎡ X1 ⎤ (A 2 ) t = c 21 • α1 + c 22 • α 2 + ... + c 2 p • α p
⎢ ⎥ (13)
[A1
A 2
L A ]
n ⎢X 2 ⎥
⎢ M ⎥
=Y M
⎢ ⎥ (A m ) t = c m1 • α1 + c m 2 • α 2 + ... + c mp • α p
⎢⎣X n ⎥⎦
⇒ X1 • A1 + X 2 • A 2 + L + X n • A n = Y Ahora bien, la j-ésima componente de (Ai)t es Aij. Por lo tanto, si igualamos las
j-ésimas componentes de ambos lados de (13) y escribimos αi de la forma:
Por lo tanto, Y es combinación lineal de A1, A2, …, An. Por consiguiente,
Y∈[{A1, A2, …, An}], es decir, Y∈ CA. Esto significa que IA⊆CA (11). ⎡ α1i ⎤
⎢ ⎥
α
Supongamos ahora que Y∈CA. Luego, Y se puede expresar como combinación α i = ⎢ 2i ⎥
⎢ M ⎥
lineal de A1, A2, …, An, es decir, existen escalares c1, c2, …, cn∈K tales que: ⎢ ⎥
⎢⎣α ni ⎥⎦
Y = c1 • A1 + c 2 • A 2 + L + c n • A n
Se obtiene que:
Luego,
A1 j = c11α1 j + c12α 2 j + ... + c1p α pj
⎡ c1 ⎤ A 2 j = c 21α1 j + c 22α 2 j + ... + c 2 p α pj
⎢ ⎥ M
[
Y = A1 A 2
c
L An ⎢ 2 ⎥
⎢M⎥
] A mj = c m1α1 j + c m 2 α 2 j + ... + c mpα pj
⎢ ⎥
⎣⎢c n ⎦⎥
Luego,
⎡ c1 ⎤
⎢ ⎥
[
⇒ A1 A 2
c
]
L An ⎢ 2 ⎥ = Y
⎢M⎥
⎡ A1 j ⎤
⎢ ⎥
⎡ c11 ⎤
⎢ ⎥
⎡ c12 ⎤
⎢ ⎥
⎡ c1p ⎤
⎢ ⎥
⎢ ⎥ ⎢ 2 j ⎥ = α • ⎢ 21 ⎥ + α • ⎢ 22 ⎥ + ... + α • ⎢ c 2 p ⎥ (14)
A c c
⎢ M ⎥ 1 j
⎢ M ⎥ 2 j
⎢ M ⎥ pj ⎢ M ⎥
⎣⎢c n ⎦⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A
⎣⎢ mj ⎦⎥ ⎢ c
⎣ m1 ⎦⎥ ⎢ c
⎣ m2 ⎦⎥ ⎣⎢c mp ⎦⎥
⎡ c1 ⎤
⎢ ⎥
c
⇒ AX = Y, con X = ⎢ 2 ⎥ ⎡ c1i ⎤
⎢M⎥
⎢ ⎥ ⎢ ⎥
c
⎣⎢c n ⎦⎥ Sea βi = ⎢ 2i ⎥
⎢ M ⎥
⎢ ⎥
Por tanto, Y∈IA. Por consiguiente, CA⊆IA (12). ⎣⎢c mi ⎦⎥

Por (11) y (12) se tiene que CA = IA. Por consiguiente, como el lado izquierdo de (14) es la j-ésima columna de A se
tiene que cada columna de A se puede escribir como una combinación lineal
Teorema 4.22. de los vectores β1, β2, …, βp, lo cual significa que [{β1, β2, …, βp}] = CA y por
ende Dim(CA) ≤ p = Dim(RA) (15).
Sea A∈Mmxn(K). Entonces Dim(RA) = Dim(CA) = Dim(IA) = r(A).

161 162
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Por otra parte, C A t = R A y R A t = C A . La desigualdad (15) se generó con la Demostración

matriz A, si se hace con la matriz A se obtiene que Dim(C A t ) ≤ Dim(R A t ) ,

t
es decir, Dim(RA) ≤ Dim(CA), o sea que Dim(CA) ≥ Dim(RA) (16). Por (15) y
(16) se deduce que Dim(RA) = Dim(CA) y por el teorema 4.21., se tiene que
Dim(RA) = Dim(CA) = Dim(IA) = r(A).
Supongamos que r(A) = t y sin pérdida de generalidad que las primeras t
columnas de A son L.I. Sea Aj (j > t) cualquier otra columna de A. Como
A1, A2, …, At forman una base para CA, se tiene, para algunos escalares
c1, c2, …, ct que:

Teorema 4.23. Aj = c1•A1 + c2•A2 + … + cp•At

⇒ Aj – c1•A1 – c2•A2 – … – cp•At = θmx1
Sean A, B∈Mmxn(K). Si B es equivalente por filas a A entonces RA = RB,
r(A) = r(B) y n(A) = n(B). De esta forma, sumando –c1•A1, –c2•A2, …, –cp•At sucesivamente a la j-ésima
columna de A se obtiene una nueva matriz B∈Mmxn(K) con r(B) = r(A) y
Demostración n(B) = n(A) con la j-ésima columna de B igual a θmx1. Esto se hace a todas las
demás columnas de A (excepto las primeras t columnas) para así obtener la
Sea D∈Mmxn(K) y supongamos que D es equivalente por filas a A aplicando matriz:
una única operación elemental de filas. De esta manera se presentan 3 casos:
⎡ A11 A12 L A1t 0 0 L 0⎤
Caso 1: D se obtuvo de A aplicando la operación elemental de filas rp→rp+crs. ⎢ ⎥
A A 22 L A 2 t 0 0 L 0⎥
D = ⎢ 21
En este caso las filas de D son {D1 = A1, D2 = A2, …, Ds = As, …, Dp = Ap + ⎢ M M M M M M⎥
⎢ ⎥
cAs, …, Dm = Am}. Ahora bien, la p-ésima fila de A se puede escribir de la ⎣⎢A m1 A m 2 L A mt 0 0 L 0⎦⎥
siguiente forma:
Donde r(D) = r(A) y n(D) = n(A). Arreglando convenientemente las filas de D
Ap = (Ap + cAs) – cAs = Dp – cDs
se puede suponer que las primeras t filas son L.I. Luego, aplicando operaciones
Esto indica que todas las filas de A se pueden expresar como una combinación
elementales de fila del tipo rp→rp+crs sobre las últimas m – t filas en base a las
lineal de las filas de D y viceversa. Por consiguiente, RA ⊆ RC y RC ⊆ RA. En
primeas t filas de D se obtiene la siguiente matriz:
consecuencia, RC = RA.

Caso 2: D se obtuvo de A aplicando la operación elemental de filas rp→crp. ⎡ A11 A12 L A1p 0 0 L 0⎤
⎢ ⎥
⎢A 21 A 22 L A 2 p 0 0 L 0⎥
En este caso las filas de D son {D1 = A1, D2 = A2, …, Dp = cAp, …, Dm = Am}. ⎢ M M M M M M⎥
Ahora bien, cAp = c(Ap) y Ap = (1/c)cAp. Luego, cada fila de C es un múltiplo ⎢ ⎥
F = ⎢ A t1 At2 L A tt 0 0 L 0⎥
de una fila de A y viceversa. Esto indica que cada fila de C pertenece al
⎢ 0 0 L 0 0 0 L 0⎥
subespacio generado por las filas de A y viceversa. En consecuencia, RA ⊆ RC ⎢ ⎥
y RC ⊆ RA, por lo cual RC = RA. ⎢ M M M M M M⎥
⎢ ⎥
⎣ 0 0 L 0 0 0 L 0⎦
Caso 3: D se obtuvo de A aplicando la operación elemental de filas rp↔rs.
Donde r(F) = r(A) (17) y n(F) = n(A) (18). Ahora bien, es evidente que si j > t,
En este caso RA = RC porque las filas de A y C son las mismas (sólo que en
diferente orden). entonces Fei = θmx1, de forma tal que S(t) = {et+1, et+2, …, en} es un conjunto
L.I. de n-t vectores en NF. Probaremos ahora que [S(t)] = NF. Sea X∈NF un
Como B es equivalente por filas a A, B se obtiene de A aplicando un número vector de la forma:
finito de operaciones elementales de filas. Por consiguiente, lo demostrado
anteriormente aplicado varias veces demuestra que RA = RB. En consecuencia, ⎡ X1 ⎤
por el teorema 4.22., r(A) = r(B). ⎢ ⎥
⎢X 2 ⎥
⎢ M ⎥
Por último, el conjunto de soluciones de AX = θnx1 no cambia bajo las X=⎢ ⎥
operaciones elementales de fila aplicadas sobre A para obtener a B. De esta ⎢Xt ⎥
forma, NA = NB y por consiguiente n(A) = n(B). ⎢ M ⎥
⎢ ⎥
⎢⎣X n ⎥⎦
Teorema 4.24.

Sea A∈Mmxn(K). Entonces se cumple que r(A) + n(A) = n. Entonces se cumple que:

163 164
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ A11X1 + A12 X 2 + ... + A1t X t ⎤ ⇒ X1 − 1 X 2 + 3 X 3 = 0 ⇒ X1 = 1 X 2 − 3 X 3

⎢ ⎥ 2 2 2 2
⎢A 21X1 + A 22 X 2 + ... + A 2 t X t ⎥ ⎡0⎤
⎢ M ⎥ ⎢ ⎥ ⎡ X1 ⎤ ⎡ 1 2 X 2 − 3 2 X 3 ⎤ ⎡1 ⎤ ⎡− 3 ⎤
⎢ ⎥ 0 ⎢ ⎥ ⎢ ⎥ ⎢ 2⎥ ⎢ 2⎥
θ nx1 = FX = ⎢ A t1X1 + A t 2 X 2 + ... + A tt X t ⎥ = ⎢ ⎥ X = ⎢X 2 ⎥ = ⎢ X2 ⎥ = X 2 ⎢ 1 ⎥ + X3 ⎢ 0 ⎥
⎢ ⎥ ⎢⎣ X 3 ⎥⎦ ⎢ ⎥ ⎢0⎥ ⎢ 1 ⎥
⎢ ⎥ ⎢M ⎥ X3
⎢
0
⎥ ⎣⎢0⎦⎥ ⎣⎢ ⎦⎥ ⎣⎢ ⎦⎥ ⎣⎢ ⎦⎥
⎢ M ⎥
⎢ ⎥
⎣ 0 ⎦ ⎡ 1 ⎤ ⎡− 3 ⎤
⎢ 2⎥ ⎢ 2 ⎥
Luego, NA = {X∈ℜ3: X = a ⎢ 1 ⎥ + b ⎢ 0 ⎥; a, b ∈ ℜ } y n(A) = 2.
El determinante de la matriz de coeficientes de orden kxk del SEL homogéneo ⎢0⎥ ⎢ 1 ⎥
dado es no nulo, ya que las filas de esta matriz son L.I. De esta forma, la única ⎢⎣ ⎥⎦ ⎢⎣ ⎥⎦
solución del SEL es X1 = X2 = … = Xt = 0. Luego, X tiene la forma siguiente:
IA = {Y∈ℜ3: AX = Y, para algún X∈ℜ3}. Utilicemos el teorema 4.21.
⎡ 0 ⎤ ⎡0 ⎤ ⎡0⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎡ 1 −1 3 ⎤ ⎡1 − 1 3 ⎤
⎢ 0 ⎥ 0
⎢ ⎥ 0
⎢ ⎥ ⎢0⎥ ⎡ 2 −1 3⎤
⎢ ⎥ r1 → 2 r1 ⎢
1 2 2⎥ ⎯r⎯ ⎯⎯→ ⎢
2 →r2 −4r1 2 2⎥
⎢ M ⎥ ⎢M⎥ ⎢M ⎥ ⎢M ⎥ A= ⎢ 4 −2 6⎥ ⎯⎯⎯→⎢ 4 − 2 6 ⎥ r →r +6r ⎢0 0 0 ⎥=R
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢− 6 ⎯⎯ ⎯ ⎯ →
− 9 ⎥⎥ ⎢0 0 0 ⎥⎥
3 3 1

⎢ 0 ⎥ 0
⎢ ⎥ 0
⎢ ⎥ ⎢0⎥ ⎢⎣− 6 3 − 9⎥⎦ 3
X=⎢ = X t +1 ⎢ ⎥ + X t + 2 ⎢ ⎥ + ... + X n ⎢ ⎥ = X t +1e t +1 + X t + 2 e t + 2 + ... + X n e n ⎢⎣ ⎦ ⎢
⎣ ⎦
X t +1 ⎥ 1 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢X t + 2 ⎥ ⎢0 ⎥ ⎢1⎥ ⎢0⎥ Se observa que el número de filas no nulas de R es 1 por lo cual
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ Rango(A) = r(A) = 1. Luego, cualquier columna de A forma una base para CA,
⎢ M ⎥ ⎢M⎥ ⎢M ⎥ ⎢M ⎥
⎢⎣ X n ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣0⎥⎦ ⎢⎣1⎥⎦ es decir:

⎡ 2⎤
Esto prueba que [S(t)] = NF de forma tal que n(F) = n – t = n – r(F). Luego, ⎢ ⎥
r(F) + n(F) = n. Por (17) y (18) se tiene que r(A) + n(A) = n. CA = {Y∈ℜ3: Y = c ⎢ 4 ⎥; c ∈ ℜ } = IA
⎢⎣− 6⎥⎦
Ejemplo 4.23.
A su vez, una base para RA consiste en una combinación lineal de las filas no
Sea A∈M3x3(ℜ) definida por: nulas de R, es decir:

⎡ 2 −1 3⎤ ⎡ 1⎤
⎢ ⎥ ⎢ ⎥
A =⎢ 4 −2 6⎥
⎢⎣ − 6 R A = {X ∈ ℜ3 : X = a ⎢ − 1 ⎥; a ∈ ℜ}
3 − 9 ⎥⎦ ⎢ 2 ⎥
⎢⎣ 3 2 ⎥⎦
Determinemos Espacio Nulo (NA), Nulidad (n(A)), Imagen (IA), Rango (r(A)),
Espacio Fila (RA) y Espacio Columna (CA).

NA = {X∈ℜ3: AX = θ3x1 }

⎡ 2 −1 3⎤ ⎡ X1 ⎤ ⎡0⎤ ⎡ 2 − 1 3 0⎤ 1
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ r1 → 2 r1
AX = θ3x1 ⇒ ⎢ 4 − 2 6 ⎥ ⎢ X 2 ⎥ = ⎢0 ⎥ ⇒ ⎢ 4 − 2 6 0⎥ ⎯⎯ ⎯ →
⎢⎣ − 6 3 − 9 ⎥⎦ ⎢⎣ X 3 ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ − 6 3 − 9 0⎥⎦

⎡ 1 −1 3 0⎤ ⎡1 − 1 3 0⎤
⎢ 2 2 ⎥ ⎯r⎯ ⎯⎯→ ⎢
2 → r2 − 4 r1 2 2 ⎥
⎢ 4 −2 6 0 ⎥ r → r + 6 r ⎢0 0 0 0⎥
⎢− 6 ⎯⎯ ⎯ ⎯ →
− 9 0⎥⎥ ⎢0 0 0⎥⎥
3 3 1

⎢⎣ 3 ⎢⎣ 0
⎦ ⎦

165 166
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

EJERCICIOS PROPUESTOS. ⎡2⎤ ⎡ 1⎤ ⎡ 3⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1. Determine cuáles de los siguientes conjuntos son espacios vectoriales. 3. Sean δ1 = ⎢1 ⎥ , δ 2 = ⎢ − 1⎥ , δ3 = ⎢2⎥ . Expresar los siguientes vectores
Justifique su respuesta. ⎢⎣4⎥⎦ ⎢⎣ 3⎥⎦ ⎢⎣5⎥⎦
como combinación lineal de δ1, δ2 y δ3:
1.1. El conjunto de vectores de ℜ2 con las operaciones
⎡3⎤
⎡X ⎤ ⎡ Z ⎤ ⎡X+Z⎤ ⎡X ⎤ ⎡2cX ⎤ ⎢ ⎥
⎢ ⎥ +⎢ ⎥ = ⎢ ⎥ y c• ⎢ ⎥ = ⎢ ⎥ , c∈ℜ. 3.1. α = ⎢5 ⎥ .
⎣Y ⎦ ⎣ W ⎦ ⎣Y + W ⎦ ⎣Y ⎦ ⎣2cY ⎦ ⎢⎣2⎥⎦
1.2. El conjunto de vectores de ℜ2 con las operaciones
⎡X ⎤ ⎡ Z ⎤ ⎡ X + Z +1 ⎤ ⎡X ⎤ ⎡cX ⎤ ⎡ 1⎤
⎢ ⎥ +⎢ ⎥ = ⎢ ⎥ y c• ⎢ ⎥ = ⎢ ⎥ , c∈ℜ. ⎢ ⎥
⎣Y ⎦ ⎣ W ⎦ ⎣ Y + W + 2⎦ ⎣Y ⎦ ⎣cY ⎦ 3.2. β = ⎢ − 2⎥ .
1.3. El conjunto de todas las matrices de orden 2x2 en ℜ de la ⎢⎣ 3⎥⎦
⎡1 a ⎤
forma ⎢ ⎥ con las operaciones matriciales usuales de 4. Sean p1(x) = 1 – 2x + x2, p2(x) = 1 + 3x – 2x2, p3(x) = 2 – x + 3x2.
⎣b 1⎦
Expresar los siguientes polinomios como combinación lineal de p1, p2
suma y multiplicación por escalares. y p3:
1.4. El conjunto de vectores de ℜ3 con las operaciones
⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ X1 + Y1 ⎤ ⎡ X1 ⎤ ⎡0 ⎤ 4.1. q1(x) = 4 + 4x + 3x2.
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ q2(x) = 0.
X + Y
⎢ 2⎥ ⎢ 2⎥ ⎢ 2 = X + Y2⎥ y c• X
⎢ 2⎥ = ⎢0 ⎥ .
4.2.
⎢⎣ X 3 ⎥⎦ ⎢⎣ Y3 ⎥⎦ ⎢⎣ X 3 + Y3 ⎥⎦ ⎢⎣ X 3 ⎥⎦ ⎢⎣0⎥⎦ 4.3. q3(x) = 5 – 3x2.
4.4. q4(x) = -4 + 2x – 5x2.
1.5. El conjunto de las matrices de orden 2x2 en ℜ diagonales con
las operaciones matriciales usuales de suma y multiplicación 5. Determine si el conjunto de polinomios p1, p2, p3 del ejercicio anterior
por escalares. es L.I. Determine también si el conjunto de polinomios p1, p2, p3, q1 es
1.6. El conjunto de los polinomios de grado a lo sumo 2 tales que L.I.
p(0) = 2.
1.7. El conjunto de los polinomios de grado a lo sumo n tales que 6. Determine el subespacio generado los siguientes conjuntos:
p’(3) = 0.
⎡ 1 ⎤ ⎡ −1 ⎤ ⎡ −3 ⎤ ⎡ 4⎤ ⎡ −5 ⎤
2. Consideremos el espacio vectorial ℜ3 con las operaciones usuales de ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
−2 2 3 −5 1
suma y multiplicación por escalares. Determinar si los siguientes 6.1. S1 = { ⎢ ⎥ , ⎢ ⎥ , ⎢ ⎥ , ⎢ ⎥ , ⎢ ⎥ }
⎢ 3⎥ ⎢ 1 ⎥ ⎢ 0⎥ ⎢ 6 ⎥ ⎢ 3⎥
conjuntos son subespacios de ℜ3: ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ 1 ⎥⎦ ⎢⎣ 0⎥⎦ ⎢⎣ − 3⎥⎦ ⎢⎣ 1 ⎥⎦ ⎢⎣− 4⎥⎦
⎡ X1 ⎤ 6.2. S2 = {x3 – 2x2 , 1 – 4x2, 10 – 7x3, -x3 + 3x2}
⎢ ⎥ ⎧⎪⎡ − 1 1⎤ ⎡4 − 1⎤ ⎡- 2 3 ⎤ ⎡3 5⎤ ⎫⎪
2.1. W = { ⎢X 2 ⎥ : 2X1 + X3 = 0}
⎢⎣ X 3 ⎥⎦
6.3. S3 = ⎨⎢ ⎥, ⎢ ⎥, ⎢ ⎥, ⎢ ⎥⎬
⎪⎩⎣− 3 0⎦ ⎣8 − 1⎦ ⎣ 3 - 1⎦ ⎣4 7 ⎦ ⎪⎭
⎡ X1 ⎤
⎢ ⎥ 7. Sean A, B, C ∈ M2x2(K) definidas por:
2.2. W = { ⎢X 2 ⎥ : 2X2 = X1 – 4}
⎢⎣ X 3 ⎥⎦
⎡ 1 2⎤ ⎡0 1 ⎤ ⎡ 4 −1 ⎤
A=⎢ ⎥ , B=⎢ ⎥ , C=⎢ ⎥
⎡ X1 ⎤ ⎣ − 1 3 ⎦ ⎣ 4 2 ⎦ ⎣0 − 2⎦
⎢ ⎥
2.3. W = { ⎢X 2 ⎥ : |X2 – 1| = X3}
⎢⎣ X 3 ⎥⎦ Determine cuáles de las siguientes matrices son combinación lineal de
A, B y C:
⎡ X1 ⎤
⎢ ⎥ ⎡0 6 ⎤
2.4. W = { ⎢X 2 ⎥ : X1 ∈ Ζ} D=⎢
7.1. ⎥
⎢⎣ X 3 ⎥⎦ ⎣3 7 ⎦

167 168
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡1 −5 ⎤ 12. Sean K un cuerpo, V un espacio vectorial sobre K, S un conjunto de

7.2. E=⎢ ⎥ vectores L.I. de V y α∈V. Demuestre que α∉[S] si y sólo si S∪{α} es
⎣6 − 2 ⎦ L.I.
⎡0 0 ⎤
7.3. F=⎢ ⎥ 13. Sean K un cuerpo, V un espacio vectorial sobre K y α1, α2, …, αk+1, β
⎣0 0 ⎦
vectores de V. Demuestre que Si β∈[{α1, α2, …, αk+1}] y
⎡−8 1⎤ β∉[{α1, α2, …, αk}] entonces αk+1∈[{α1, α2, …, αk, β}].
7.4. G=⎢ ⎥
⎣− 1 8⎦
14. Demuestre que si {α1, α2, …, αn} es un conjunto L.I. y
8. Determine si los siguientes vectores forman un conjunto L.I. {α1, α2, …, αn, β} es un conjunto L.D. entonces β es combinación
lineal de α1, α2, …, αn.
⎡ 2⎤ ⎡ 1⎤ ⎡2⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 15. Sean K un cuerpo, V un espacio vectorial sobre K y
8.1. α1 = ⎢ − 2 ⎥ , α 2 = ⎢− 3⎥ , α 3 = ⎢5⎥
S = {α1, α2, …, αn} un conjunto de vectores L.I. de V tal que
⎢⎣ 3⎥⎦ ⎢⎣ − 1⎥⎦ ⎢⎣1 ⎥⎦ {α1, α2, …, αn, β} es L.D., ∀ β∈V. Demuestre que S es una base de
V.
⎡2⎤ ⎡3⎤ ⎡2⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
8.2. α1 = ⎢1 ⎥ , α 2 = ⎢1⎥ , α 3 = ⎢4⎥ 16. Sean K un cuerpo, V un espacio vectorial sobre K y
⎢⎣1 ⎥⎦ ⎢⎣3⎥⎦ ⎢⎣5⎥⎦ S = {α1, α2, …, αn} un subconjunto de V tal que [S] = V y
[S – {αi}] ≠ V, ∀ i = 1, 2, …, n. Demuestre que S es una base de V.
⎡1 ⎤ ⎡ −1 ⎤ ⎡2⎤ ⎡6 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
8.3. α1 = ⎢2⎥ , α 2 = ⎢− 3⎥ , α 3 = ⎢1 ⎥ , α 4 = ⎢1⎥ 17. Sea {α1, α2, ,α3} un conjunto L.I. Determine si los siguientes
⎢⎣3⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣3⎥⎦ ⎢⎣3⎥⎦ conjuntos son L.I.:

17.1. {a•α2 + b•α3, α2 + c•α3, α3}; con a, b, c∈ℜ.

9. Consideremos las siguientes operaciones en ℜ2: 17.2. {α1, b•α2 + c•α3, a•α3 – α2}; con a, b, c∈ℜ.

⎡ X1 ⎤ ⎡ Y1 ⎤ ⎡ X1 + Y1 + p ⎤ ⎡ X1 ⎤ ⎡ c + cX1 − p ⎤ 18. Deterrmine cuáles de los siguientes conjuntos de vectores son base de
⎢ ⎥ +⎢ ⎥ = ⎢ ⎥ y c• ⎢ ⎥ = ⎢ ⎥ ℜ3 :
⎣X 2 ⎦ ⎣Y2 ⎦ ⎣X 2 + Y2 + p ⎦ ⎣X 2 ⎦ ⎣c + cX 2 − p ⎦

Determine el valor de p para el cual ℜ2 con las operaciones de suma y ⎡1⎤ ⎡ 2⎤ ⎡3⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
multiplicación por escalares definidas anteriormente es un espacio 18.1. α1 = ⎢0⎥ , α 2 = ⎢2⎥ , α 3 = ⎢3⎥
vectorial. ⎢⎣0⎥⎦ ⎢⎣0⎥⎦ ⎢⎣3⎥⎦

10. Utilizando independencia y dependencia lineal determine si las ⎡ 3⎤ ⎡ 2⎤ ⎡1 ⎤

siguientes matrices son no singulares: ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
18.2. α1 = ⎢ 1⎥ , α 2 = ⎢5⎥ , α 3 = ⎢4⎥
⎢⎣− 4⎥⎦ ⎢⎣6⎥⎦ ⎢⎣8 ⎥⎦
⎡3 0 0⎤ ⎡3 0 −1⎤ ⎡ 7 1 2⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎡ 2⎤ ⎡ 4⎤ ⎡ 0⎤
A = ⎢0 1 1⎥ B = ⎢0 1 1 ⎥ C = ⎢ −1 7 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣2 0 1⎥⎦ ⎢⎣1 0 1⎥⎦ ⎢⎣ 1 −1 6⎥⎦ 18.3. α1 = ⎢ − 3 ⎥ , α 2 = ⎢1 ⎥ , α 3 = ⎢− 7 ⎥
⎢⎣ 1 ⎥⎦ ⎢⎣1 ⎥⎦ ⎢⎣ 1⎥⎦
⎡1 0 1 2⎤ ⎡1 0 0 −1 ⎤
⎡ 2 2 −6 ⎤ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ 1 5 2 − 1 1 2 2 0⎥ ⎡1 ⎤ ⎡ 2⎤ ⎡ −1 ⎤
D=⎢ 2 −1 3⎥ E = ⎢ ⎥ F= ⎢ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1 2 5 − 1⎥ ⎢0 0 1 1⎥ 18.4. α1 = ⎢6⎥ , α 2 = ⎢ 4⎥ , α 3 = ⎢ 2⎥
⎢⎣ − 2 −1 1⎥⎦ ⎢ ⎥ ⎢ ⎥ ⎢⎣4⎥⎦ ⎢⎣ − 1⎥⎦ ⎢⎣ 5⎥⎦
⎣⎢2 − 1 − 1 6⎦⎥ ⎣⎢2 0 1 −1 ⎦⎥

11. Sea P4 el espacio vectorial de los polinomios de grado a lo sumo 4 y p

un polinomio de grado 4. Determine si {p, p’, p’’, p(3), p(4)} es un
conjunto L.I. en P4.

169 170
 CAPÍTULO 4: ESPACIOS VECTORIALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

19. Demuestre que los siguientes conjuntos de vectores de ℜ3 generan el 24.3. Determine las coordenadas de p∈P3 tal que p(x) = 3x3 + 2x2 –
mismo subespacio: x – 1 con respecto a la base obtenida en el apartado anterior.

⎡ 1⎤ ⎡ 0⎤ ⎡ 1 ⎤ ⎡ 2⎤ 25. Sea W = {x2 – 4x – 3, 2x2 + x + 5, 8x – 11}. Determine si W es un

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ conjunto de generadores de los polinomios de grado a lo sumo 2.
S1 = { ⎢ 0⎥ , ⎢− 2⎥ } y S2 = { ⎢− 2⎥ , ⎢− 2⎥ }
⎢⎣ −1⎥⎦ ⎢⎣ 1 ⎥⎦ ⎢⎣ 0⎥⎦ ⎢⎣ − 1 ⎥⎦ 26. Sea S = {x3 – 3x2 + 1, 2x2 + x, 2x3 + 3x + 2, 4x – 5, x2 – 5x + 1,
x2 – 4}. Determine un subconjunto de S que sea una base del espacio
20. Determine una base y la dimensión del subespacio de matrices de generado por S.
orden 2x2 en K cuya traza es nula.
⎡ 3 0⎤ ⎡−1 0 ⎤ ⎡2 0 ⎤ ⎡6 0 ⎤
Determine una base y la dimensión del espacio solución de los ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
21. 27. Sea E = { ⎢− 1 7 ⎥ , ⎢ 1 3 ⎥ , ⎢3 1 ⎥ , ⎢0 1 ⎥ }. Determine una
siguientes SEL: ⎢⎣ 0 1 ⎥⎦ ⎢⎣ 0 − 2⎥⎦ ⎢⎣0 −1⎥⎦ ⎢⎣0 −1⎥⎦

⎧2X1 + X 2 + 3X 3 = 0 base de V = Mnxn(ℜ) que contenga a E.

⎪
21.1. ⎨ X1 + 2X 2 = 0
⎪ X + 2X = 0 ⎡1 4 ⎤ ⎡ 2 5 ⎤ ⎡ 1 7 ⎤ ⎡3 6 ⎤
⎩ 1 3 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
28. Sea E = { ⎢0 − 1⎥ , ⎢1 − 1⎥ , ⎢− 1 − 2⎥ , ⎢2 − 1⎥ }. Determine la
⎧3X1 + X 2 + X 3 + X 4 = 0 ⎢⎣2 2 ⎥⎦ ⎢⎣4 9 ⎥⎦ ⎢⎣ 2 − 3⎥⎦ ⎢⎣6 12 ⎥⎦
21.2. ⎨
⎩5X1 − X 2 + X 3 − X 4 = 0 dimensión del subespacio generado por E.

22. Determine la dimensión de cada uno de los siguientes subespacios: ⎡0⎤ ⎡ −2 ⎤

⎢ ⎥ ⎢ ⎥
29. Sea W = { ⎢1⎥ , ⎢ 0⎥ }.
⎡ X1 ⎤
⎢ ⎥ ⎢⎣1⎥⎦ ⎢⎣ 1⎥⎦
X
22.1. W1 = { ⎢ 2 ⎥ : X4 = 0}
⎢X 3 ⎥
⎢ ⎥ 29.1. Demuestre que W es L.I.
⎢⎣X 4 ⎥⎦ 29.2. Determine un vector α tal que W∪{α} sea L.I. ¿Este vector
es único?
⎡ X1 ⎤
⎢ ⎥ 29.3. Determine un vector α no nulo tal que W∪{α} sea L.D.
X
22.2. W2 = { ⎢ 2 ⎥ : X4 = X1 + X2, X3 = X1 – X2}
⎢X 3 ⎥ 30. Sean α1, α2, α3, α4 los siguientes vectores de ℜ4:
⎢ ⎥
⎣⎢X 4 ⎦⎥
⎡−2⎤ ⎡ 1⎤ ⎡ −1 ⎤ ⎡ 2⎤
22.3. W1 ∩ W2. ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1 − 2 2 2
α1 = ⎢ ⎥ , α 2 = ⎢ ⎥ , α 3 = ⎢ ⎥ , α 4 = ⎢ ⎥
⎢ 1⎥ ⎢ 1⎥ ⎢ 0⎥ ⎢ − 1⎥
⎡ X1 ⎤ ⎡ X1 ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎣⎢ − 1⎦⎥ ⎣⎢ − 3⎥⎦ ⎣⎢ 3⎥⎦ ⎣⎢ − 1⎥⎦
X X
23. Sean S1 = { ⎢ ⎥ : X1 + X2 + X3 = 0} y S2 = { ⎢ 2 ⎥ : X3 + X4 = 0}.
2
⎢X 3 ⎥ ⎢X 3 ⎥
⎢ ⎥ ⎢ ⎥ Determine una base y la dimensión de W1∩W2 siendo W1 el
⎢⎣X 4 ⎥⎦ ⎢⎣X 4 ⎥⎦ subespacio generado por α1 y α2 y W2 el subespacio generado por α3 y
α4.
23.1. Demuestre que S1 y S2 son subespacios vectoriales de ℜ4.
23.2. Hallar bases de S1, S2 y S1 ∩ S2. 31. Determine Espacio Nulo, Nulidad, Imagen, Rango, Espacio Fila y
Espacio Columna de las siguientes matrices:
24. Consideremos el espacio vectorial P2 de los polinomios de grado a lo
sumo 3 y p1, p2∈P2 tales que p1(x) = x2 + x – 1 y p2(x) = 2x2 – 4x + 1. ⎡1 −1 2⎤
31.1. A=⎢ ⎥
24.1. Demuestre que p1 y p2 son L.I. ⎣3 1 0⎦
24.2. Determine una base de P2 que contenga a p1 y p2.

171 172
 CAPÍTULO 4: ESPACIOS VECTORIALES

⎡ −1 2 1⎤
⎢ ⎥
31.2. B = ⎢ 2 − 4 − 2⎥
⎢⎣ − 3 6 3⎥⎦

⎡1 −1 2⎤
⎢ ⎥
31.3. C = ⎢3 1 4⎥
⎢⎣5 − 1 8 ⎥⎦
⎡ 1 −1 2 1⎤
⎢ ⎥
−1 0 1 2⎥
31.4. D=⎢
⎢ 1 −2 5 4⎥
⎢ ⎥
⎢⎣ 2 − 1 1 − 1 ⎥⎦
⎡ −1 −1 0 0⎤
⎢ ⎥
0 0 2 3⎥
31.5. E=⎢
⎢ 4 0 −2 1⎥
⎢ ⎥
⎣⎢ 3 −1 0 4⎦⎥

173