Unidad 1

1.
Espacios Vectoriales
1.1 Espacios Vectoriales 5
1.2 Dependencia Lineal 16
1.3 Bases y Dimensión 24
1.4 Espacios Fundamentales de una Matriz 33
1.5 Suma Directa 40
1.1. Espacios Vectoriales

La noción de “espacio vectorial abstracto” evolucionó a lo largo de muchos años y tuvo muchos
contribuyentes. La idea cristalizó con el trabajo del matemático alemán H. G. Grassmann, que
publicó un artículo en 1862 en el que considerara sistemas abstractos de elementos no especificados
sobre los que definió las operaciones formales de adición y multiplicación escalar. El trabajo de
Grassmann fue controvertido, y otros, incluido Augustin Cauchy, reclamaron razonablemente la
idea.
Definición
Definición 1.1 Un espacio vectorial sobre un campo F es un conjunto no vacío V de objetos,
llamados vectores, en el cual son definidos dos operaciones, llamadas suma y multiplicación
por escalares tales que los siguientes diez axiomas se sostienen para todo u, v , w 2 V y
a, b 2 F :
1. Cerradura de la suma: u + v 2 V .
2. Cerradura de la multiplicación por escalares: av 2 V .
3. Commutatividad: u + v = v + u.
4. Elemento identidad para la suma de vectores: existe 0 2 V tal que 0 + u = u.
5. Elemento identidad para la multiplicación por escalar : 1u = u. 6. Inversos para la suma

de vectores: existe u 2 V tal que ( u) + u = 0.
6. Asociatividad de la suma vectorial: (u + v ) + w = u + (v + w ).
5
6 1.1. Espacios Vectoriales
7. Asociatividad para la multiplicación por escalar : a(bu) = (ab)u.
8. Distributiva sobre la suma de vectores: a(u + v ) = au + av .
9. Distributiva sobre la multiplicación por escalar : (a + b)u = au + bu.
Para mostrar que un conjunto con dos operaciones es un espacio vectorial:

Paso 1. Identifica el conjunto V de los objetos que se convertirán en vectores y al conjunto F de los objetos
que se convertirán en escalares.
Paso 2. Identificar las operaciones de suma y multiplicación escalar en V .
Paso 3. Verificar los axiomas 1 y 2; es decir, sumr dos vectores en V produce un vector en V , y multiplicar
un vector en V por un escalar en F también produce un vector en V .
Paso 4. Confirma que los axiomas 2, 3, 4, 5, 7, 8, 9 y 10 se mantienen.
Ejemplo 1.2 Para cualquier campo F y n 1, el conjunto F n = {(a1 , a2 , . . . , an ) | ai 2 F }

es un espacio vectorial sobre F con las operaciones (canónicas) dadas por
(a1 , . . . , an ) + (b1 , . . . , bn ) = (a1 + b1 , . . . , an + bn ), con ai , bi 2 F ,
(a1 , ..., an ) = ( a1 , ..., an ) con ai , 2 F.
Ejemplo 1.3 El conjunto de puntos en R2 que están sobre una recta que pasa por el origen
es un espacio vectorial sobre R.
Ejemplo 1.4 Para cualesquiera n, m 1 y un campo F , el conjunto Mn,m (F ) de las matrices

de n ⇥ m con coeficientes en F es un espacio vectorial con la suma y el producto por escalar
usual.
Ejemplo 1.5 El conjunto de polinomios (con coeficientes en F ), denotado por F [x], es un

espacio vectorial con la suma y el producto por escalar usual.
Ejemplo 1.6 El conjunto de las funciones reales de variable real f : D ! R definidas sobre un
conjunto D (típicamente, D es el conjunto de números reales o algún intervalo de la línea real)
es un espacio vectorial sobre R con la suma y el producto (por escalar) usual: f + g : D ! R
es la función cuyo valor en x 2 D es f (x) + g (x) y la multiplicación de un escalar a 2 K como
la función af : D ! R cuyo valor en x es af (x). Denotamos a este espacio como F(D).
Capítulo 1. Espacios Vectoriales 7
Ejemplo 1.7 Sea F un campo y V = {v } un conjunto cualquiera con un único elemento.

Defina las siguientes operaciones v + v = v y v = v con 2 F . Con estas operaciones, el
conjunto V es un espacio vectorial sobre F , llamado el espacio vectorial cero (o el espacio
vectorial trivial o nulo). Al vector v 2 V le llamamos el vector cero y usualmente denotamos
este escpacio como V = {0} o simplemente V = 0.
Ejemplo 1.8 El conjunto de puntos en R2 que están sobre una recta que no pasa por el origen
no es un espacio vectorial sobre R. Por ejemplo, considere la recta {(x, y ) | y = 2x +1, x 2 R}.
Ejemplo 1.9 El conjunto Zn de n-tuplas de enteros no es un espacio vectorial sobre Q con

la suma y la multiplicación por escalar coordenada-a-coordenada.
Ejemplo 1.10 Para cualesquiera enteros n 1, el conjunto GLn (F ) de las matrices invertibles
con coeficientes en un campo no es un espacio vectorial sobre F con la suma y el producto
por escalar usual (de hecho, esto es llamado un “grupo”).
Ejemplo 1.11 Sea V = R2 y F = R. Defina la suma y la multiplicación por escalares como

sigue: Si u = (u1 , u2 ) y v = (v1 , v2 ), entonces define
u + v = (u1 + v1 , u2 + v2 )
y si a 2 R, entonces define
au = (au1 , 0).
Aunque la suma es la canónica de R2 , la multiplicación por escalares no lo es. Y se tiene que
V no es un espacio vectorial sobre V con estas operaciones.
Autoevaluación 1.12
Determine si las siguientes afirmaciones son verdaderas o falsas, y justifique su respuesta.
1. Un vector es cualquier elemento de un espacio vectorial.
2. Un espacio vectorial debe contener al menos dos vectores.
3. El conjunto de números reales positivos es un espacio vectorial sobre los reales si la

suma vectorial y la multiplicación por escalares son las operaciones habituales de suma
y multiplicación de números reales.
4. En el espacio vectorial F(R) cualquier función cuya gráfica pasa através del origen es
un vector cero.
Actividad de Aprendizaje 1.13 Demuestra, con detalle, que los conjuntos dados en los Ejem-
plos 1.2-1.7 son espacios vectoriales sobre los respectivos campos.
Actividad de Aprendizaje 1.14 Argumenta, con detalle, que los que los conjuntos dados en
los Ejemplos 1.8-1.11 no son espacios vectoriales sobre los respectivos campos.
Actividad de Aprendizaje 1.15 Sea V = R+ , es decir, el conjunto de los números reales

positivos y sea F = R. Defina la suma y la multiplicación por escalares como sigue: sean
u, v 2 V y a 2 F defina:
u + v = uv
ku = u k ¿Es V un espacio vectorial sobre F con estas operaciones?
Propiedades elementales
Teorema 1.16 En un espacio vectorial V , el elemento identidad para la suma es único.
Demostración.
Suponga que existen 0 y 00 dos elementos identidad de V , es decir, 0 + v = v y 00 + v = v para
cada v 2 V . Se tiene que:
00 = 00 + 0 = 0 + 00 = .
Teorema 1.17 En un espacio vectorial V , el inverso para la suma de vectores es único.
Demostración.
Sea v 2 V . Suponga que existen u y w son tales que v + u = 0 = v + w . Se tiene que:
w = w + 0 = w + (v + u) = (w + v ) + u = u + (w + v ) = u + (v + w ) = u + 0 = u.
Teorema 1.18 Sea V un espacio vectorial sobre K, v 2 V y a 2 F . Tenemos que
0v = 0.
a0 = 0.
( 1) v = v.
( v) = v.
Demostración.
Note que 0v = (0 + 0) v = 0v +0v . Sumando a ambos lados el inverso aditivo de 0v a ambos

lados obtenemos
0 = (0v ) + ( 0v ) = (0v + 0v ) + ( 0v ) = 0v + [0v + ( 0v )] = 0v + 0 = 0v .
Para cualquier v 2 V , se tiene
a0 = a(0v ) = (a0)v = 0v = 0.
Basta demostrar que v + ( 1) v = 0. Así,
v + ( 1)v = 1v + ( 1)v = [1 + (1)] v = 0v = 0.
Por último,
( v ) = ( 1) ( v ) = ( 1) [( 1) v ] = [( 1) ( 1)] v = 1v = v .
Subespacios vectoriales
Definición 1.19 Sea V un espacio vectorial sobre F . Un subconjunto W ✓ V no vacío se

dice un subespacio de V , denotado W < V , si la suma y la multiplicación por escalares (de
V ) lo convierten en un espacio vectorial.
Ejemplo 1.20 Caractericemos todos los subespacios W de R2 :
W = {(0, 0)} es un subespacio.
Supongamos que S es un subespacio y que contiene algún elemento v no nulo. Entonces,

para todo 2 R, v 2 W . Si estos son todos los elementos de W , entonces W es un
subespacio (que, gráficamente, resulta ser una recta que pasa por el origen).
Con la notación del punto anterior, si W contiene algún elemento que no es de la forma
v , digamos v 0 , contiene también a todos los mútiplos de v 0 . Luego, W contiene a las
dos rectas L y L0 que pasan por el origen y cuyas direcciones son v y v 0 respectivamente.
Es claro (usando la regla del paralelogramo) que cualquier punto en R2 es suma de un

elemento de L más uno de L0 , luego pertenece a W . En consecuencia, W = R2 .
Teorema 1.21 Sea V un espacio vectorial sobre F y sea W ✓ V . Entonces W es un

subespacio de V si y solomente si se mantienen las siguientes condiciones:
1. 0 2 W .
2. u, v 2 W implica que u + v 2 W .
3. a 2 F , u 2 W , implica que au 2 W .
Demostración.
(!) Es inmediato.
( ) Observe que 0 2 W implica que W es no vacío. La suma y el producto por escalares son
cerrados en W . El lemento identidad para la suma de vectores está en W , y la existencia de
inversos para la suma se deduce de que dado u 2 W , se tiene que ( 1)u = u 2 W . El resto de
los axiomas se deducen de la validez de los mismos para V .
Ejemplo 1.22 Si V es cualquier espacio vectorial sobre F , el espacio cero W = 0 es un

subespacio de V .
Ejemplo 1.23 El conjunto W = {(a, a, b) | a, b 2 R} con las operaciones canónicas es un

subespacio de R3 .
Ejemplo 1.24 El conjunto D = {A | A es una matriz diagonal} es un subespacio de Mn (F ).

De la misma manera, El conjunto S = {A | A es una matriz simétrica} y A = {A |
A es una matriz anti-simétrica} también lo son.
Ejemplo 1.25 El conjunto de funciones continuas sobre R es un subespacios de F (R).

Denotamos a este espacio como C(R).
Ejemplo 1.26 Una función con derivada continua se dice que es continuamente diferenciable.
Las funciones continuamente diferenciables sobre R forman un subespacios de F(R). El cual
denotaremos como C 1 (R). Para llevar esto un paso más allá, el conjunto de funciones con m
derivadas continuas en R es un subespacio de F(R) al igual que el conjunto de funciones con
derivadas de todos los órdenes en R. Denotaremos estos subespacios por C m (R) y C 1 (R),
respectivamente.
Ejemplo 1.27 Sea F un campo y A 2 Mn⇥m (F ). El conjunto de soluciones del sistema

homogéneo Ax = 0 es un subespacio de F n sobre F .
Ejemplo 1.28 Sea F un campo. El conjunto de polinomios de grado a lo más n, denotado

por Fn [x], es un subespacio de F [x].
Ejemplo 1.29 El conjunto W = {(a, a2 , b) | a, b 2 R} con las operaciones canónicas no es

un subespacio de R3 .
Ejemplo 1.30 El conjunto H = {p(x) | p(0) = 1} no es un subespacio de F4 [x].
Ejemplo 1.31 Z no es un subespacio de Q.
Ejemplo 1.32 El subconjunto de puntos en el plano que consta de la unión del eje x y del
eje y no es un subespacio de R2 .
Autoevaluación 1.33 Determine si las siguientes afirmaciones son verdaderas o falsas, y

justifique su respuesta.
1. Si u es un vector y k un escalar tales que ku = 0, entonces tiene que ser verdad que
k = 0.
2. En todo espacio vectorial, los vectores ( 1)u y u son el mismo.
3. Cada subespacio de un espacio vectorial es en sí mismo un espacio vectorial.
4. Cada espacio vectorial es un subespacio de sí mismo.
5. Cada subconjunto de un espacio vectorial V que contiene el vector cero de V es un

subespacio de V .
6. El conjunto solución de un sistema lienal consistente Ax = b de m ecuaciones con n

incógnitas es un subespacio de Rn .
7. El conjunto de las matrices triangulares de n ⇥ n es un subespacio de Mn (R).
Actividad de Aprendizaje 1.34 Sea V un espacio vectorial sobre F . Demuestre que si v 2 V

y a 2 F son tales que av = 0, entonces a = 0 o v = 0.
Actividad de Aprendizaje 1.35 Para cada espacio vectorial en los Ejemplos 1.2-1.7, halle un
ejemplo de un subconjunto que sea un subespacio, y un subconjunto que no lo sea.
Actividad de Aprendizaje 1.36 Sea V un espacio vectorial sobre F , entonces
1. V es un espacio vectorial de sí mismo, es decir, V < V .
2. El espacio cero es un subespacio de V , es decir, 0 < V .
Actividad de Aprendizaje 1.37 Sea V un espacio vectorial sobre F . Sean W1 , W2 , . . . , Wn

subespacios de V . Demuestre que la intersección \ni=1 Wi es un subespacio de V sobre F .
Actividad de Aprendizaje 1.38 Sea V un espacio vectorial sobre F , W1 y W2 subespacios de

V , ¿es W1 [ W2 un subespacio vectorial de V ?
Combinaciones Lineales
Definición 1.39 Sea V un espacio vectorial sobre F y sean v1 , . . . , vn vectores en V . Una

Pn
combinación lineal de los vectores v1 , . . . , vn sobre F es un vector de la forma i=1 ai vi ,
donde a1 , . . . , an 2 F . Si n = 1, llamamos al vector av un *múltiplo escalar* del vector v .
Por definición, la *combinación lineal vacía* es el vector cero.
Ejemplo 1.40 El vector (2, 5) 2 Q2 es combinación lineal de los vectores (1, 0) y (0, 1)
sobre Q, pues (2, 5) = 2 (1, 0) + ( 5) (0, 1).
Ejemplo 1.41 El vector (2i, 4) 2 C2 es combinación lineal de los vectores (1, 0) y (0, 1)
sobre C, pues (2i, 4) = (2i )(1, 0) + 4(0, 1).
Ejemplo 1.42 El vector (1, 3, 1) 2 R3 es una combinación lineal de los vectores (0, 1, 2) y
(1, 0, 5) sobre R pues (1, 3, 1) = 3(0, 1, 2) + (1, 0, 5).
!
0 8
Ejemplo 1.43 El vector 2 M2 (R) es combinación lineal de los vectores
2 1
! ! ! ! ! ! !
0 2 1 3 2 0 0 8 0 2 1 3 2 0
, y , pues = +2 + ( 1) .
1 0 1 2 1 3 2 1 1 0 1 2 1 3
Ejemplo 1.44 El polinomio 2x 2 +6x +7 2 R[x] es combinación lineal sobre R de los polinomios
x2 1 y 2x + 3, pues 2x 2 + 6x + 7 = 2(x 2 1) + 3(2x + 3).
Ejemplo 1.45 El vector cero es combinación lineal de cualesquiera vectores v1 , . . . , vn , pues

Pn
siempre se pueden escoger escalares nulos, es decir, 0 = i=1 0 · vi .
Ejemplo 1.46 El vector (0, 0, 1) de R3 *no* es combinación lineal sobre R de los vectores
(1, 0, 0) y (0, 1, 0), pues a (1, 0, 0) + b (0, 1, 0) = (a, b, 0) 6= (0, 0, 1) para toda a, b 2 R.
Ejemplo 1.47 El vector (2i, 4) de C2 *no* es combinación lineal de los vectores (1, 0) y
(0, 1) sobre R, pues a(1, 0) + b(0, 1) = (a, b) 6= (2i , 4) ya que a 2 R.
Span, una manera de construir subespacios
Definición 1.48 Sean v1 , . . . , vn elementos de cualquier espacio vectorial V sobre un campo

F . Entonces
span(v1 , . . . , vn ) = {a1 v1 + · · · + an vn : a1 , . . . , an 2 F }
es un subespacio de V al cual llamaremos el *espacio generado* por v1 , . . . , vn sobre F .
Teorema 1.49 Sea V un espacio vectorial sobre F . Si v1 , . . . , vn 2 V , entonces

span(v1 , . . . , vn ) es un subespacio de V .
Demostración.
Verifiquemos que span(v1 , . . . , vn ) cumple las tres propiedades del Teorema 1.21.
1. Tenemos que 0 = 0v1 + · · · + 0vn 2 span(v1 , . . . , vn ).
2. Sean w1 , w2 2 span(v1 , . . . , vn ). Como w1 2 span(v1 , . . . , vn ), existen a1 , . . . , an 2 F tales que

w1 = a1 v1 + · · · + an vn . Similarmente, existen b1 , . . . , bn 2 F tales que w2 = b1 v1 + · · · + bn vn ,
entonces
w1 + w2 = (a1 v1 + · · · + an vn ) + (b1 v1 + · · · + bn vn ) = (a1 + b1 )v1 + . . . + (an + bn )vn
ya que (ai + bi ) 2 F para cada i , entonces w1 + w2 2 span(v1 , . . . , vn ).
3. Sean w 2 span(v1 , . . . , vn ) y a 2 F . Como antes, existen a1 , . . . , an 2 F tales que w1 =

a1 v1 + · · · + an vn , entonces
aw = a(a1 v1 + · · · + an vn ) = (aa1 )v1 + . . . + (aan )vn .

ya que aai 2 F para cada i , entonces aw 2 span(v1 , . . . , vn ).
Ejemplo 1.50 span(V ) = V.
Ejemplo 1.51 span(?) = O.
Ejemplo 1.52 Si V = Q2 , entonces span((1, 0)) = {(a, 0) | a 2 Q}.
Ejemplo 1.53 Los vectores v1 = (1, 2, 3), v2 = (0, 1, 2) y v3 = ( 2, 0, 1) generan a R3 , es

decir, span(v1 , v2 , v3 ) = R3 .
Solución.
La contención de conjuntos span(v1 , v2 , v3 ) ✓ R3 es clara. La otra contención se siguiría si mostra-
mos que cualquier vector x = (x1 , x2 , x3 ) de R3 es una combinación lineal de v1 , v2 y v3 , es decir, si
existen escalares c1 , c2 , c3 tales que
(x1 , x2 , x3 ) = c1 (1, 2, 3) + c2 (0, 1, 2) + c3 ( 2, 0, 1) = (c1 2c3 , 2c1 + c2 , 3c1 + 2c2 + c3 )
y obtenemos el siguiente sistema de ecuaciones:
c1 2c3 = x1
2c1 + c2 = x2
3c1 + 2c2 + c3 = x3
Los escalares existen si es el sistema anterior tiene solución. Calculando la determinante de la matriz
de coeficientes del sistema observamos que es diferente de cero y por lo tanto, el sistema tiene
solución única. Concluimos que cualquier vector de R3 se puede expresar como combinación lineal
de v1 , v2 y v3 , y estos vectores generan a R3 . ⌅
Ejemplo 1.54 Los vectores e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), e3 =

(0, 0, 1, . . . , 0), . . . , en = (0, 0, 0, . . . , 1) generan a F n sobre F . A los vectores ei les lla-
maremos los vectores canónicos. Decimos que F n es finitamente generado sobre F pues lo
generan un número finito de vectores, en este caso, n.
Ejemplo 1.55 Los vectores 1, x, x 2 , . . . , x n generan a Fn [x] sobre F .
Teorema 1.56 Sean V un espacio vectorial sobre F , S < V un subespacio y v1 , . . . , vn

vectores en V . Entonces span(v1 , . . . , vn ) ✓ S si y solamente si vi 2 S para toda 1  i  n.
Demostración.
()) Para cada 1  i  n,
vi = 0 · v1 + · · · + 0 · vi 1 + 1 · vi + 0 · vi+1 + · · · + 0 · vn 2 span(v1 , . . . , vn ) ✓ S
de donde vi 2 S.
P
(() Suponga que v1 , . . . , vn 2 S; como S es un subespacio, entonces ni=1 ai vi 2 S para cuales-
quiera ai 2 K y 1  i  n. Por lo tanto, span(v1 , . . . , vn ) ✓ S.
Teorema 1.57 Sea V un espacio vectorial sobre F y sean v1 , . . . , vn , vn+1 vectores en V .

Entonces span(v1 , . . . , vn ) = span(v1 , . . . , vn , vn+1 ) si y solamente si vn+1 2 span(v1 , . . . , vn ).
Demostración.
()) Sabemos que span(v1 , . . . , vn , vn+1 ) ✓ span(v1 , . . . , vn ), por el Teorema 1.56, vn+1 2 span(v1 , . . . , vn )
(() Supongamos que vn+1 2 span(v1 , . . . , vn ). Además, vi 2 span(v1 , . . . , vn ) para 1  i  n.
Entonces span(v1 , . . . , vn , vn+1 ) ✓ span(v1 , . . . , vn ). Por otro lado, vi 2 span(v1 , . . . , vn+1 ) para
1  i  n, lo cual implica que span(v1 , . . . , vn ) ✓ span(v1 , . . . , vn+1 ).

1. El span de cualquier conjunto finito de vectores en un espacio vectorial es cerrado bajo

la suma y la multiplicación por escalares.
2. Dos subconjuntos de un espacio vectorial V que generan al mismo subespacio de V son

iguales.
3. Los polinomios x 1, (x 1)2 y (x 1)3 generan F3 [x].
Actividad de Aprendizaje 1.59 Sean v1 , v2 , . . . , vn vectores en un espacio vectorial V sobre

F . Demuestre que span(v1 , . . . , vn ) es el subespacio "más pequeño"de V que contiene a
v1 , v2 , . . . , vn en el sentido de que cualquier otro subespacio que contiene a estos vectores
contiene a span(v1 , . . . , vn ).
Actividad de Aprendizaje 1.60 Sean v1 , v2 , . . . , vn , vn+1 2 V . Si span(v1 , . . . , vn ) = V , en-

tonces span(v1 , . . . , vn , vn+1 ) = V . Es decir, si agregamos uno o más vectores a un conjunto
generador se obtiene otro conjunto generador.
Actividad de Aprendizaje 1.61 El siguiente ejercicio establece las condiciones en las que dos
conjuntos de vectores generan el mismo espacio: Si S = {v1 , . . . , vn } y S 0 = {w1 , . . . , wn }
16 1.2. Dependencia Lineal
conjuntos no vacíos de un espacio vectorial V , entonces
span(v1 , . . . , vn ) = span(w1 , . . . , wn )
si y solamente si cada vector en S es una combinación lineal de los de S 0 , y cada vector de

S 0 es una combinación lineal de los de S.
1.2. Dependencia Lineal
Definición 1.62 Los vectores v1 , . . . , vn en V se dice que son linealmente independientes

si la ecuación a1 v1 + · · · + an vn = 0 tiene únicamente como solución la trivial, es decir,
a1 = · · · = an = 0.
Definición 1.63 Los vectores v1 , . . . , vn en V se dice que son linealmente independientes si

la ecuación a1 v1 + · · · + an vn = 0 tiene solución no trivial, es decir, si existem a1 , . . . , an *no
todos cero*, tales que la igualdad se mantiene.
Ejemplo 1.64 Sea V = R2 . El conjunto {(1, 0) , (0, 1)} es linealmente independiente sobre
R, pues dados cualesquiera escalares reales a y b, si (0, 0) = a (1, 0) + b (0, 1) = (a, b), se
seguiría que a = 0 y b = 0, es decir, los escalares son todos nulos.
Ejemplo 1.65 Los polinomios 1, x, x 2 , x 3 son linealmente independientes en el espacio vec-

torial Q[x] de todos los polinomios con coeficientes racionales.
Solución.
Si f (x) = a1 + a2 x + a3 x 2 + a4 x 3 = 0, entonces por la igualdad de los polinomios (observe que
0 es el polinomio cero) se tiene que ai = 0 para cada i . Así que los vectores son linealmente
independientes. ⌅
Ejemplo 1.66 El conjunto de vectores {1 + x, x + x 2 , 1 + x 2 } es linealmente independiente

F [x].
Solución.
Queremos encontrar a1 , a2 , a3 2 F tales que a1 (1 + x) + a2 (x + x 2 ) + a3 (1 + x 2 ) = 0. Lo cual
es equivalente a (a1 + a3 ) + (a1 + a2 )x + (a2 + a3 )x 2 = 0. Así que queremos resolver el siguiente
sistema homogéneo de tres variables:
a1 + a3 = 0
a1 + a2 = 0
a2 + a3 = 0
0 1 0 1
1 0 1 0 1 0 0 0
B C B C
La matriz aumentada del sistema es @1 1 0 0A y su forma escalonada reducida es @0 1 0 0A.
0 1 1 0 0 0 1 0
Se deduce que el sistema tiene solución trivial. Esto es, a1 = a2 = a3 = 0. Por lo tanto, el conjunto
de vectores es linealmente independiente. ⌅
Ejemplo 1.67 Determine si los vectores

! ! !
1 0 2 1 1 4 1 0 1
, ,
3 1 1 2 3 0 1 2 1
son linealmente dependientes o independientes en M2⇥3 (F ).
Solución.
Queremos encontrar escalares a1 , a2 , a3 2 F tales que
! ! ! !
1 0 2 1 1 4 1 0 1 0 0 0
a1 + a2 + a3 =
3 1 1 2 3 0 1 2 1 0 0 0
lo que equivale a resolver el sistema
a1 a2
a3 = 0
a2 = 0
2a1 + 4a2 + a3 = 0
3a1 + 2a2 + a3 = 0
a1 + 3a2 + 2a3 = 0
a1 + a3 = 0
La matriz de coeficientes del sistema es

0 1
1 1 1
B C
B 0 1 0C
B C
B 2 4 1C
B C
B 3 2 1C
B C
B C
@ 1 3 2A
1 0 1
y su forma escalonada reducida: 0 1

1 0 0
B C
B0 1 0C
B C
B0 0 1C
B C.
B0 0 0C
B C
B C
@0 0 0A
0 0 0
Por lo tanto, la solución es trivial y los vectores dados son linealmente independientes. ⌅
Ejemplo 1.68 Sea V un espacio vectorial sobre F . Entonces el conjunto {1} es linealmente
independiente sobre K, pues si existiera un escalar a en K tal que a · 1 = 0, se seguiría que el
escalar tiene que ser cero.
Ejemplo 1.69 Sea V un espacio vectorial sobre F y v 2 V con v 6= 0. Entonces el conjunto

{v } es linealmente independiente sobre K, pues si a · v = 0 se debe tener que a es el escalar
cero.
Ejemplo 1.70 Sea V = R2 . El conjunto {(1, 0) , (0, 1) , (2, 3)} es linealmente dependiente
sobre R, pues tenemos la siguiente combinación lineal con escalares reales no todos nulos que
da el vector cero: 2 · (1, 0) + 3 · (0, 1) + 1 · (2, 3) = (0, 0).
Ejemplo 1.71 Sea V un espacio vectorial sobre F . Entonces el conjunto {0} es linealmente
dependiente sobre K, pues 1 · 0 = 0 y el escalar que se usó fue 1 6= 0.
Teorema 1.72 Si los vectores v1 , . . . , vn en un espacio vectorial V son linealmente indepen-

dientes, entonces ninguno de ellos puede ser expresado como una combinación lineal de los
otros.
Demostración.
Suponga que al menos uno de ellos puede ser expresado como una combinación lineal de los otros,
sin pérdida de generalidad, supongamos que
v1 = a2 v2 + · · · + an vn
que puede ser reescrito como
v1 + ( a2 )v2 · · · + ( an )vn = 0.
Pero esto contradice que los coeficientes son todos cero. De aquí, ninguno de los vectores puede
ser expresado como una combinación lineal de los otros.

1. Un conjunto que contiene un solo vector es linealmente independiente.
2. El conjunto de vectores {v , kv } es linealmente dependiente para cada escalar k.
3. Cada conjunto linealmente dependiente contiene al vector cero.
4. Si el conjunto de vectores {v1 , v2 , v3 } es linealmente independiente, entonces

{kv1 , kv2 , kv3 } es también linealmente independiente para cada escalar k no cero.
5. Si v1 , . . . , vn son vectores no cero linealmente dependientes , entonces al menos un

vector vk es una combinación lineal única de v1 , . . . , vk .
6. El conjunto de matrices de 2 ⇥ 2 que contienen exactamente dos 1’s y dos 0’s es

linealmente independiente en M2 (R).
7. Los polinomios (x 1)(x + 2), x(x + 2) y x(x 1) son linealmente independientes.
8. Las funciones f1 y f2 son linealemente dependientes sobre R si existe un número real x

tal que k1 f1 (x) + k2 f2 (x) = 0 para algunos escalares k1 y k2 .
Actividad de Aprendizaje 1.74 Algunas veces la dependencia lineal de funciones puede ser
deducido de otras identidades. Por ejemplo, demuestre que las funciones
f1 = sen2 (x), f2 = cos2 (x), f3 = 5
forman un conjunto linealmente dependiente en el espacio de las funciones reales de variable

real sobre R.
Actividad de Aprendizaje 1.75 Si las funciones f1 , f2 , . . . , fn tienen (n

1) derivadas continuas
a
sobre R, y si el Wronskiano de esas funciones no es identicamente cero, entonces esas
funciones forman un conjunto de vectores linealmente independientes en C n 1 (R).
a
Si f1 = f1 (x), f2 = f2 (x), . . . , fn = fn (x) son funciones que son n 1 veces diferenciables en R, entonces la
determinante
f1 (x) f2 (x) ··· fn (x)
f10 (x) f20 (x) ··· fn0 (x)
W (x) = .. .. .. ..
. . . .
f1(n 1)
(x) f2(n 1)
(x) ··· fn(n 1)
(x)
es llamado el Wronskiano de f1 , f2 , . . . , fn .
Actividad de Aprendizaje 1.76 Use el Problema 1.75 para decidir si las siguientes funciones son
linealmente independientes o no en C 1 (R). 1. f1 = x, f2 = sen(x) 2. f1 = 1, f2 = e x , f3 = e 2x
3. f1 = e x , f2 = xe x , f3 = x 2 e x 4. f1 = sen(x), f2 = cos(x), f3 = xcos(x)
Teorema 1.77 Sea V un espacio vectorial sobre F y sean v1 , . . . , vn 2 V . Entonces el

conjunto {v1 , . . . , vn } es linealmente independiente si y solamente si
span(v1 , . . . , vn ) 6= span(v1 , . . . , vi 1 , vi+1 , . . . , vn )
para cada 1  i  n.
Demostración.
(!) Supongamos que span(v1 , . . . , vi 1 , vi+1 , . . . , vn ) = span(v1 , . . . , vn ). En particular,
vi 2 span(v1 , . . . , vi 1 , vi+1 , . . . , vn ),
Pn
es decir, existem aj 2 F con j 6= i tales que vi = j=1,j6=i aj vj . Entonces
i 1
X n
X
0= aj vj + ( 1)vi + aj vj ,
j=1 j=i+1
de donde v1 , . . . , vn no son linealmente independientes. ( ) Si v1 , . . . , vn son linealmente dependien-

P
tes, existe a1 , a2 , . . . , an 2 F no todos nulos, tales que ni=1 ai vi = 0. Sin pérdida de generalidad,
supongamos que an 6= 0. Entonces
n 1
X ai
vn = vi 2 span(v1 , . . . , vn 1 ).
i=1
an
Luego, span(v1 , . . . , vn ) = span(v1 , . . . , vn 1 ).
Proposición 1.78 Sea V un espacio vectorial sobre F . Entonces:
1. {v1 , . . . , vi , . . . , vj , . . . , vn } ✓ V es linealmente independiente si y solamente si

{v1 , . . . , vj , . . . , vi , . . . , vn } ✓ V es linealmente independiente.
2. {v1 , . . . , vi , . . . , vn } ✓ V es linealmente independiente si y solamente si

{v1 , . . . vi , . . . , vn } ✓ V es linealmente independiente para 2 f \ {0}.
3. {v1 , . . . , vi , . . . , vj , . . . , vn } ✓ V es linealmente independiente si y solamente si

{v1 , . . . , vi + vj , . . . , vj , . . . , vn } ✓ V es linealmente independiente para 2 F .
Demostración.
1. Es consecuencia del hecho que en un conjunto no importa el orden de sus elementos.
2. Supongamos que {v1 , . . . , vi , . . . , vn } es linealmente independiente. Sean a1 , . . . , an 2 F tales

que a1 v1 + · · · + ai ( vi ) + · · · + an vn = 0. Entonces se tiene que aj = 0 para cada j 6= i y que
ai = 0. Puesto que 6= 0, resulta que también ai = 0. Luego, {v1 , . . . , vj , . . . , vi , . . . , vn } ✓
V es linealmente independiente. Esto prueba la equivalencia, puesto que para demostrar la
otra implicación basta multiplicar el i -ésimo vector del conjunto por 1 .
3. Supongamos que {v1 , . . . , vi , . . . , vj , . . . , vn } ✓ V es linealmente independiente. Sean a1 , . . . , an 2

F tales que
0 = a1 v1 + · · · + ai (vi + vj ) + · · · + aj vj + · · · + an vn
= a1 v1 + · · · + ai vi + · · · + (aj + ai ) vj + · · · + an vn
La independencia lineal de {v1 , . . . , vi , . . . , vj , . . . , vn } implica que a1 = · · · = ai = · · · = aj +
ai = · · · = an de donde ak = 0 para toda 1  k  n. La otra implicación se deduce de lo an-
terior, observando que el conjunto {v1 , . . . , vn } se obtiene de {v1 , . . . , vi + vj , . . . , vj , . . . , vn }
cambiando el i -ésimo vector vi + vj por (vi + vj ) + ( ) vj = vi .
Actividad de Aprendizaje 1.79 Un conjunto que contiene al vector 0 es linealmente depen-

diente.
Actividad de Aprendizaje 1.80 Un conjunto con exactamente un vector es linealmente inde-

pendiente si y solamente si el vector no es 0.
[Algoritmo (indepencia lineal en F n ] Como consecuencia de la Proposición , para decidir si un subconjunto

de vectores {v1 , . . . , vn } de F n es linealmente independiente podemos proceder como sigue:
1. Considerar la matriz A 2 Mn (F ) cuyas columnas son los vectores v1 , . . . , vr .
2. Triangular la matriz usando el método de Gauss.
3. Si la matriz obtenida tiene alguna fila nula, el conjunto es linealmente dependiente. De lo contrario,
es linealmente independiente.
Demostración.
Observe que en cada paso del algortimo de Gauss, lo que se hace es cambiar el conjunto de vectores
por otro conjunto como la proposición. Luego, el nuevo conjunto de vectores será linealmente
independiente si y solo si el anterior era linealmente independiente. Si alguna fila de la matriz
obtenida es nula, es decir, uno de los vectores del conjunto de vectores obtenido es el 0, es claro
que el conjunto es linealmente dependiente. Por otro lado, si ninguna fila de la matriz triangular
superior es nula, es fácil ver que el conjunto de vectores obtenido es linealmente independiente.
(1, 2, 0), (1, 1, 1), (1, 4, 2)
son linealmente independiente en R3 .
Solución.
Usamos el algoritmo dado antes, formamos la matriz A cuyas filas son los vectores dados:
0 1
1 1 1
B C
@2 1 4A
0 1 2
aplicamos la eliminación gaussiana y obtenemos la matriz

0 1
1 1 1
B C
@0 1 2A .
0 0 4
Los vectores (1, 2, 0) , (1, 1, 1) , (1, 4, 2) son linealmente independientes. ⌅
Ejemplo 1.82 Determine si los vectores:
(1, 1, 2, 4) , (0, 1, 3, 1) , (3, 5, 12, 10) , (1, 1, 0, 0)
son linealmente independiente en R4 .
Solución.
Fomamos la matriz A y escalonamos:
0 1 0 1
1 0 3 1 1 0 3 1
B 1 1 C
5 1C B 2C
B B0 1 2 C
B C!B C.
@2 3 12 0A @0 0 0 4A
4 1 10 0 0 0 0 0
Los vectores dados son linealmente dependientes. ⌅
Aunque el algoritmo está dado en términos de F n , también puede ser ütilizado"para hallar
dependencia o independencia lineal en espacios más generales (aunque requiere de un análisis más
profundo)
1 + x, x + x 2 , 1 + x 2
son linealmente independientes en F [x].
Solución.
Identifiquemos cada polinomio como un vector en F 3 de la siguiente manera:
1 + x $ (1, 1, 0)
x + x 2 $ (0, 1, 1)
1 + x 2 $ (1, 0, 1)
donde la primera entrada corresponde al término independiente, la segunda al lineal y la tercera al

cuadrático. Ahora apliquemos el algoritmo y obtenemos
0 1 0 1
1 0 1 1 0 0
B C B C
@1 1 0A ! @0 1 0A .
0 1 1 0 0 1
Los vectores dados son linealmente independientes. ⌅
Teorema 1.84 Un conjunto de m vectores en F n es linealmente dependiente si m > n.
Corolario 1.85 Un conjunto de vectores linealmente independientes en F n contiene a lo más

n vectores.
Teorema 1.86 Sean v1 , . . . , vn vectores en F n y sea A 2 Mn (F ) cuyas columnas son

v1 , . . . , vn . Entonces v1 , . . . , vn son linealmente independientes si y solamente si la única
solución al sistema homogéneo Ax = 0 es la solución trivial.
Teorema 1.87 Sea A 2 Mn (F ). Entonces det(A) 6= 0 si y solamente si las columnas de A

son linealemente independientes.
Teorema 1.88 SeaA 2 Mn (F ). Entonces las siguientes afirmaciones son equivalentes:
1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial.

24 1.3. Bases y Dimensión
3. El sistema Ax = b tiene solución única para todo vector b.
4. A es equivalente por renglones a la matriz identidad In .
5. La forma escalonada reducida de A tiene n pivotes.
6. det(A) 6= 0.
7. Las columnas de A son linealmente independientes.
Teorema 1.89 Cualquier conjunto de n vectores linealmente independiente en F n genera a

F n.
Actividad de Aprendizaje 1.90 Demuestra los Teoremas 1.84-1.89 y el Corolario 1.85.
1.3. Bases y Dimensión
Definición 1.91 Si = {v1 , v2 , . . . , vn } es un conjunto de vectores en un espacio vectorial

V , decimos que es una base para V si:
span( ) = V .
es linealmente independiente.
Ejemplo 1.92 {e1 , e2 , . . . , en } forman una base para F n a la cual llamamos la **base canó-
nica** para Rn .
Ejemplo 1.93 {(1, 2, 1), (2, 9, 0), (3, 3, 4)} forman una base para R3 sobre R.
Ejemplo 1.94 {1, x, x 2 , . . . , x n } es una base para Fn [x]. Esta es llamada la **base canónica**
para Fn [x].
Ejemplo 1.95 Defina Mij 2 Mmn (F ) como la matriz cuya entrada (i , j) es 1, y 0 en el resto
de entradas. Así, {Mij | 1  i  m, 1  j  n} es la **base canónica** para Mmn (F ). En
particular, la base canónica para M23 (F ) es:
( ! ! !
1 0 0 0 1 0 0 0 1
M11 = , M12 = , M13 = ,
0 0 0 0 0 0 0 0 0
! ! !)
0 0 0 0 0 0 0 0 0
M21 = , M22 = , M23 =
1 0 0 0 1 0 0 0 1
Teorema 1.96 Si = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V , cada vector
v 2 V puede ser expresado de forma única como combinación lineal de los elementos de la
base.
Demostración.
Dado que genera V , existen a1 , a2 , . . . , an 2 F tales que
v = a1 v1 + a2 v2 + · · · + an vn .
Para demostrar la únicidad de la expresión, suponga que existen b1 , b2 , . . . , bn 2 F tales que
v = b1 v1 + b2 v2 + · · · + bn vn .
Restando ambas expresiones obtenemos
0 = (a1 b1 )v1 + (a2 b2 )v2 + · · · + (an bn )vn .
Dado que el conjunto es linealmente independiente, se sigue que,
a1 b1 = 0, a2 b2 = 0, . . . , an bn = 0
es decir,
a1 = b1 , a2 = b2 , . . . , an = bn .
De aquí, las dos expresiones de v son la misma.
Definición 1.97 Si = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V sobre F , y
v = a1 v1 + a2 v2 + · · · + an vn
es la expresión para un vector v 2 V como combinación lineal de la base , entonces los

escalares a1 , a2 , . . . , an son llamadas las coordenadas de v relativas a la base . El vector
(a1 , a2 , . . . , an ) 2 F n es llamado el vector de coordenadas de v relativo a la base ; y es
denotado como
[v ] = (a1 , a2 , . . . , an ).
Recuerde que dos conjuntos son *iguales* si tienen los mismos elementos, incluso si esos elementos están
escritos en un orden distinto. En particular, en una base para un espacio vectorial V , que es un conjunto de
vectores linealmente independientes que generan V , generalmente no importa el orden en que se escriben
esos vectores. Sin embargo, el orden en que se esxcriben es fundamental para los vectores de coordenadas, ya
que cambiar el orden de los vectores base cambia los vectores de coordenadas (por ejemplo, en R2 el par de
coordenadas (1, 2) no es el mismo que el par de coordenadas (2, 1)). Para hacer frente a esta complicación,
muchos autores definen una **base ordenada** para que sea aquella en la que el orden de listado de los
vectores de la base permanezca fijo. En todas las discusiones relacionadas con vectores de coordenadas
asumiremos que la base subyacente está ordenada, aunque no lo digamos explícitamente.
Ejemplo 1.98 Sea V = Fn y la base canónica, para v 2 V se tiene que v = [v ] .
Ejemplo 1.99 Sea V = R3 y = {(1, 2, 1), (2, 9, 0), (3, 3, 4)} una base. Para v = (5, 1, 9)
se tiene que [v ] = (1, 1, 2).
Ejemplo 1.100 Sea V = Pn y la base canónica, para p(x) = cn x n +cn 1 x n 1

+· · ·+c1 x +c0
se tiene que [p(x)] = (c0 , c1 , . . . , cn ).
!
a b
Ejemplo 1.101 Sea V = M22 (F ) y la base canónica, para A = 2 M22 (F ), se
c d
tiene que [A] = (a, b, c, d).

1. Si V = span{v1 , . . . , vn }, entonces {v1 , . . . , vn } es una base para V .
2. Cada subconjunto linealmente independiente de un espacio vectorial V es una base para

V.
3. Si {v1 , . . . , vn } es una base para un espacio vectorial V , entonces cada vector en V

puede ser expresado como una combinación lineal de v1 , . . . , vn .
4. El vector de coordenadas de un vector x 2 Rn relativo a la base estándar para Rn es x.
5. Cada base de F4 [x] contiene al menos un polinomio de grado 3 o menor.
Actividad de Aprendizaje 1.103 Muestre que el conjunto
{(3, 1, 4), (2, 5, 6), (1, 4, 8)}

forman una base para R3 .
Actividad de Aprendizaje 1.104 Muestre que el conjunto
{x 2 + 1, x 2 12x 1}
forman una base para F3 [x].
Actividad de Aprendizaje 1.105 Muestre que las matrices

! ! ! !
3 6 0 1 0 8 1 0
, , , ,
3 6 1 0 12 4 1 2
forman una base para M22 (F ).
Actividad de Aprendizaje 1.106 Sea V = span(cos2 (x), sen2 (x), cos(2x)).
1. Muestra que S = {cos2 (x), sen2 (x), cos(2x)} no es una base para V .
2. Halle una base para V .
Actividad de Aprendizaje 1.107 Los primeros cuatro **polinomios de Hermite** (llamados

así en honor al matemático francés Charles Hermite (1822-1901)) son
1, 2t, 2 + 4t 2 , 12t + 8t 3 .
Estos polinomios tiene una amplia variedad de aplicaciones en física e ingeniería.
1. Muestre que los primeros cuatro polinomios de Hermite forman una base para R3 [t].
2. Sea B la base del inciso anterior. Halla el vector de coordenadas del polinomio
p(t) = 1 4t + 8t 2 + 8t 3
relativo a B.
Actividad de Aprendizaje 1.108 Los primeros cuatro polinomios de Laguerre (llamados así
en honor al matemático francés Edmond Laguerre (1834-1886)) son
1, 1 t, 2 4t + t 2 , 6 18t + 9t 2 t 3.
1. Muestra que los primeros cuatro polinomios de Laguerre froman una base para R3 [t].
2. Sea B la base del inciso anterior. Halla el vector de coordenadas del polinomio
p(t) = 10t + 9t 2 t3
relativo a B.
Actividad de Aprendizaje 1.109 Considere los siguientes vectores
[w ]S = (6, 1, 4), [q]S = (3, 0, 4), [B]S = ( 8, 7, 6, 3).
1. Halle w si S es la base del Problema 1.103.
2. Halle q si S es la base del Problema 1.104.
3. Halle B si S es la base del Problema 1.105.
Teorema 1.110 Sea V un espacio vectorial sobre F , y sea = {v1 , v2 , . . . , vn } cualquier

base.
1. Si un conjunto en V tiene más de n vectores, entonces tiene que ser linealmente de-
pendiente.
2. Si un conjunto en V tiene menos de n vectores, entonces no puede generar a V .
Demostración.
1. Sea S = {w1 , w2 , . . . , wm } cualquier conjunto de m vectores en V con m > n. Deseamos

demostrar que S es linealmente dependiente, es decir, queremos hallar k1 , k2 , . . . , km 2 F
escalres no todos cero, tales que
0 = k1 w1 + k2 w2 + · · · + km wm .
Ahora, dado que es una base, cada wi puede ser expresado como combinación lineal de los
vectores en , digamos
w1 = a11 v1 + a21 v2 + · · · + an1 vn

w2 = a12 v1 + a22 v2 + · · · + an2 vn
..
.
wm = a1m v1 + a2m v2 + · · · + anm vn
Al sustituir obtenmos
0 = k1 w1 + k2 w2 + · · · + km wm
= k1 (a11 v1 + a21 v2 + · · · + an1 vn ) + · · · + km (a1m v1 + a2m v2 + · · · + anm vn ))
= (k1 a11 + · · · km a1m )v1 + · · · (k1 an1 + · · · + km anm )vn
Ya que los vectores v1 , v2 , . . . , vn son linealmente independientes, obtenemos el siguiente

sistema homogéneo de ecuaciones lineales
0 = k1 a11 + · · · km a1m
0 = k1 a21 + · · · km a2m
..
.
0 = k1 an1 + · · · km anm
Observe que dicho sistema homogéneo es de n ⇥ m y como m > n, entonces tiene infinitas
soluciones, es decir, existen k1 , k2 , . . . , km no todos ceros que satisfacen la ecuación. Así que,
S es linealmente dependiente.
Teorema 1.111 Todas las bases para un espacio vectorial V tienen el mismo número de
vectores.
Demostración.
Si S = {v1 , v2 , . . . , vn } es una base arbitraria para V , entonces la independencia lineal de S implica
que cualquier conjunto en V con más de n vectores es linealmente dependiente y cualquier conjunto
en V con menos de n vectores no genera a V . Por lo tanto, a menos que un conjunto en V tenga
exactamente n vectores, no puede ser una base.
Definición 1.112 La dimensión de un espacio vectorial V sobre F es denotado por dimF (V )

y se define como el número de elementos en una base para V .
Ejemplo 1.113 dimF (0) = 0
Ejemplo 1.114 En vista de las bases canónicas, podemos deducir que
1. dimF (F n ) = n.
2. dimF (Fn [x]) = n + 1.
3. dimF (Mmn (F )) = mn.


1. El espacio vectorial cero tiene dimensión cero.
2. Existen un conjunto de 17 vectores linealmente independientes en R17 .
3. Existen un conjunto de 11 vectores que generan a R11 .
4. Todo conjunto linealmente independiente de cinco vectores en R5 es una base para R5 .
5. Todo conjunto de cinco vectores que genera a R5 es una base para R5 .
6. Todo conjunto de vectores que genera a Rn contiene una base para Rn .
Actividad de Aprendizaje 1.116 Concluye la prueba del Teorema 1.110.
Actividad de Aprendizaje 1.117 Halla una base y la dimensión del espacio solución del si-
guiente sistema homogéneo:
x1 +3x2 2x3 +2x5 = 0

2x1 +6x2 5x3 2x4 +4x5 3x6 = 0
5x3 +10x4 +15x6 = 0
2x1 +6x2 +8x4 +4x5 +18x6 = 0
Actividad de Aprendizaje 1.118 (Teorema Más/Menos) Demuestre que:

Sea S un conjunto no vacío de vectores en un espacio vectorial V .
1. Si S es linealmente independiente, y si v 2 V es tal que v 62 span(S) , entonces el

conjunto S [ {v } sigue siendo linealmente independiente.
2. Si v 2 S tal que v 2 span(S), entonces S y S {v } generan el mismo espacio, esto es,
span(S) = span(S {v }).
Ejemplo 1.119 Muestra que p1 = 1 x 2 , p2 = 2 x 2 y p3 = x 3 son linealmente indepen-

dientes.
Solución.
El conjunto S = {p1 , p2 } es linealmente independiente, ya que ninguno de los vectores en S es
un múltiplo escalar del otro. Dado que el vector p3 no se puede expresar como una combinación
lineal de los vectores en S (¿por qué?), se puede unir a S para producir un conjunto linealmente
independiente S [ {p3 } = {p1 , p2 , p3 }. ⌅
Teorema 1.120 Sea V un espacio vectorial sobre F de dimensión n, y sea S un conjunto en

V con exactmente n vectores. Entonces S es una base para V si y solamente si S genera a
V o S es linealmente independiente.
Demostración.
(!) Supongamos que S tiene exactamente n vectores y genera a V . Para demostrar que S es una
base, debemos demostrar que S es un conjunto linealmente independiente. Pero si esto no es así,
entonces algún vector v en S es una combinación lineal de los vectores restantes. Si eliminamos
este vector de S, entonces se deduce del Teorema Más/Menos que el conjunto restante de n 1
vectores todavía genera a V . Pero esto es imposible ya que el Teorema 1.110 establece que ningún
conjunto con menos de n vectores puede generar un espacio vectorial de dimensión n. Por lo tanto,
S es linealmente independiente.
( ) Supongamos que S tiene exactamente n vectores y es un conjunto linealmente independiente.
Para demostrar que S es una base, debemos demostrar que S genera a V . Pero si esto no es así,
entonces hay algún vector v en V que no está en span(S). Si insertamos este vector en S, entonces
se sigue del Teorema Más/menos que este conjunto de n + 1 vectores sigue siendo linealmente
independiente. Pero esto es imposible, ya que el Teorema theorem:linnogen establece que ningún
conjunto con más de n vectors en un espacio vectorial de dimensión n puede ser linealmente
independiente. Así, S genera a V .
Teorema 1.121 Sea S un conjunto finito de vectores en un espacio vectorial V de dimensión

n.
1. Si S genera a V pero no es una base para V , entonces S puede ser reducido a una base
para V al remover los vectores apropiados de S.
2. Si S es un conjunto linealmente independiente que no es una base para V , entonces S

puede ser aumentada a una base para V al insertar vectores apopiados de V .
Teorema 1.122 Si W es un subespacio de un espacio vectorial V de dimensión n.
1. W es de dimensión finita.
2. dim(W )  dim(V ).
3. W = V si y solamente si dim(W ) = dim(V ).
Demostración.
1. Ejercicio.
2. Por (1), W es de dimensión finita, sea = {w1 , . . . , wm } una base. Entonces puede
ser (o no) una base para V . Si es una base, entonces dim(V ) = m, lo que significa que
dim(V ) = dim(W ). Si no es una base, entonces debido a que es un conjunto linealmente
independiente, se puede ampliar a una base para V por el Teorema 1.120. Pero esto implica
que dim(W ) < dim(V ), por lo que hemos demostrado que dim(W )  dim(V ) en todos los
casos.
3. Asuma que dim(W ) = dim(V ) y que = {w1 , . . . , wn } es una base para W . Si no es una
base para V , entonces por la independencia lineal puede ser extendida a una base para V por
el Teorema theorem:nobase01. Pero esto significa que dim(V ) > dim(W ) lo cual contradice
la hipótesis. Así que tiene que ser una base para V , lo cual significa que W = V . El recíproco
es obvio.

1. Existe una base para M22 (F ) que consiste de matrices invertibles.

2
2. Si A es una matriz de n ⇥ n, y In , A, A2 , . . . , An son matrices distintas, entonces
2
{In , A, A2 , . . . , An } es un conjunto linealmente dependiente.
3. Existe al menos dos subespacios distintos de dimensión tres de F2 [x].
4. Existen exactamente tres subespacios distintos de dimensión dos de F2 [x].
Actividad de Aprendizaje 1.124 Prueba el Teorema 1.121.
Actividad de Aprendizaje 1.125 Halla dim(D), dim(S) y dim(A).
Actividad de Aprendizaje 1.126 Sea una base para un espacio vectorial V de dimensión
n. Demuestra que si {v1 , v2 , . . . , vr } forman un conjunto linealmente independiente en V ,
entonces los vectores de coordenadas [v1 ] , [v2 ] , . . . , [vr ] forman un conjunto linealmente
independiente en Rn , y recíprocamente.
Actividad de Aprendizaje 1.127 Sea = {v1 , v2 , . . . , vr } un conjunto no vacío de vectores

en un espacio vectorial V de dimensión n. Demuestra que si los vectores en generan a V ,
entonces los vectores de coordenadas [v1 ] , [v2 ] , . . . , [vr ] generan a Rn , y recíprocamente.
1.4. Espacios Fundamentales de una Matriz
En esta sección estudiaremos algunos espacios vectoriales importantes que están asociados
con las matrices. Nuestro trabajo aquí nos proporcionará una comprensión más profunda de las
relaciones entre las soluciones de un sistema lineal y las propiedades de su matriz de coeficientes.
Definición 1.128 Si A 2 Mmn (F ) , entonces el subespacio de F n generado por las filas de

la matriz A es llamado el espacio fila R(A) de A, y el subespacio de F m generado por las
columnas de la matriz A es llamado el espacio columna R(AT ) de A. El espacio solución
del sistema de ecuaciones homogéneas Ax = 0, el cual es un subespacio de F n es llamado el
espacio nulo N(A) de A.
Teorema 1.129 Un sistema de ecuaciones lineales Ax = b es consistente si y solamente si

b 2 R(A).
Demostración.
Suponga que 0 1 0 1
a11 a12 · · · a1n x1
B a21 a22 C
· · · a2n C B C
B B x2 C
A=B . .. .. . C , x = B .C
@ .. . . .. A @ .. A
am1 am2 · · · amn xn
Se sigue que si C1 , C2 , . . . , Cn denotan las columnas de A, entonces el producto Ax puede ser
expresado como una combinación lineal de los Ci con coeficientes de x, esto es,
Ax = x1 C1 + x2 C2 + · · · + xn Cn .
De aquí, un sistema lineal, Ax = b de m ecuaciones con n incógnitas puede ser escrito como:
x1 C1 + x2 C2 + · · · + xn Cn = b
de lo cual concluímos que Ax = b es consistente si y solamente si b se puede expresar como una

combinación lineal de las columnas de A.
0 1 0 1
1 1 3 2
B C B C
Ejemplo 1.130 @ 9A pertenece al espacio columna de A = @ 1 2 3A
3 2 1 2
34 1.4. Espacios Fundamentales de una Matriz
Teorema 1.131 Si x0 es cualquier solución de un sistema lineal consistente Ax = b, y si

= {v1 , v2 , . . . , vk } es una base para el espacio nulo de A, entonces cada solución de Ax = b
se puede expresar en la forma
x = x0 + c1 v1 + c2 v2 + · · · + ck vk .
Recíprocamente, para todas las elecciones de escalares c1 , c2 , . . . , ck , el vector x en esta

fórmula es una solución de Ax = b.
Sabemos que la realización de operaciones elementales de fila en la matriz aumentada [A | b] de

un sistema lineal no cambia el conjunto de soluciones de ese sistema. Esto es cierto, en particular,
si el sistema es homogéneo, en cuyo caso la matriz aumentada es [A | 0]. Pero las operaciones
elementales de fila no tienen ningún efecto en la columna de ceros, por lo que se deduce que el
conjunto de soluciones de Ax = 0 no se ve afectado por la realización de operaciones elementales
de fila en la propia A. Por lo tanto, tenemos el siguiente teorema.
Teorema 1.132 Operaciones elementales de fila no cambian el espacio nulo de una matriz.
Teorema 1.133 Operaciones elementales de fila no cambian el espacio fila de una matriz.
Los Teoremas 1.132 y 1.133 pueden hacernos creer que las operaciones elementales de fila
no cambian el espacio columna de una matriz. Sin embargo, esto no es correcto. Para ver esto,
comparemos las matrices ! !
1 3 1 3
A= yB= .
2 6 0 0
La matriz B puede ser obtenida de A al realizar la operación !
R2 $ R2 + ( 2)R1 . Sin embargo, esta
1
operación ha cambiado el espacio columna, por ejemplo 62 R(B T ), de aquí, R(AT ) 6= R(B T ).
2
Ejemplo 1.134 Halle una base para el espacio nulo de la matrix

0 1
1 3 2 0 2 0
B2 6 5 2 4 3C
B C
B C
@0 0 5 10 0 15 A
2 6 0 8 4 18
Solución.
El espacio nulo de A es el espacio solución del sistema lineal homogéneo Ax = 0. Lo primero que
hacemos es escalonar la matriz: 0 1

1 3 0 4 2 6
B0 0 1 2 0 3C
B C
B C
@0 0 0 0 0 1A
0 0 0 0 0 0
Así, la solución del sistema es:
x1 = 3r 4s 2t, x2 = r, x3 = 2s, x4 = s, x5 = t, x6 = 0
el cual puede ser escrito como

0 1 0 1 0 1 0 1
3r 4s 2t 3 4 2
B C B C B C B C
B r C B1C B 0C B 0C
B C B C B C B C
B 2s C B C B C B 0C
B C=rB 0 C+sB 2C
+ t B C.
B s C B0C B 1C B 0C
B C B C B C B C
B C B C B C B C
@ t A @0A @ 0A @ 1A
0 0 0 0
De aquí, la base para el espacio nulo de la matriz es:

80 1 0 1 0 19
>
> 3 4 2 >>
>
> B C B C B C>>
>
> B1C B0C B 0 C>>
>
> C>
< B 0 C B 2C
B C B
C B
B
0 C=
C
>
B C,B C,B .
>B
>
C B C B
B0C B1C B 0CC>>
>
> B C B C B C>>
>
> @0A @0A @ 1 A>>
>
> >
>
: 0 0 0 ;
El siguiente teorema hace posible hallar bases para los espacios columna y renglón de una matriz
en forma escalonada por inspección.
Teorema 1.135 Si una matriz R está en forma escalonada (por filas), entonces las filas las
cuales contienen los pivotes forman una base para el espacio fila de R y las columnas que
contienen los pivotes forman una base para el espacio columna de R.
Ejemplo 1.136 Halla bases para los espacios fila y columna de la matriz
0 1
1 2 5 0 3
B0 1 3 0 0C
B C
R=B C
@0 0 0 1 0A
0 0 0 0 0
Solución.
Dado que la matriz R está escalonada:
0 1
1 2 5 0 3
B0 1 3 0 0C
B C
B C
@0 0 0 1 0A
0 0 0 0 0
El Teorema 1.135 implica que 80 1 0 1 0 19

>
> 1 0 0 >>
>
> B >
>
<B 2C B1C B0C
C B C B >
C>
=
B C B C B C
B 5 C , B3C , B0C .
>
> B C B C B C>
>
>
>
@ 0 A @0A @1A> >
>
>
: ;
3 0 0
es una base del espacio fila de R y
80 1 0 1 0 19
>
> 1 2 0 >>
>
<B0C B >
B C B 1 C B0 C
C B
C
=
B C,B C,B C .
>
> @0A @ 0 A @1A> >
>
: >
;
0 0 0
es una base del espacio columna de R. ⌅
Ejemplo 1.137 Halla una base para el espacio fila de la matriz

0 1
1 3 4 2 5 4
B 2 6 9 1 8 2C
B C
A=B C
@ 2 6 9 1 9 7A
1 3 4 2 5 4
Solución.
Dado que las operaciones elementales de renglón no cambian el espacio fila de una matriz, podemos
encontrar una base para el espacio fila de A encontrando una base para el espacio fila de cualquier
forma escalonada de A. Reduciendo A a una forma escalonada, obtenemos (verificar)

0 1
1 3 4 2 5 4
B0 0 1 3 2 6C
B C
R=B C.
@0 0 0 0 1 5A
0 0 0 0 0 0
Por el Teorema 1.135, Los vectores de fila distintos de cero de R forman una base para el espacio
fila de R y, por lo tanto, forman una base para el espacio fila de A. La base es:
80 1 0 1 0 19
>
> 1 0 0 > >
>
> B C B C B C>>
>
>B 3C B0C B0C> >
>
> >
<B 4 C B0C B0C>
B C B C B C =
B C,B C,B C .
>B
>
C B C B C>
B 2C B0C B0C>
>
> B C B C B C> >
>
> @ 5 A @1A @1A> >
>
> >
>
: 4 5 5 ;
es una base del espacio fila de R ⌅
El problema de encontrar una base para el espacio columna de una matriz A en el Ejemplo 1.137 se complica
por el hecho de que una operación renglón puede alterar su espacio columna. Sin embargo, la buena noticia
es que las operaciones renglón no alteran las relaciones de dependencia entre los vectores columna. Más
precisamente, supongamos que w1 , w2 , . . . , wl son vectores columna linealmente dependientes de A, por lo
que hay escalares c1 , c2 , . . . , ck no son todos cero tales que
c1 w1 + c2 w2 + · · · + ck wk = 0.
Si elaboramos operaciones renglón en A, entonces estos vectores pueden cambiar en unos nuevos vectores
columna w10 , w20 , . . . , wk0 . A primera vista, parece posible que los vectores transformados sean linealmente
independientes. Sin embargo, esto no es así, se puede demostrar que estos nuevos vectores columna son
linealmente dependientes y, de hecho, están relacionados por una ecuación
c1 w10 + c2 w20 + · · · + ck wk0 = 0.
También se puede demostrar que las operaciones renglón no alteran la independencia lineal de un conjunto
de vectores columna. Todos estos resultados se resumen en el Teorema.
Teorema 1.138 Si A y B son equivalentes por renglones, entonces
1. Un conjunto dado de vectores columna de A es linealmente independiente si y solamente

si los vectores columna correspondientes de B son linealmente independientes.
2. Un conjunto dado de vectores columna de A forma una base para el espacio columna
de A si y solamente si los vectores columna correspondientes de B forman una base
para el espacio columna de B.
Ejemplo 1.139 (Continuación del Ejemplo 1.137) Halla una base para el espacio columna de
la matriz 0 1
1 3 4 2 5 4
B 2 6 9 1 8 2C
B C
A=B C
@ 2 6 9 1 9 7A
1 3 4 2 5 4
Solución.
Ya habiamos calculado que la matriz
0 1
1 3 4 2 5 4
B0 0 1 3 2 6C
B C
R=B C.
@0 0 0 0 1 5A
0 0 0 0 0 0
es una forma escalonada de A. Teniendo en cuenta que A y R pueden tener diferentes espacios
columna, no podemos encontrar una base para el espacio columna de A directamente de los vectores
columna de R. Sin embargo, se sigue del Teorema 1.138 que si podemos encontrar un conjunto de
vectores columna de R que formen una base para el espacio columna de R, entonces los vectores
columna correspondientes de A formarán una base para el espacio columna de A. Dado que la
primera, tercera y quinta columna de R contienen los pivotes, los vectores
8 0 1 0 1 0 19
>
> 1 4 5 > >
>
<B0C B1C B 2C> =
B C B C B C
B C,B C,B C
>
> @0A @0A @ 1 A> >
>
: >
;
0 0 0
forman una base del espacio columna de R. De aquí, los correspondientes vectores columna de A,
los cuales son: 8 0 1 0 1 0 19
>
> 1 4 5 > >
>
< B 2 C B 9 C B 8 C> =
B C B C B C
B C,B C,B C
>
> @ 2 A @ 9 A @ 9 A> >
>
: >
;
1 4 5
forman una base del espacio columna de A ⌅

1. El espacio columna de una matriz A es el conjunto de soluciones de Ax = b.
2. Si R es la forma escalonada reducida de A, entonces las columnas de R que contienen

un pivote forman una base para el espacio columna de A.
3. El conjunto de vectores fila no cero de una matriz A es una base para el espacio fila de
A.
4. Si A y B son dos matrices de n ⇥ n que tienen el mismo espacio fila, entonces A y B

tienen el mismo espacio columna.
5. El sistema Ax = b es inconsistente si y solamente si b no está en el espacio columna

de A.
6. Existen una matriz invertible A y una matriz singular B tales que los espacios fila de A
y B son el mismo.
Actividad de Aprendizaje 1.141 Halle bases para los espacios fila, renglón y nulo de las
siguientes matrices
40 1.5. Suma Directa
0 1 0 1
1 0 2 1 1 3
B C B5
1. @0 0 1A. B 4 4C
C
5. B C.
0 0 0 @7 6 2A
7 6 2
0 1 0 1
1 3 0 0 2 0 1
B0 0C B C
B 1 0 C 6. @4 0 2 A.
2. B C.
@0 0 0 0A 0 0 0
0 0 0 0 0 1
1 4 5 2
B C
0 1 7. @ 2 1 3 0A.
1 2 4 5 1 3 2 2
B0 1 3 0C
B C 0 1
B C
3. B0 0 1 3C. 1 4 5 6 9
B C B3
@0 0 0 1A B 2 1 4 1C
C
8. B C.
0 0 0 0 @ 1 0 1 2 1A
2 3 5 7 8
0 1 0 1
1 2 1 5 1 2 5 0 3
B0 1 4 3C B 2 5 7 0 6C
B C B C
4. B C. 9. B C.
@0 0 1 7A @ 1 3 2 1 3A
0 0 0 1 3 8 9 1 9
1.5. Suma Directa
Como vimos en el Problema 1.38, dados dos subespacios S y T de un espacio vectorial V sobre
F la unión S [ T en general no es un subespacio de V , porque no contiene necesariamente a todos
los elementos de la forma s + t con s 2 S y t 2 T , y un subespacio que contenga a S y a T debe
contener a todos estos elementos. Esto da lugar a la noción de suma de subespacios.
Definición 1.142 Sea V un espacio vectorial sobre F , y sean S y T subespacios de V . Se

define suma de S y T al conjunto
S + T = {v 2 V | 9x 2 S; y 2 T tales que v = x + y } = {x + y | x 2 S; y 2 T } .
La siguiente proposición muestra que la suma de dos subespacios es, en efecto, un subespacio
que contiene a ambos, y da una caracterización de este conjunto en términos de sistemas de
generadores de los subespacios considerados.
Proposición 1.143 Sea V un espacio vectorial sobre F , y sean S y T subespacios de V .

Entonces:
1. S + T es un subespacio de V .
2. S + T es el menor subespacio (con respecto a la inclusión) que contiene a S [ T .
3. Si S = span(v1 , . . . , vn ) y T = span(w1 , . . . , wm ), entonces
S + T = span(v1 , . . . , vn , w1 , . . . , wm ).
Demostración.
1. 0 = 0 + 0 2 S + T , pues 0 2 S, 0 2 T .
Sean v , v 0 2 S + T . Existen x, x 0 2 S, y , y 0 2 T tales que v = x + y , v 0 = x 0 + y 0 .
Entonces v +v 0 = (x + y )+(x 0 + y 0 ) = (x + x 0 )+(y + y 0 ), y como S y T son subespacios
x + x 0 2 S y y + y 0 2 T . Luego .v + v 0 2 S + T .
Sea v 2 S + T y 2 F . Existen x 2 S, y 2 T tales que v = x + y . Entonces ,
v = (x + y ) = x + y . Como 2 K, x 2 S y S es un subespacio, resulta que
x 2 S. Análogamente, y 2 T . Luego v 2 S + T . En consecuencia, S + T es un
subespacio de V .
2. Sea W un subespacio de V tal que S [T ✓ W . Sea v 2 S +T . Entonces v = x +y con x 2 S,

y 2 T . Como S ✓ S [ T ✓ W , entonces x 2 W ; y como T ✓ S [ T ✓ W , entonces y 2 W .
En consecuencia v = x + y 2 W , puesto que W es un subespacio. Luego, S + T ✓ W .
3. Sea v 2 S + T , por definición, v se puede escribir como la suma de dos vectores, esto
es, v = x + y con x 2 S, y 2 T . Dado que S = span(v1 , . . . , vn ), existen ↵1 , . . . , ↵n
tales x = ↵1 v1 + · · · + ↵n vn . De la misma manera, dado que T = span(w1 , . . . , vm ), existen
y = 1 , . . . , m tales y = 1 w1 + · · · + m wm . De aquí,
v = s + t = ↵1 v1 + · · · + ↵n vn + 1, . . . , m,
esto es, v 2 span(v1 , . . . , vn , w1 , . . . , wm ).
Ejemplo 1.144 Sean S y T los subespacios de R4
S = span((1, 1, 0, 1) , (2, 3, 1, 1)) y T = span((0, 0, 1, 1) , (1, 2, 2, 1)).
Hallar una base de S + T.

Solución.
Por la Proposición 1.143, podemos obtener un conjunto de generadores de S + T mediante la unión
de un conjunto de generadores de S y uno de T . Entonces
S + T = span((1, 1, 0, 1) , (2, 3, 1, 1) , (0, 0, 1, 1) , (1, 2, 2, 1)).
Ahora, extraemos una base del sistema de generadores hallado. Al aplicar eliminación gaussiana, se
tiene: 0 1 0 1
1 1 0 1 1 1 0 1
B 2 3 1 1C B0 1 1 1C
B C B C
B C ! ··· ! B C.
@ 0 0 1 1A @0 0 1 1 A
1 2 2 1 0 0 0 0
Esto muestra que el conjunto {(1, 1, 0, 1) , (2, 3, 1, 1) , (0, 0, 1, 1) , (1, 2, 2, 1)} es linealmente depen-
diente y que el conjunto {(1, 1, 0, 1) , (2, 3, 1, 1) , (0, 0, 1, 1)} es linealmente independiente. Por lo
tanto, (1, 2, 2, 1) 2 span((1, 1, 0, 1) , (2, 3, 1, 1) , (0, 0, 1, 1)) y {(1, 1, 0, 1) , (2, 3, 1, 1) , (0, 0, 1, 1)}
es una base de S + T . ⌅
Si S y T son dos subespacios de dimensión finita de un espacio vectorial V sobre F , el Teorema

1.145 relaciona las dimensiones de los subespacios S, T, S \ T y S + T .
Teorema 1.145 (Teorema de la dimensión) Sea V un espacio vectorial sobre F . Sean S y

T subespacios de V de dimensión finita. Entonces
dim(S + T ) + dim(S \ T ) = dim S + dim T.
Demostración.
Sean s = dim S, t = dim T y r = dim(S \ T ). Si s = 0, o sea S = {0}, se tiene que S + T = T y
S \ T = {0} y la igualdad se mantiene. Análogamente, si t = 0. Así, que sea v1 , . . . , vr una base
de S \ T (si r = 0, consideramos simplemente el conjunto vacío). Sean wr +1 , . . . , ws tales que
{v1 , . . . , vr , wr +1 , . . . , ws } es una base de S, y sean ur +1 , . . . , ut tales que {v1 , . . . , vr , ur +1 , . . . , ut }
es una base de T . Demostremos que {v1 , . . . , vr , wr +1 , . . . , ws , ur +1 , . . . , ut } es una base de S + T :
Es claro que generan a S + T . Así que solo nos resta demostrar que son linealmente independientes:
supongamos que
Xr Xs Xt
↵i vi + j wj + k uk = 0.
i=1 j=r +1 k=r +1
Entonces
r
X s
X t
X
↵i vi + j wj = k uk .
i=1 j=r +1 k=r +1
Además,
r
X s
X t
X
↵i vi + j wj 2S+T y k uk 2 T,
i=1 j=r +1 k=r +1
de donde
t
X
k uk 2 S \ T.
k=r +1
De aquí, existen 1, . . . , r 2 F tales que

t
X r
X
k uk = l vl
k=r +1 l=1
o, equivalentemente,
t
X r
X
k uk + l vl = 0.
k=r +1 l=1
Pero {v1 , . . . , vr , ur +1 , . . . , ut } es una base de T y de aquí, linealmente independientes. Luego,

k = 0 para r + 1  k  t y l = 0 para 1  l  r . Entonces
r
X s
X
↵i vi + j wj =0
i=1 j=r +1
y como {v1 , . . . , vr , wr +1 , . . . , ws } es una base de S, resulta que ↵i = 0 para toda 1  i  r y

j = 0 para toda r + 1  j  s. Por lo tanto,
dim(S + T ) = r + (s r ) + (t r) = s + t r = dim S + dim T dim(S \ T ).
Un caso de especial importancia de suma de subespacios se presenta cuando S \ T = {0} .
Definición 1.146 Sea V un K-espacio vectorial, y sean S y T subespacios de V . Se dice que

V es suma directa de S y T , y se denota V = S T , si:
1. V = S + T ,
2. S \ T = {0} .
Ejemplo 1.147 Sean S = {x 2 R3 | x1 + x2 + x3 = 0} y T = span((1, 1, 1)). Se tiene que

dim S = 2, dim T = 1 y S \ T = {0}. Entonces dim (S + T ) = 3 y de aquí, S + T = R3 . Por
lo tanto, R3 = S T .
Proposición 1.148 Sea V un K-espacio vectorial. Sean S y T subespacios de V tales que

V =S T . Entonces, para cada v 2 V , existen únicos x 2 S y y 2 T tales que v = x + y .
Demostración.
(Existencia) Como V = S + T , para cada v 2 V existen x 2 S y y 2 T tales que v = x + y .
(Unicidad) Supongamos que v = x + y y v = x 0 + y 0 , con x, x 0 2 S y y , y 0 2 T . Entonces
x x 0 = y y 0 y x x 0 2 S, y y 0 2 T , luego x x 0 , y y 0 2 S \ T = {0}. En consecuencia,
x x 0 = y y 0 = 0, de donde x = x 0 , y = y 0 .
La Proposición 1.143 establece que dados dos subespacios S y T de un espacio vectorial, la

unión de un conjunto generador de S y uno de T es un conjunto generador de S+T . Esta afirmación
es falsa en el caso de dos bases: la unión de una base de S y una de T puede ser un conjunto
linealmente dependiente. Sin embargo, la propiedad es válida en el caso en que los subespacios
estén en suma directa.
Proposición 1.149 Sea V un espacio vectorial sobre F . Sean S y T subespacios de V . Sean

S y T bases de S y T respectivamente. Las siguientes afirmaciones son equivalentes:
1. V = S T.
2. = S [ T es una base de V .
Demostración.
Supongamos que S = {v1 , v2 , . . . , vn } y T = {w1 , w2 , . . . , wm }.
(1) ! (2) : Dado que S y T generan a S y T respectivamente, entonces = S [ T es un
sistema de generadores de V = S T . Por otro lado, si
↵1 v1 + · · · + ↵n vn + 1 w1 + · · · + m wm = 0,
| {z } | {z }
2S 2T
pero 0 + 0 = 0 con 0 2 S y 0 2 T , como S y T están en suma directa, la representación de 0 es

única, así que, ↵1 v1 + · · · + ↵n vn = 0 y 1 w1 + · · · + m wm = 0. La independencia lineal de S y T
implica que ↵i = 0 para toda i y j = 0 para toda j. Se sigue que es linealmente independiente,
y de aquí, una base para V .
(2) ! (1) : Como = S [ T es una base de V , para cada v 2 V existen ↵i , j 2 F tales que
v = ↵1 v1 + · · · + ↵n vn + 1 w1 + ··· + m wm
y por lo tanto v = x + y con x = ↵1 v1 + · · · + ↵n vn 2 S e y = 1 w1 + · · · + m wm 2 T . De aquí,

V = S + T . Para ver que la suma es directa, tomemos v 2 S \ T , entonces v = ↵1 v1 + · · · + ↵n vn =
1 w1 + ··· + m wm de donde
↵1 v1 + · · · + ↵n vn + ( 1 )w1 + ··· + ( m )wm = 0,
y por la independencia lineal de , se sigue que ↵i = 0 para toda i y j = 0 para toda j, de donde
v = 0 y S \ T = {0}.
Definición 1.150 Sea V un espacio vectorial F y sea S ✓ V un subespacio de V . Decimos

que T es un complemento de S en V si S T =V.
Ejemplo 1.151 Halla un complemento de Fn [x] en Fm [x] con n < m.
Solución.
Buscamos un subespacio T de Fm [x] tal que
Fn [x] T = Fm [x],
es decir, Fn [x]+T = Fm [x] y Fn [x]\T = {0} . Sabemos que Fn [x] = span(1, x, · · · , x n ) (Ver Ejemplo
1.55). Así que, consideremos T = span(x n+1 , · · · , x m ). Es claro que Fn [x]+T = Fm [x]. Para ver que
la suma es directa, sea f 2 Fn [x] \ T , entonces f = 0 o el grado f  n, y f = an+1 x n+1 + · · · + am x m
con ai 2 F . Así que, f = 0. Se sigue que la suma es directa, es decir, que Fm [x] = Fn [x] T. ⌅

1. Si U1 , U2 , W son subespacios de V tales que U1 + W = U2 + W , entonces U1 = U2 .
2. Si U1 , U2 , W son subespacios de V tales que U1 W = U2 W , entonces U1 = U2 .
3. Suponga que V es de dimensión n. Entonces existen subespacios unidimensionales

U1 , U2 , . . . , Un de V tales que V = U1 U2 · · · Un .
4. Sean U1 , U2 subespacios de V tales que V = U1 U2 . Entonces dim V = dim U1 +dim U2 .
5. Si U1 , U2 , U3 sob subespacios de V , entonces
dim(U1 + U2 + U3 ) = dim U1 + dim U2 + dim U3

dim(U1 \ U2 ) dim(U1 \ U3 ) dim(U2 \ U3 )
+ dim(U1 \ U2 \ U3 ).
Actividad de Aprendizaje 1.153 Sea U el plano xy y W el eje z en R3 . Es cierto que

R3 = U W?
Actividad de Aprendizaje 1.154 Sea U el plano xy y W el plano y z en R3 . Puede expresarse

cada vector en R3 como la suma de un vector en U y un vector en W ? Es cierto que R3 =
U W?
Actividad de Aprendizaje 1.155 Considera el subspacio
U = {x 2 R5 | x1 + x2 + x3 + x4 + x5 = 0} ⇢ R5 .
Halla tres subespacios distintos W1 , W2 , W3 ⇢ R5 tales que R5 = U Wi (i = 1, 2, 3),

Asegurándose de justificar cómo sabe que el Wi que ha elegido hace que la suma U + Wi sea
directa. ¿Hay un número finito de subespacios W ⇢ R5 tales que R5 = U W ?
Actividad de Aprendizaje 1.156 Supongamos que U ⇢ R3 es un subespacio de dimensión

2. Da un criterio para encontrar un subespacio W ⇢ R3 tal que R3 = U W . Supongamos
ahora que U ⇢ R3 es un subespacio de la dimensión 1. ¿Puedes ver cómo dar un criterio para
encontrar subespacios W, R ⇢ R3 de tal manera que R3 = U W R. ¿Cuál debería ser la
dimensión de W, R?
Actividad de Aprendizaje 1.157 ¿Puedes usar0

el problema
1 1.156 para mostrar cómo encontrar
1
B C
una base de R , que contenga al vector u = @ 1A 2 R3 ?
3

Unidad 1

Cargado por

Copyright:

Formatos disponibles

Unidad 1

Cargado por

Información del documento

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

Unidad 1

Cargado por

Copyright:

Formatos disponibles

1.

1.1 Espacios Vectoriales 5

1.2 Dependencia Lineal 16

1.3 Bases y Dimensión 24

1.4 Espacios Fundamentales de una Matriz 33

1.5 Suma Directa 40

1.1. Espacios Vectoriales

2. Cerradura de la multiplicación por escalares: av 2 V .

4. Elemento identidad para la suma de vectores: existe 0 2 V tal que 0 + u = u.

5. Elemento identidad para la multiplicación por escalar : 1u = u. 6. Inversos para la suma

6. Asociatividad de la suma vectorial: (u + v ) + w = u + (v + w ).

7. Asociatividad para la multiplicación por escalar : a(bu) = (ab)u.

8. Distributiva sobre la suma de vectores: a(u + v ) = au + av .

9. Distributiva sobre la multiplicación por escalar : (a + b)u = au + bu.

Para mostrar que un conjunto con dos operaciones es un espacio vectorial:

Ejemplo 1.2 Para cualquier campo F y n 1, el conjunto F n = {(a1 , a2 , . . . , an ) | ai 2 F }

(a1 , . . . , an ) + (b1 , . . . , bn ) = (a1 + b1 , . . . , an + bn ), con ai , bi 2 F ,

(a1 , ..., an ) = ( a1 , ..., an ) con ai , 2 F.

Ejemplo 1.4 Para cualesquiera n, m 1 y un campo F , el conjunto Mn,m (F ) de las matrices

Ejemplo 1.5 El conjunto de polinomios (con coeficientes en F ), denotado por F [x], es un

Ejemplo 1.7 Sea F un campo y V = {v } un conjunto cualquiera con un único elemento.

Ejemplo 1.9 El conjunto Zn de n-tuplas de enteros no es un espacio vectorial sobre Q con

Ejemplo 1.11 Sea V = R2 y F = R. Defina la suma y la multiplicación por escalares como

1. Un vector es cualquier elemento de un espacio vectorial.

2. Un espacio vectorial debe contener al menos dos vectores.

3. El conjunto de números reales positivos es un espacio vectorial sobre los reales si la

Actividad de Aprendizaje 1.15 Sea V = R+ , es decir, el conjunto de los números reales

ku = u k ¿Es V un espacio vectorial sobre F con estas operaciones?

Teorema 1.16 En un espacio vectorial V , el elemento identidad para la suma es único.

Teorema 1.17 En un espacio vectorial V , el inverso para la suma de vectores es único.

Teorema 1.18 Sea V un espacio vectorial sobre K, v 2 V y a 2 F . Tenemos que

Note que 0v = (0 + 0) v = 0v +0v . Sumando a ambos lados el inverso aditivo de 0v a ambos

0 = (0v ) + ( 0v ) = (0v + 0v ) + ( 0v ) = 0v + [0v + ( 0v )] = 0v + 0 = 0v .

Para cualquier v 2 V , se tiene

Basta demostrar que v + ( 1) v = 0. Así,

v + ( 1)v = 1v + ( 1)v = [1 + (1)] v = 0v = 0.

Definición 1.19 Sea V un espacio vectorial sobre F . Un subconjunto W ✓ V no vacío se

Ejemplo 1.20 Caractericemos todos los subespacios W de R2 :

W = {(0, 0)} es un subespacio.

Supongamos que S es un subespacio y que contiene algún elemento v no nulo. Entonces,

Es claro (usando la regla del paralelogramo) que cualquier punto en R2 es suma de un

Teorema 1.21 Sea V un espacio vectorial sobre F y sea W ✓ V . Entonces W es un

Ejemplo 1.22 Si V es cualquier espacio vectorial sobre F , el espacio cero W = 0 es un

Ejemplo 1.23 El conjunto W = {(a, a, b) | a, b 2 R} con las operaciones canónicas es un

Ejemplo 1.24 El conjunto D = {A | A es una matriz diagonal} es un subespacio de Mn (F ).

Ejemplo 1.25 El conjunto de funciones continuas sobre R es un subespacios de F (R).

Ejemplo 1.27 Sea F un campo y A 2 Mn⇥m (F ). El conjunto de soluciones del sistema

Ejemplo 1.28 Sea F un campo. El conjunto de polinomios de grado a lo más n, denotado

Ejemplo 1.29 El conjunto W = {(a, a2 , b) | a, b 2 R} con las operaciones canónicas no es

Ejemplo 1.30 El conjunto H = {p(x) | p(0) = 1} no es un subespacio de F4 [x].

Ejemplo 1.31 Z no es un subespacio de Q.

Autoevaluación 1.33 Determine si las siguientes afirmaciones son verdaderas o falsas, y

2. En todo espacio vectorial, los vectores ( 1)u y u son el mismo.

3. Cada subespacio de un espacio vectorial es en sí mismo un espacio vectorial.

4. Cada espacio vectorial es un subespacio de sí mismo.

5. Cada subconjunto de un espacio vectorial V que contiene el vector cero de V es un

6. El conjunto solución de un sistema lienal consistente Ax = b de m ecuaciones con n

7. El conjunto de las matrices triangulares de n ⇥ n es un subespacio de Mn (R).

Actividad de Aprendizaje 1.34 Sea V un espacio vectorial sobre F . Demuestre que si v 2 V

Actividad de Aprendizaje 1.36 Sea V un espacio vectorial sobre F , entonces