Espacios Vectoriales.

Gómez Ávalos, G. (2022) Espacios Vectoriales.

Universidad Andrés Bello, Campus online, Chile.
Transformaciones lineales Página 2

Espacios vectoriales
En esta unidad, vamos aprenderemos de una estructura algebraica, la cual es un conjunto no vacío en donde se han
denido dos operaciones. Dicha estructura permite estudiar conjunto matemáticos, categorizando para poder estable-
cer propiedades y utilizarlos como herramienta base del cálculo y de ecuaciones diferenciales.
Antes de establecer la denición, que será el hilo conductor de nuestra unidad, es bueno recordar la siguiente deni-
ción.
Denición 1.
Sea K un conjunto no vacío, y en él se denen dos operaciones:
Una suma interna
+: K × K → K
(x, y) → z = x + y

y un producto
·: K × K → K
(x, y) → z = x · y

Diremos que el conjunto K provisto de las dos operaciones anteriores, denotado por (K, +, ·), es un Cuerpo
si se cumplen las siguientes propiedades:
1. Asociatividad de la suma: ∀x, y, z ∈ K, x + (y + z) = (x + y) + z .
2. Conmutatividad de la suma: ∀x, y ∈ K, x + y = y + x.
3. Existencia del elemento neutro de la suma, denotado por 0 ∈ K : x + 0 = 0 + x = x, ∀x ∈ K.
4. Existencia del opuesto aditivo: ∀x ∈ K, ∃(−x) ∈ K tal que x + (−x) = 0.
5. Asociatividad del producto: ∀x, y, z ∈ K, x · (y · z) = (x · y) · z .
6. Existencia del elemento neutro del producto, denotado por 1 ∈ K que cumple que: ∀x ∈ K,
x · 1 = 1 · x = x.
7. Existencia del inverso multiplicativo: ∀x ∈ K \ {0}, existe un x−1 ∈ K tal que x · x−1 = 1.
8. Distributividad:
∀x, y, z ∈ K, se cumple que x · (y + z) = x · y + x · z ∧ (x + y) · z = x · z + y · z.

Además, tenga en cuenta:

ˆ Si el producto es conmutativo decimos que el cuerpo K es un cuerpo conmutativo.
ˆ A los elementos de un cuerpo se le denominan escalares.

El primer conjunto que podemos imaginar que cumple con las propiedades de cuerpo es el conjunto de números
reales, pero además el conjunto de números complejos y los racionales también son cuerpos con la suma y producto
que estamos acostumbrados a utilizar, las cuales llamaremos suma y producto usual, pero de hecho no son los únicos
conjuntos que son cuerpos algebraicos. Veamos un ejemplo inusual:
Ejemplo: Z3 = {0, 1, 2} es un cuerpo con las siguientes operaciones:

2
Transformaciones lineales Página 3

Suma: Producto:
+ 0 1 2
· 0 1 2
0 0 1 2 0 0 0 0
1 1 2 0 1 0 1 2
2 2 0 1
2 0 2 1

En resumen, en este curso pensaremos que el cuerpo K, corresponde al conjunto de números reales R o bien números
complejos C con las suma y productos usuales.
Recuerde que en C, se denen la suma + y producto · se dene mediante las siguientes reglas:
(a + bi) + (c + di) = (a + c) + (b + d)i
(a + bi) · (c + di) = (ac − bd) + (ad + bc)i,
√
donde i = −1 es la unidad imaginaria, y a, b, c, d ∈ R.

Denición 2.
Sean K un cuerpo y V un conjunto no vacío. Si en V se denen una suma y un producto por escalar:

+: V × V → V ·: K × V → V
(~v , ~u) → ~v + ~u (α, ~v ) → α · ~v

cumpliendo con las siguientes propiedades:

1. ∀~u, ~v , w
~ ∈ V se cumple que ~v + (~u + w)
~ = (~v + ~u) + w
~
2. ∀~u, ~v ∈ V se cumple que ~u + ~v = ~v + ~u.
3. ∃ ~0 ∈ V : ~v + ~0 = ~v , ∀~v ∈ V .
4. ∀~v ∈ V , ∃ − ~v ∈ V : ~v + (−~v ) = ~0 .
5. ∀α, β ∈ K, ∀~v ∈ V se cumple que α · (β · ~v ) = (α · β) · ~v .
6. ∀α ∈ K, ∀~v , ~u ∈ V se cumple que α · (~u + ~v ) = α · ~u + α · ~v
7. ∀α, β ∈ K, ∀~v ∈ V se cumple que (α + β) · ~v = α · ~v + β · ~v
8. Si 1 es neutro multiplicativo de K, entonces ∀~v ∈ V se cumple que 1 · ~v = ~v
Diremos que V es un espacio vectorial sobre K.

Observaciones:
1. Los elementos de ~v de V se le denominan vectores.
2. Al vector ~0 lo denominamos vector nulo. Además, en muchas ocasiones se denota por θ.
3. En general, a un espacio vectorial V sobre R, en muchas ocasiones sólo se nombra como espacio vectorial V , sin
indicar el cuerpo en el que se está trabajando, durante el desarrollo de este curso se entenderá que el cuerpo es
R.

Ejemplos:
1. Un conjunto con un único elemento el vector nulo 0 es un espacio vectorial que llamaremos espacio vectorial
trivial. Así, V = {~0} es un espacio vectorial sobre K.

3
Transformaciones lineales Página 4

2. Rn = {(x1 , x2 . . . , xn ) : xi ∈ R, ∀i ∈ {1, 2, . . . , n}} es un espacio vectorial sobre R con la suma y producto usual,
denido como sigue: Sean (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) ∈ Rn y α ∈ R, entonces
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + x2 , . . . , xn + yn )
α · (x1 , x2 , . . . , xn ) = (αx1 , αx2 , . . . , αxn )

Las anteriores operaciones se denominan suma y producto usual.

3. C es un espacio vectorial sobre R, con la suma y producto usual.
4. R no es un espacio vectorial sobre C.
5. Si Pn (R) = {p(x) = a0 + a1 x + a2 x2 + · · · + an xn : xi ∈ R, ∀i ∈ {1, 2, . . . , n}} es el conjunto de polinomios de
a lo más grado n, con coecientes reales, entonces Pn (R) es un espacio vectorial sobre R con la siguiente suma
y producto usual, denido como: Sean p(x) = a0 + a1 x + · · · + an xn , q(x) = b0 + b1 x + · · · + bn xn ∈ Pn (R) y
α ∈ R, entonces

(p + q)(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn , ∀x ∈ R

(α · p)(x) = (α · a0 ) + (α · a1 )x + · · · + (α · an )xn , ∀x ∈ R

6. Mn×m (K) es un espacio vectorial sobre K, con la suma y producto usual.

Es bueno notar que: Existen espacios vectoriales de clase de funciones, pero las trataremos en las unidades siguientes.

Denición 3.
Sea V un espacio vectorial sobre K y ~u, ~v ∈ V . Se dene la diferencia como:
~u − ~v = ~u + (−~v ).

Ejemplo: Consideremos el espacio vectorial R2 sobre R. Entonces, dados (1, 2), (3, 4) ∈ R2 se tiene que
(1, 2) − (3, 4) = (1, 2) + (−3, −4) = (1 − 3, 2 − 4) = (−2, −2).

Notemos que hemos utilizado la suma usual de R2 .

Para complementar nuestro aprendizaje acerca de espacios vectoriales, tengamos en consideración las siguientes
propiedades:

Teorema 4.
Sea V un espacio vectorial sobre K, entonces:
1. El neutro aditivo ~0 ∈ V es único.
2. Para cada ~v ∈ V , el opuesto aditivo −~v es único.
3. α · ~0 = ~0, ∀α ∈ K.
4. 0 · ~v = ~v , ∀~v ∈ V .
5. (−1) · ~v = −~v , ∀~v ∈ V .
6. Para α ∈ K y ~v ∈ V , se tiene la siguiente equivalencia α · ~v = ~0 ⇔ α = 0 ∨ ~v = ~0.

4
Transformaciones lineales Página 5

A modo de ejemplo, probaremos que el neutro aditivo de la suma es único:

Supongamos que existen dos neutros aditivos ~01 , ~02 ∈ V . Esto es, para todo ~v ∈ V se tiene que
~v + ~01 = ~v
~v + ~02 = ~v

Probaremos que necesariamente ~01 = ~02 , esto implicaría que el neutro aditivo es único. En efecto,
~01 = ~01 + ~02 /~02 es neutro.
= ~02 /~01 es neutro

Por lo tanto, ~01 = ~02 .

Subespacios vectoriales
En muchas ocasiones deseamos caracterizar subconjuntos del espacio vectorial que cumplen con todas las propiedades
de suma y producto por escalar (las que denen a los espacios vectoriales), lo que motiva a la siguiente denición.
Denición 5.
Sea V un espacio vectorial sobre K y S ⊆ V . Se dice que S es un subespacio vectorial de V , si, y sólo
si S es un espacio vectorial con las mismas operaciones denidas en V .
Notación: Si S es un subespacio vectorial de V escribimos S 6 V .

Para demostrar que un subconjunto es un espacio vectorial, tendríamos que probar que se cumplen las ocho
propiedades de suma y producto que denen a un espacio vectorial. Por lo tanto, el proceso de prueba puede resul-
tar muy tedioso, pero existe una caracterización que nos simplicará el trabajo y se presenta mediante el siguiente
resultado.

Teorema 6.
Sean V un un espacio vectorial sobre K y S ⊆ V . Entonces, S 6 V si, y sólo si, se cumplen las siguientes
condiciones:
1. S 6= ∅.
2. ∀ ~u, ~v ∈ S se cumple que ~u + ~v ∈ S .
3. ∀ λ ∈ K, ∀~v ∈ S se cumple que λ · ~v ∈ S .

Observaciones:
ˆ Para probar la condición 1, basta probar que ~0 ∈ S , ya que ~0 es un elemento que siempre debe estar en el espacio
vectorial.
ˆ Si se cumple la condición 2, decimos que la suma es cerrada en S .

ˆ Si se cumple la condición 3, decimos que el producto por escalar es cerrado en S .

ˆ Si alguna de las tres condiciones no se cumple, entonces S no es subespacio vectorial de V .

5
Transformaciones lineales Página 6

Ejemplos:
1. Sea R3 un espacio vectorial sobre R. Probaremos que
S = (a, b, c) ∈ R3 : a + b = c 6 R3


Solución: Debemos probar que S cumple con las tres condiciones para ser subespacio vectorial de R3 .
ˆ S 6= ∅. En efecto, (0, 0, 0) ∈ S , pues 0 + 0 = 0.
ˆ ∀ ~u, ~v ∈ S se cumple que ~u + ~v ∈ S .
Sean (a1 , b1 , c1 ), (a2 , b2 , c2 ) ∈ S . Entonces, por la dención de S , se cumple que
a1 + b1 = c1 (1)
a2 + b2 = c2 (2)
Armamos que la suma de ambos vectores también está en S . En efecto, sumando los vectores tenemos
(a1 , b1 , c1 ) + (a2 , b2 , c2 ) = (a1 + a2 , b1 + b2 , c1 + c2 )

Luego, vericamos que el vector suma cumple con la condición para pertenecer a S (la suma de la primera
y segunda componente es igual a la tercera componente):
(a1 + a2 ) + (b1 + b2 ) = (a1 + b1 ) + (a2 + b2 ) la suma es asociativa en R
= c1 + c2 condiciones (1)-(2)
Por lo tanto, la suma es cerrada en S .
ˆ ∀ λ ∈ K, ∀~v ∈ S se cumple que λ · ~v ∈ S .
Sean λ ∈ R y (a, b, c) ∈ S . Como (a, b, c) ∈ S satisface la condición a + b = c. Luego,
λ(a, b, c) = (λa, λb, λc) ⇒ λa + λb = λ(a + b) = λc.

Así, la multiplicación por escalar es cerrada en S . ∴ S 6 R3 .

2. Justicando adecuadamente, determinar si el conjunto
A = {(x, y, z) ∈ R3 : xz = 0}

es un espacio vectorial de R3 .
Solución: A no es espacio vectorial de R3 . En efecto,
  
~u = (x1 , y1 , z1 ) ∈ A x z =0 x = 0 ∨ z1 = 0
⇒ 1 1 ⇔ 1
~v = (x2 , y2 , z2 ) ∈ A x2 z2 = 0 x2 = 0 ∨ z2 = 0

Luego, sumamos ~u + ~v
(x1 + x2 , y1 + x2 , z1 + z2 ) ⇒ (x1 + x2 )(z1 + z2 ) = x1 z1 + x1 z2 + x2 z1 + x2 z2 = x1 z2 + x2 z1

Para que ~u +~v ∈ A, se debe cumplir que x1 z2 +x2 z1 = 0, pero no necesariamente ésto ocurre, pues para cualquier
par de vectores de la forma 
~u = (0, y1 , z1 ), z1 6= 0
,
~v = (x2 , y2 , 0), x2 6= 0
tenemos que ~u + ~v ∈/ A.
Otra manera de justicar, que no es un subespacio vectorial, es dando un contrajemplo, lo cual resulta mucho
más sencillo y práctico. Por ejemplo, en nuestro caso:
Notemos que (1, 0, 0), (0, 2, 3) ∈ A, ya que
(1, 0, 0) ∈ A ⇔ 1 · 0 = 0
(0, 2, 3) ∈ A ⇔ 0 · 3 = 0,

pero (1, 0, 0) + (0, 2, 3) = (1, 2, 3) ∈

/ A, ya que 1 · 3 = 3. Entonces, la suma no es cerrada en A y así, A no es
subespacio vectorial de R3 .

6
Transformaciones lineales Página 7

3. Sea
S = p(x) = ax2 + bx + c ∈ P2 (R) : 2a + b = c


Entonces, S es subespacio vectorial de P2 (R) sobre R.

Solución: Debemos vericar si se cumplen las tres condiciones de subespacios vectoriales:
ˆ 0 = 0 + 0x + 0x2 ∈ S , pues 2 · 0 + 0 = 0. Entonces, S 6= ∅.
ˆ Sean p(x) = a1 x2 + b1 x + c1 , q(x) = a2 x2 + b2 x + c2 ∈ S , entonces

p(x) + q(x) = (a1 + a2 )x2 + (b1 + b2 )x + (c1 + c2 )

Luego,
2(a1 + a2 ) + (b1 + b2 ) = 2a1 + 2a2 + b1 + b2
= (2a1 + b1 ) + (2a2 + b2 )
= c1 + c2

Entonces, la suma también cumple con la condición para pertenecer a S . Por lo tanto, la suma es cerrada
en S .
ˆ Sea α ∈ R y p(x) = ax2 + bx + c ∈ S . Notemos que

Si p(x) = ax2 + bx + c ∈ S ⇒ 2a + b = c.
Por otra parte,
α · p(x) = 2aαx2 + bαx + cα,

Luego, notamos que

2aα + bα = (2a + b)α
= cα

Por lo tanto, α · p(x) ∈ S , lo que implica que el producto por escalar es cerrado en S .

∴ S 6 P2 (R).

4. Sea M2×2 (R) un espacio vectorial sobre R. Pruebe que

  
a b
S= ∈ M2×2 (R) : a + b = 0 ≤ M2×2 (R).
c d

Solución: Debemos vericar si se cumplen las tres condiciones de subespacios vectoriales:

 
00
ˆ ∈ S , pues 0 + 0 = 0. Entonces, S 6= ∅.
00
   
a1 b1 a2 b2
ˆ Sean A = ,B = ∈ S , entonces
c1 d1 c2 d2
 
a1 + a2 b1 + b2
A+B =
c1 + c2 d1 + d2

Luego,
(a1 + a2 ) + (b1 + b2 ) = a1 + 2a2 + b1 + b2
= (a1 + b1 ) + (a2 + b2 )
=0

Entonces, la suma también cumple con la condición para pertenecer a S . Por lo tanto, la suma es cerrada
en S .

7
Transformaciones lineales Página 8

 
a b
ˆ Sea α ∈ R y A = ∈ S . Notemos que
c d

Si A ∈ S ⇒ a + b = 0.
Por otra parte,
 
αa αb
α·A= ,
αc αd

Luego, notamos que

αa + αb = (a + b)α
=0

Por lo tanto, α · A ∈ S , lo que implica que el producto por escalar es cerrado en S .

∴ S 6 M2×2 (R).

5. ¾Por qué el conjunto

S = (a, b, c) ∈ R3 : 2a + b = 1


no es subespacio vectorial de R3 sobre R?

Solución: Es fácil ver que el vector nulo (0, 0) ∈/ S , ya que 2 · 0 + 0 6= 1.
6. ¾Por qué el conjunto
S = (a, b, c) ∈ R3 : 2a2 + b = 1


no es subespacio vectorial de R3 sobre R?

Solución: Mediante un contrajemplo: Nos damos dos vectores en S , por ejemplo, (0, 1, 2), (1, −1, 0) ∈ S ,
entonces
(0, 1, 2) + (1, −1, 0) = (1, 0, 2) ∈
/ S.

Esto es, 2 · (1)2 + 0 = 2 6= 0. Por lo tanto, la suma no es cerrada en S .

Denición 7.
Sean V un espacio vectorial sobre R y sea A = {~v1 , ~v2 , . . . , ~vn } ⊆ V , n ∈ N. Se dice que un vector ~v ∈ V
es combinación lineal de los vectores de A, si existen escalares α1 , α2 , . . . , αn ∈ K tales que:
n
X
~v = α1~v1 + α2~v2 + . . . + αn~vn = αi~vi
i=1

Ejemplos:

1. Sea V un espacio vectorial sobre K. Entonces, debido a que

~0 = 0 · ~v1 + 0 · ~v2 + · · · + 0 · ~vk , con k ∈ N,

tenemos que el vector nulo siempre es combinación lineal de cualquier conjunto de vectores de V .

8
Transformaciones lineales Página 9

2. Escribir el vector ~u = (4, 2) ∈ R2 como combinación lineal de los vectores ~v1 = (1, 0) y ~v2 = (1, 1).
Solución: Deseamos determinar escalares α, β ∈ R,si es que existen, de modo que
~u = α~v1 + β~v2 .
Esto es,
(4, 2) = α(1, 0) + β(1, 1)
= (α + β, β).
Recordando que dos vectores son iguales si componente a componente sean iguales, entonces tenemos que
α+β =4
⇒ α = β = 2.
β =2
Por lo tanto, hemos encontrado dos escalares α = 2 y β = 2 de modo que (4, 2) se puede escribir como combinación
lineal de (1, 0) y (1, 1). Note que
(4, 2) = 2(1, 0) + 2(2, 2).

3. ¾Es posible escribir el vector (2, 3, 1) como una combinación lineal de los vectores (1, 0, 0) y (0, 1, 0)?
Considere R3 espacio vectorial sobre R.
Solución: Debemos determinar si existen escalares α, β ∈ R3 tales que
(2, 3, 1) = α(1, 0, 0) + β(0, 1, 0) = (α, β, 0)
Luego, formamos el sistema
α =2
β =3
1 =0
Como 1 6= 0 tenemos una contradicción en nuestro sistema de ecuaciones, entonces ésta no posee solución. Es
decir, no existen escalares α, β ∈ R tales que
(2, 3, 1) = α(1, 0, 0) + β(0, 1, 0) = (α, β, 0).
Por lo tanto, no es posible escribir el vector (2, 3, 1) como una combinación lineal de los vectores (1, 0, 0) y
(0, 1, 0).

Dependencia e independencia lineal

Como hemos visto, no siempre es posible escribir un vector como combinación lineal de vectores dados. Más aún, en
ocasiones es posible que un vector se pueda escribir de más de una manera como combinación lineal de vectores dados.
Por ejemplo: El vector (1, 1) se puede escribir como combinación lineal del conjunto de vectores {(1, 0), (2, 1), (0, 1)}
de las siguientes formas:
(1, 1) = 1 · (1, 0) + 0 · (2, 1) + 1 · (0, 1)
(1, 1) = −1 · (1, 0) + 1 · (2, 1) + 0 · (0, 1)
Esto hace preguntarnos ¾Cuándo podremos escribir un vector como combinación de vectores dados de forma única?
Para responder a esta interrogante es bueno tener en cuenta la siguiente denición.
Denición 8.
Sean V un espacio vectorial sobre R y sea A = {~v1 , ~v2 , . . . , ~vn } ⊆ V , con k ∈ N. Decimos que A es un
conjunto linealmente dependiente (l.d.), si existen escalares α1 , α2 , . . . , αk ∈ K, no todos nulos, tales
que:
α1~v1 + α2~v2 + . . . + αk~vk = ~0
Si necesariamente todos los escalares α1 , α2 , . . . , αk , de la combinación lineal anterior son nulos, decimos
que A es linealmente independiente (l.i.). Es decir,
A es l.i. ⇔ [α1~v1 + α2~v2 + . . . + αk~vk = 0 ⇒ α1 = α2 = . . . = αk = 0]

9
Transformaciones lineales Página 10

Ejemplos:
1. Considerando el espacio vectorial P2 (R) sobre R. Determinar si los vectores {1 + x, x2 , 2x2 , 3x − 1} son l.i. o l.d.
Solución: Sean α, β, γ, δ ∈ R tal que
α(1 + x) + β(x2 ) + γ(2x2 ) + δ(3x − 1) = 0
(β + 2γ)x2 + (α + 3δ)x + α − δ = 0

Luego, tenemos que necesariamente

β + 2γ = 0
α + 3δ = 0
α−δ =0

El cual es un sistema lineal y homogéneo que resolvemos usando reducción Gaussiana

   
0 1 2 0 0 1 0 0 0 0
1 0 0 3 0  ∼ 0 1 2 0 0
1 0 0 −1 0 0 0 0 1 0

Entonces, α = δ = 0 y β = −2γ , con γ ∈ R (innitas soluciones del sistema). Por lo tanto, no necesariamente
α = β = γ = δ = 0, de donde concluimos que los vectores son l.d.
Por ejemplo, si γ = 1, entonces β = −2, cumpliendo
α(1 + x) + β(x2 ) + γ(2x2 ) + δ(3x − 1) = 0
0(1 + x) − 2(x2 ) + 1(2x2 ) + 0(3x − 1) = 0

2. Probar que el conjunto de vectores {(1, 2, 3), (0, 1, 2), (−1, 1, 4)} ⊂ R3 es l.i.
Solución: Sean α, β, γ ∈ R tal que
α(1, 2, 3) + β(0, 1, 2) + γ(−1, 1, 4) = (0, 0, 0)
(α − γ, 2α + β + γ, 3α + 2β + 4γ) = 0,

donde formamos el sistema lineal homogéneo

    
α−γ =0 1 0 −1 α 0
2α + β + γ = 0 ⇔ 2 1 1  β  = 0
3α + 2β + 4γ =0 3 2 4 γ 0

Recordando que un sistema lineal homogéneo siempre tiene solución (todas las incógnitas ceros), para determinar
si es la única solución podemos usar el determinante de la matriz de coecientes del sistema, ya que si el
determinante de la matriz de coecientes es diferente de cero, entonces el sistema tiene única solución. Entonces,
1 0 −1
2 1 1 = 1 6= 0.
3 2 4

Por lo tanto, el sistema tiene única solución, entonces α = β = γ = 0, de donde concluimos que los vectores son
l.i.
Es bueno observar que el sistema se puede resolver usando métodos sin involucrar matrices e igualmente ten-
dríamos la misma conclusión.
Es bueno tener en cuenta los siguientes resultados acerca de dependencia lineal de vectores.

10
Transformaciones lineales Página 11

Teorema 9.
Sea V un espacio vectorial sobre R y S ⊆ V .
ˆ Si A es un subconjunto l.i., entonces todo subconjunto de A es l.i. en V .

ˆ Si A es un subconjunto l.d., entonces todo subconjunto de V que contiene a A es l.d.

ˆ Si ~0 ∈ A, entonces A es l.d.

ˆ Si A = {~v }, con ~v 6= ~0, entonces A es l.d.

Base y dimensión.
Denición 10.
Sean V un espacio vectorial sobre K y {~v1 , ~v2 , . . . , ~vk } ⊆ V un conjunto dado, con k ∈ N. Se dene
el subespacio generado por {~v1 , ~v2 , . . . , ~vk }, denotado por S = h{~v1 , ~v2 , . . . , ~vk }i, como el conjunto
formado por todas las combinaciones lineales de los k vectores dados, es decir:
( k
)
X
S = h{~v1 , ~v2 , . . . , ~vk }i = ~v ∈ V : ~v = αi~vi , αi ∈ K, i = 1, . . . , k 6V
i=1

Además, al conjunto {~v1 , ~v2 , . . . , ~vk } se denomina conjunto generador de S , y a los vectores ~vi , i =
1, . . . , k , se denominan generadores de S .

Es importante destacar que a un espacio vectorial que posee un conjunto nito de generadores se dice que es un espacio
vectorial nito dimensional o de dimensión nita.

Ejemplos:
1. Determinar el conjunto generador del subespacio vectorial
S = {(x, y) : 2x + y = 0} 6 R2 .
Solución:
S = {(x, y) : 2x + y = 0} = {(x, y) : y = −2x} = {(x, −2x) : x ∈ R} = {x(1, −2) : x ∈ R}
Luego, por denición tenemos que
S = {x(1, −2) : x ∈ R} = h{(1, −2)}i
Por lo tanto, {(1, −2)} es el conjunto generador de S y (1, −2) es el generador de S .
2. Determinar los generadores del subespacio vectorial
  
a b
S= : a + b = 0, d = 2c 6 M2×2 (R).
c d
Solución:
     
b a a b
S= : a + b = 0, d = 2c = : b = −a, d = 2c
d c c d
        
a −a 1 −1 0 0
= : a, c ∈ R = a +b : a, c ∈ R
c 2c 0 0 1 −2
   
1 −1 0 0
= ,
0 0 1 −2

11
Transformaciones lineales Página 12

   
1 −1 0 0
Luego, las matrices y son los generadores de S .
0 0 1 −2
El siguiente resultado nos permitirá denir un espacio generado sólo vectores linealmente independientes, lo cual
permitirá describir cualquier elemento de un conjunto por una combinación lineal única.
Teorema 11.

Sea V un espacio vectorial sobre K. Si el conjunto de vectores {~v1 , ~v2 , . . . , ~vm } ⊆ V es l.d., con ~v1 6= ~0 y
m ∈ N, entonces existe un vector ~vi , i ∈ {2, 3, . . . , m}, tal que

i. ~vi ∈ h{~v1 , ~v2 , . . . , ~vi−1 , ~vi+1 , . . . , ~vm }i.

ii. h{~v1 , ~v2 , . . . , ~vi−1 , ~vi , . . . , ~vm }i = h{~v1 , ~v2 , . . . , ~vm }i

En términos prácticos, el teorema anterior establece que si un vector de un conjunto generador se puede escribir como
combinación lineal de los otros vectores generadores, se puede extraer del conjunto y el resultante seguirá siendo un
conjunto generador. Por ejemplo, como
(1, 2) = 1(1, 0) + 2(0, 1),

entonces h{(1, 2), (1, 0), (0, 1)}i = h{(1, 0), (0, 1)}i.
Lamentablemente, el resultado anterior no nos describe como determinar el vector linealmente dependiente (l.d.),
dentro del conjunto generador. Por ello, tengamos en cuenta el siguiente resultado.

Teorema 12.
Dadas dos matrices equivalentes por las A, B ∈ Mn×m (R), A ∼ B . Entonces, el espacio generado por
las las de A es igual al espacio generado por las las de B .
Además, el espacio generado por las las no nulas de una matriz escalonada reducida por las es l.i.

Ejemplo: Determinar un conjunto de vectores l.i. que genere a

S = h{(1, 2, 3), (1, 0, −1), (2, 3, 0), (5, 3, 2)}i

Solución: Usando el último teorema, tenemos

   
1 2 3 1 0 0
1
 0 −1 0
∼ 1 0
2 3 0  0 0 1
5 3 2 0 0 0

Por lo tanto,
S = h{(1, 2, 3), (1, 0, −1), (2, 3, 0), (5, 3, 2)}i = h{(1, 0, 0), (1, 0, 0), (0, 0, 1)}i ,

donde el conjunto {(1, 0, 0), (1, 0, 0), (0, 0, 1)} es l.i.

Denición 13.
Sea V un espacio vectorial sobre K. Un subconjunto B = {~v1 , ~v2 , . . . , ~vn } ⊂ V , con n ∈ N, se dice una
base de V si B es un conjunto generador de V y es l.i.

La bases triviales de un espacio vectorial son denominadas bases canónicas.

Además, un conjunto puede tener innitas bases, pero todas ellas compartirán la cantidad de vectores generadores
como veremos más adelante.

12
Transformaciones lineales Página 13

Ejemplos:
1. El conjunto B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es la base canónica de R3 . El conjunto B1 = {(1, 2, 3), (0, −2, −4), (0, 0, −4)}
también es base de R3 .
2. El conjunto B = {(1, 0), (0, 1)} es la base canónica de R2 . Otra base de R2 es B1 = {(1, 1), (2, −1)}. En efecto,
como
   
1 1 1 0
A= ∼ =B
2 −1 0 1

Por lo tanto, R2 = hBi = hB1 i.

3. El conjunto B = {1, x, x2 , x3 } es la base canónica de P3 (R).
       
1 0 1 0 0 0 0 0
4. La base canónica de M2×2 (R) es el conjunto B = , , , .
0 0 0 0 1 0 0 1

Teorema 14.
Si B es una base del espacio vectorial V sobre el cuerpo K, entonces todo vector de ~v ∈ V se escribe de
manera única como combinación lineal de los elementos de la base B.

Ejemplo: Escribir el vector genérico (x, y) ∈ R2 como combinación lineal de la base B = {(1, 2), (0, −1)} de R2 .
Solución: Primero, comenzamos destacando el hecho que B es una base de R2 .
Para escribir el vector (x, y) como combinación lineal de la base B, debemos determinar escalares α, β ∈ R tal que
(x, y) = α(1, 2) + β(0, −1) = (α, 2α − β).

Entonces, formamos el sistema

α =x
⇒α=x ∧ β =α−y
α−β =y
⇒α=x ∧ β =x−y

Por lo tanto,
(x, y) = x(1, 2) + (x − y)(0, −1).

Denición 15.
Se dene la dimensión de un espacio vectorial V sobre K, denotado por dim V , al número de vectores de
una base cualquiera de V .

Ejemplos:
1. Por convención si V = {~0}, entonces dim V = 0.
2. Si n, m ∈ N, entonces
(a) dim(Rn ) = n.
(b) dim(Pn (R)) = n + 1.
(c) dim(Mm×n (R)) = mn.

Ahora, presentamos un resultado que nos será de gran ayuda al momento de trabajar con espacios vectoriales de
dimensión nita. Antes, tengamos en cuenta la siguiente denición:

13
Transformaciones lineales Página 14

Denición 16.
Sean V y W espacios vectoriales sobre un cuerpo K. Una aplicación T : V → W se denomina isomorsmo
de V sobre W si es biyectiva, cumpliendo:
T (~v + α~u) = T (~v ) + αT (~u).

Si existe un ismorsmo entre dos espacios vectoriales V y W , entonces decimos que V es isomorfo a W y
lo denotamos por V ∼= W.

Teorema 17.
Sea V un espacio vectorial sobre R y n ∈ N. Si dim V = n, entonces V ∼
= Rn .

Ejemplos:
= R4 , donde un isomorsmo T : M2×2 (R) → R4 se dene por
1. M2×2 (R) ∼
 
a b
T = (a, b, c, d).
c d

2. P2 (R) ∼
= R3 , donde un isomorsmo T : P2 (R) → R3 se dene por

T (ax2 + bx + c) = (a, b, c).

Lo anterior nos permite trabajar de forma más práctica con el espacio de polinomios de a lo más grado 2
(P2 (R)), trabajando con el espacio R3 . Por ejemplo, si se nos pide demostrar que {x2 − 1, x + 1, x2 − 2x} es l.i.
es equivalente a demostrar que {(2, 0, −1), (0, 1, 1), (1, −2, 0)}, donde observamos que
T (x2 − 1) = (2, 0, −1)
T (x + 1) = (0, 1, 1)
T (x2 − 2x) = (1, −2, 0)

Luego, usando el teorema 12 tenemos

   
2 0 −1 1 0 0
0 1 1  ∼ 0 1 0
1 −2 0 0 0 1

Por lo tanto, el conjunto {(2, 0, −1), (0, 1, 1), (1, −2, 0)} es l.i., y equivalentemente {x2 − 1, x + 1, x2 − 2x} es l.i.

Para nalizar, es importante tener en cuenta el siguiente resultado.

Teorema 18.
Sean V es un espacio vectorial sobre K, y n ∈ N. Si dim V = n, entonces todo conjunto de vectores
{~v1 , . . . , ~vn } l.i. es una base de V .

Algunas consecuencias inmediatas del resultado anterior son: Todo subconjunto l.i de V con n vectores es una base y
todo subconjunto de más de n vectores es l.d.

14
Transformaciones lineales Página 15

    
  
1 2 1 00 0 0 0
Ejemplo: Determinar si
0 0
,
−1 00
, ,
1 1 2
es una base de M2×2 (R).
Solución: El problema es equivalente a determinar si {(1, 2, 0, 0), (1, 0, −1, 0), (0, 0, 1, 0), (0, 0, 1, 2)} es base de R4
(recuerde que M2×2 (R) ∼
= R4 ). Luego, analizamos los espacios las de la matriz
   
1 2 0 0 1 0 0 0
1 0 −1 0 0 1 0 0
0 0 1 0 ∼ 0 0 1 0
   

0 0 1 2 0 0 0 1

Aplicando el teorema 12, el conjunto {(1, 2, 0, 0), (1, 0, −1, 0), (0, 0, 1, 0), (0, 0, 1, 2)} es l.i.
(h{(1, 2, 0, 0), (1, 0, −1, 0), (0, 0, 1, 0), (0, 0, 1, 2)}i = h(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 0, 1), (0, 0, 0, 1)i )
Luego, {(1,
   2, 0, 0), (1,
 0, −1, 0),
 (0,
 0, 1,0), (0, 0, 1, 2)} es base de R4 , y equivalentemente, concluimos que:
1 2 1 0 0 0 0 0
, , , es una base de M2×2 (R)
0 0 −1 0 1 0 1 2

15
Transformaciones lineales Página 16

Referencias bibliográcas
1. Campbell, S. & Haberman, R. (1998). Introducción a las Ecuaciones Diferenciales con problemas de valor en la
frontera. MacGraw-Hill, México.

2. Grossman, S. & Flores, J. (2012). Álgebra Lineal (7a Ed.). MacGraw-Hill, México.
3. Lipschutz, S. (1986). Teoría y problemas de Álgebra Lineal. MacGraw-Hill, México.

16