Capitulo2 - EspaciosVectoriales

Capítulo 2
Espacios vectoriales
Los espacios vectoriales son el requisito básico y esencial para un profunda comprensión de
la matemática aplicada moderna. Nociones como espacios de vectores ordinarios, espacios de
polinomios (o más generalmente de funciones), espacios de matrices, espacios de operadores
y un largo etc., se unifican en la idea de espacio vectorial con el fin de hacer un tratamiento
común. Es difícil pensar, por ejemplo, en alguna rama de la Física que no involucre, de una u
otra manera, el concepto de espacio vectorial. Pero no solo en Física se utilizan, sino en casi
todas las disciplinas relacionadas con las ciencias: economía, biología, ingeniería, informática,
etc.
Para entender el concepto de espacio vectorial el lector deberá recurrir frecuentemente

a motivaciones basadas en las n-uplas de Rn o, más concretamente, en los vectores de R3 ,
pero el objeto de estudio es un concepto abstracto, mucho más general, cuya comprensión y
manejo fluido es una de las finalidades principales de este curso. Naturalmente los ejemplos
que nos motivan serán una constante fuente de inspiración para encontrar las definiciones,
enunciados y demostraciones generales de nuestra teoría.
De manera imprecisa, la idea de espacio vectorial hace su aparición en aquellas situaciones

en que cada elemento de un cierto conjunto a estudiar se obtiene como combinación lineal
(que se puede entender como una “superposición") de otros que se denominan básicos. Ya
hemos presentado algunos ejemplos importantes, como las matrices y, en particular, las n-
uplas. Pero hay otros ejemplos, no tan conocidos, como conjuntos de funciones (tales como
polinómicas, trigonométricas, exponenciales) con los que también se opera de forma similar.
Un concepto fundamental que aparecerá reiteradamente durante este capítulo es el de

independencia lineal, cuya definición parece particularmente simple, pero cuya comprensión
en toda su riqueza merece una atención especial. Realizar muchos ejercicios con este nuevo
concepto y comprender bien como se utiliza en diversas demostraciones, es una recomenda-
ción que hacemos al lector.
2.1. Definición. Operaciones con vectores
Antes de proporcionar una definición formal de espacio vectorial debemos conocer la de-
finición abstracta de dos estructuras algebraicas básicas, como son grupo abeliano y cuerpo.
53
54 1o de Ingeniería Industrial. Álgebra. Ángel Giménez
Definición 2.1 Sea G un conjunto y ∗ una operación binaria interna en G. Se dice

que el par (G, ∗) es un grupo si:
(g1) ∗ es asociativa.
(g2) Existe elemento neutro, esto es, existe e ∈ G tal que g ∗ e = e ∗ g = g.
(g3) Todo elemento es inversible.
Si además ∗ es conmutativa diremos que G es un grupo abeliano.
Ejemplos
1. (Rn , +) es un grupo abeliano.
2. (R, ·) no es un grupo, puesto que el 0 no admite inverso. Pero (R \ {0}, ·) si lo es.
3. El espacio de los vectores columna (Rn×1 , +) es un grupo abeliano.
4. (Rn×n , ·) no es un grupo, con la suma si lo es.
5. El conjunto de las matrices cuadradas regulares GL(n, R) de dimensión n con el producto usual de
matrices si tiene estructura de grupo. Se denomina grupo general lineal.
A continuación definimos una estructura algebraica donde interviene dos operaciones.
Definición 2.2 Sea K un conjunto sobre el que tenemos definidas dos operaciones
+ y ·. Diremos que la terna (K, +, ·) es un cuerpo si:
(c1) (K, +) es un grupo abeliano.
(c2) (K \ {0}, ·) es un grupo abeliano.
(c3) Verifica la propiedad distributiva:
a · (b + c) = a · b + a · c, a, b, c ∈ K.
Ejemplo 2.1 (R, +, ·) es un cuerpo.
(C, +, ·) es un cuerpo.
Un espacio vectorial es una formulación abstracta de las propiedades esenciales del espacio
euclídeo Rn . Dicho de otra manera, se trata de obtener una selección minimal de propiedades
sencillas de Rn a partir de las cuales se deduzcan todas las demás. Estas propiedades nos
siven como punto de partida (axiomas) para presentar nuestra definición abstracta.
Capítulo 2.- Espacios Vectoriales 55
Definición 2.3 Sea (K, +, ·) un cuerpo, (V, +) un grupo abeliano y · : K × V → V

una operación binaria externa. Diremos que V es un espacio vectorial sobre K (o
un K-espacio vectorial) si la operación externa verifica las siguientes propiedades:
(1) λ · (u + v) = λ · u + λ · v,
(2) (λ + µ) · v = λ · v + µ · v,
(3) (λµ) · v = λ(µ · v),
(4) 1 · v = v,
para todo λ, µ ∈ K y u, v ∈ V . Los elementos de K se llaman escalares y los elementos

de V se llaman vectores.
Observación 2.4 La suma de escalares (suma dentro de K) se escribió con el símbolo

+, pero no hay que confundirla con la suma dentro de V (como grupo abeliano) que se
representa también con el símbolo +. De igual forma no debemos confundir el producto del
cuerpo y con el producto como operación binaria externa, que se denotan ambos con un
punto.
Observación 2.5 A los espacios vectoriales sobre R se los llamará espacios vectoriales
reales, o R-espacios vectoriales. A los espacios vectoriales sobre C, espacios vectoriales com-
plejos, o C-espacios vectoriales. A veces, por abuso de lenguaje los espacios vectoriales se
indican por el conjunto de vectores V , sobreentendiendo el cuerpo K y las operaciones + y ·.
Proposición 2.6 (Propiedades inmediatas) Sea V un K-espacio vectorial, sean

u, v, w vectores de V y λ ∈ K, entonces:
(a) El neutro es único.
(b) Para cada vector v ∈ V su opuesto −v es único.
(c) si u + v = u + w entonces v = w.
(d) λ · 0 = 0.
(e) 0 · v = 0.
(f ) (−1) · v = −v.
(g) si λ · v = 0 entonces λ = 0 ó v = 0.
Observación 2.7 Se denota por u − v a la suma u + (−v) con u, v ∈ V .

Ejemplo 2.2 V es el conjunto de ternas ordenadas de números reales V = R3 y K = R y definimos las

operaciones + y · como sigue:
def
suma: (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ).
def
producto: λ · (x, y, z) = (λ · x, λ · y, λ · z)
para todo λ ∈ R y todas las ternas de R3 .
def
El símbolo = quiere decir que el miembro de la izquierda esta siendo definido mediante
la expresión de la derecha. También se suele denotar por :=.
Ejemplo 2.3 Sea V = Rn , cuyos elementos pueden ser vistos como n-uplas (x1 , . . . , xn ), donde cada xi ∈ R.
V junto con la suma coordenada a coordenada y el producto por escalares es un R-espacio vectorial. Podemos
generalizar este espacio vectorial a Kn , siendo K un cuerpo cualquiera (por ejemplo C).
Ejemplo 2.4 Si V = C y K = R, y las operaciones se definen en forma análoga al ejemplo anterior, resulta
C adquiere estructura de espacio vectorial real distinto al espacio vectorial C sobre C.
Ejemplo 2.5 El conjunto de matrices sobre un cuerpo cualquiera K, esto es, V = Km×n , con la suma
de matrices y el producto por escalares ya conocido es un K-espacio vectorial. En particular las matrices
columna Kn×1 es un ejemplo muy importante.
Ejemplo 2.6 Sea V = K[x] (=conjunto de polinomios de cualquier grado sobre K) junto con la suma usual
de polinomios y el producto por escalares es un K-espacio vectorial.
Ejemplo 2.7 El conjunto de todas las funciones f : [a, b] → R, forma un R-espacio vectorial, con las
operaciones usuales de suma de funciones y producto de un número real por una función. Es decir:
def
suma: f + g = h donde h(x) = f (x) + g(x), ∀x ∈ [a, b].
def
producto: λ · f = k donde k(x) = λf (x) ∀ x ∈ [a, b] .
Observación 2.8 En todos los ejemplos anteriores, para verificar que efectivamente son
espacios vectoriales, hay que verificar que se cumplen todas las propiedades incluidas en la
Definición 2.3.
Cuando sobre un conjunto tenemos definida una estructura algebraica, es natural pregun-
tarse si existen subestructuras dentro de ella, esto es, si podemos encontrar subconjuntos de
elementos que, por sí solos, tengan también la estructura algebraica inicial. En el caso que
nos ocupa, partimos de un espacio vectorial, y consideramos un subconjunto de vectores.
Evidentemente, este subconjunto hereda las operaciones definidas en el espacio vectorial am-
biente pero, en general, no tienen por qué ser operaciones binarias en el propio subconjunto,
ya que si sumamos dos elementos, el vector resultante podría no estar en el subconjunto.
Pensemos en R2 , y consideremos el subconjunto S formado por los vectores que están en el
eje de abcisas o en el eje de ordenadas. Los vectores (1, 0) y (0, 1) están en S, pero su suma
(1, 1) no está en S, por tanto, la operación suma no estaría definida dentro de S. Los mismo
puede ocurrir con la operacion binaria externa de multiplicación por escalares.
Definición 2.9 Sea V un K-espacio vectorial y W 6= ∅ un subconjunto de V . Diremos

que W es un subespacio vectorial de V si se verifican las siguientes condiciones:
(a) si u, w ∈ W entonces u + w ∈ W .
(b) si λ ∈ K y w ∈ W , entonces λw ∈ W .
Es decir, un subespacio de un espacio vectorial es un conjunto no vacío y “cerrado" frente

a la suma y al producto de escalares por vectores. Una comprobación inmediata certifica
que, en las condiciones de la definición anterior, el subespacio vectorial (con las operaciones
suma y producto externo que le caen del espacio ambiente) verifica los axiomas de espacio
vectorial.
Observación 2.10 Si W es un subespacio, entonces 0 ∈ W . En efecto como W 6= ∅ entonces

existe w ∈ W . Además, como W es cerrado para la multiplicación por escalares tenemos que
λw ∈ W para todo λ ∈ K, en particular 0.w = 0 ∈ W .
Ejemplo 2.8 Los primeros ejemplos y los más sencillos, de subespacio vectorial, son los llamados subespacios
triviales. Uno de ellos es W = {0} (conjunto formado por un único elemento, el vector nulo). El otro
subespacio trivial es W = V . En ambos casos, W es subespacio vectorial de V .
Ejemplo 2.9 Sea Π un plano del espacio que pasa por el origen.
Π = {(x, y, z) ∈ R3 : ax + by + cz = 0}.
Entonces Π es un subespacio de R3 En efecto Π 6= ∅, pues 0 = (0, 0, 0) ∈ Π y es cerrado para las operaciones.

Sean v1 = (x1 , y1 , z1 ) y v2 = (x2 , y2 , z2 ) dos puntos de Π y λ un escalar cualquiera. Verifiquemos primero
que la suma es cerrada
v1 + v2 = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) = v
y v ∈ Π. Para ver que el elemento v pertenece al conjunto Π es necesario verificar que v cumple la condición
lógica de pertenencia, esto es, sus coordenadas deben verificar la ecuación ax + by + cz = 0
=0, pues v1 ∈Π =0, pues v2 ∈Π
z }| { z }| {
a(x1 + x2 ) + b(y1 + y2 ) + c(z1 + z2 ) = ax1 + by1 + cz1 + ax2 + by2 + cz2 = 0
Veamos ahora que Π es cerrado para la multiplicación por escalares.
λv1 = λ(x1 , y1 , z1 ) = (λx1 , λy1 , λz1 ) = v 0
y v 0 ∈ Π pues
=0, pues v1 ∈Π
z }| {
a(λx1 ) + b(λy2 ) + c(λz1 ) = λ ax1 + by1 + cz1 = 0
Si en cambio se considera un plano Π que no pase por el origen entonces su ecuación será ax + by + cz = d
con d 6= 0. Obsérvese que Π 6= ∅ pero 0 ∈/ Π en consecuencia no es un subespacio. Es además fácil ver que
no es cerrado para las operaciones, ya que si v1 y v2 son dos puntos de Π su suma v = v1 + v2 en general no
pertenece a Π. Compruebe el lector esto analíticamente.
Ejemplo 2.10 Sea r una recta que pasa por el origen entonces r es un subespacio vectorial de R3 .
r = {(x, y, z) ∈ R3 : ax + by + cz = 0; a0 x + b0 y + c0 z = 0}
Obsérvese que (x, y, z) ∈ r si y solo si

 
! x !
a b c 0
 y = (2.1)
 
a0 b0 c0 0
z
Sean v1 = (x1 , y1 , z1 ) y v2 = (x2 , y2 , z2 ) dos puntos de r y λ ∈ R entonces v = v1 + v2 pertenece a r, para

verificar esto veremos que las coordenadas de v = (x1 + x2 , y1 + y2 , z1 + z2 ) verifican la condición 2.1
     
! x1 + x2 ! x1 x2
a b c  a b c 
 y1 + y2  =  y1  +  y2  =
   
0
a b c 0 0 a0 b0 c0
z 1 + z2 z1 z2
   
! x1 ! x2 !
a b c  a b c  0
=  y1  +  y2  =
 
a0 b0 c0 a0 b0 c0 0
z1 z2
| {z } | {z }
=( 0
0 ), pues v 1 ∈r = ( 0 ), pues v2 ∈r
0
El lector verificara que λv1 = v 0 ∈ r.
Es claro que para verificar que v1 + v2 pertenece a r sólo tuvimos que usar la propiedad distributiva del
producto de matrices.
Ejercicio 2.1 Sea A ∈ Rm×n , probar que:
(a) Ker(A) es un subespacio vectorial de Rn×1 .
(b) Im(A) es un subespacio vectorial de Rm×1 .
Observación 2.11 Obsérvese que Rn se puede identificar con Rn×1 . Mediante esta identi-
ficación es correcto afirmar que los subespacios de Rn son exactamente conjuntos solución
de los sistemas homogéneos de ecuaciones que, a su vez, son el núcleo de la matriz formada
por los coeficientes del sistema. Así pues, desde un punto de vista más geométrico es natural
pensar esquemáticamente los subespacios de Rn (o de Rn×1 ) como la generalización de los
planos y rectas por el origen de E.
Definición 2.12 En Rn un hiperplano H es el subespacio dado por la siguiente

ecuación
H = {(x1 , x2 , . . . , xn ) ∈ Rn : a1 x1 + a2 x2 + · · · + an xn = 0} ,
para ciertos escalares a1 , a2 , . . . , an ∈ R. Un conjunto S ⊂ Rn es un subespacio de

dimensión k si es la intersección de (n − k) hiperplanos independientes.
Por ejemplo, una recta en R3 es la intersección de dos planos independientes (no coinci-
dentes). La intesección de dos hiperplanos independientes de dimensión 3 en R4 dan lugar a
un plano de R4 . ¿Cuántos hiperplanos de R4 se necesitan para obtener una recta?
Veamos más ejemplos de subespacios vectoriales en otros contextos.
Ejemplo 2.11 Sea K[x] el espacio vectorial de los polinomios sobre K, y Kn [x] el subconjunto de los polinomios
de grado menor o igual que n. Entonces Kn [x] es un subespacio vectorial de K[x]. Nótese que si consideramos
sólo el conjunto de polinomios de grado exactamente n con n ≥ 1 no constituyen subespacio de K[x] pues el
polinomio nulo tiene grado 0.
Ejemplo 2.12 El subconjunto de las matrices simétricas
W = A ∈ Rn×n : A = AT

es un subespacio vectorial de Rn×n .
Ejemplo 2.13 Sea V el espacio vectorial del ejemplo 2.7, y sea C[a, b] el conjunto de las funciones f que
son continuas, siendo f : [a, b] → R. Entonces C[a, b] es un subespacio de V . Recuérdese que la suma de
funciones continuas es una función continua, así como también lo es el producto de una función continua por
un escalar.
Ejercicio Básico 2.2 Decidir si los siguientes subconjuntos de R3 tienen o no estructura

de subespacio vectorial, justificando en cada caso la respuesta.
(a) A = {(x, y, z) ∈ R3 : 2x + 3y − z = 0}
(b) B = {(x, y, z) ∈ R3 : x2 − y + 3z = 0}
(c) C = {(x, y, z) ∈ R3 : x2 + y 2 + z 2 = 1; x < 1}
(d) D = {(x, y, z) ∈ R3 : x 6= y; y 6= z; x 6= z}
(e) E = {(x, y, z) ∈ R3 : ex+2y−z = 1}
(f ) F = {(x, y, z) ∈ R3 : (x − y)2 = 1; (z + x)2 = 9}
Ejercicio Básico 2.3 Consideremos el espacio tridimensional R3 los siguientes subconjun-

tos:
U = {(α, β, 0) : α, β ∈ R} .
W = {(α, β, 1) : α, β ∈ R} .
¿Son subespacios vectoriales?
Ejercicio Básico 2.4 Denotemos por R[x] := {a0 + a1 x + · · · + an xn / ai ∈ R, 0 ≤ i ≤ n, n ∈ N}

el conjunto de todos los polinomios con coeficientes reales. Comprobar si los siguientes
conjuntos son o no subespacios vectoriales de R[x].
(a) R[x].
(b) S = {p(x) ∈ R[x] / grado(p(x)) ≤ 3}.
(c) T = {p(x) ∈ R[x] / grado(p(x)) ≥ 3}.
(d) H = {a0 + a1 x + · · · + an xn ∈ R[x] / a0 + a1 + · · · + an = 1}.
Ejercicio Básico 2.5 Consideremos el subconjunto de Rn×n formado por las matrices
antisimétricas
W = A ∈ Rn×n : A = −AT .

¿Es W un subespacio vectorial de Rn×n ?
2.2. Dependencia e independencia lineal. Clausura lineal
Ya hemos indicado que, en general, un subconjunto de un espacio vectorial no es subes-

pacio vectorial. Pero, ¿cuál es el subespacio vectorial más pequeño que contiene a un sub-
conjunto dado? También nos podemos hacer otra pregunta un poquito más tortuosa: dado
un espacio vectorial V , ¿qué subconjuntos de V verifican que el subespacio vectorial que res-
ponde a la primera pregunta (respecto de estos subconjuntos) es el espacio vectorial total
V ? En este epígrafe tratamos de proporcionar respuestas a estas preguntas e introducimos
dos conceptos fundamentales relacionados, a saber, dependencia e independencia lineal.
Definición 2.13 Sea V un K-espacio vectorial y U 6= ∅ un subconjunto de V . Se

dice que v es una combinación lineal de elementos de U si es de la forma
v = λ1 u1 + λ2 u2 + · · · + λn un , λi ∈ K, ui ∈ U 1 ≤ i ≤ n.
Denotemos por L[U] el conjunto de todas las combinaciones lineales de U, esto es,
L[U] = {v ∈ V : v = λ1 u1 + λ2 u2 + · · · + λn un , λi ∈ K, ui ∈ U, 1 ≤ i ≤ n} .
Proposición 2.14 Sea V un K-espacio vectorial y U 6= ∅ un subconjunto de V .

Entonces L[U] es el menor subespacio vectorial que contiene a U.
Es decir, el menor subespacio vectorial que contiene un subconjunto dado es el subespacio

formado por todas las combinaciones lineales de sus elementos. La Proposición 2.14 permite
construir subespacios vectoriales.
Definición 2.15 (Subespacio generado) Se dice que L[U] es el subespacio vec-

torial generado por U. También se denomina clausura lineal o envolvente lineal
de U.
Para clarificar la idea, valga como ejemplo el espacio de los vectores en R3 . Si consideramos
un vector cualquiera de R3 como subconjunto (en este caso de un solo elemento), entonces el
subespacio generado es una recta que pasa por el origen en la dirección del vector prefijado.
Si fijamos dos vectores no colineales, entonces el subespacio generado por estos dos vectores
es un plano de R3 pasando por el origen.
Definición 2.16 (Sistema generador) Sea V un espacio vectorial y G ⊂ V un

subconjunto de V . Decimos que G es un sistema generador de V si L[G] = V . Es
decir, si cualquier elemento de V es combinación lineal de de elementos de G.
Ejemplo 2.14 Sea V = R3 y G = {(1, 0, 0), (0, 1, 0)} ¿ Es G conjunto generador de V ? Sea v = (a, b, c) ∈ R3
un vector cualquiera de R3 para que G genere a R3 debemos poder escribir v como combinación lineal de
elementos de G para cualesquiera a, b y c. Sea λ1 y λ2 reales tales que
(a, b, c) = λ1 (1, 0, 0) + λ2 (0, 1, 0),
si, y solo si, el sistema de ecuaciones    

1 0 ! a
 λ1
0 1 = b
  
λ2
0 0 c
es compatible para todo a, b, c ∈ R. Pero esta condición es equivalente a afirmar que la Im(G) = R3×1 , siendo
G la matriz  
1 0
G = 0 1 .
 
0 0
Las ecuaciones cartesianas de la imagen de G son c = 0, por tanto el conjunto G no genera R3 .
Ejemplo 2.15 Sea V = R3 y W = {(x, y, z) ∈ R3 : z = 0}, vamos a determinar un conjunto generador

de W . Cuando tenemos las ecuaciones cartesianas de un subespacio, lo más práctico es, en primer lugar,
obtener las parámetricas. En este caso las parámetricas son inmediatas: x = α; y = β; z = 0. Por tanto un
vector (x, y, z) que esté en W es de la forma:
(x, y, z) = (α, β, 0) = α(1, 0, 0) + β(0, 1, 0).
De las identidades anteriores se deduce inmediatamente que el conjunto G = {(1, 0, 0), (0, 1, 0)} es un sistema
generador de W , ya que todo elemento de W se puede poner como combinación lineal de ellos.
Ejemplo 2.16 Sea V = R2×2 y W = {A ∈ R2×2 : A = AT } ⊂ R2×2 el subespacio ! de las matrices simétricas
a b
2 × 2. Determinemos un generador. Para ello observemos que A = ∈ W si y solo si b = c (ecuación
c d
cartesiana). Al igual que en el Ejemplo 2.15, una vez conocida la ecuación cartesana, podemos encontrar las
ecuaciones paramétricas, que en este caso son:
a = α; b = c = β; d = γ,
entonces, si A ∈ W
! !
a b α β
A= =
c d β γ
! ! !
α 0 0 β 0 0
= + +
0 0 β 0 0 γ
! ! !
1 0 0 1 0 0
=α +β +γ
0 0 1 0 0 1
( ! ! !)
1 0 0 1 0 0
Entonces G = , , genera W
0 0 1 0 0 1
Ejemplo 2.17 Sea V = R2 [x] y consideremos
W = {p ∈ R2 [x] : p tiene término independiente nulo}.
Entonces, sea p tal que p(x) = ax2 + bx + c, es claro que p ∈ W si y solo si c = 0 (ecuación cartesiana). Las
ecuaciones paramétricas son
a = α; b = β; c = 0.
Por tanto, si p ∈ W entonces

p(x) = αx2 + βx.
Consideremos pi ∈ R2 [x] tal que pi (x) = xi , con i = 1, 2, entonces p = αp2 + βp1 , esto es, G = {p2 , p1 } genera
W.
Observación 2.17 En estos ejemplos hemos utilizado las ecuaciones cartesianas y paramé-
tricas de un subespacio a un nivel práctico, pero de forma un tanto pedestre. Para entender
con fundamento el significado teórico de las ecuaciones cartesianas y paramétricas de un
subespacio vectorial debemos esperar hasta el epígrafe 2.4.
Ejercicio Básico 2.6 (a) Probar que el vector (−1, 2, 3) pertenece al subespacio de R3
generado por los vectores {u1 = (2, −1, 2), u2 = (5, −4, 1)}.
(b) ¿Está el vector u = (3, 0, −1, −2) en el subespacio generado por
U = {(1, 2, 0, 1), (0, −1, 3, 0), (2, 0, 1, −1)}

Proposición 2.18 Sea V un K-espacio vectorial y v1 , . . . , vp elementos de V . En-

tonces son equivalentes:
(i) Uno de los vi es combinación lineal del resto.
(ii) Existen escalares λ1 , . . . , λp ∈ K no todos nulos tales que
λ1 v1 + λ2 v2 + · · · + λp vp = 0.
Definición 2.19 Si se verifica las condiciones equivalentes de la proposición ante-

rior se dice que el conjunto {v1 , . . . , vp } es linealmente dependiente (o un sistema
ligado). En caso contrario, se dice que es linealmente independiente (o un sis-
tema libre). Así pues, {v1 , v2 , . . . , vp } es linealmente independiente si, y sólo si, los
únicos escalares λ1 , . . . , λp tales que
λ1 v1 + λ2 v2 + · · · + λp vp = 0,
son λ1 = λ2 = · · · = λp = 0.
Es decir, un conjunto es L.I. cuando la única combinación lineal de sus elementos que da
el cero es la trivial, esto es, aquella que tiene todos los coeficientes nulos. Por el contrario
es L.D. si existe alguna combinación no trivial (algún coeficiente distinto de cero) de sus
elementos que resulte nula.
Ejemplo 2.18 Sea V un espacio vectorial. Un conjunto formado por un solo vector v es linealmente depen-
diente si v = 0 y linealmente independiente si v 6= 0.

Ejemplo 2.19 Sean v1 , v2 , . . . , vp elementos de un espacio vectorial V , entonces 0, v1 , v2 , ...., vp es lineal-
mente dependiente.
Ejemplo 2.20 Sea V = R2×2 y

( ! ! !)
1 0 0 1 0 0
A= , ,
0 0 1 0 0 1
entonces A es L.I. En efecto sean λ1 , λ2 , λ3 reales tales que

! ! ! !
1 0 0 1 0 0 0 0
λ1 + λ2 + λ3 = si, y sólo si,
0 0 1 0 0 1 0 0

 λ1 = 0
! ! 
λ1 λ2 0 0
si, y sólo si, = si, y sólo si, λ2 = 0
λ2 λ3 0 0 
λ3 = 0

entonces A es L.I.
Ejemplo 2.21 Sea A = {q1 , q2 , q3 , q4 } ⊂ R2 [x] donde
q1 (x) = x + 1, q2 (x) = x2 + x − 1, q3 (x) = x2 + 2x q4 (x) = x2 − 2,
investiguemos la dependencia lineal de A. Sean λ1 , λ2 , λ3 , λ4 reales tales que
λ1 q1 + λ2 q2 + λ3 q3 + λ4 q4 = 0 si, y sólo si, (2.2)

λ1 q1 (x) + λ2 q2 (x) + λ3 q3 (x) + λ4 q4 (x) = 0, ∀x ∈ R si, y sólo si,
λ1 (x + 1) + λ2 (x2 + x − 1) + λ3 (x2 + 2x) + λ4 (x2 − 2) = 0, ∀x ∈ R si, y sólo si,
(λ2 + λ3 + λ4 )x2 + (λ1 + λ2 + 2λ3 )x + (λ1 − λ2 − 2λ4 ) = 0, ∀x ∈ R
de donde utilizando el teorema de identidad de polinomios1 se deduce que (2.2) se cumple si y solo si λ1 ,λ2 ,
λ3 y λ4 verifican el sistema homogéneo:

 λ2 + λ3 + λ4 = 0

(S) λ1 + λ2 + 2λ3 = 0 .

λ1 − λ2 − 2λ4 = 0

Si escalonamos y resolvemos el sistema (S) se deduce que es un sistema compatible indeterminado y que
Sol(S) = (λ1 , λ2 , λ3 , λ4 ) ∈ R4 : λ3 = α, λ4 = β, λ1 = β − α, λ2 = −(α + β), α, β ∈ R

Por lo tanto (S) admite soluciones no triviales y, consecuentemente, también (2.2), lo que implica que A es
L.D. Observemos también que sustituyendo la solución obtenida en (2.2) se tiene que para todo α y β de R
(β − α)q1 − (α + β)q2 + αq3 + βq4 = 0,
entonces poniendo α = 0 y β = 1 obtenemos q4 = −q1 + q2 . Esto es, un vector de A resultó combinación

lineal de los restantes.
Ejercicio 2.7 Sea V un espacio vectorial sobre R. Dados los vectores {u1 , u2 , u3 , u4 } de V ,
estudiar la dependencia lineal entre ellos en los siguientes casos:
(a) V = R4 , u1 = (2, 4, −4, 2), u2 = (2, 5, 1, 0), u3 = (3, 8, −3, 2), u4 = (8, 22, 0, 2).
! ! ! !
2×2 1 2 −1 1 2 1 4 −1
(b) V = R , u1 = , u2 = , u3 = , u4 = .
−2 −1 2 2 −1 4 −5 0
Solución.-
(a) αu1 − 2αu2 − 2αu3 + αu4 = 0 para todo α ∈ R.
(b) 2αu2 − αu3 + αu4 = 0 para todo α ∈ R.
1
Recordamos al lector el enunciado de este resultado: dos polinomios de coeficientes reales o complejos son
iguales si y solo si los coeficientes de las potencias respectivas son iguales
Observación 2.20 Las definiciones L.I. y L.D. se dieron para conjuntos finitos {v1 , . . . , vp },
pero son aplicables también a conjuntos con una cantidad infinita de vectores en un espacio
vectorial. Si A ⊂ V es un subconjunto infinito, decimos que A es L.I. cuando cualquier
subconjunto finito de A es L.I. Decimos que A es L.D. cuando no es L.I. (es decir, cuando
algún subconjunto finito de A es L.D.).
Ejemplo 2.22 Sea V = R[x] el espacio vectorial de todos los polinomios de una variable x con coeficientes
reales y sea A = {pi ∈ R[x] : i ∈ N} donde pi (x) = xi . Entonces A es un conjunto L.I. con infinitos elementos,
pues cualquier subconjunto B ⊂ A finito que consideremos contiene una cantidad finita de polinomios de
diferentes grados lo cual implica que B es L.I.
2.2.1. Rango de una matriz e independencia lineal
Para cerrar este epígrafe revisemos un importante resultado que relaciona el rango de
una matriz con la independencia lineal de los vectores columna (o fila) que la forman.
Recordemos que los vectores columna (y fila) tienen estructura de espacio vectorial, por
tanto es coherente hablar de su dependencia o independencia lineal.
Teorema 2.21 Sea A una matriz de tamaño m × n. Son equivalentes:
(i) El rango de A es r.
(ii) El tamaño de la mayor submatriz regular de A es r.
(iii) El número máximo de columnas linealmente independientes de A es r.
(iv) El número máximo de filas linealmente independientes de A es r.
2.3. Base de un espacio vectorial. Dimensión
Una base de un espacio vectorial es un cojunto de vectores minimal (de menor número)
que genera todo el espacio vectorial. Su utilidad radica en el hecho de que cualquier vector
del espacio vectorial se puede expresar como una combinación lineal de la base, lo que nos
permite “etiquetar" el vector con los coeficientes de dicha combinación. De aquí emana la
idea de coordenadas de un vector respecto de una base.
Definición 2.22 (Base de un espacio vectorial) Sea V un K-espacio vectorial

y B un subconjunto de V . Decimos que B es base de V si es sistema generador y
linealmente independiente.
Observación 2.23 Sea V un K-espacio vectorial y W ⊂ V un subespacio de V . Sabemos

que entonces W es (por sí solo) un K-espacio vectorial donde la suma + y el producto por
escalares · son las operaciones que hereda de V . Una base del subespacio W es una base
de W como K-espacio vectorial.
Definición 2.24 Diremos que un K-espacio vectorial V es de dimensión finita

si existe un sistema generador G de V con un número finito de elementos. En otro
caso diremos que V es de dimensión infinita.
Observación 2.25 En adelante, y mientras no se diga otra cosa, sólo trataremos los
resultados teóricos de espacios vectoriales de dimensión finita. Debemos añadir que la gran
mayoría de resultados teóricos que aquí presentamos son ciertos también en el caso de
dimensión infinita.
Proposición 2.26 Sea V un espacio vectorial. Entonces:
(a) Si U = {u1 , . . . , uk } es un conjunto de vectores linealmente independiente de V y

u 6= 0 un vector de V que no está en L[U], entonces el cojunto Ū = {u1 , . . . , uk , u}
es también linealmente independiente.
(b) Si G = {v1 , . . . , vm } es sistema generador de V y vm es combinación lineal de los

demás, entonces {v1 , . . . , vm−1 } es también sistema generador.
Utilizando este resultado previo se puede probar uno de los resultados fundamentales de
los espacios vectoriales, que viene a decir que cualquier espacio vectorial de dimensión finita
admite una base y que todas las bases tienen el mismo número de elementos.
Teorema 2.27 Sea V 6= {0} un K-espacio vectorial de dimensión finita. Entonces:
(a) Si G es un conjunto generador finito, existe un subconjunto B de G que es base

de V . Como consecuencia, todo espacio vectorial de dimensión finita admite una
base.
(b) Si G = {v1 , . . . , vm } es un conjunto generador de V y {u1 , . . . , uk } son linealmente

independientes, entonces k ≤ m. En consecuencia, todas las bases de un espacio
vectorial V tienen el mismo número de elementos.
(c) Todo conjunto {u1 , . . . , uk } linealmente independiente se puede agrandar hasta

formar una base.
El Teorema 2.27 garantiza la consistencia de la siguiente definición.

Definición 2.28 (Dimensión de un espacio vectorial) Sea V un espacio vectorial

de dimensión finita. Se denomina dimensión de V al número de una cualquiera de
sus bases (obsérvese que en virtud del Teorema 2.27, el número de elementos de
una base es invariante). Denotamos la dimensión de V por dimK (V ).
Observación 2.29
Si V = {0}, se conviene en decir que V tiene dimensión 0.
Naturalmente si W ⊂ V es un subespacio vectorial del espacio V entonces su dimensión

es la dimensión de W como K-espacio vectorial. Esto es, el número de elementos de
una base de W .
Ejemplo 2.23 (base canónica) Sea V = Rn . Entonces el conjunto
B0 = {(1, 0, 0, ..., 0) , (0, 1, 0, ..., 0) , (0, 0, 1, ..., 0) , ..., (0, 0, 0, ..., 1)}
es una base de V pues es L.I. y genera V (comprobarlo). El conjunto B0 se denomina base canónica de Rn
y, por tanto, dim(Rn ) = n. En general el i-esimo vector de la base canónica lo notaremos
i-esimo
lugar
↓
ei = (0, . . . , 0, 1, 0, . . . , 0)
De manera análoga B0 es tambien base de Cn como C-espacio vectorial. Por lo tanto dim(Cn ) = n. Ge-
neralización: Consideramos Kn como K-espacio vectorial. Es inmediato generalizar a este espacio la base
canónica.
Ejercicio Básico 2.8 Sea V = Cn visto como R-espacio vectorial.
(a) Verifíquese que

{(1, 0, ..., 0) , (0, 1, ..., 0) , ..., (0, 0, ..., 1)}
no es base.
Sugerencia: El vector (i, 0, ..., 0) donde i es la unidad imaginaria no es combinación lineal
del conjunto anterior.
(b) Verifíquese que
B = {(1, 0, . . . , 0), (i, 0, . . . , 0), (0, 1, . . . , 0), (0, i, . . . , 0), . . .

. . . , (0, 0, . . . , 1), (0, 0, . . . , i)}
es base de Cn como R-espacio vectorial.

Obsérvese que al cambiar el cuerpo, aunque no hayamos cambiado el conjunto de vectores,

la dimensión del espacio vectorial puede cambiar radicalmente. Es más, incluso hay ejemplos
en los cuales un espacio de dimensión finita puede transformarse en uno de dimensión infinita
cambiando sólo el cuerpo.
Ejemplo 2.24 (Base canónica de las matrices cuadradas) Sea V = R2×2 y

( ! ! ! !)
1 0 0 1 0 0 0 0
B0 = , , , ,
0 0 0 0 1 0 0 1
entonces B0 es una base de R2×2 , pues es un conjunto L.I. y S.G. (verifíquelo), y por consiguiente, la dimensión
es 4. ¿Como se generalizaría a una base de Rn×n ?
Ejemplo 2.25 (Base canónica de los polinomios de grado menor o igual a n) Sea V = Rn [x] y B0 =
{p0 , p1 , . . . , pn }, donde pi (x) = xi , con i = 0, . . . , n. Entonces B0 es L.I. (verificarlo) y además si p ∈ Rn [x]
es un polinomio cualquiera de grado menor o igual a n tal que p(x) = an xn + · · · + a1 x + ao entonces
p = a0 p0 + a1 p1 + · · · + an pn ,
esto es, B0 genera Rn [x] y en consecuencia B es base de Rn [x].
Ejemplo 2.26 Sea W = {(x, y, z) : 2x − y + z = 0} deseamos determinar una base de W . Para esto
comencemos hallando un generador. Observemos que v ∈ W si y solo si existen α y β reales tales que
v = (α, β, β − 2α) = (α, 0, −2α) + (0, β, β) = α(1, 0, −2) + β(0, 1, 1).
Así pues, B = {(1, 0, −2), (0, 1, 1)} ⊂ W genera W . Además es fácil ver (hacerlo) que B es L.I. y por lo tanto
es un base de W .
Ejemplo 2.27 Sea V = R2×2 y W = {A ∈ R2×2 : A = AT } hemos visto en el Ejemplo 2.16 que el conjunto
( ! ! !)
1 0 0 1 0 0
G= , , genera W
0 0 1 0 0 1
y de lo visto en el Ejemplo 2.20 se sabe que G es L.I. por lo tanto G es base de W .
El siguiente resultado es particularmente útil cuando se desea encontrar una base de un

espacio del cual se conoce la dimensión, de hecho en este caso solo es necesario chequear
la cantidad de vectores del conjunto candidato y, o bien su independencia lineal, o bien si
forman o no un sistema generador.
Corolario 2.30 Sea V un espacio vectorial de dimensión n. Se cumplen las siguien-

tes afirmaciones:
(a) Todo conjunto de n vectores linealmente independiente es base.
(b) Todo conjunto de n vectores que genera a V es base.

Ejemplo 2.28 Sea B = {(1, 0, 1, 0), (−1, 0, 1, 0), (0, 1, 0, 1), (0, −1, 0, 1)} ⊂ R4 . Es fácil de verificar que B es
L.I., entoces como dim(R4 ) = 4 entonces B es base de R4 .
Ejemplo 2.29 Sea W = L[(1, 1, 1), (2, 1, 0), (−1, 0, 1)], vamos a hallar una base de W y determinar su
dimensión. Para esto comenzamos por encontrar un generador, lo cual obviamente es inmediato, ya que el
conjunto
G = {(1, 1, 1), (2, 1, 0), (−1, 0, 1)}
es por definición un generador de W . Como desconocemos la dimensión del subespacio, no podemos aplicar el
Corolario 2.30 y debemos estudiar si G es o no L.I. Es fácil ver que G es L.D. pues (1, 1, 1)−(2, 1, 0) = (−1, 0, 1),
entonces G no es base. El Teorema 2.27 afirma que existe B ⊂ G que si lo es. Como el vector (−1, 0, 1) es
combinación lineal de los restantes elementos entonces lo podemos eliminar de G y nos quedamos con el resto.
Finalmente, podemos comprobar que B = {(1, 1, 1), (2, 1, 0)} es L.I., y en consecuencia B es base de W , lo
que implica que dim(W ) = 2. En este caso hemos obtenido la dependencia lineal de forma directa, pero no
siempre podrá ser así. Se deja como ejercicio comprobar que la dependencia lineal general entre los vectores
de G es
−αv1 + αv2 + αv3 = 0, α ∈ R,
siendo v1 = (1, 1, 1), v2 = (2, 1, 0) y v3 = (−1, 0, 1).
Ejemplo 2.30 Sea G = {q1 , q2 , q3 , q4 } donde q1 (x) = x+1, q2 (x) = x2 +x−1, q3 (x) = x2 +2x y q4 (x) = x2 −2.
Analizamos ahora el subespacio W = L[G] ⊂ R2 [x]. Queremos determinar la dimensión de W . Para eso
encontraremos una base del subespacio. G genera W pero por lo visto en el ejemplo 2.21 G es L.D., por lo
cual debe contener propiamente un subconjunto que sea base. Para determinar este subconjunto procedemos
como en la prueba del teorema 2.27 y determinemos un conjunto G 0 G tal que L[G 0 ] = L[G] eliminando de
G un vector que sea combinación de los restantes. Según el Ejemplo 2.21 la relación de dependencia viene
dada por
(β − α)q1 − (α + β)q2 + αq3 + βq4 = 0, α, β ∈ R,
luego para β = 1 y α = 0, q4 es combinación de q1 y q2 y, en consecuencia, podemos tomar G 0 = {q1 , q2 , q3 }.

El conjunto G 0 es también L.D. y la dependencia lineal viene dada por la ecuación
−αq1 − αq2 + αq3 = 0, α ∈ R.
Tomando α = 1, obtenemos q3 = q1 + q2 , así pues podemos eliminar q3 y obtenemos que B = {q1 , q2 } genera
W y como el lector puede comprobar, B es L.I. y por lo tanto una base de W . Entonces dim(W ) = 2.
2.3.1. Coordenadas de un vector respecto de una base
La idea central de esta sección es que, fijada una base de un espacio vectorial, a cada
vector del espacio le corresponde una única n-upla ordenada (que nosotros la consideraremos
como un vector columna) de elementos del cuerpo que denominaremos coordenadas del
vector. Esta correspondencia permite unificar el tratamiento de los vectores de cualquier
espacio vectorial por medio de coordenadas. Lo que se consigue es uniformar a un solo
lenguaje (formado exclusivamente mediante vectores columna) el tratamiento de los vectores
de cualquier espacio vectorial abstracto. En la práctica es habitual, en primer lugar, traducir
nuestro problema al lenguaje de coordenadas y resolverlo trabajando en ese contexto y,
finalmente, realizar la traducción inversa de la solución obtenida en coordenadas al lenguaje

original del espacio vectorial que estemos utilizando.
Proposición 2.31 Sea V un K-espacio vectorial y B = {v1 , v2 , . . . , vn } un conjunto de

vectores. Entonces B es base de V si, y solo si, todo vector del espacio se escribe en
forma única como combinación lineal de los vectores de B (es decir, los coeficientes
de la combinación lineal son únicos).
Sea V un espacio vectorial de dimensión finita cualquiera sobre el cuerpo K y B =

{v1 , v2 , . . . , vn } una base de V . Dado un vector v ∈ V cualquiera la proposición anterior establece
que existen únicos escalares x1 , x2 , . . . , xn tales que
v = x1 v1 + x2 v2 + · · · + xn vn .
Llamaremos a estos escalares las coordenadas en la base B del vector v. Es conveniente

formalizar el concepto de coordenadas mediante una aplicación que describimos a continua-
ción.
Notación 2.32 Sea V un espacio vectorial y B = {v1 , v2 , . . . , vn } una base de V . Sea v ∈ V

un vector, y pongamos
v = x1 v1 + x2 v2 + · · · + xn vn .
Definimos la aplicación
 
x1
.
[·]B : V → Kn×1 como  . ,
[v]B =  . (2.3)
xn
esto es, B lleva un vector v a sus coordenadas respecto a la base B puestas en columna.
Hemos de advertir que esta notación no está extendida a todos los textos de álgebra lineal,
y podemos encontrar otras notaciones como las siguientes:
     
x1 x1 x1
. . .
vB =  . . .
 . , v= . o simplemente v =   . .
xn xn B xn
Ésta última se utiliza cuando la base es inequívoca y cuando se adquiere un correcto

entendimiento del significado de las coordenadas. Pero es aconsejable, sobre todo al principio
y por el bien de la formalidad, que se señale claramente, de una u otra manera, la base
respecto de la cual trabajamos. La notación que utilizamos aquí tiene una justificación
mucho más profunda para cuya comprensión es necesario conocer el capítulo siguiente sobre
aplicaciones lineales.
Ejemplo 2.31 Consideremos B0 = {e1 , . . . , en } la base canónica de Rn , y sea v = (x1 , x2 , . . . , xn ) ∈ Rn un

vector cualquiera. Entonces
v = (x1 , x2 , . . . , xn ) = x1 e1 + x2 e2 + · · · + xn en
entonces  
x1
 x2 
  T
[v]B0 =
 .. 
 = x 1 x 2 · · · x n
 . 
xn
Esto es, el vector (como n-upla) y sus coordenadas en la base canónica coinciden. Como veremos en el
siguiente ejemplo, en general, un vector de Rn y sus coordenadas en una base arbitraria no coinciden.
Ejemplo 2.32 Sea V = R3 y B = {(1, 1, 0), (0, 1, 0), (0, 0, 1)} es fácil comprobar y queda a cargo del lector
que B es L.I. y por tanto base. Para hallar las coordenadas de un vector genérico v = (a, b, c) ∈ R3 respecto
de B debemos encontrar x1 , x2 , x3 escalares verificando
(a, b, c) = x1 (1, 1, 0) + x2 (0, 1, 0) + x3 (0, 0, 1) si, y sólo si,

(a, b, c) = (x1 , x1 + x2 , x3 ) si, y sólo si,

 x1 = a

x1 + x2 = b

x3 = c

Y este último sistema es compatible determinado y tiene solución x1 = a, x2 = b − a y x3 = c, de donde B

genera R3 y por lo tanto es base. Entonces
(a, b, c) = a(1, 1, 0) + (b − a)(0, 1, 0) + c(0, 1, 0),
de donde deducimos  
a
[(a, b, c)]B = b − a .
 
c
T
Como ejemplo particular, si v = (1, 2, 1) entonces [v]B = 1 1 1 . En el otro sentido, si w ∈ R3 es un
T
vector tal que sus coordenadas en la base B son [w]B = 1 2 1 entonces
w = 1(1, 1, 0) + 2(0, 1, 0) + 1(0, 0, 1) = (1, 3, 1).
Es claro que, si V = Kn×1 , tanto los vectores como sus coordenadas son vectores columna
y cabe la posibilidad de confundirlos, lo que constituye un grave error. Hay que avisar que,
en algunos libros, las coordenadas de un vector se expresan también como n-uplas (y no
por vectores columna), aumentando por tanto la confusión. Para evitar confunsiones es
importante indicar cuándo una n-upla de Kn representa un vector en si, o representa las
coordenadas del vector en alguna base distinta de la canónica. Sólo se suele omitir esta
aclaración cuando la base es canónica. Por ejemplo, si decimos: sea v el vector de R3 tal
que v = (1, 2, 3). Estamos indicando que v es la 3-upla (1, 2, 3), pero no que (1, 2, 3) son las
coordenadas de v.
!
a b
Ejemplo 2.33 Si A = es una matriz 2 × 2 cualquiera se tiene que
c d
! ! ! ! !
a b 1 0 0 1 0 0 0 0
A= =a +b +c +d
c d 0 0 0 0 1 0 0 1
Entonces las coordenadas de una matriz respecto de su base canónica son:

 
a
 
b
[A]B0 = 
c

 
d
.
Ejemplo 2.34 Sea V = Rn [x], su B0 = {p0 , p1 , . . . , pn }, la base canónica y p(x) = an xn + · · · + a1 x + a0 un

T
polinomio cualquiera. Entonces se tiene que [p]B0 = a0 a1 · · · an .
Proposición 2.33 La aplicación [·]B : V → Kn×1 satisface:
(a) [u + v]B = [u]B + [v]B , para todo u, v ∈ V .
(b) [λ · v]B = λ · [v]B para todo v ∈ V y λ ∈ K.
Utilizando las dos propiedades anteriores se deduce directamente que
[λ1 v1 + λ2 v2 + · · · + λn vn ]B = λ1 [v1 ]B + λ2 [v2 ]B + · + λn [vn ]B . (2.4)
Esta propiedad se puede expresar diciendo que las coordenadas de una combinación lineal
de vectores es justamente la misma combinación lineal de las coordenadas de cada vector.
2.3.2. Matriz cambio de base
Consideremos ahora V un K-espacio vectorial y B = {v1 , v2 , . . . , vn } y B̄ = {v̄1 , v̄2 , . . . , v̄n } bases

de V . Sea v ∈ V un vector tal que
v = x1 v1 + x2 v2 + · · · + xn vn = x̄1 v̄1 + x̄2 v̄2 + · · · + x̄n v̄n .
Nos planteamos hallar la relación entre X = [v]B y X̄ = [v]B̄ . En primer lugar, partimos de la
ecuación
v = x1 v1 + · · · xn vn .
Aplicamos B̄ a ambos lados de la ecuación anterior y utilizamos la propiedad (2.4)
[v]B̄ = x1 [v1 ]B̄ + · · · xn [vn ]B̄ .
Esta ecuación expresada matricialmente queda:

    
x̄1 x1
.  .
 ..  =  [v1 ] .
B̄ [v2 ]B̄ · · · [vn ]B̄   .  ,

 
x̄n xn
que podemos reescribir como
    
x̄1 p11 p12 ··· p1n x1
.  . .. .. ..  .
 ..  =  .. .   .. 
. . ,
 
  
x̄n pn1 pn2 ··· pnn xn
donde hemos utilizado las relaciones
vj = p1j v̄1 + p2j v̄2 + · · · + pnj v̄n , 1≤j≤n pij ∈ K.
En forma compacta la ecuación anterior se escribe como X̄ = P X, donde P = (pij ). La

matriz P se denomina la matriz de cambio (o de paso) de la base B a la base B̄, y
la denotaremos por MBB̄ . Se puede probar que la matriz de paso es invertible, por tanto
obtenemos que X = P −1 X̄. De este modo, la matriz de paso de B̄ a B es la inversa de la
matriz de paso de B a B̄, esto es, MB̄B = (MBB̄ )−1 .
Ejemplo 2.35 En R2 consideremos las bases B0 = {(1, 0), (0, 1)} y B = {(1, 1), (−1, 1)}. Es fácil ver que
! !
1 −1 1 1 1
MBB0 = , MBB0 = .
1 1 2 −1 1
Ejercicio Básico 2.9 Hallar MBB̄ en R3 donde
B = {(1, 1, 0), (1, 0, 1), (1, 1, 1)} , B̄ = {(1, 0, 1), (0, 1, 1), (−1, −1, 0)} .
 
0 2 1
Solución.- MBB̄ = 21  0 0 1 
 
−2 0 −1
Sea B0 = 1, x, x2 la base canónica del espacio vectorial de los

Ejercicio Básico 2.10
polinomios R2 [x] y consideremos
B = 2 + x + 3x2 , 1 + 2x + x2 , x2 .

Encontrar la matriz cambio de base de B0 a B.

 
2 −1 0
Solución.- MBB0 = 31 −1 2 0
 
−5 1 3
2.4. Subespacios vectoriales. Ecuaciones de un subespacio
En este epígrafe nos ocupamos de presentar las ecuaciones parámetricas y cartesianas en

coordenadas de un subespacio vectorial. Antes de nada es conveniente conocer el siguiente
resultado técnico preliminar.
Proposición 2.34 Sea V un espacio vectorial de dimensión finita n y W un subes-

pacio vectorial de V . Entonces W tiene también dimensión finita, que es menor o
igual que n. Además, si W tiene dimensión n, entonces W = V .

Ejercicio 2.11 Probar que u1 , . . . , uk es un conjunto linealmente independiente de vectores

de V si, y solo si, [u1 ]B , . . . , [uk ]B forman un conjunto linealmente independiente de columnas.
Observación 2.35 Sea G = {v1 , . . . , vp } un subconjunto finito de vectores de un espacio

vectorial V y B una base de V . Sabemos que el rango de una matriz es el número máximo
de columnas linealmente independientes. Formamos la matriz C cuyas columnas son las
coordenadas de los vectores v1 , . . . , vp ,

C = [v1 ]B [v2 ]B · · · [vp ]B .
En virtud del Ejercicio 2.11 , el rango de la matriz C indica el número máximo de vectores
linealmente independientes de G. Evidentemente, si rg(C) = k entonces la dimensión del
subespacio vectorial L[G] es k, ya que el rango de C no es otra cosa que la dimensión
del subespacio generado por las columnas de C. Así pues, para obtener una base de L[G]
debemos seleccionar, de entre todos vectores de G, k que sean linealmente independientes.
En definitiva, hemos probado la siguiente fórmula:
rg(C) = dim(L[G]).
Ejercicio 2.12 Hallar la dimensión del espacio generado por los vectores
v1 = 2x3 + x2 − ax + 2; v2 = 5x3 + 3x2 + (2a + 2)x + a; v3 = ax3 + ax + 9.
en el espacio vectorial R3 [x] de los polinomios reales de grado menor o igual que tres, en
función de los diferentes valores del parámetro real a
Solución.- dim(W ) = 3 para cualquier valor de a ∈ R.
2.4.1. Ecuaciones de un subespacio vectorial
Sea V un espacio vectorial de dimensión n y B una base de V . Consideremos W un

subespacio vectorial, entonces la Proposición 2.34 afirma que W admite una base {w1 , . . . , wk }
T
con k ≤ n. Sea u un vector de V tal que [u]B = x1 · · · xn . Nos planteamos encontrar las
ecuaciones que han de satisfacer las coordenadas de xi de u para que u ∈ W .
Un vector u ∈ V pertenece a W si, y solo si, existen λ1 , . . . , λk tales que
u = λ 1 w1 + · · · λ k wk ⇔
[u]B = λ1 [w1 ]B + · · · λk [wk ]B ⇔
     
x1 w11 w1k
.
 ..  = λ1  ...  + · · · + λk  ... 
   
      ⇔
xn wn1 wnk
    
x1 w11 ··· w1k λ1
.  . .. ..  .
 ..  =  .. .   .. 
. . (2.5)
 
  
xn wn1 ··· wnk λk
Éstas ultimas ecuaciones se denominan ecuaciones parámetricas de W .
Proposición 2.36 Con las notaciones anteriores se verifica que u ∈ W si, y solo
si, [u]B ∈ Im(C), donde
C = [w1 ]B [w2 ]B · · · [wk ]B
En consecuencia, las ecuaciones cartesianas (o implícitas) de W respecto de la base

B se obtienen calculando la imagen de la matriz C cuyas columnas están formadas por las
coordenadas de una base (o un sistema generador) de W respecto de la base B (del espacio
V ).
Otro procedimiento alternativo donde interviene el uso de determinantes viene descrito a

continuación. Puesto que el sistema de ecuaciones (2.5) ha de ser compatible determinado,
entonces tiene que verificarse:
   
w11 · · · w1k w11 · · · w1k x1
 . .. 
..  = rg  ... .. .. .. 

rg  ..
 . .   . . .=k
wn1 · · · wnk wn1 · · · wnk xn
Por tanto, si suponemos que  

w11 · · · w1k
 . .. .. 
det  ..
 . =
.  6 0,
wk1 · · · wkk
entonces las ecuaciones implícitas o cartesianas vienen dadas por
 
w11 ··· w1k x1
 . .. .. .. 
 .. . . . 
det 
  = 0, (2.6)
 wk1 ··· wkk xk 

wk+i,1 · · · wk+i,k xk+i
para todo 1 ≤ i ≤ n − k. Así pues, obtenemos n − k ecuaciones cartesianas linealmente

independientes.
Observación 2.37 Debemos tener presente que las ecuaciones parámetricas o cartesianas
de un subespacio vectorial siempre están ligadas a una base y, como consecuencia, ellas
cambian cuando cambiamos de base.
Recíprocamente, un subespacio vectorial puede venir dado por las ecuaciones cartesianas
en la forma:
A ∈ Km×n ,

W = u ∈ V : A · [u]B = 0, rg(A) = r = {u ∈ V : [u]B ∈ Ker(A)} .
En la práctica, si queremos conocer una base de este subespacio hemos de resolver la

ecuación y encontrar las ecuaciones parámetricas; en otras palabras, hemos de calcular una
base del núcleo de A. Para realizar el cambio de ecuaciones cartesianas a paramétricas o
viceversa, es útil tener en cuenta siempre que r + k = n, esto es:
(no de ecu. cartesianas L.I.) + (no de parámetros) = (dimensión de V).
Ejercicio Básico 2.13 Consideremos el subespacio vectorial de R4 dado por
W = h{w1 , w2 , w3 }i,
donde w1 = (1, 0, 0, 1), w2 = (0, 1, 1, 0), w3 = (1, 1, 1, 1). Se pide:
(a) Determinar una base de W .
(b) Obtener las ecuaciones paramétricas y cartesianas de W .
Solución.-
(a) BW = {(1, 0, 0, 1), (0, 1, 1, 0)}.
(b) Ecuaciones paramétricas:x1 = α; x2 = β; x3 = β; x4 = α.

x − x = 0
2 3
Ecuaciones cartesianas:
x − x = 0
1 4
2.5. Intersección y suma de subespacios vectoriales. Suma di-

recta
Los subespacios vectoriales suelen surgir muchas veces como el conjunto de soluciones
de un cierto problema. En la práctica, es bastante frecuente encontrarse con la necesidad
de hallar soluciones que resuelven a la vez varias cuestiones, esto es, soluciones simultáneas
de un grupo de problemas cuyas soluciones particulares se encuadran en un mismo espacio
vectorial. Así pues, si las soluciones de cada uno de ellos es un subespacio vectorial, es lógico
preguntarse cómo son las soluciones que están en todos los subespacios vectoriales solución
de cada problema. Esta cuestión está ligada al concepto de intersección de subespacios que,
como se muestra a continuación, aforturnadamente es de nuevo un subespacio vectorial y,
en consecuencia, goza de buenas propiedades.
Proposición 2.38 Sea V un K-espacio vectorial, y W , W 0 dos subespacios vecto-

riales de V . Entonces la intersección
W ∩ W0 = u ∈ V : u ∈ W y u ∈ W0

es un subespacio vectorial de V .
Observación 2.39 Esta propiedad se generaliza a intersecciones arbitrarias. Esto es,

Si {Wα }α∈I son subespacios de un mismo espacio V . Entonces W = ∩ Wα es también un
α∈I
subespacio de V .
Nos proponemos ahora encontrar un subespacio vectorial que contenga los subespacios W
y W 0 de un cierto espacio vectorial V . La primera tentación es considerar la unión W ∪ W 0 de
subespacios vectoriales pero, en general, ésta no va a ser un subespacio vectorial. En efecto,
en R2 consideremos los subespacios W = {(x, 0) : x ∈ R} (que representa todos los vectores del
eje horizontal) y W 0 = {(0, y) : y ∈ R} (eje vertical). Los vectores (1, 0) y (0, 1) están en W ∪ W 0 ,
pero la suma, (1, 1) no está ni sobre el eje horizontal ni sobre el eje horizontal, y por tanto no
está en W ∪ W 0 , lo que prueba que no es subespacio vectorial. Así pues, para dar respuesta
a este asunto vamos a recurrir a un nuevo concepto; la suma de subespacios vectoriales.
Definición 2.40 Sean W y W 0 subespacios vectoriales de un K-espacio vectorial

V . Definimos la suma de W y W 0 como
W + W 0 = w + w0 : w ∈ W, w0 ∈ W 0 .

La definición anterior puede resultar artificial tal y como está enunciada. El siguiente
resultado tiene como objetivo clarificar el significado de la suma de subespacios.
Proposición 2.41 Sean W y W 0 subespacios vectoriales de un K-espacio vectorial

V . Entonces:
W + W 0 = L[W ∪ W 0 ].
En otras palabras, la suma de subespacios vectoriales es el menor subespacio que contiene

a la unión. El siguiente Teorema nos proporciona una fórmula de enorme utilidad cuando
calculamos sumas e intersecciónes de subespacios vectoriales.
Teorema 2.42 (Fórmula de Grassman) Sea V un K-espacio vectorial y W, W 0

subespacios vectoriales de V . Entonces
dim(W + W 0 ) = dim(W ) + dim(W 0 ) − dim(W ∩ W 0 ).
Ejercicio 2.14 Consideremos los subespacios vectoriales de R3 dados por:
U = {(x, y, z) : x + y + z = 0} , W = L[(1, 1, 1), (1, 1, 0), (−1, −1, 1)].
Hallar las ecuaciones cartesianas de U ∩ W y U + W .

x + y + z = 0
Solución.- U ∩W : , U + W = R3
−x + y = 0
Para ciertas tareas, obtenemos una situación ventajosa cuando esta suma de subespacios
verifica alguna (y por tanto las dos) de las condiciones equivalentes de la proposición que
viene a continuación, en cuyo caso se sustituye el símbolo + por el símbolo ⊕, que indica
suma directa. La suma directa de subespacios hay que entenderla intuitivamente como una
“independencia lineal entre subespacios vectoriales”.
Proposición 2.43 Sean W y W 0 subespacios vectoriales de V . Entonces son equi-

valentes:
(i) Cada elemento u ∈ W + W 0 admite una única descomposición
u = w + w0 , donde w ∈ W, w0 ∈ W 0 .
(ii) Se verifica W ∩ W 0 = {0}.
Definición 2.44 En las condiciones equivalentes del teorema anterior se dice que
la suma de los subespacios vectoriales W y W 0 es directa y escribiremos W ⊕ W 0 .
Si V = W ⊕ W 0 diremos que V es suma directa de W y W 0 .
En este último caso diremos que W 0 (repectivamente W ) es un espacio suple-

mentario de W (respectivamente W 0 ) en V .
Por tanto, para que V sea suma directa de W y W 0 ha de verificarse: (1) V = W + W 0 , y

(2) W ∩ W 0 = {0}.
En particular, si W y W 0 están en suma directa, entonces
dim(W ⊕ W 0 ) = dim(W ) + dim(W 0 ).
Ejemplo 2.36 Consideremos en R3 los subespacios
W1 = {(x1 , x2 , x3 ) : x3 = 0} W2 = {(x1 , x2 , x3 ) : x1 = 0} .
Todo vector de R3 se puede escribir como suma de un vector de W1 y uno de W2 , pero no de forma única:
(1, 1, 1) = (1, 1, 0) + (0, 0, 1)
(1, 1, 1) = (1, 1/2, 0) + (0, 1/2, 1)

Entonces la suma de W1 y W2 es todo R3 . Pero esta suma no es directa.
Ejercicio Básico 2.15 Probar que R3 = W1 ⊕ W2 , donde
W1 = {(x, y, z) ∈ R3 : x + y + z = 0}
W2 = {(t, 2t, 3t) / t ∈ R}
Expondremos brevemente una generalización del concepto de suma y suma directa cuando
disponemos de varios subespacios vectoriales.
Definición 2.45 Sea V un espacio vectorial. se llama suma de los subespacios

W1 , W2 , ..., Wp de V , (y se denota como W1 + W2 + · · · + Wp ) al subconjunto de vectores
W definido por:

W = v ∈ V : v = w1 + w2 + · · · + wp , donde wi ∈ W i
Podemos enunciar resultados y definiciones similares al caso de dos subespacios vectoria-

les.
Proposición 2.46 La suma de subespacios de V es un subespacio de V . Más aún,
W1 + · · · + Wp = L[W1 ∪ · · · ∪ Wp ].
Así pues, la suma es el menor supespacio que contiene a la unión de todos ellos.
De igual manera se puede interpretar la suma directa de más de dos subespacios vectoriales
como la “independencia lineal” entre ellos.
Definición 2.47 Dados los subespacios W1 , W2 , ..., Wp , el subespacio suma de ellos

se llama suma directa cuando todo vector de él puede expresarse de forma única
como suma de vectores de los subespacios W1 , W2 , ..., Wp . Cuando la suma es directa
se representa W1 ⊕ W2 ⊕ ... ⊕ Wp .
Proposición 2.48 Los subespacios W1 , W2 , ..., Wp están es suma directa si, y sólo
si se verifica:  
X
Wi ∩  Wj  = {0} 1 ≤ i ≤ p.
j6=i

Capitulo2 - EspaciosVectoriales

Cargado por

Copyright:

Formatos disponibles

Capitulo2 - EspaciosVectoriales

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo2 - EspaciosVectoriales

Cargado por

Copyright:

Formatos disponibles

Capítulo 2

Para entender el concepto de espacio vectorial el lector deberá recurrir frecuentemente

De manera imprecisa, la idea de espacio vectorial hace su aparición en aquellas situaciones

Un concepto fundamental que aparecerá reiteradamente durante este capítulo es el de

2.1. Definición. Operaciones con vectores

Definición 2.1 Sea G un conjunto y ∗ una operación binaria interna en G. Se dice

(g2) Existe elemento neutro, esto es, existe e ∈ G tal que g ∗ e = e ∗ g = g.

(g3) Todo elemento es inversible.

Si además ∗ es conmutativa diremos que G es un grupo abeliano.

1. (Rn , +) es un grupo abeliano.

2. (R, ·) no es un grupo, puesto que el 0 no admite inverso. Pero (R \ {0}, ·) si lo es.

3. El espacio de los vectores columna (Rn×1 , +) es un grupo abeliano.

4. (Rn×n , ·) no es un grupo, con la suma si lo es.

A continuación definimos una estructura algebraica donde interviene dos operaciones.

(c1) (K, +) es un grupo abeliano.

(c2) (K \ {0}, ·) es un grupo abeliano.

(c3) Verifica la propiedad distributiva:

Ejemplo 2.1 (R, +, ·) es un cuerpo.

Definición 2.3 Sea (K, +, ·) un cuerpo, (V, +) un grupo abeliano y · : K × V → V

(3) (λµ) · v = λ(µ · v),

para todo λ, µ ∈ K y u, v ∈ V . Los elementos de K se llaman escalares y los elementos

Observación 2.4 La suma de escalares (suma dentro de K) se escribió con el símbolo

Proposición 2.6 (Propiedades inmediatas) Sea V un K-espacio vectorial, sean

(a) El neutro es único.

(b) Para cada vector v ∈ V su opuesto −v es único.

Observación 2.7 Se denota por u − v a la suma u + (−v) con u, v ∈ V .

Ejemplo 2.2 V es el conjunto de ternas ordenadas de números reales V = R3 y K = R y definimos las

para todo λ ∈ R y todas las ternas de R3 .

Definición 2.9 Sea V un K-espacio vectorial y W 6= ∅ un subconjunto de V . Diremos

Es decir, un subespacio de un espacio vectorial es un conjunto no vacío y “cerrado" frente

Observación 2.10 Si W es un subespacio, entonces 0 ∈ W . En efecto como W 6= ∅ entonces

Entonces Π es un subespacio de R3 En efecto Π 6= ∅, pues 0 = (0, 0, 0) ∈ Π y es cerrado para las operaciones.

v1 + v2 = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) = v

Veamos ahora que Π es cerrado para la multiplicación por escalares.

λv1 = λ(x1 , y1 , z1 ) = (λx1 , λy1 , λz1 ) = v 0

Obsérvese que (x, y, z) ∈ r si y solo si

Sean v1 = (x1 , y1 , z1 ) y v2 = (x2 , y2 , z2 ) dos puntos de r y λ ∈ R entonces v = v1 + v2 pertenece a r, para

El lector verificara que λv1 = v 0 ∈ r.

Ejercicio 2.1 Sea A ∈ Rm×n , probar que:

(a) Ker(A) es un subespacio vectorial de Rn×1 .

(b) Im(A) es un subespacio vectorial de Rm×1 .

Definición 2.12 En Rn un hiperplano H es el subespacio dado por la siguiente

para ciertos escalares a1 , a2 , . . . , an ∈ R. Un conjunto S ⊂ Rn es un subespacio de

Veamos más ejemplos de subespacios vectoriales en otros contextos.

Ejemplo 2.12 El subconjunto de las matrices simétricas

es un subespacio vectorial de Rn×n .

Ejercicio Básico 2.2 Decidir si los siguientes subconjuntos de R3 tienen o no estructura

(c) C = {(x, y, z) ∈ R3 : x2 + y 2 + z 2 = 1; x < 1}

(e) E = {(x, y, z) ∈ R3 : ex+2y−z = 1}

(f ) F = {(x, y, z) ∈ R3 : (x − y)2 = 1; (z + x)2 = 9}

Ejercicio Básico 2.3 Consideremos el espacio tridimensional R3 los siguientes subconjun-

¿Son subespacios vectoriales?

Ejercicio Básico 2.4 Denotemos por R[x] := {a0 + a1 x + · · · + an xn / ai ∈ R, 0 ≤ i ≤ n, n ∈ N}

(b) S = {p(x) ∈ R[x] / grado(p(x)) ≤ 3}.

(c) T = {p(x) ∈ R[x] / grado(p(x)) ≥ 3}.

(d) H = {a0 + a1 x + · · · + an xn ∈ R[x] / a0 + a1 + · · · + an = 1}.

¿Es W un subespacio vectorial de Rn×n ?

2.2. Dependencia e independencia lineal. Clausura lineal