Formulas Mate Fisica Quimica Etc-1

Índice general
1. Espacios vectoriales y transformaciones lineales 2

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Espacios y subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1. El espacio nulo de una matriz . . . . . . . . . . . . . . . . . . . . . . . 22
1.4.2. Espacio fila y espacio columna de una matriz . . . . . . . . . . . . . . 24
1.5. Operaciones con subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.1. Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.6. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 31
1.7. Espacios vectoriales con producto interior y espacios normados . . . . . . . 43
1.7.1. Definiciones, ejemplos y propiedades . . . . . . . . . . . . . . . . . . . 43
1.8. Longitud o norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.9. Bases ortonormales; Proceso de Gram Schmidt . . . . . . . . . . . . . . . . . 57
1.10.Coordenadas; Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
1.10.1. Problema de cambio de base . . . . . . . . . . . . . . . . . . . . . . . . 69
1.10.2. Trabajo Encargado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
1
Capı́tulo 1
Espacios vectoriales y
transformaciones lineales
1.1. Introducción
Hasta ahora hemos trabajado con matrices y n- úplas. Como consecuencia, podemos
afirmar que el conjunto IRn de todas las n- úplas (o matrices columnas de n elementos si
se prefiere), con las operaciones ya conocidas
         
x1 y1 x1 + y1 x1 λx1
 x2   y2   x2 + y2   x2   λx2 
 ..  +  ..  =  y λ  ..  =  .. 
         
.. 
 .   .   .   .   . 
xn yn xn + yn xn λxn
satisface las siguientes propiedades:
1. x + y = y + x, (propiedad conmutativa)
2. (x + y) + z = x + (y + z), (propiedad asociativa)
3. x + 0 = 0 + x = x, (elemento neutro)
4. x + (−x) = (−x) + x = 0, (elemento opuesto)
5. λ(x + y) = λx + λy, (propiedad distributiva)
6. (λ + β)x = λx + βx, (propiedad distributiva)
7. λ(βx) = (λβ)x,
8. 1 x = x
donde x, y, z ∈ IRn y λ, β ∈ IR.
Estas mismas propiedades se cumplen cuando se trabaja con matrices. Existen otros
conjuntos diferentes de estos, como veremos posteriormente, que con respecto a unas ope-
raciones suma y producto por un escalar satisfacen las ocho propiedades anteriores.
2
Algebra lineal 3
1.2. Espacios y subespacios

Definición 1.1. Un espacio vectorial es un conjunto no vacı́o V de objetos, llamados
vectores, en el que están definidas dos operaciones, llamadas sumas de vectores y multi-
plicación por escalares (números reales), sujetos a los 10 axiomas que se listan a continua-
ción. Los axiomas deben ser válidos para todos los vectores u, v, w, ∈ V y para todos los
escalares λ, β ∈ IR
1. (cerradura bajo la suma) La suma de u y v, denotado con u + v, está en V, es

decir:
+ : V × V 7−→ V, (u, v) 7−→ u + v
2. u + v = v + u (ley conmutativa de la suma de vectores)
3. (u + v) + w = u + (v + w) (ley asociativa de la suma de vectores).
4. Existe un único vector cero 0, tal que u + 0 = u (el 0 se llama vector cero o
idéntico aditivo)
5. Para cada u ∈ V, existe un único vector −u ∈ V tal que: u + (−u) = 0 (−u se llama
inverso aditivo de u).
6. El múltiplo escalar de u por λ, que se denota con λu ∈ V, es decir:
+ : IR × V 7−→ V, (λ, v) 7−→ λ v
7. λ(u + v) = λu + λv
8. (λ + β)u = λu + βu
9. λ(βu) = λβ(u)
10. 1u = u
Nota.
1. A los elementos de un espacio vectorial se les llama “vectores”. A partir de este

momento, entonces, la palabra “vector”no tendrá relación alguna con el concepto
geométrico de “flecha”, aunque se verá que sı́ existen de hecho algunos “espacios
vectoriales de flechas”.
2. En vista de la generalidad de la definición de espacio vectorial, se podrán tener, en-

tonces, espacios vectoriales de “objetos cualesquiera”(estos objetos serán los vecto-
res) con tal de que en ese conjunto de objetos exista una suma y una multiplicación
por escalares, y que éstos verifiquen los axiomas requeridos.
Teorema 1.1. Sea V un espacio vectorial, entonces:
J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Algebra lineal 4
1. 0 u = 0, ∀u ∈ V ∀ λ ∈ IR
2. (−1)v = −v, ∀v ∈ V 6. (−λ)(−v) = λ v, ∀ v ∈ V, ∀ λ ∈ IR

3. λ 0 = 0, ∀ λ ∈ IR
7. u + w = v + w ⇒ u = v, ∀ u, v, w ∈ V
4. −(−)v = v, ∀u ∈ V
8. Si λ ∈ IR, λ 6= 0, λu = λv ⇒ u =
5. (−λ)v = −(λ v) = λ(−v) ∀ u ∈ V, v, ∀ u, v ∈ V
Ejemplo 1.1. Consideremos el conjunto
V = IRn = {x = (x1 , x2 , . . . , xn ) / i = 1, 2, . . . , n, xi ∈ IR}
Definimos en este conjunto las operaciones de suma y el producto por escalares como:
x + y = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

λx = λ(x1 , x2 , . . . , xn ) = (λx1 , λx2 , . . . , λxn )
Demuestre que el conjunto de IRn es un espacio vectorial.
Este es el ejemplo más importante de espacio vectorial, pues en cierto sentido que se pre-
cisará que muchos de los espacios vectoriales con los que se trabajará, son “equivalentes”
a este espacio vectorial.
V = IR2 = { x = (x1 , x2 ) / i = 1, 2, xi ∈ IR }
Definimos en este conjunto las operaciones de suma y el producto por escalares como:
• x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 − y1 , x2 − y2 )

• λx = λ(x1 , x2 ) = (λx1 , λx2 )
¿En IR2 con estas operaciones es un espacio vectorial?
V = IR3 = { x = (x, y, z) / x, y, z ∈ IR }
En éste conjunto se definen las operaciones de suma de vectores y producto por escalares
como se indica en cada uno de los siguientes incisos. Determine en cada caso si el conjunto
IR3 con tales operaciones es un espacio vectorial.
1. (x, y, z) + (x 0 , y 0 , z 0 ) = (x + x 0 , y + y 0 , z + z 0 ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR
2. (x, y, z) + (x 0 , y 0 , z 0 ) = (x + x 0 , y + y 0 , 0), λ(x, y, z) = (λx, λy, 0), λ ∈ IR
3. (x, y, z) + (x 0 , y 0 , z 0 ) = (x x 0 , y y 0 , z z 0 ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR

Algebra lineal 5
Ejemplo 1.4. Considere el conjunto de las matrices IR2×2 , es decir:

" #
a b
IR2×2 = A = / a, b, c, d ∈ IR
c d
Definamos en el conjunto IR2×2 la suma y el producto por escalares como:

" # " # " #
0 0 0 0
a b a b a+a b+b
+ 0 0 =
c d c d c + c0 d + d0
" # " #
a b λa λb
λ =
c d λc λd
Demuestre que el conjunto IR2×2 es un espacio vectorial.
Ejemplo 1.5. El espacio vectorial V = Pn

Sea n ∈ ZZ+ , V = Pn es el conjunto de todos los polinomios con coeficientes reales de grado
menor o igual a n, es decir:
V = Pn = { p(x) = a0 + a1 x + · · · + an xn / a0 , a1 . . . , an ∈ IR }
En este conjunto se define la suma de polinomios “coeficiente a coeficiente”, es

decir, sean
p(x) = a0 + a1 x + · · · + an xn y q(x) = b0 + b1 x + · · · + bn xn
dos polinomios de V = Pn , su suma es el polinomio p(x) + q(x) definido por:
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn ∈ V
Para el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn y el escalar λ ∈ IR, se define el

producto de p(x) por el escalar λ como el polinomio
λp(x) = λa0 + λa1 x + · · · + λan xn ∈ V
Se verifica que el conjunto Pn con estas operaciones es un espacio vectorial.
Nota.
La igualdad en este conjunto se define como sigue:

p(x) = a0 + a1 x + · · · + an xn ∈ Pn es igual a q(x) = b0 + b1 x + · · · + bn xn ∈ Pn si, y sólo
si a0 = b0 , a1 = b1 , . . . , an = bn
El vector cero de este conjunto es 0 = 0 + 0x + 0x2 + · · · 0xn ∈ Pn
Dado el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn , su inverso aditivo es el polinomio

−p(x) = −a0 − a1 x − · · · − an xn ∈ Pn

Algebra lineal 6
Ejemplo 1.6. El espacio V = IRm×n .

Sea IRm×n es el conjunto de todas las matrices de orden m × n, es decir:
IRm×n = {A = [aij ]m×n / ∀ i = 1, 2, . . . , m, ∀ j = 1, 2, . . . , n}
En el capı́tulo anterior se ha definido la suma de matrices de IRm×n , ası́ como la multipli-

cación de una matriz por un escalar, con estas operaciones se demuestra que el conjunto
IRm×n es un espacio vectorial.
Ejemplo 1.7. El espacio F(I).

Sea F(I)el conjunto de todas las funciones reales definidas en el subconjunto I de los núme-
ros reales, es decir:
F(I) = {f : I ⊂ IR 7→ IR / f es una función}
Sean f, g ∈ F(I), definamos la suma de funciones como la función f + g : I ⊂ IR 7→ IR tal que:
(f + g)(x) = f(x) + g(x)
Si f ∈ F(I) y λ ∈ IR, defı́nase el producto de f por el escalar λ como la función λ f : I ⊂ IR 7→ IR

tal que:
(λ f)(x) = λ f(x)
se verifica que el conjunto V = F(I) con estas operaciones de suma y producto por escalares
es un espacio vectorial.
Ejemplo 1.8. Sea V = IR2 ; con las operaciones (a, b) + (c, d) = (a + d, b + c) y λ(a, b) =
(λ a, λ b) no es es un espacio vectorial . En efecto, mostremos que no cumple por ejemplo la
propiedad conmutativa.
En efecto
→
Sean − →
x, − →
y ∈ IR2 entonces − →
x +− →
y 6= − →
y +−
x , ya que:
→
− →
x +−
y = (2, 3) + (4, 6) = (8, 7) 6= (4, 6) + (2, 3) = (7, 8)
Ejemplo 1.9. Sea V = IR2 ; con las operaciones (a, b) + (c, d) = (a + c, b + d) y λ(a, b) =
(2 a, 2b) no es es un espacio vectorial. En efecto, mostremos que no cumple por ejemplo la
propiedad (λ + α)− → →
x = λ−x + α−→x.
→
En efecto Si −
x ∈ IR2 y λ, α ∈ IR entonces:
→
(λ + α)−
x = (λ + α)(a, b) = (2a, 2b),y
→
λ− →
x + α−
x = λ(a, b) + α(a, b) = (2a, 2b) + (2a, 2b) = (4a, 4b), luego vemos que
→
(λ + α)− →
x 6= λ − →
x + α−
x

Algebra lineal 7
Ejemplo 1.10. Sea V = IR2 ; con las operaciones (a, b) + (c, d) = (a + c + 1, b + d + 1) y

λ(a, b) = (λ a, λb) no es es un espacio vectorial .
→
λ(− →
x +−
y ) = λ[(a, b) + (c + d)] = λ (a + c, b + d) = λ (a + c + 1, b + d + 1)
= (λ a + λ c + λ, λ b + λ d + λ
Por otro lado,

→
λ− →
x + λ−
y = λ (a, b) + λ (c, d) = (λ a, λ b) + (λ c, λ d)
= (λ a + λ c + 1, λ b + λ d + 1)
luego tenemos:
→
λ(− →
x +− →
y ) 6= λ − →
x + λ−
y
Ejemplo 1.11. Sea V = {3}. El conjunto unitario formado por el numero 3, con las opera-
ciones definidos:
3+3=3
λ3 = 3
es un espacio vectorial pues:
1. x + y = y + x, ya que 3 + 3 = 3 + 3 = 3, y 3 ∈ V
2. x + (y + z) = (x + y) + z; ya que 3 + (3 + 3) = 3 + 3 = 3 = (3 + 3) + 3 = 3 + 3 = 3
3. x + y = x, como 3 + 3 = 3 entonces y = 3, luego el vector cero es en este caso el 3
4. x + y = y + x = 3 ⇐⇒ 3 + 3 = 3 ⇐⇒ y = 3, es decir, el inverso aditivo de 3, es en este

caso 3
5. Si λ ∈ IR, x, y ∈ V entonces λ(x + y) = λ x + λ y. En efecto, λ(3 + 3) = λ(3) = 3 = 3 + 3 =

λ 3 + λ 3.
6. Si λ, α ∈ IR, x ∈ V entonces (λ + α)x = λ x + α x.

En efecto. (λ + α)3 = 3 = 3 + 3 = λ 3 + alpha 3
7. λ(α x) = (λ α)x. En efecto. λ(α 3) = λ(3) = 3 = (λ α)3
8. 1 · x = x, 1 · 3 = 3
!
a b
Ejemplo 1.12. Sea V = / a, b, c, d ∈ ZZ = M2 (IR) con las operaciones usua-
c d
→
les, es decir,− →
x ,−
y ∈ V, entonces
! ! !
→
− →
x +−
y =
a b
+
m n
=
a+m b+n
c d p q c+p d+q

Algebra lineal 8
y ! !
→
λ−
x =λ
a b
=
λa λb
c d λc λd
no es un espacio vectorial Real, λ−→

x ∈ V, ya
! pues no se cumple por ejemplo ! la propiedad
√ √ !
√ → 2 3 → √ 2 3 2√2 3√2
que si λ = 2 y − x = , entonces λ −
x = 2 = ∈
/ V, pues
4 5 4 5 4 2 5 2
sus elementos de esta matriz no son números enteros.
!
a b
Ejemplo 1.13. Sea V = / b, c, d ∈ IR, a ∈ ZZ = M2 (IR) con las operaciones
c d
→
usuales, es decir,− →
x ,−y ∈ V, entonces
! ! !
→
−x +−→
y =
a b
+
m n
=
a + m b + n
c d p q c+p d+q
y ! !
→
λ−
x =λ
a b
=
0 0
c d 0 0
→
x =→
no es un espacio vectorial Real, pues no se cumple por ejemplo la propiedad 1 − −
x , ya
que si por ejemplo
√ ! ! √ !
→
si −
x =
2 2 →
, entonces 1 −
x =
0 0
6 =
2 2 →
=−x
π e 0 0 π e
Teorema 1.2. (Reglas de productos nulos) Sean v ∈ V y λ ∈ IR, entonces:
1. 0 v = 0
2. λ0 = 0
3. Si λv = 0 ⇒ λ = 0 ∨ v = 0
Teorema 1.3. Reglas de simplificación Sean u, v ∈ V y λ, β ∈ IR, entonces:
1. Si λu = βu y u 6= 0, entonces λ = β
2. Si λu = λv y λ 6= 0, entonces u = v
1.3. Subespacios
Sea V un espacio vectorial y considérese un subconjunto no nulo W de V, W hereda de
manera natural, las operaciones de espacio vectorial que estaban definidas en V. Se tiene
ası́, un conjunto W en donde existen operaciones básicas de suma y producto por escalares.
¿Es W un espacio vectorial?

Algebra lineal 9
Veamos los dos ejemplos siguientes:
Ejemplo 1.14. Sea V = IR2 el espacio vectorial. Sea W el subconjunto de IR2 formado por
todos aquellos vectores (x, y) que tiene su segunda componente positiva (geométricamente
W corresponde al semiplano superior del plano XY). Es decir,
W = {(x, y) / x, y ∈ IR, y > 0}
Las operaciones entre los elementos de W son las que están definidas en IR2 , es decir
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

λ(x1 , y1 ) = (λ x1 , λ y1 )
Uno se pregunta si W es un espacio vectorial.
De hecho, existen muchas razones por las que la respuesta a esta pregunta es NO. En
principio, la operación de producto por escalares no es cerrada, pues si se toma el escalar
λ < 0, el vector λ(x, y) = (λ x, λ y) no pertenece a W, pues siendo y > 0, se tendrı́a λ y < 0.
Consecuencia de este hecho es que dado un vector (x, y) ∈ W, éste no tiene inverso aditivo.
Geométricamente esto se ve como muestra la figura
Ejemplo 1.15. Sin embargo, si W es el siguiente conjunto de IR2
W = {(x, y) / x, y ∈ IR, y = 2x}
(O sea, W es el conjunto de los pares ordenados de la forma (x, 2x), x ∈ IR), se puede
ver que en este caso W si es un espacio vectorial con las operaciones usuales de IR2 . En
principio observemos que si u = (x1 , 2x1 ) y v = (x2 , 2x2 ) son dos vectores de W, entonces
u + v = (x1 + x2 , 2x1 + 2x2 ) = (x1 + x2 , 2[x1 + x2 ]) ∈ W. Similarmente podemos demostrar
que cualquier recta de IR2 que pase por el origen es un subespacio propio.

Algebra lineal 10
En muchos problemas, un espacio vectorial se compone de un subconjunto adecuado de

vectores de un espacio vectorial más grande. En este caso, solo se deben comprobar tres de
los 10 axiomas de un espacio vectorial, y el resto se satisfacen de manera automática.
Definición 1.2. Sea V un espacio vectorial, W 6= ∅ y W ⊂ V, se dice que W es un subes-

pacio vectorial de V si tiene estas tres propiedades:
1. El vector cero de V está en W.
2. W es cerrado bajo la suma de vectores. Es decir, para cada par de vectores arbitrarios
u, v ∈ W, la suma u + v ∈ W.
3. W es cerrado bajo la multiplicación por escalares. Es decir, para cada u ∈ W y cada

escalar λ, el vector λ u ∈ W.
Ejemplo 1.16. Sea V = IR, con operaciones

√ usuales; y W√ el conjunto de√los enteros pares,
W no es un subespacio de V, pues si λ = 2, entonces 6 2 ∈/ W, pues 6 2 no es un entero
par.
Ejemplo 1.17. Sea V = IR, con operaciones usuales; y W = Q I el conjunto de

√ los números
√ 3 3 2
racionales, W no es un subespacio de V, pues si λ = 2, y x = entonces ∈
/ W, pues
√ 5 5
3 2
no es un número racional.
5
Ejemplo 1.18. Sea V = IR, con operaciones usuales; √
y W = IN el conjunto de los √
números
naturales,
√ W no es un subespacio de V, pues si λ = 2, y x = 3 ∈ I
N entonces 3 2∈ / W,
pues 3 2 no es un número natural.
Ejemplo 1.19. El conjunto que consta solo del vector 0, es decir, si W = {0} en un espacio
vectorial es un subespacio de V, llamado subespacio cero, o subespacio trivial y se re-
presenta por {0}.
Nota. Todo espacio vectorial V tiene al menos dos subespacios. El propio V es un subespa-
cio y el conjunto W = {0} que sólo consta del vector cero de V es otro subespacio denominado
subespacio cero, ambos subespacios son llamados los subespacios triviales. Si el espacio
contiene otros subespacios diferentes de los triviales, son llamados subespacios no tri-
viales.
Ejemplo 1.20. Sea V = IR2 , los subespacios no triviales de este espacio vectorial son cual-
quier recta que pasa por el origen, es decir:
W = { tu / t ∈ IR, u 6= 0, u = (a1 , a2 ) } ⊂ V

Algebra lineal 11
Ejemplo 1.21. Sea V = IR2 , con las operaciones usuales de IR2 y W = {(x, y) / y = x + 1}
→ →
− → →
−
no es un subespacio de V, pues si −
a , b ∈ IR2 , entonces −
a + b = (x, x + 1) + (y, y + 1) =
(x + y, x + y + 2) ∈
/ W.
Ejemplo 1.22. Sea V = IR2 , con las operaciones usuales de IR2 y W = {(x, y) / y = x2 } no es
→ →
− → →
−
un subespacio de V, pues si −a , b ∈ IR2 , entonces −
a + b = (x, x2 )+(y, y2 ) = (x+y, x2 +y2 ) ∈
/
2 2 2
W, pues (x + y, x + y ) 6= (x + y, (x + y) )
Ejemplo 1.23. Sea V = IR2 , con las operaciones usuales de IR2 y W = {(x, 1) / x ∈ IR} no es
→ →
− → →
−
un subespacio de V, pues si −
a , b ∈ IR2 , entonces −
a + b = (x, 1) + (y, 1) = (x + y, 2) ∈
/ W.
Ejemplo 1.24. Sea V = IR2 , con las operaciones usuales de IR2 y W = {(x, y) / y = sen x}
→ →
− → →
−
no es un subespacio de V, pues si − a , b ∈ IR2 , entonces −a + b = (x, sen x) + (y, sen y) =
(x + y, sen x + sen y) ∈
/ W. Pues ((x + y, sen x + sen y) 6= (x + y, sen(x + y))
Ejemplo 1.25. Sea V = IR3 , los subespacios no triviales de este espacio vectorial son cual-
quier recta que pasa por el origen y cualquier plano que pasa por el origen.
Ejemplo 1.26. En el espacio vectorial V = IR3 con las operaciones usuales de IR3 , se consi-
dera el conjunto
W = {(x, y, z) ∈ IR3 / z = 0}
este conjunto es un subespacio de IR3 .
Observación. El subespacio W geométricamente es el plano XY.
Ejemplo 1.27. En el espacio vectorial V = IR3 con las operaciones usuales de IR3 , sea W =
{(a, b, c) / b = 0, a, c ∈ IR} es un subespacio de V, pues si x, y ∈ W, entonces:
θ = (0, 0, 0) ∈ W

Algebra lineal 12
Si x = (a1 , 0, c1 ), y = (a2 , 0, c2 ) ∈ W vectores arbitrarios, entonces x + y = (a1 +

a2 , 0, c1 + c2 ) ∈ W
Sea λ escalar arbitrario y x = (a, 0, c) ∈ W, entonces λ x = λ (a, 0, c) = (λ a, 0, λ c) ∈ W
Ejemplo 1.28. En el espacio vectorial V = IR3 con las operaciones usuales de IR3 , sea W =
{(a, b, c) / a2 + b2 + c2 ≤ 1}, W no es un subespacio de V, Sea por ejemplo dos vectores de
W, por ejemplo x = (1, 0, 0), y = (0, 1, 0), entonces veamos con la suma x + y = (1, 1, 0), sin
embargo tenemos 12 + 12 + 02 = 2 ≥ 0 y debe ser ≤ 1, entonces x + y no pertenece a W.
Ejemplo 1.29. Sea P el conjunto de todos los polinomios con coeficientes reales, con opera-
ciones en P definidas como en las funciones. De esta forma, P es un subespacio del espacio
de todas las funciones de valores reales definidas en IR. Además, para cada n ≥ 0, Pn es un
subespacio de P, ya que Pn es un subconjunto de P que contiene el polinomio cero; la suma
de dos polinomios en Pn también está en Pn y un múltiplo escalar de un polinomio en Pn
también está en Pn .
Ejemplo 1.30. Comprobar que el conjunto C([a, b]) de las funciones continuas definidas
en el intervalo [a, b] es un subespacio vectorial del espacio vectorial F([a, b]) de todas las
funciones definidas en [a, b].
Ejemplo 1.31. Sea W ⊂ M2 (IR) tal que:

" #
a b
W= A= / a, b, c ∈ IR
c 0
W es un subespacio de M2 (IR)
Ejemplo 1.32. Sea W ⊂ M2 (IR) tal que:

" #
a 2
W= A= / a, b, c ∈ IR
0 b
No es subespacio de V = M2 (IR); pues si

" # " # " #
a1 2 a2 2 a1 + a2 4
x+y= + = ∈
/W
0 b1 0 b2 0 b1 + b2
pues en vez de 4 debe ser 2.
Ejemplo 1.33. Sea W ⊂ M2 tal que:

" #
a b
W= A= / a, b, ∈ IR, c ∈ ZZ
c 0
W no es un subespacio de M2 , pues:

Algebra lineal 13
Sean x, y ∈ W
" # " # " #
a1 b1 a2 b2 a1 + a2 b1 + b2
x+y= + = ∈W
0 c1 0 c2 0 c1 + c2
Sean λ escalar arbitrario y x ∈ W vector arbitrario,

" # " #
a b λa λb
λ = ∈
/W
0 c 0 λc
√
si λ = 2, tenemos que λ c ∈
/ ZZ.
Ejemplo 1.34. W = {A ∈ M2 / A2 = A} no es subespacio de M2 .

Pues si A ∈ W, B ∈ W ⇒ (A + B)2 6= A + B, veamos el caso más simple cuando A = B = I,
entonces (I + I)2 = (2 I)2 = 4 I 6= 2 I. Luego W no es subespacio
Ejemplo 1.35.
" W# = {A ∈"M2 / Det(A)
# = 0} no es subespacio
" #de M2 .
1 0 0 0 1 0
Sean A = , B= ; entonces A + B = = 1 6= 0
0 0 0 1 0 1
Ejemplo 1.36. Sean W = {A ∈ Mn / A = AT } es subespacio de Mn .
A = Θ, se cumple Θ = ΘT
Sean A, B ∈ W tal que A = AT y B = BT , luego, sabemos que (A+B)T = AT +BT = A+B
Sean λ arbitrario y A ∈ W, entonces (λ A)T = λ AT = λ A
Ejemplo 1.37. El espacio vectorial IR2 no es un subespacio de IR3 , porque IR2 no es un

subconjunto de IR3 . (Todos los vectores de IR3 tienen tres componentes, mientras que los
vectores de IR2 tienen sólo dos). El conjunto
W = {(s, t, 0) / s, t ∈ IR}
Solución. El vector cero está en W, y W es cerrado bajo la suma de vectores y la multi-

plicación escalar debido a que estas operaciones sobre los vectores de W siempre producen
vectores cuyas terceras componentes son iguales a cero (por lo tanto, pertenecen a W). Por
consiguiente, W es un subespacio de IR3 .
Ejemplo 1.38. Un plano en IR3 que no pasa por el origen no es un subespacio de IR3 , porque
el plano no contiene al vector cero de IR3 . Del mismo, una recta en el espacio vectorial IR2
que no pasa por el origen, como se ve en la Figura.1.1 no es un subespacio de IR2 .

Algebra lineal 14
Figura 1.1:
Ejemplo 1.39. (Espacio de sucesiones) Sea IR∞ = {u = (an )n∈IN / u es una sucesión}; es
decir IR∞ es el conjunto de las sucesiones de números reales u = (a1 , a2 , a3 , . . . , an , . . .). Con
la suma de sucesiones y el producto de un escalar por una sucesión; esto es:
(a1 , a2 , a3 , . . . , an , . . .)+(b1 , b2 , b3 , . . . , bn , . . .) = (a1 +b1 , a2 +b2 , a3 +b3 , . . . , an +bn , . . .)
λ(a1 , a2 , a3 , . . . , an , . . .) = (λa1 , λa2 , λa3 , . . . , λan , . . .)
IR∞ es un espacio vectorial como se puede comprobar fácilmente.
Ejemplo 1.40. (Espacio solución) Sea A ∈ Rm×n , el conjunto x ∈ IRn que es solución del
sistema lineal homogéneo Ax = 0 ∈ IRm es un subespacio de IRn , llamado el subespacio
solución de dicho sistema o el espacio nulo de la matriz A.
En efecto.
Si x = 0 ∈ IRn , por lo tanto, 0 ∈ S
Si x, y ∈ S, Ax = 0, Ay = 0 por lo tanto, A(x + y) = Ax + Ay = 0 ∈ IRm . Ası́ x + y ∈ S.
Si λ ∈ IR y x ∈ S, ⇒ Ax = 0. Entonces A(λx) = λ(Ax) = 0
1.4. Combinaciones lineales

Definición 1.3. Se dice que un vector v ∈ V es combinación lineal de los vectores
x1 , x2 , . . . , xn de V, si existen escalares λ1 , λ2 , . . . , λn tales que:
v = λ1 x1 + λ2 x2 + · · · + λn xn
donde los escalares λ1 , λ2 , . . . , λn reciben el nombre de coeficientes de la combinación

lineal.
Ejemplo 1.41. El vector (3, 4) se puede escribir como una combinación lineal de los vecto-
res (1, 0) y (0, 1)
Solución. Veamos: (3, 4) = x(1, 0) + y(0, 1) = (x, y) ⇒ x = 3 ∧ y = 4

Algebra lineal 15
Ejemplo 1.42. El vector (2, 4, 5) se puede escribir como como una combinación lineal de
los vectores (1, 0, 0), (0, 1, 0) y (0, 0, 1).
Solución. Veamos:
(2, 4, 5) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) = (x, y, z) ⇒ x = 2 ∧ y = 4 ∧ z = 5
Ejemplo 1.43. El vector (9, 2, 7) se puede escribir como como una combinación lineal de
los vectores (1, 2, −1), (6, 4, 2). Resolviendo el sistema se tiene que:
(9, 2, 7) = −3(1, 2, −1) + 2(6, 4, 2)
Ejemplo 1.44. El vector (4, −1, 8) no se puede escribir como como una combinación lineal
de los vectores (1, 2, −1), (6, 4, 2). Resolviendo el sistema no tiene solución.
Ejemplo 1.45. Determinar si el vector u = (7, 1, 16) es combinación lineal de los vectores
u1 = (−1, 2, 2) y u2 = (3, −1, 4).
Solución. Veamos si es posible hallar a1 , a2 ∈ IR tales que u = a1 u1 + a2 u2
(7, 1, 16) = a1 (−1, 2, 2) + a2 (3, −1, 4)

= (−a1 + 3a2 , 2a1 − a2 , 2a1 + 4a2 )
Entonces se debe tener 


 −a1 + 3a2 = 7,
2a1 − a2 = 1,

 2a + 4a = 16.
1 2
Resolvamos este sistema lineal:

       
−1 3 7 −1 3 7 −1 3 7 1 0 2
 2 −1 1  ∼  0 5 15  ∼  0 1 3  ∼  0 1 3 
       
2 4 16 0 10 30 0 0 0 0 0 0
Por lo tanto, a1 = 2 y a3 = 3.
Comprobación
2u1 + 3u2 = 2(−1, 2, 2) + 3(3, −1, 4)

= (7, 1, 16) = u
Ejemplo 1.46. Comprobar si los vectores u = (4, −2, 5) y v = (1, −1, −1) de IR3 son combi-
naciones lineales de los vectores x1 = (1, −1, 2) y x2 = (2, 0, 1)
Solución.
Si
u = ax1 + bx2

Algebra lineal 16
entonces
(4, −2, 5) = a(1, −1, 2) + b(2, 0, 1)
⇒ 4 = a + 2b
−2 = −a
5 = 2a + b
el sistema lineal tiene como solución única a = 2 y b = 1, por lo tanto u es combina-
ción lineal de los vectores x1 y x2 .
Por otro lado,

v = ax1 + bx2
entonces
(1, −1, −1) = a(1, −1, 2) + b(2, 0, 1)
⇒ 1 = a + 2b
−1 = −a
−1 = 2a + b
Puesto que este sistema lineal es incompatible, por lo tanto u no es combinación lineal
de los vectores x1 y x2 .
Ejemplo 1.47. El vector (14, 12, 2) ∈ IR3 es combinación lineal de los vectores (1, 2, −1) y
(3, 2, 1), puesto que:
(14, 12, 2) = 2(1, 2, −1) + 4(3, 2, 1)
" #
−3 −4
Ejemplo 1.48. El vector v = es combinación lineal de los vectores
2 −5
" # " #
1 0 3 2
v1 = y v2 =
2 −1 2 1
Puesto que se puede escribir v = 3v1 − 2v2 , como se puede verificar directamente.
Ejemplo 1.49. Escribir el vector w = 3t2 + 8t − 5 como combinación lineal de M = {v1 =
2t2 + 3t − 4, v2 = t2 − 2t − 3}.
En efecto.
3t2 + 8t − 5 = a(2t2 + 3t − 4) + b(t2 − 2t − 3)
= (2a + b)t2 + (3a − 2b)t + (−4a − 3b)
entonces 

 2a + b = 3
3a − 2b = 8

 −4a − 3b = −5
y la solución de este sistema es a = 2 y b = −1 por tanto

3t2 + 8t − 5 = 2(2t2 + 3t − 4) − 1(t2 − 2t − 3)

Algebra lineal 17
Ejemplo 1.50. Hallar condiciones sobre a, b, c tal que (a, b, c) c)sea una combinación
linea de (1, −3, 2) y (2, −1, 1)
En efecto.
(a, b, c) = x(1, −3, 2) + y(2, −1, 1)

= (x, −3x, 2x) + (2y, −y, y)
= (x + 2y, −3x − y, 2x + y)
luego 

 x + 2y = a
−3x − y = b

 2x + y = c
Resolviendo mediante operaciones elementales

   
1 2 a 1 2 a
 −3 −1 b  ∼  0 5 3a + b 
   
2 1 c 0 −3 c − 2a
   
1 2 a 1 2 a
=  0 −1 2c − a + b  ∼  0 −1 2c − a + b 
   
0 −3 c − 2a 0 0 a − 3b − 5c
Luego si a − 3b − 5c = 0 y ası́ el sistema tiene solución.

Ejemplo 1.51. Dados dos vectores v1 , v2 de un espacio vectorial V, y sea H = Gen{v1 , v2 },
es decir el conjunto H es de las combinaciones de los vectores v1 y v2 . Demuestre que H es
un subespacio de V.
Solución.
El vector cero está en H, pues: 0 = 0 v1 + 0 v2
Para demostrar que H es cerrado bajo la suma de vectores, tomemos dos vectores
arbitrarios de H, por ejemplo,
u = s1 v1 + s2 v2 y w = t 1 v1 + t 2 v2
pero, sabemos que:

u + w = (s1 v1 + s2 v2 ) + (t1 v1 + t2 v2 )
= (s1 + t1 ) v1 + (s2 + t2 ) v2
en conclusión, se tiene que u + w ∈ H
Sea λ escalar arbitrario, entonces

λ u = λ(s1 v1 + s2 v2 )
= (λs1 ) v1 + (λs2 ) v2
lo que demuestra que λ u está en H, y H es cerrado bajo la multiplicación por escala-
res.

Algebra lineal 18
Por lo tanto H es un subespacio de V .
Luego veremos, que todo subespacio vectorial del espacio IR3 distinto de los subespacios
triviales, es Gen{v1 , v2 } para algunos vectores v1 y v2 que sean linealmente independientes
o Gen{v} para v 6= 0. En el primer caso, el subespacio es un plano que pasa por el origen;
en el segundo caso caso, se trata de una recta que pasa por el origen (Véase la figura.1.2).
Es útil tener en mente estas imágenes geométricas, incluso para subespacios abstractos.
Figura 1.2:
Definición 1.4. Se llama envoltura lineal de los vectores x1 , x2 , . . . , xn del espacio vecto-
rial V, al conjunto de todas las combinaciones lineales de dichos vectores. La denotaremos
por
Env{x1 , x2 , . . . , xn }
Ejemplo 1.52. Obtener la envoltura lineal de los vectores x = (1, −1, 0) y y = (0, 1, 1) en
el espacio vectorial IR3 .
Solución. Para cada par de escalares a y b los vectores z de la envoltura lineal de x y

y se escriben como
z = ax + by ⇐⇒ z = a(1, −1, 0) + b(0, 1, 1) ⇐⇒ z = (a, b − a, b)
luego
Gen{ x, y} = {(a, b − a, b) ∈ IR3 / a, b ∈ IR }
Teorema 1.4. Sean x1 , x2 , . . . , xp vectores de un espacio vectorial V. Si F = { x1 , x2 , . . . , xp },

entonces:
1. F es un subespacio vectorial de V
2. F contiene a los vectores x1 , x2 , . . . , xp

Algebra lineal 19
3. F es el menor subespacio vectorial de V, que contiene a los vectores x1 , x2 , . . . , xp (Es

decir, si G es otro subespacio que contiene a los vectores x1 , x2 , . . . , xp , entonces F ⊂ G)
Demostración.
1. Como 0 = 0x1 + 0x2 + · · · + 0xp , se tiene que 0 ∈ F.
Si u = a1 x1 + a2 x2 + · · · + ap xp y v = b1 x1 + b2 x2 + · · · + bp xp son dos elementos
arbitrarios de F entonces
u + v = (a1 + b1 )x1 + (a2 + b2 )x2 + · · · + (ap + bp )xp
luego u + v es combinación lineal de x1 , x2 , . . . , xp , y por lo tanto está en F.

Si t ∈ IR es un escalar arbitrario, el vector tu se escribe
tu = (ta1 )x1 + (ta2 )x2 + · · · + (tap )xp
Ası́ pues F es un subespacio vectorial de V
2. Cada vector xi es combinación lineal de x1 , x2 , . . . , xp , ya que este vector se escribe ası́
xi = 0x1 + 0x2 + · · · + 1xi + · · · + 0xp , ∀ i = 1, 2, . . . , p
3. Sea G un subespacio vectorial de V que contiene a todos los vectores xi , i = 1, 2, . . . , p,

entonces tenemos que probar que F ⊂ G.
Por ser G subespacio vectorial, también contiene a los vectores ai xi con ai ∈ IR, i =
1, 2, . . . , p. Y también a los vectores a1 x1 + a2 x2 + · · · + ap xp , que son justamente las
combinaciones lineales de los vectores x1 , x2 , . . . , xp
Definición 1.5. Sea W un subespacio vectorial de V. Se dice que {x1 , x2 , . . . , xp } es un
conjunto generador de W, si W = Gen{x1 , x2 , . . . , xp }
Ejemplo 1.53. Comprobar que el conjunto de vectores {e1 , e2 , e3 }, donde
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
es un conjunto generador del espacio vectorial IR3

Solución.
1. Puesto que e1 , e2 y e3 son vectores de IR3 , de acuerdo a la definición de envoltura lineal
resulta evidente que:
Gen{e1 , e2 , e3 } ⊂ IR3
2. Por otro lado, si v = (x, y, z) es cualquier vector arbitrario de IR3 , es evidente que
v = (x, y, z) = xe1 + ye2 + ze3
Por lo tanto, tenemos:

IR3 ⊂ Gen{e1 , e2 , e3 }

Algebra lineal 20
Ejemplo 1.54. ¿2x2 − 3x + 1 ∈ Gen{2, 1 − x, x2 }?
Solución. Encontremos a1 , a2 , a3 ∈ IR tales que:

a1 (2) + a2 (1 − x) + a3 x2 = 2x2 − 3x + 1
Entonces, al reducir,
(2a1 + a2 ) − a2 x + a3 x2 = 2x2 − 3x + 1
Y puesto que los dos polinomios son iguales si los coeficientes de las mismas potencias de
x son iguales, se tiene: 

 2a1 + a2 = 1
−a2 = −3

 a3 = 2
De donde se tiene: a1 = −1, a2 = 3, a3 = 2. Por lo tanto: 2x2 − 3x + 1 ∈ Gen{2, 1 − x, x2 }
Ejemplo 1.55. Comprobar que el conjunto {u1 , u2 , u3 , u4 } ⊂ IR3 donde
u1 = (1, 1, 1), u2 = (1, 1, 0), u3 = (1, 0, 0), u4 = (0, 1, 1)
no es un conjunto generador de IR3 .
Solución. Razonando de forma análoga al ejemplo anterior se obtiene el resultado, que

estos vectores no generan el espacio vectorial IR3 .
Veamos, sea v = (a, b, c) vector arbitrario de IR3

(a, b, c) = x(1, 1, 1) + y(1, 1, 0) + z(1, 0, 0) + w(0, 1, 1)
= (x + y + z, x + y + w, x + w)
el sistema lineal es: 

 x+y+z=a
x+y+w=b

 x+w=c
Resolviendo mediante operaciones elementales:
   
1 1 1 0 a 1 0 0 1 c
 1 1 0 1 b ∼ 0 1 0 0 b−c 
   
1 0 0 1 c 0 0 1 −1 a − b
Pues el sistema lineal no tiene solución única.
Ejemplo 1.56. Comprobar que los vectores x = (1, 2, 0) y y = (1, 1, 0) del espacio IR3 son un
conjunto generador del subespacio vectorial
W = {(a + b, 2a + b, 0) / a, b ∈ IR}
que geométricamente representa los vectores que se encuentran en el plano horizontal.
Solución.

Algebra lineal 21
1. Notemos en primer lugar que cualquier vector de W se puede escribir como:
(a + b, 2a + b, 0) = a(1, 2, 0) + b(1, 1, 0) = ax + by
Por lo tanto W ⊂ Gen{x, y}
2. Recı́procamente, si u es un vector de Env{x, y}, entonces
u = px + qy
= p(1, 2, 0) + q(1, 1, 0)
= (p + q, 2p + q, 0)
para algunos escalares p y q, con los que u está en W. Por lo tanto Gen{x, y} ⊂ W.
Ejemplo 1.57. Comprobar que el conjunto generador de polinomios {1, x, x2 } es un conjun-

to generador del subespacio W = P2 , subespacios de los polinomios con coeficientes reales
de grado menor o igual a 2.
Dado un sistema generador de un subespacio vectorial W es interesante saber si existen

otros sistemas generadores más simples (es decir, con menos vectores) que también generen
W y cómo hallarlos.
Teorema 1.5. Si x es un vector de un espacio vectorial V que es combinación lineal de los

vectores x1 , x2 , . . . , xp , entonces
Gen{x1 , x2 , . . . , xp } = Gen{x1 , x2 , . . . , xp , x}
En efecto
1. Es evidente que
Gen{x1 , x2 , . . . , xp } ⊂ Gen{x1 , x2 , . . . , xp , x}
pues
a1 x1 + a2 x2 + · · · + ap xp = a1 x1 + a2 x2 + · · · + ap xp + 0x
2. Ahora comprobemos la inclusión contraria. Sea
u = a1 x1 + a2 x2 + · · · + ap xp + ax
Pero como x es combinación lineal de x1 , x2 , . . . , xp , se puede escribir entonces
x = b1 x1 + b2 x2 + · · · + bp xp
con lo que
u = a1 x1 + a2 x2 + · · · + ap xp + ax
= a1 x1 + a2 x2 + · · · + ap xp + a(b1 x1 + b2 x2 + · · · + bp xp )
= (a1 + b1 )x1 + (a2 + b2 )x2 + · · · + (ap + bp )xp

Algebra lineal 22
es decir, u es combinación lineal de x1 , x2 , . . . , xp y por lo tanto
Gen{x1 , x2 , . . . , xp , x} ⊂ Gen{x1 , x2 , . . . , xp }
entonces
Gen{x1 , x2 , . . . , xp } = Gen{x1 , x2 , . . . , xp , x}
Como consecuencia de este teorema podemos afirmar que si de un conjunto de vectores

eliminamos aquellos que son combinación de los restantes, el conjunto de vectores resul-
tante genera la misma envoltura lineal que el conjunto inicial.
Ejemplo 1.58. Si u y v son dos vectores de un espacio vectorial cualquiera, entonces las
envolturas lineales siguientes son iguales:
Gen{u, v, u + v} = Gen{u, v, 2u + v}
= Gen{u, v, 2u − v}
= Gen{u, v, u + v, 2u − v}
= Gen{u, v}
1.4.1. El espacio nulo de una matriz

En aplicaciones de álgebra lineal, los subespacios de Rn normalmente surgen de dos
maneras:
1. como el conjunto de todas las soluciones de un sistema homogéneo de ecuaciones

lineales, o
2. como el conjunto de todas las combinaciones lineales de ciertos vectores especı́ficos.
En esta sección se compararán y contrastarán las dos descripciones para los subespacios,
lo cual permitirá practicar el uso del concepto de subespacio. En realidad, como pronto se
descubrirá, ya se ha realizado cierto trabajo con subespacios desde la sección. La principal
caracterı́stica nueva aquı́ es la terminologı́a. La sección termina con una explicación del
núcleo y del rango de una transformación lineal.
El espacio nulo de una matriz
Considere el siguiente sistema de ecuaciones homogéneas:

x1 − 3x2 − 2x3 = 0
(1.1)
−5x1 + 9x2 + x3 = 0
En arreglo matricial, este sistema se escribe como Ax = 0, donde

" #
1 −3 −2
(1.2)
−5 9 1

Algebra lineal 23
Recuerde que el conjunto de todas las x que satisfacen (1.1) se denomina conjunto solución
del sistema ((1.1)). A menudo conviene relacionar este conjunto directamente con la matriz
A y la ecuación Ax = 0. Al conjunto de las x que satisfacen Ax = 0 se le llamará espacio
nulo de la matriz A.
Definición 1.6. El espacio nulo de una matriz A ∈ Mm×n , que se escribe Nul A, es el
conjunto de todas las soluciones del sistema lineal homogénea Ax = 0. En notación de
conjuntos,
Ker(A) = Nul A = { x ∈ IRn / Ax = 0 }
Una descripción más dinámica de Nul A es el conjunto de todas las x en Rn que se mapean
en el vector cero de Rm mediante la transformación lineal x 7→ Ax.
 
5
Ejemplo 1.59. Sea A como (1.2) y sea u =  3 . Determine si u pertenece al espacio
 
−2
nulo de A.
Solución. Para probar si u satisface Au = 0, simplemente calcule

 
" # 5 " # " #
1 −3 −2  5−9+4 0
Au =  3 = =

−5 9 1 −25 + 27 − 2 0
−2
Entonces u está en Nul A.
El término espacio en espacio nulo resulta adecuado porque el espacio nulo de una
matriz es un espacio vectorial, como se verá en el teorema siguiente.
Teorema 1.6. El espacio nulo de una matriz A ∈ Mm×n es un subespacio de Rn . De manera
equivalente, el conjunto de todas las soluciones de un sistema Ax = 0 de m ecuaciones
lineales homogéneas con n incógnitas es un subespacio de Rn .
Ejemplo 1.60. Sea W el conjunto de todos los vectores en R4 cuyas coordenadas a, b, c, d
satisfacen las ecuaciones a − 2b + 5c = d y c − a = b. Demuestre que W es un subespacio
de R4 .
Solución. Al reacomodar las ecuaciones que describen los elementos de W, se observa que
W es el conjunto de todas las soluciones del siguiente sistema homogéneo de ecuaciones
lineales:
a − 2b + 5c − d = 0
−a − b + c =0
Por el teorema.1.6, W es un subespacio de R4 .
Es importante que las ecuaciones lineales que definen al conjunto W sean homogéneas.
En caso contrario, definitivamente, el conjunto de soluciones no será un subespacio (puesto
que el vector cero no es solución de un sistema no homogéneo). También, en algunos casos,
el conjunto de las soluciones podrı́a estar vacı́o.

Algebra lineal 24
Una descripción explı́cita de Nul A
No hay ninguna relación evidente entre los vectores de Nul A y las entradas de A. Se
dice que Nul A está definido implı́citamente, porque se define mediante una condición que
debe verificarse. No hay una descripción ni una lista explı́cita de los elementos contenidos
en Nul A. Sin embargo, resolver la ecuación Ax = 0 equivale a producir una descripción
explı́cita de Nul A.
Ejemplo 1.61. Encuentre un conjunto generador para el espacio nulo de la matriz

 
−3 6 −1 1 −7
A =  1 −2 2 3 −1 
 
2 −4 5 8 −4
Solución. El primer paso es encontrar la solución general de Ax = 0 en términos de varia-

bles libres. Reduzca por filas la matriz aumentada [A | 0] a la forma escalonada reducida
para escribir las variables básicas en términos de las variables libres:
   
−3 6 −1 1 −7 0 1 −2 0 −1 3 0
A =  1 −2 2 3 −1 0  ∼  0 0 1 2 −2 0 
   
2 −4 5 8 −4 0 0 0 0 0 0 0


 x1 − 2x2 − x4 + 3x5 = 0
x3 + 2x4 − 2x5 = 0

 0=0
La solución general es x1 = 2x2 + x4 − 3x5 , x3 = −2x4 + 2x5 , con x2 , x4 y x5 como variables
libres. Enseguida, descomponga el vector que proporciona la solución general como una
combinación lineal de vectores, donde los pesos son las variables libres. Esto es,
         
x1 2x2 + x4 − 3x5 2 1 −3
 x   x2   1   0   0 
 2         
x = 2x − 2x = x 0 + x −2 + x 2
         
 3   5 4  2  4  5 
         
 x4   x4   0   1   0 
x5 x5 0 0 1
= x2 u + x4 v + x5 w
Toda combinación lineal de u, v y w es un elemento de Nul A. Entonces {u, v, w} es un

conjunto generador para Nul A.
1.4.2. Espacio fila y espacio columna de una matriz

Definición 1.7. Si A ∈ Mm×n , se define el espacio fila de A como el subespacio de IRn ge-
nerado por las m−filas de A; y al subespacio de Rm , generado por las n−columnas de A, se
le llama el espacio columna de A. Al espacio fila y al espacio columna se les denotará por
Ef (A) y Ef (A), respectivamente

Algebra lineal 25
 
3 −1 2 0
Ejemplo 1.62. Si  2 −1 3 4  ∈ M3×4
 
0 1 2 3
Ef (A) = Gen{(3, −1, 2, 0), (2, −1, 3, 4), (0, 1, 2, 3)}
Ec (A) = Gen{(3, 2, 0), (−1, −1, 1), (2, 3, 2), (0, 4, 3)}
Teorema 1.7. Si A ∈ Mm×n , entonces b ∈ Ec (A) ⇐⇒ el sistema lineal Ax = b tiene solu-

ción.
En efecto Supongamos que

 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=
 
.. .. .. .. 
 . . . . 
am1 am2 · · · amn
b ∈ Ec (A) si y sólo si existen x1 , x2 , . . . , xn ∈ IR tales que

     
a11 a12 a1n
 a21   a22   a2n 
b = x1  .  + x2  .  + · · · + xn  .
     
 . .  . .  ..


am1 am2 amn
y la última desigualdad se da si y sólo si

  
a11 a12 · · · a1n x1
 a21 a22 · · · a2n  x2 
b= .
  
.. .. .. ..
 ..
 
. . .  . 
am1 am2 · · · amn xn
Es decir, si y sólo si el sistema Ax = b tiene solución.
Criterio para determinar si un vector en IRn es combinación lineal de otros vec-

tores
Podemos utilizar el teorema.1.7 para determinar si un vector dado b, es combinación

lineal de los vectores u1 , u2 , . . . , un en IRn (lo cual equivale a que b pertenezca al subespacio
generado por estos vectores) de la siguiente manera:
Se forma la matriz cuyas columnas son los vectores u1 , u2 , . . . , un .
Se resuelve el sistema Ax = b (Por el método de Gauss-Jordan)
Si este sistema tiene solución x = (a1 , a2 , . . . , an ), entonces b pertenece al subespacio

generado por los vectores ui , y además
b = a1 u1 + a2 u2 + . . . + an un

Algebra lineal 26
Si el sistema lineal Ax = b es inconsistente, entonces b no es combinación lineal de

los vectores u1 , u2 , . . . , un .
Ejemplo 1.63. Determine si b = (2, 6, 1) pertenece al espacio generado por u1 = (1, 2, 3), u2 =
(−2, −5, 2) y u3 = (1, 2, −1). En caso afirmativo, hallar a1 , a2 , a3 tales que
b = a1 u1 + a2 u2 + a3 u3
Solución. Resolvamos el sistema lineal

    
1 −2 1 x1 2
a =  2 −5 2   x2  =  6 
    
3 2 −1 x3 1
Por el método de Gauss

   
1 −2 1 2 1 0 0 34
 2 −5 2 6  ∼  0 1 0 −2 
   
3 2 −1 1 0 0 1 − 114
1.5. Operaciones con subespacios

Sean W1 y W2 dos subespacios del espacio vectorial V, entonces se definen los siguientes
subconjuntos de V:
1. La intersección de W1 y W2 definida como
W1 ∩ W2 = {v ∈ V / v ∈ W1 ∧ v ∈ W2 }
2. La unión de W1 y W2 definida como
W1 ∪ W2 = {v ∈ V / v ∈ W1 ∨ v ∈ W2 }
3. La suma de W1 y W2 denotada como W1 + W2 y definida
W1 + W2 = {v ∈ V / v = w1 + w2 , w1 ∈ W1 ∧ w2 ∈ W2 }
Siendo W1 y W2 dos subespacios del espacio vectorial V, es natural preguntarnos si los

siguientes conjuntos
W1 ∩ W2 , W1 ∪ W2 y W1 ⊕ W2
son también subespacios de V.
Es inmediato verificar que el conjunto W1 ∩ W2 es un subespacio de V.

Por otra parte la unión de dos subespacios de V no es en general un subespacio de V

Algebra lineal 27
Teorema 1.8. Sean W1 y W2 dos subespacios del espacio vectorial V,

entonces S = W1 ∩ W2 es subespacio de V.
En efecto.
1. S 6= ∅, pues 0 ∈ W1 ∧ 0 ∈ W2 ⇒ 0 ∈ S. Ası́ S 6= ∅. Pues W1 y W2 son subespacios

vectoriales de V.
2. S esta incluido en V, ya que W1 ⊂ V y W2 ⊂ V, entonces S = W1 ∩ W2 ⊂ W1 y

S = W1 ∩ W2 ⊂ W2
3. S es cerrado para la suma.

En efecto. Sean u ∈ S ∧ v ∈ S ⇒ u ∈ W1 ∩ W2 ∧ v ∈ W1 ∩ W2 , entonces
u ∈ W1 ∧ u ∈ W2 ,
análogamente, tenemos v ∈ W1 ∧ v ∈ W2 ,
entonces
u + v ∈ W1 ∧ u + v ∈ W2 ⇒ u + v ∈ S
pues W1 y W2 son subespacios vectoriales de V.
4. S es cerrado para el producto de escalares.

Consideremos λ escalar arbitrario y u ∈ S. Ahora bien
λ ∈ K ∧ u ∈ S ⇒ λ ∈ K ∧ u ∈ W1 ∧ u ∈ W2
⇒ λu ∈ W1 ∧ λu ∈ W2
⇒ λu ∈ S
Ejemplo 1.64. Sea V = IR3 el espacio vectorial, y consideremos los subespacios no triviales
W1 = {(x, y, z) ∈ IR3 / z = 0}, W2 = {(x, y, z) ∈ IR3 / x = 0}
La intersección de estos subespacios es
W = W1 ∩ W2 = {(x, y, z) ∈ IR3 / x = 0 ∧ z = 0}
Esto significa que un vector genérico de W es una terna del tipo (0, y, 0) que puede expre-
sarse mediante (0, α, 0) para algún α ∈ IR.
Entonces
W = {(0, α, 0) ∈ IR3 / α ∈ IR}
o sea, W es el eje Y.

Algebra lineal 28
Teorema 1.9. Sean W1 y W2 dos subespacios del espacio vectorial V, si W1 ∪ W2 es subes-

pacio de V, entonces W1 ⊂ W2 o W2 ⊂ W1
Unión de subespacios
Sean W1 y W2 dos subespacios del espacio vectorial V, entonces W1 ∪ W2 , no es necesa-

riamente un subespacio de V, como vemos el siguiente ejemplo.
Ejemplo 1.65. Sea V = IR2 y los subespacios no triviales de la figura
La unión de ambos es el par de rectas, y eligiendo u ∈ W1 , v ∈ W2 , distintos del vector

nulo se tiene:
u ∈ W1 ⇒ u ∈ W1 ∪ W2
v ∈ W2 ⇒ v ∈ W1 ∪ W2
pero u+v∈
/ W1 ∪ W2
1.5.1. Suma de subespacios

Sean W1 y W2 dos subespacios del espacio vectorial V. Definimos el conjunto
S = { v ∈ V / v = u1 + u2 , u1 ∈ W1 ∧ u2 ∈ W2 }

Algebra lineal 29
O sea
S = { v ∈ V / ∃ u1 ∈ W1 ∧ ∃ u2 ∈ W2 , v = u1 + u2 }
El conjunto S se llama suma de los subespacios W1 y W2 y se denota
S = W1 + W2
Teorema 1.10. La suma de dos subespacios de V es un subespacio de V.

En efecto.
S no es vacı́o, pues
0 ∈ W1 ∧ 0 ∈ W2 ⇒ 0 = 0 + 0 ∈ W1 + W2 ⇒ 0 ∈ S, ası́ S 6= ∅
S es una parte de V, por la definición de S
S es cerrado para la suma, ya que
x ∈ S ∧ y ∈ S ⇒ x = u1 + v1 ; y = u2 + v2 , donde u1 , u2 ∈ W1 ∧ v1 , v2 ∈ W2
⇒ x + y = (u1 + v1 ) + (u2 + v2 ) = (u1 + u2 ) + (v1 + v2 ),
(u1 + u2 ) ∈ W1 ∧ (v1 + v2 ) ∈ W2
⇒x+y∈S
S es cerrado para el producto por escalares, pues
λ ∈ K ∧ x ∈ S ⇒ λ ∈ K ∧ x = u1 + v1 ; u1 ∈ W1 ∧ v1 ∈ W2
⇒ λx = λu1 + λv1 , donde λu1 ∈ W1 ∧ λv1 ∈ W2
Por consiguiente, la suma de subespacios es un subespacio.
Un caso particular importante se presenta cuando los subespacios W1 y W2 son disjuntos,

es decir, si W1 ∩ W2 = {0}. En esta situación, el subespacio S = W1 + W2 recibe el nombre de
suma directa de W1 y W2 , y se denota
S = W1 ⊕ W2
Sintetizamos esto en la siguiente definición
S = W1 ⊕ W2 ⇐⇒ S = W1 + W2 ∧ W1 ∩ W2 = {0}
Ejemplo 1.66. Sea V = IR3 .
1. Consideremos los siguientes subespacios de IR3
W1 = {(α, β 0 , 0) / α ∈ IR ∧ β 0 ∈ IR} W2 = {(0, β 00 , γ) / γ ∈ IR ∧ β 00 ∈ IR}
El subespacio suma S = W1 + W2 está formado por todas las ternas del tipo
(α, β 0 + β 00 , γ) = (α, β, γ)

Algebra lineal 30
y es S = IR3 . Ambos subespacios son los planos indicados en la figura, y como su

intersección es el eje Y, la suma S = W1 + W2 no es directa.
2. En cambio, si
W1 = {(α, 0, 0) / α ∈ IR} ∧ W2 = {(0, β, 0) / β ∈ IR}
se tiene
S = W1 + W2 = {(α, β, 0) / α ∈ IR ∧ β ∈ IR}
O sea, la suma es directa y se identifica con el plano horizontal XY, es decir
Ejemplo 1.67. Hallar los vectores generadores del subespacio W de V = IR3 , donde
W = {(x, y, z) ∈ IR3 / x + y = 2z ↔ y = 2z − x }
Solución. Sea w ∈ W, donde w = (x, y, z), este se satisface ası́ w = (x, 2z − x, z), entonces
w = (x, 2z − x, z) = (x, −x, 0) + (0, 2z, z)

= x(1, −1, 0) + z(0, 2, 1)
Luego los vectores generadores del subespacio W = h(1, −1, 0), (0, 2, 1)i
Ejemplo 1.68. Hallar los vectores generadores del subespacio U, si U ⊂ IR4 , donde
U = { (x, y, z, t) ∈ IR4 / x − y = 3t, x + y + z = 0 }

Algebra lineal 31
Solución. Despejando x, z en función y, t tenemos:
x = y + 3t, z = −2y − 3t
Luego para todo u ∈ U, tiene la forma u = (x, y, z, t) = (y + 3t, y, −2y − 3t, t), de donde
u = (y + 3t, y, −2y − 3t, t) = (y, y, −2y, 0) + (3t, 0, −3t, t)

= y(1, 1, −2, 0) + t(3, 0, −3, 1).
De manera que los vectores generadores del subespacio U = h(1, 1, −2, 0), (3, 0, −3, 1)i
Ejemplo 1.69. Dados W1 = { t(2, 3) / t ∈ IR } ⊂ IR2 y W2 = { r (1, −1) / r ∈ IR } ⊂ IR2 .

Probar que: IR2 = W1 ⊕ W2
Solución. Si u = a(2, 3) ∈ W1 y v = b(1, −1) ∈ W2 , entonces
u + v = a(2, 3) + b(1, −1) = (2a + b, 3a − b),
luego: W1 + W2 = {(2a + b, 3a − b) / a, b ∈ IR} ⊂ IR2

Esta suma es directa. Pues si x ∈ W1 ∩ W2 , debe ser
x = a(2, 3) = b(1, −1) para algún a ∈ IR ∧ b ∈ IR
de donde se tiene: a = b = 0. Luego W1 ∩ W2 = {0}.
Por otro lado, sea x = (x1 , x2 ) ∈ IR2 , como queremos que

x ∈ W1 ⊕ W2 , debemos determinar números r, s tales que
x = r(2, 3) + s(1, −1)
que a su vez se plantea el sistema lineal
3r + s = x1
3r − s = x2
1 1
cuya solución es: r = (x1 + x2 ), s = (3x1 − 2x2 ).
5 5
1 1
Por lo tanto: x = r(2, 3) + s(1, −1) ⇐⇒ x = (x1 + x2 )(2, 3) + (1, −1).
5 5
Esto verifica que IR2 ⊂ W1 ⊕ W2 . Y con ella el ejercicio esta probado.
1.6. Dependencia e independencia lineal

Definición 1.8. Un conjunto de vectores M = {x1 , x2 , . . . , xp } de un espacio vectorial V se
dice que es linealmente independiente (L. I.) si la igualdad
a1 x1 + a2 x2 + · · · + ap xp = 0

Algebra lineal 32
sólo se satisface cuando a1 = a2 = · · · = ap = 0.
Es decir, cuando se resuelve el sistema lineal homogéneo, que sabemos que un sistema
lineal homogéneo siempre tiene solución, pero es linealmente independiente si la solu-
ción del sistema lineal homogéneo es la trivial.
En caso contrario, es decir si la combinación lineal anterior no sólo ocurre con coefi-
cientes nulos, sino también con algún coeficiente no nulo, entonces se dice que los vectores
son linealmente dependiente (L. D.).
Nota. Sean V un espacio vectorial y M = {x1 , x2 , . . . , xk } vectores de V. Se dice que es-

tos vectores son linealmente dependientes (L. D.) si uno de ellos es combinación de los
otros. En caso contrario diremos que los vectores son linealmente independientes (L. I.)
Obsérvese que si los vectores {u1 , u2 , . . . , uk } son L. I., entonces cualquier subconjunto
no vacı́o de ellos es también L. I.
Los vectores {u1 , u2 , . . . , uk } son L. D. si y sólo si hay un subconjunto de ellos que es

L. D.
Si alguno de los vectores ui , i = 1, 2, . . . , k es el vector neutro aditivo del espacio, 0V ,

entonces estos vectores son L. D.
Si M = {u} es L. I. si y sólo si u 6= 0V
Ejemplo 1.70. ¿Son los vectores v1 = (1, 2, 3, 1), v2 = (2, 2, 1, 3) y v3 = (−1, 2, 7, −3) L. I. o
L. D.?
Solución. Si x, y, z ∈ IR y xv1 + yv2 + zv3 = 0RI 4
(x + 2y − z, 2x + 2y + 2z, 3x + y + 7z, x + 3y − 3z) = (0, 0, 0, 0)
que equivale al sistema lineal homogéneo



 x + 2y − z = 0,


2x + 2y + 2z = 0,

 3x + y + 7z = 0,

 x + 3y − 3z = 0.
Resolvamos el sistema lineal homogéneo

   
1 2 −1 0 1 0 3 0
 2 2 2 0 0 1 −2 0
   
∼
  
 3 1 7 0 0 0 0 0
 
  
1 3 −3 0 0 0 0 0

Algebra lineal 33
   
x −3r
Por lo tanto  y  =  2r  r ∈ IR; es decir, el sistema lineal tiene solución no trivial.
   
z r
Por lo tanto, los vectores v1 , v2 , v3 son L. D.
Ejemplo 1.71. El conjunto de vectores {(2, 1, 1), (1, 1, −3), (1, 0, 0)} del espacio vectorial
IR3 , es L. I. pues:
a1 (2, 1, 1) + a2 (1, 1, −3) + a3 (1, 0, 0) = (0, 0, 0)
equivale a resolver el sistema lineal homogéneo


 2a1 + a2 + a3 = 0
a1 + a2 = 0

 a − 3a
1 2 = 0
Solución. Resolviendo el sistema lineal homogéneo, tenemos:

   
2 1 1 0 1 0 0 0
 1 1 0 0 ∼ 0 1 0 0 
   
1 −3 0 0 0 0 1 0
cuya única solución es la trivial a1 = a2 = a3 = 0
Ejemplo 1.72. Los vectores (1, −2) y (−2, 4) de IR2 son L. D., puesto que de la combinación
lineal
a1 (1, −2) + a2 (−2, 4) = (0, 0)
se tiene el sistema lineal homogéneo

a1 − 2a2 = 0
−2a1 + 4a2 = 0
que tiene soluciones no triviales. En forma paramétrica (a1 , a2 ) = t(2, 1), t ∈ IR
Nota. Nótese que cuando un conjunto de vectores es L. D. existen diferentes valores no

nulos de los coeficientes que verifican la combinación lineal, y entre ellos algunos de los
λi son ceros. Sin embargo, cuando los vectores son L. I. entonces la combinación lineal de
ellos igualada al vector nulo solo se cumple cuando los coeficientes son todos nulos, en este
caso diremos que sólo se satisface la combinación lineal trivial.
Ejemplo 1.73. Averiguar si el conjunto de polinomios
M = {1 − x, 2 + x + 2x2 , 1 + x2 }
es L. I. o L. D.
Solución. Sea la combinación lineal nula
a1 (1 − x) + a2 (2 + x + 2x2 ) + a3 (1 + x2 ) = 0 = 0 + 0 x + 0 x2

Algebra lineal 34
Identificando coeficientes en ambos miembros tenemos:



 a1 + 2a2 + a3 = 0
−a1 + a2 = 0

 2a2 + a3 = 0
   
1 2 1 0 1 0 0 0
 −1 1 0 0  ∼  0 1 0 0 
   
0 2 1 0 0 0 1 0
Este sistema lineal homogéneo sólo tiene la solución trivial a1 = a2 = a3 = 0, por lo tanto
el conjunto de polinomios M = {1 − x, 2 + x + 2x2 , 1 + x2 } es L. I.
Ejemplo 1.74. Determinar si M = {x2 −1, x2 +1, 4x, 2x−3} son linealmente independientes
o linealmente dependiente en el espacio de polinomios.
Solución. Si
α1 (x2 − 1) + α2 (x2 + 1) + α3 (4x) + α4 (2x − 3) = 0
entonces
(α1 + α2 )x2 + (4α3 + 2α4 )x − α1 + α2 − 3α4 = 0
De donde obtenemos el sistema lineal homogéneo


 α1 + α2 = 0,
4α3 + 2α4 = 0,

 −α + α − 3α = 0,
1 2 4
Llevemos a forma escalonada la matriz de coeficientes:

   
3
1 1 0 0 0 1 0 0 2
0
 0 0 4 2 0  ∼  0 1 0 − 32 0 
   
1
−1 1 0 −3 0 0 0 1 2
0
Este sistema lineal homogéneo tiene una infinidad de soluciones dadas

   
α1 −3/2
 α   3/2 
 2  
=

 α3   −1/2 
 
α4 0
En particular, tiene soluciones no triviales, y por ende los polinomios son L. D.
Ejemplo 1.75. Los vectores v1 , v2 , v3 , ∈ IR2×2 dados por

" # " # " #
−1 16 2 3 −1 2
v1 = , v2 = , v3 =
−1 13 3 4 −2 1

Algebra lineal 35
son L. D.
En efecto. Escribamos el vector nulo de IR2×2 como combinación lineal de estos vectores, es
decir: " # " # " # " #
−1 16 2 3 −1 2 0 0
c1 + c2 + c3 =
−1 13 3 4 −2 1 0 0
Al realizar las operaciones indicadas se obtiene
" # " #
−c1 + 2c2 − c3 16c1 + 3c2 + 2c3 0 0
=
−4c1 + 3c2 − 2c3 13c1 + 4c2 + c3 0 0
o sea, se tiene el sistema lineal homogéneo
−c1 + 2c2 − c3 = 0
16c1 + 3c2 + 2c3 = 0
−4c1 + 3c2 − 2c3 = 0
13c1 + 4c2 + c3 = 0
Al resolver por operaciones elementales, se tiene:

   
−1 2 −1 0 1 0 1/5 0
 16 3 2 0  0 1 −2/5 0
   
 −→ 
 
 −4 3 −2 0  0 0 0 0
 
 
13 4 1 0 0 0 0 0
De modo que el sistema lineal homogéneo tiene infinitas soluciones, es decir:

t 2
c1 = − , c2 = t, c3 = t, t ∈ IR
5 5
Lo que muestra que los vectores v1 , v2 , v3 , ∈ IR2×2 son L. D.
Criterios de independencia lineal en el espacio IRn
Sean M = {u1 , u2 , . . . , uk } ⊂ IRn ; estos vectores son L. D. si y sólo si el sistema
x1 u1 + x2 u2 + · · · + xk uk = 0RI n
tiene soluciones no triviales. Esto es, si el sistema homogéneo
Av = 0RI n
donde A es la matriz que tiene como columnas a los vectores ui , tiene soluciones no triviales.
Teorema 1.11. (Criterios para que k vectores de IRn son L. I. o L. D.) Sean u1 , u2 , . . . , uk , k
vectores de IRn y A la matriz que tiene como columnas a estos vectores. Entonces:
1. Los vectores son L. I. si y sólo si Av = 0RI n tiene únicamente la solución trivial.
2. Los vectores son L. D. si y sólo si Av = 0RI n tiene soluciones no triviales.

Algebra lineal 36
3. Si k = n:
a) los vectores son L. I. si y sólo si A es inversible.

b) los vectores son L. D. si y sólo si A no es inversible.
4. Si k > n los vectores son L. D.

Ejemplo 1.76. Determinar si los vectores dados son L. I. o L. D. en el espacio vectorial IR4 .
1. {(1, −2, −3, 2), (−1, 0, 1, 1), (3, 2, 1, 1)}
2. {(1, −2, −3, 2), (−1, 0, 1, 1), (5, −4, −9, 1)}
3. {(1, 2, 1, 3), (1, 1, 1, 1), (−1, 1, 0, 0), (−1, 1, 0, 1), (1, 0, 0, 4)}
4. {(1, 0, 1, 0), (2, −1, 1, 1), (−2, 1, 1, 3), (−3, 0, 0, 1)}

Solución.
1. Resolvamos el sistema homogéneo Ax = 0, donde A es la matriz que tiene como co-
lumnas a estos vectores.
   
1 −1 3 0 1 0 0 0
 −2 0 2 0 0 1 0 0
   
∼
  
 −3 1 1 0 0 0 1 0
 
  
2 1 1 0 0 0 0 0
De donde, el sistema sólo tiene la solución trivial, por lo que los vectores son L. I.
2. Resolvamos el sistema homogéneo Ax = 0, donde A es la matriz que tiene como co-

lumnas a estos vectores.
   
1 −1 5 0 1 0 2 0
 −2 0 −4 0 0 1 −3 0
   
∼
  
 −3 1 −9 0 0 0 0 0
 
  
2 1 1 0 0 0 0 0
De donde el sistema tiene una infinidad de soluciones, donde
   
x1 −2r
 x2  =  3r  ∀r ∈ IR
   
x3 r
3. En este caso tenemos 5 vectores en IR4 son L. D. (k > n)
4. En este caso tenemos 4 vectores en IR4 , y serán L. I. si y sólo si la matriz A, que tiene de
columnas a estos vectores, es invertible. LLevemos esta matriz a la forma escalonada
   
1 2 −2 −3 1 0 0 0
 0 −1 1 0 
  0 1 0 0 
 
∼

 1 1 1 0   0 0 1 0 
 
0 1 3 1 0 0 0 1

Algebra lineal 37
Dado que la matriz escalonada es equivalente a la matriz identidad, y por lo tanto,

es invertible, luego los vectores son L. I.
Teorema 1.12. Sean u1 , u2 , . . . , un , n vectores de IRn y A es la matriz que tiene por colum-
nas a estos vectores, entonces las siguientes condiciones son equivalentes:
1. u1 , u2 , . . . , un son L. I.
2. u1 , u2 , . . . , un generan a IRn
3. A es invertible.
Teorema 1.13. Sea M = {x1 , x2 , . . . , xp } un conjunto de vectores L. I. de un espacio vecto-

rial V. Si el vector u es combinación lineal de ellos entonces los coeficientes son únicos.
En efecto. Supongamos que el vector u se escribe de dos formas diferentes como com-
binación de los vectores de M, es decir:
u = a1 x1 + a2 x2 + · · · + ap xp
u = b1 x1 + b2 x2 + · · · + bp xp
restando ambas ecuaciones se obtiene:
0 = (a1 − b1 )x1 + (a2 − b2 )x2 + · · · + (ap − bp )xp
esta es la combinación trivial y como los vectores de M son L. I. entonces
a1 − b1 = a2 − b2 = · · · = ap − bp = 0 ⇒ a1 = b1 , a2 = b2 , . . . , ap = bp
Teorema 1.14. Los n vectores u1 , u2 , . . . , un del espacio vectorial V son linealmente depen-
dientes si y sólo si al menos uno de ellos puede escribirse como combinación de los n − 1
vectores restantes.
En efecto.
Si los n vectores u1 , u2 , . . . , un son L. D., según la definición existen escalares c1 , c2 , . . . , cn

no todos nulos, tales que
c1 u1 + c2 u2 + · · · + cn un = 0 (1.3)
Supongamos que c1 6= 0, entonces la expresión (1.3), se puede escribir como:

c2 cn
u1 = u2 − · · · − un
c1 c1
lo que muestra que el vector u1 es una combinación de los n − 1 vectores u2 , u3 , . . . , un
De manera al item anterior se puede hacer la demostración para algún vector ui
Teorema 1.15. Sean u1 , u2 , . . . , un vectores del espacio vectorial V

Algebra lineal 38
1. Si ui = uj para i 6= j, i, j = 1, 2, . . . , n, entonces estos vectores son L. D.
2. Si existe i, 1 ≤ i ≤ n, tal que ui = 0, entonces estos vectores son L. D.
3. Si el conjunto {u1 , u2 , . . . , un } es L. I., entonces cualquier subconjunto de él es L. I.
4. Si el conjunto {u1 , u2 , . . . , un } es L. D., entonces para cualesquiera vectores w1 , w2 , . . . , wk

de V, entonces el conjunto {u1 , u2 , . . . , un , w1 , w2 , . . . , wk } es L. D.
Definición 1.9. Un conjunto de vectores {u1 , u2 , . . . , un } de un espacio vectorial V es una

base de V si:
1. {u1 , u2 , . . . , un } es un conjunto generador de V
2. {u1 , u2 , . . . , un } es L. I.
Ejemplo 1.77. Dados los vectores e1 = (1, 0) y e2 = (0, 1) de IR2 , comprobar que {e1 , e2 } es
una base de IR2 .
Si u = (−1, 2), el conjunto {e1 , e2 , u}, es L. D. de IR2
Ejemplo 1.78. Probar que el conjunto de vectores β = { e1 , e2 , e3 , . . . , en } con
e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1)
es una base de IRn . Esta base recibe el nombre de base canónica para el espacio vectorial
IRn .
Ejemplo 1.79. Sean v1 = (1, 2, 1), v2 = (2, 9, 0), v3 = (3, 3, 4). Demuéstrese que el conjunto
S = {v1 , v2 , v3 } es una base de IR3 .
Solución. Para demostrar que S es una base, se tiene que demostrar que primero que S es
L. I.
0 = xv1 + yv2 + zv3

es equivalente, e resolver el sistema lineal homogéneo
x + 2y + 3z = 0
2x + 9y + 3z = 0
x + 0y + 4z = 0
 
1 2 3
Pero la matriz de sus coeficientes es A =  2 9 3 . Puesto que D(A) = −1 6= 0, entonces
 
1 0 4
el sistema lineal homogéneo tiene solución única que es x = y = z = 0. Ası́ S es L. I..
La segunda parte, es necesario demostrar que un vector arbitrario v = (λ1 , λ2 , λ3 ) ∈ IR3

se puede expresar como C. L.
v = xv1 + xv2 + zv3

Algebra lineal 39
de los vectores de S, entonces resulta el sistema lineal no homogéneo
x + 2y + 3z = λ1
2x + 9y + 3z = λ2
x + 0y + 4z = λ3
 
1 2 3
Pero vimos que la matriz de coeficientes A =  2 9 3 , su D(A) = −1, entonces el
 
1 0 4
sistema tiene solución única. Ası́ S genera el espacio vectorial IR3 . Ası́ tenemos:
x = −36λ1 + 8λ2 + 21λ3

y = 5λ1 − λ2 − 3λ3
z = 9λ1 − 2λ2 − 5λ3
Ejemplo 1.80. Sean

" # " # " # " #
1 0 0 1 0 0 0 0
M1 = , M2 = , M3 = , M4 =
0 0 0 0 1 0 0 1
El conjunto S = {M1 , M2 , M3 , M4 } es una base para el espacio vectorial de matrices IR2×2
Ejemplo 1.81. Dado el subespacio W = { (x, y, z, w) ∈ IR4 / z + w = x + y }, hallar una base

de W
Solución.
1. En primer lugar, de la ecuación z + w = x + y despejar una de las variables, por

ejemplo w, entonces:
w=x+y−z
2. En segundo lugar, reemplazar w en cualquier vector genérico, es decir:
u = (x, y, z, w) = (x, y, z, x + y − z)
3. Descomponer
u = x(1, 0, 0, 1) + y(0, 1, 0, 1) + z(0, 0, 1, −1)
Los vectores {(1, 0, 0, 1), (0, 1, 0, 1)} y (0, 0, 1, −1) forman una base del subespacio W.
4. Luego el conjunto de vectores {(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 1, −1)} es una base de W
Ejemplo 1.82. Demuestre que el conjunto M = {f(x) = x2 +1, g(x) = 3x−1, h(x) = −4x+1}
constituye una base para el espacio vectorial V = P2 [x].
Solución. hf, g, hi será una base para P2 [x] si estos generan a P2 y son linealmente inde-
pendientes. Veamos:

Algebra lineal 40
1. Demostremos que es L. I., entonces
c1 f + c2 g + c3 h = 0
c1 (x + 1) + c2 (3x − 1) + c3 (−4x + 1) = 0 x2 + 0 x + 0
2
c1 x2 + (3c2 − 4c3 )x + (c1 − c2 + c3 ) = 0 x2 + 0 x + 0
igualando coeficientes, tenemos el sistema lineal homogéneo



 c1 = 0,
3c2 − 4c3 = 0, ⇒ c1 = c2 = c3 = 0

 c − c + c = 0,
1 2 3
Ası́ el conjunto M es linealmente independiente.
2. Demostremos ahora que M genera al espacio vectorial P2 [x]. Sea v = p(x) un vector
arbitrario de P2 [x]. Ası́ p es un polinomio de la forma
p(x) = ax2 + bx + c
Las funciones f, g y h generan a P2 [x] si existen escalares c1 , c2 , c3 tales que se puedan

escribir
p(x) = c1 f + c2 g + c3 h
Esto da como resultado
ax2 + bx + c = c1 f(x) + c2 g(x) + c3 h(x)

= c1 (x2 + 1) + c2 (3x − 1) + c3 (−4x + 1)
= c1 x2 + (3c2 − 4c3 )x + (c1 − c2 + c3 )
Si comparamos los coeficientes, se obtiene el sistema lineal de ecuaciones



 c1 = a,
3c2 − 4c3 = b,

 c − c +c =c
1 2 3
Se puede demostrar que este sistema de ecuaciones tiene la solución:
c1 = a, c2 = 4a − 4c − b, c3 = 3a − 3c − b
Por lo que el polinomio p(x) se puede expresar de la manera siguiente:
p(x) = c1 f(x) + c2 g(x) + c3 h(x)
Las funciones f, g, h generan a P2 [x].
Estas funciones generan a P2 [x] y son linealmente independientes. Constituyen una base
para P2 [x].

Algebra lineal 41
Teorema 1.16. Si {u1 , u2 , . . . , un } es una base de V y v ∈ V, entonces existe un conjunto

único de escalares α1 , α2 , . . . , αn tales que:
v = α1 u1 + α2 u2 + . . . + αn un
En efecto. La unicidad de los escalares αi se demuestra suponiendo que existen otros

escalares βi y mostrar que αi = βi , ∀ i, veamos:
1. Por hipótesis se tiene que {u1 , u2 , . . . , un } es una base de V. Por lo tanto {u1 , u2 , . . . , un }
genera al espacio vectorial V y son L. I.
Luego, si v ∈ V ⇒ ∃αi ∈ IR / v = α1 u1 + α2 u2 + . . . + αn un
2. Supongamos que existen otros escalares βi , tal que:
v = β1 u1 + β2 u2 + . . . + βn un
3. Restar:
v = α1 u1 + α2 u2 + . . . + αn un
v = β1 u1 + β2 u2 + . . . + βn un
0 = (α1 − β1 )u1 + (α2 − β2 )u2 + . . . + (αn − βn )un
4. Pero los vectores ui son L. I., entonces
α1 − β1 = α2 − β2 = · · · = αn − βn ⇒ α1 = β1 , α2 = β2 , · · · , αn = βn
Teorema 1.17. Si β1 = {u1 , u2 , . . . , un } y β2 = {v1 , v2 , . . . , vm } son bases del espacio vecto-

rial V, entonces n = m.
Este teorema nos dice que dos bases cualesquiera de un espacio vectorial V contienen el
mismo número de vectores.
Observación.
1. Si S = {u1 , u2 , . . . , ur } es un conjunto L. I. es un espacio vectorial V, entonces S es una

base para el subespacio W = Env(S).
2. Se dice que un espacio vectorial diferente de cero de V es de dimensión finita si

contiene un conjunto finito de vectores {u1 , u2 , . . . , un } que forman una base. Si no
existe un conjunto de este tipo, se dice que V es de dimensión infinita.
3. Se considera al espacio vectorial cero como de dimensión finita, aún cuando no tiene
conjunto linealmente independientes, y como consecuencia, no tiene base.

Algebra lineal 42
Definición 1.10. La dimensión de un espacio vectorial de dimensión finita V se define

como el número de vectores en una base para el espacio vectorial V.
Observación. Además, por definición, el espacio vectorial cero tiene dimensión cero
Ejemplo 1.83. La base estándar para el espacio vectorial IRn contiene n−vectores, y es
β = {e1 , e2 , . . . , en }, ej = (0, 0, . . . , 1, . . . , 0)
Además notemos, cualquier otra base de este espacio contiene n−vectores.
Ejemplo 1.84. Determı́nese una base y la dimensión para el espacio de soluciones del
sistema lineal homogéneo
2x1 + 2x2 − x3 + x5 = 0
−x1 − x2 + 2x3 − 3x4 + x5 = 0
x1 + x2 − 2x3 − x5 = 0
x3 + x4 + x5 = 0
Solución. Mediante operaciones elementales

   
2 2 −1 0 1 0 1 1 0 0 1 0
 −1 −1 2 −3 1 0 0 0 1 0 1 0
   
∼
  
 1 1 −2 0 −1 0 0 0 0 1 0 0
 
  
0 0 1 1 1 0 0 0 0 0 0 0
lo que vemos que: x1 + x2 + x5 = 0, x3 + x5 = 0 ∧ x4 = 0, parametrizando x2 = r y x5 = t,

tenemos:
x1 = −r − t, x2 = r, x3 = −t, x4 = 0, x5 = t
Por lo tanto, los vectores solución se puede escribir como
           
x1 −r − t −r −t −1 −1
 x   r   r   0   1   0 
 2           
= =
 x3   −t   0   −t  + = r  0  + t  −1 
           
           
 x4   0   0   0   0   0 
x5 t 0 t 0 1
lo cual demuestra que los vectores

   
−1 −1

 1 


 0 

v1 =  0 y v2 =  −1
   
 
   
 0   0 
0 1
generan el espacio de soluciones de este sistema lineal homogéneo. Dado que estos vectores
son linealmente independientes, {v1 , v2 } es una base, y el espacio de soluciones es bidimen-
sional.

Algebra lineal 43
1.7. Espacios vectoriales con producto interior y espa-

cios normados
El propósito de esta sección es dotar de una “geometrı́a” análoga a la de IR2 y IR3 a otro
tipo de espacios vectoriales, de manera que, concepto tales como producto punto, ángulo
entre vectores, perpendicularidad, norma de un vector y distancia entre vectores adquie-
ren en otros espacios vectoriales; por ejemplo, en el espacio de polinomios, en el espacio de
funciones, en el espacio de matrices, etc; aún si en éstos no existe una forma fı́sica de “ob-
servar” dicha geometrı́a. Lo anterior, como veremos después, no es un simple capricho con
fines de generalización, sino que es de gran importancia teórica y aplicada. Para poderlo
hacerlo, es necesario generalizar el producto punto de IRn a estos espacios vectoriales, ya
que a partir de él, como vimos antes, fue posible precisar dichos conceptos geométricos en
el espacio IRn .
Para lograr entender el concepto de producto punto de los espacios vectoriales IRn a otros
espacios vectoriales necesitamos abstraer esenciales del producto punto que son, precisa-
mente. Recordemos estas caracterı́sticas esenciales
Espacios con Producto interior

En el espacio IRn el producto punto (o producto interior) se define como:
X
n
x.y = (x1 , x2 , . . . , xn ).(y1 , y2 , . . . , yn ) = xi yi
i=n
y tiene las propiedades

1. x.y = y.x
2. (λx).y = λ(x.y)
3. x.(y + z) = x.y + x.z
4. x.x ≥ 0
5. x.x = 0 ⇐⇒ x = 0
Estas propiedades se cumplen para cualquier vectores x, y, z ∈ IRn , ∀ λ ∈ IR.
1.7.1. Definiciones, ejemplos y propiedades

Definición 1.11. Sea V un espacio vectorial. Un producto interior (o producto punto,
o producto escalar) es una función que asocia a cada par de vectores u, v ∈ V le asigna
un número real h , i , es decir:
h , i : V × V −→ IR, hu, vi ∈ IR
tales que satisfacen los siguientes axiomas, para todo los vectores u, v, w ∈ V y todo λ ∈ IR:

Algebra lineal 44
P.1. hu, vi = hv, ui (axioma de simetrı́a)
P.2. hu + v, wi = hu, wi + hv, wi (axioma de aditividad)
P.3. hλu, vi = λhu, vi (axioma de homogeneidad)
P.4. hu, ui ≥ 0 (axioma de positividad)
P.5. hu, ui = 0 ⇐⇒ u = 0
Un espacio vectorial con un producto interior se conoce como espacio vectorial euclı́deo.
Nota. La condición P.1. establece que el producto interior es conmutativo o simétrico. Las
condiciones P.2. y P.3. indican que el producto interno es lineal en la primera componente;
mientras que las condiciones P.4. y P.5. manifiestan que el producto escalar de un vector
por si mismo siempre debe ser no negativo, pudiendo ser cero en cuestión cuando el vec-
tor es el vector nulo; esta propiedad se indica que el producto escalar es definido positivo.
Las siguientes propiedades adicionales se deducen de inmediato a partir de los cinco

axiomas de los productos interiores.
Teorema 1.18. Sean u, v y w vectores de un espacio vectorial euclı́deo y λ un número real,

se tiene:
1. hu, v + wi = hu, vi + hu, wi
2. hu, λvi = λhu, vi
3. hu, 0i = h0, vi = 0
4. Si hu, vi = 0 para todo v, entonces u = 0
En efecto. (1) y (2) son inmediatas utilizando las condiciones P.1., P.2. y P.3. de la defini-
ción de producto interno.
(3) utilizando (1), se tiene
hu, 0i = hu, 0 + 0i = hu, 0i + hu, 0i
y por lo tanto se tiene hu, 0i = 0.
(4) Sea hu, vi = 0 para todo v de V. En particular cuando v = u, se tendrá que el pro-
ducto escalar hu, ui y por la condición P.5. del producto interno se deduce que u = 0.
Observación. Las propiedades (1) y (2) que acabamos de comprobar indican que el pro-
ducto interno es una función lineal en la segunda componente. Podemos resumir estas pro-
piedades con las de la definición, diciendo que el producto interno es una forma bilineal
definida simétrica.

Algebra lineal 45
Ejemplo 1.85. Sean u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) dos vectores del espacio

vectorial IRn , el producto interno euclidiano canónico
hu, vi = u1 v1 + u2 v2 + · · · + un vn
satisface todos los axiomas del producto interior.
Nótese que este producto interno se puede calcular utilizando la expresión

 
v1
h i  v2 
hu, vi = u vT = u1 u2 · · · un  . 
 
 .. 
vn
¿Existen otros productos interiores en el espacio Rn ?

Ejemplo 1.86. Si u = (u1 , u2 ) y v = (v1 , v2 ) dos vectores del espacio vectorial IR2 , entonces
la función
hu, vi = 3u1 v1 + 2u2 v2
define un producto interior. A fin de verificarlo, nótese primero que si intercambian u con
v en esta ecuación, entonces el segundo miembro permanece inalterado. Por lo tanto,
hv, ui = 3v1 u1 + 2v2 u2 = 3u1 v1 + 2u2 v2 = hu, vi
Si w = (w1 , w2 ), entonces
hu + w, vi = 3(u1 + w1 )v1 + 2(u2 + w2 )v2

= (3u1 v1 + 2u2 v2 ) + (3w1 v1 + 2w2 v2 )
= hu, vi + hw, vi
A continuación
hλu, vi = 3(λu1 )v1 + 2(λu2 )v2

= λ(3u1 v1 + 2u2 v2 )
= λhu, vi
lo cual establece el tercer axioma.
Por último,
hv, vi = 3v1 v1 + 2v2 v2 = 3v21 + 2v22 ≥ 0
Además hv, vi = 3v21 + 2v22 = 0 ⇐⇒ v1 = 0 = v2 , es decir v = (0, 0). Por lo tanto, se satisface,
el cuarto axioma.
Ejemplo 1.87. En el espacio vectorial IR2 , sean x = (x1 , x2 ), y = (y1 , y2 ) se define:
hx, yi = x1 y1 − 2x1 y2 − 2x2 y1 + 5x2 y2
Demostración. Sean ∀ x = (x1 , x2 ), y = (y1 , y2 ), z = (z1 , z2 ) ∈ IR2 y ∀ λ ∈ IR, entonces:

Algebra lineal 46
1. hx, yi = x1 y1 − 2x1 y2 − 2x2 y1 + 5x2 y2 = y1 x1 − 2y1 x2 − 2y2 x1 + 5y2 x2 = hy, xi
2.
hλx, yi = h(λx1 , λx2 ) (y1 , y2 )i
= λx1 y1 − 2λx1 y2 − 2λx2 y1 + 5λx2 y2 = λ[x1 y1 − 2x1 y2 − 2x2 y1 + 5x2 y2 ]
= λhx, yi
3.
hx + y, zi = h(x1 + y1 , x2 + y2 ); (z1 + z2 )i
= (x1 + y1 )z1 − 2(x1 + y1 )z2 − 2(x2 + y2 )z1 + 5(x2 + y2 )z2
= (x1 z1 − 2x1 z2 − 2x2 z1 + 5x2 z2 ) + (y1 z1 − 2y1 z2 − 2y2 z1 + 5y2 z2 )
= hx, zi + hy, zi
4.
hx, xi = x1 x1 − 2x1 x2 − 2x2 x1 + 5x2 x2 = x21 − 4x1 x2 + 5x22
= x21 − 4x1 x2 + 4x22 + x22
= (x1 − 2x2 )2 + x22 ≥ 0
de donde hx, xi ≥ 0
5. Si x = (0, 0), claramente se tiene que hx, xi = 0. Si x = (a, b) y hx, xi = 0, entonces

(a − 2b)2 + b2 = 0, de ahı́ se tiene que a = b = 0 y que x = (a, b) = (0, 0).
El producto interior de estos dos ejemplos es diferente del producto interior eu-
clidiano sobre IR2 ; esto indica que un espacio vectorial puede tener más de un producto
interior. En general el espacio vectorial IRn se puede definir infinitos espacios vectoriales
euclidianos.
Ejemplo 1.88. Podemos definir el producto interno en otros espacios vectoriales,

" #como aho-
u1 u2
ra lo vamos a definir a matrices cuadradas de orden 2 × 2. Sean U = y V=
u3 u4
" #
v1 v2
dos matrices arbitrarias del espacio vectorial IR2×2 , entonces la función que sigue
v3 v4
define un producto interior sobre IR2×2
hU, Vi = u1 v1 + u2 v2 + u3 v3 + u4 v4
Por ejemplo, si " # " #

1 2 −1 0
U= y V=
3 4 3 2
entonces
hU, Vi = 1(−1) + 2(0) + 3(3) + 4(2) = 16

Algebra lineal 47
Ejemplo 1.89. Sean x = (x1 , x2 , x3 ) y y = (y1 , y2 , y3 ) dos vectores cualesquiera de IR3 .

Probar que   
h i 2 1 −1 y1
hx, yi = x1 x2 x3  1 1 0   y2 
  
−1 0 2 y3
es un producto interno.
Solución. La comprobación de las tres primeras condiciones P.1., P.2. y P.3. de la de-
finición de producto escalar, estas se deducen fácilmente de las propiedades del producto
de matrices y de que la matriz A es simétrica. Veamos ahora las condiciones P.4. y P.5.
  
h i 2 1 −1 x1
hx, xi = x1 x2 x3  1 1 0   x2 
  
−1 0 2 x3
 
h i 2x1 + x2 − x3
= x1 x2 x3  x1 + x2
 

−x1 + 2x3
= x1 (2x1 + x2 − x3 ) + x2 (x1 + x2 ) + x3 (−x1 + 2x3 )
= 2x21 + 2x1 x2 + x22 − 2x1 x3 + 2x23
= (x21 + 2x1 x2 + x22 ) + (x21 − 2x1 x3 + x23 ) + x23
= (x1 + x2 )2 + (x1 − x3 )2 + x23 ≥ 0
Por ser suma de cuadrados. Por lo tanto, se verifica P.4.
De acuerdo con lo que acabamos de ver hx, xi = 0 ⇐⇒ hx, xi = (x1 + x2 )2 + (x1 − x3 )2 + x23 ⇐⇒


 x1 + x2 =0
x1 − x3 = 0

 x3 = 0
cuya única solución es x1 = x2 = x3 = 0. Luego se verifica P.5.
Ejemplo 1.90. Si p = a0 + a1 x + a2 x2 y q = b0 + b1 x + b2 x2 son dos vectores arbitrarias en

P2 [x], entonces la siguiente fórmula define un producto interior
hp, qi = a0 b0 + a1 b1 + a2 b2
Ejemplo 1.91. Sean p y q son dos vectores arbitrarias en Pn [x] y defı́nase

Zb
hp, qi = p(x)q(x)dx (1.4)
a
en donde a y b son números reales fijos cualesquiera tales que a < b. Se demostrará que
(1.4) define un producto interior sobre el espacio vectorial V = Pn [x].

Algebra lineal 48
Zb Zb
1. hp, qi = p(x)q(x)dx = q(x)p(x)dx = hq, pi
a a
lo cual prueba que se cumple el axioma 1.
2. Sean p, q y r tres polinomios arbitrarios del espacio vectorial Pn [x], entonces

Zb
hp + r, qi = [p(x) + r(x)]q(x)dx
a
Zb Zb
= p(x)q(x)dx + r(x)q(x)dx
a a
= hp, qi + hr, qi
Zb Zb
3. hλp, qi = (λp(x))q(x)dx = λ p(x)q(x)dx = λhp, qi
a a
lo cual prueba que se cumpla el axioma 3.
4. Si p es cualquier polinomio en Pn , entonces p2 (x) ≥ 0 para todo x, por lo tanto

Zb Zb
hp, pi = p(x)p(x)dx = p2 (x)dx ≥ 0
a a
Zb
Además p2 (x)dx = 0 si y sólo si p(x) = 0
a
Ejemplo 1.92. Sea V un espacio vectorial euclı́deo. Si x, y y z son vectores de V, desarro-

llar la siguiente expresión
hx + z, x − z + yi
Solución. Utilizando las propiedades del producto interno, podemos escribir
hx + z, x − z + yi = hx, x − z + yi + hz, x − z + yi
= hx, xi − hx, zi + hx, yi + hz, xi − hz, zi + hz, yi
= hx, xi + hx, yi − hz, zi + hz, yi
Ejemplo 1.93. (Producto interior en el espacio de funciones continuas) En el espacio vec-

torial de funciones continuas, V = C[a, b] se define el producto interior, para f, g ∈ C[a, b]
Zb
hf, gi = f(x)g(x)dx
a
Comprobemos que hf, gi es un producto interior.

Solución.
1. Sean f, g funciones arbitrarias de C[a, b]

Zb Zb
hf, gi = f(x)g(x)dx = g(x)f(x)dx = hg, fi
a a

Algebra lineal 49
2. Si λ ∈ IR, f, g ∈ C[a, b]
Zb
hλf, gi = (λf)(x)g(x)dx
a
Zb
= λf(x)g(x)dx
a
Zb
=λ g(x)f(x)dx
a
= λhf, gi
3. Sean f, g, h funciones arbitrarias de C[a, b]

Zb
hf + g, hi = [f(x) + g(x)]h(x)dx
a
Zb Zb
= f(x)h(x)dx + g(x)h(x)dx
a a
= hf, hi + hg, hi
4. Si f ∈ C[a, b]
Zb Zb
hf, fi = f(x)f(x)dx = f2 (x)dx ≥ 0
a a
5. Si f(x) = θ, θ(x) = 0, ∀ x ∈ [a, b], entonces
hf, fi = hθ, θi
Zb
= θ2 (x)dx
a
Zb
= 0dx
a
=0
Ejemplo 1.94. Calcular hf, gi en C[0, 1], si f(x) = x y g(x) = ex

Solución.
Z1
hf, gi = x ex dx
0
= (x ex − ex )|10
= e − (e − 1) = 1
Teorema 1.19. (Desigualdad de Cauchy-Schwartz) Sean u, v ∈ V, donde V es un espacio

vectorial euclı́deo, entonces
hu, vi2 ≤ hu, uihv, vi
Demostración.

Algebra lineal 50
Si u = 0, entonces h0, vi2 ≤ h0, 0ihv, vi = 0, de modo que evidentemente, la igualdad se

cumple.
Si u 6= 0 y sean a = hu, ui, b = 2hu, vi, c = hv, vi y t cualquier número real. Por el
axioma de positividad, el producto interior de cualquier vector por sı́ mismo siempre
es no negativo.
Por lo tanto,
0 ≤ htu + v, tu + vi = hu, uit2 + 2hu, vit + hv, vi

= at2 + bt + c, es decir 0 ≤ at2 + bt + c
Esta desigualdad implica que el polinomio cuadrático at2 + 2bt + c no tiene raı́ces
reales, o bien, tiene una raı́z repetida. Por lo tanto, su discriminante debe satisfacer
b2 − 4ac ≤ 0
Al expresar a, b y c en términos de u y v da
b2 − 4ac ≤ 0 ⇐⇒ 4hu, vi2 − 4hu, uihv, vi ≤ 0 ⇐⇒ hu, vi2 ≤ hu, uihv, vi
Ejemplo 1.95. Sean u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) son dos vectores arbitrarios

del espacio IRn , entonces la desigualdad de Cauchy-Schwartz aplicado a estos dos vectores
da:
(u1 v1 + u2 v2 + · · · + un vn ) ≤ (u21 + u22 + · · · + u2n )(v21 + v22 + · · · + v2n )
De hecho de la propiedad bilineal del producto interno permite demostrar que:
X X n X
X
* n n
+ n
ai x i , bj y j = ai bj hxi , yj i
i=1 j=1 i=1 j=1
Vamos a calcular ahora el producto interno de dos vectores x y y en función de sus

componentes respecto de una misma base. Sea β = {b1 , b2 , . . . , bn } una base del espacio
euclı́deo V y supongamos que
x = x1 b1 + x2 b2 + · · · + xn bn
y que
y = y1 b1 + y2 b2 + · · · + yn bn
Entonces
X X
* n n
+
hx, yi = xi bi , yj bj
i=1 j=1
X
n X
n
= xi yj hbi , bj i
i=1 j=1
X
n X
n
= xi gij yj ,
i=1 j=1

Algebra lineal 51
donde gij = hbi , bj i para 1 ≤ i, j ≤ n. Esta igualdad se escribe matricialmente

  
g11 g12 . . . g1n y1
h i g21 g22 . . . g2n  y2 
hx, yi = x1 x2 · · · xn
  
.. .. .. . ..
. ..
  
 . .  . 
gn1 gn2 . . . gnn yn
T

= Cβ (x) G (Cβ (y))
La matriz cuadrada G se llama matriz de Gram del producto interno respecto de la base
β. Nótese que sus componentes de esta matriz son los productos internos de los vectores de
la base considerada.
Ejemplo 1.96. Sea β = {e1 , e2 , . . . , en } la base canónica de IRn . Si en IRn consideramos el

producto interno canónico, entonces

1, si i = j,
hei , ej i = δij =
0, si i 6= j,
con lo que la matriz de Gram respecto de la base canónica es la matriz identidad.
Ejemplo 1.97. En el espacio vectorial euclı́deo IR3 definido

  
h i 2 1 −1 y1
hx, yi = x1 x2 x3  1 1 0   y2 
  
−1 0 2 y3
Si β = {e1 , e2 , e3 } es la base canónica de IR3 , hallar la matriz de Gram de dicho producto

escalar respecto de β.

Algebra lineal 52
Solución. Tal como se ha definido el producto interno, resulta

    
h i 2 1 −1 1 h i 2
he1 , e1 i = 1 0 0  1 1 0  0  = 1 0 0  1  = 2,
    
−1 0 2 0 −1
    
h i 2 1 −1 0 h i 1
he1 , e2 i = 1 0 0  1 1 0  1  = 1 0 0  1  = 1,
    
−1 0 2 0 0
    
h i 2 1 −1 0 h i −1
he1 , e3 i = 1 0 0  1 1 0  0  = 1 0 0  0  = −1,
    
−1 0 2 1 2
he2 , e1 i = he1 , e2 i = 1,

   
h 2 1 −1
i 0 h i 1
he2 , e2 i = 0 1 0  1 1 0  1  = 0 1 0  1  = 1,
    
−1 0 2 0 0
    
h i 2 1 −1 0 h i −1
he2 , e3 i = 0 1 0  1 1 0  0  = 0 1 0  0  = 0,
    
−1 0 2 1 2
he3 , e1 i = he1 , e3 i = −1,
he3 , e2 i = he2 , e3 i = 0,
 
  
h i 2 1 −1 0 h i −1
he3 , e3 i = 0 0 1  1 1 0  0  = 0 0 1  0  = 2
    
−1 0 2 1 2
Por lo tanto    
he1 , e1 i he1 , e2 i he1 , e3 i 2 1 −1
G =  he2 , e1 i he2 , e2 i he2 , e3 i  =  1 1 0 
   
he3 , e1 i he3 , e2 i he3 , e3 i −1 0 2
que es precisamente la matriz que hemos utilizado para definir el producto interno.
Teorema 1.20. Sea β una base del espacio vectorial euclı́deo V de dimensión n y supon-
gamos que G es la matriz de Gram del producto escalar respecto a dicha base, entonces:
i) G es una matriz simétrica.
ii) G es una matriz inversible.
iii) Si x 6= 0, donde x ∈ V, entonces xT Gx > 0
Nota. Cuando una matriz G cumple la condición (iii) del teorema.1.20, se dice que es
definida positiva.

Algebra lineal 53
1.8. Longitud o norma de un vector

Definición 1.12. Sea V un espacio vectorial euclı́deo, entonces la norma (o longitud) de
un vector v se denota ||v|| y se define por
||v|| = hv, vi1/2
Además, la distancia entre dos vectores u y v se denota d(u, v) se define por
d(u, v) = ||u − v||

Ejemplo 1.98. Si u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , n ) son vectores del espacio vecto-
rial IRn con el producto interior canónico, entonces
q
||u|| = hu, ui1/2 = u21 + u22 + · · · + u2n
y
d(u, v) = ||u − v|| =
p
(u1 − v1 )2 + (u2 − v2 )2 + · · · + (un − vn )2
Ejemplo 1.99. Supóngase que el espacio vectorial IR2 tiene definido el producto interior
hu, vi = 3u1 v1 + 2u2 v2 .
Si u = (1, 0) y v = (0, 1), entonces

√
||u|| = hu, ui1/2 = [3(1)(1) + 2(0)(0)]1/2 = 3,
√
||v|| = hv, vi1/2 = [3(0)(0) + 2(1)(1)]1/2 = 2
y
√
d(u, v) = ||u − v|| = ||(1, −1)|| = h(1, −1), (1, −1)i1/2 = [3(1)(1) + 2(−1)(−1)]1/2 = 5
Observación. Es importante tener presente que la norma y la distancia dependen del

producto interior que se esté usando. Si se cambia el producto interior, entonces cambian
las normas y las distancias entre los vectores.
Ejemplo 1.100. Si en el espacio vectorial IR3 se considera el producto interno canónico
hx, xi = x1 y1 + x2 y2 + x3 y3
se tiene que la norma del vector x = (2, −1, 2) es
||x|| = 22 + (−1)2 + 22 = 3,
p
mientras que si consideramos el producto interno del ejemplo.1.97, entonces

  
h i 2 1 −1 2
||x||2 = 2 −1 2  1 1 0   −1  = 5,
  
−1 0 2 2
√
es decir ||x|| = 5.

Algebra lineal 54
Ejemplo 1.101. En el espacio vectorial euclı́deo V = P2 [x] con el producto interno

Z1
hp(x), q(x)i = p(x)q(x)dx,
0
tenemos que si p(x) = x − 1, su norma es:

Z1 Z1
s s s 1
(x − 1)3 1
||p(x)|| = ||x − 1|| = p(x)p(x)dx = 2
(x − 1) dx = =√
0 0 3 0 3
Teorema 1.21. Sea V un espacio vectorial euclı́deo, entonces la norma ||v|| = hv, vi1/2 y la
distancia d(u, v) = ||u − v|| satisfacen las siguientes propiedades:
(L1) ||v|| ≥ 0 (D1) d(u, v) ≥ 0

(L2) ||v|| = 0 ⇐⇒ u = 0 (D2) d(u, v) = 0 ⇐⇒ u = v
(L3) ||kv|| = |k|||v|| (D3) d(u, v) = d(v, u)
(L4) ||v + u|| ≤ ||v|| + ||u|| (D4) d(u, v) ≤ d(u, w) + d(w, v)
Teorema 1.22. Sea V un espacio vectorial euclı́deo, entonces
||v + u||2 + ||v − u||2 = 2(||v||2 + ||u||2 )
En efecto.
||v + u||2 + ||v − u||2 = hv + u, v + ui + hv − u, v − ui

= 2hv, vi + 2hv, ui − 2hv, ui + 2hu, ui
= 2(||v||2 + ||u||2 )
Este teorema se conoce generalmente con el nombre de “Ley del Paralelogramo” debido
a que en el espacio euclı́deo IR2 con el producto escalar canónico (Ver Figura.1.3), esta
propiedad afirma
“La suma de los cuadrados de las longitudes de las diagonales de un paralelo-

gramo es igual a la suma de los cuadrados de las longitudes de los cuatro lados”.
Figura 1.3: Ley del Paralelogramo

Algebra lineal 55
Observación. La norma la podemos escribir equivalentemente ası́:
||v|| = hv, vi1/2 ⇐⇒ ||v||2 = hv, vi
entonces la desigualdad de Cauchy-Schwartz, se puede escribir ası́:
hu, vi2 ≤ hv, vi hu, ui ⇐⇒ hu, vi2 ≤ ||v||2 ||u||2
o bien, después de tomar las raı́ces cuadradas, como:
|hu, vi| ≤ ||u|| ||v||
Demostración de la desigualdad triangular, por definición tenemos:
||v + u||2 = hu + v, u + vi
= hu, ui + 2hu, vi + hv, vi
≤ hu, ui + 2|hu, vi| + hv, vi
≤ hu, ui + 2||u|| ||v|| + hv, vi
= ||u||2 + 2||u|| ||v|| + ||v||2 i
= (||u|| + ||v||)2
Al tomar las raı́ces cuadradas da:
||v + u|| ≤ ||v|| + ||u||
La desigualdad triangular tiene una sencilla interpretación geométrica (ver Figura.1.4),

esta propiedad afirma
La suma de las longitudes de los lados más cortos de un
triángulo es mayor que la longitud del lado más largo.
Figura 1.4: Desigualdad triangular
Definición 1.13. Se dice que un vector u de un espacio vectorial euclı́deo V, es normali-

zado si ||u|| = 1.
Obsérvese que si u 6= 0, entonces el vector

u
z=
||u||

Algebra lineal 56
es un vector normalizado.
Supóngase que los vectores u y v son vectores no nulos en un espacio vectorial euclı́deo.
La desigualdad de Cauchy- Schwartz, se puede escribir ası́:
2
hu, vi
hu, vi ≤ ||v|| ||u|| ⇐⇒
2 2 2
≤1
||u||||v||
o, de modo equivalentemente,
hu, vi
−1 ≤ ≤1
||u||||v||
Como consecuencia de este resultado, existe un único ángulo θ tal que:
hu, vi
Cosθ = y 0≤θ≤π
||u||||v||
Ejemplo 1.102. Determine el coseno del ángulo θ entre los vectores con el producto interno
canónico
u = (4, 3, 1, −2) y v = (−2, 1, 2, 3)
Definición 1.14. En un espacio vectorial euclı́deo, se dice que dos vectores u y v son orto-
gonales si hu, vi = 0. Además, si u es ortogonal a cada vector en un conjunto W, se dice
que u es ortogonal a W.
Observación.
1. Si u y v son ortogonales, denotaremos por u ⊥ v
2. Si u es ortogonal al conjunto W, denotaremos por u ⊥ W

Ejemplo 1.103. Sea V = P2 [x] un espacio vectorial, con producto interior definido ası́:
Z1
hp(x), q(x)i = p(x)q(x)dx
−1
Y sean los vectores p(x) = x y q(x) = x2
Entonces
Z 1
1/2 Z 1 1/2 r
2
||p(x)|| = hp(x), p(x)i = x xdx = 2
x dx =
−1 −1 3
Z 1 1/2 Z 1 1/2 r
2
||q(x)|| = hq(x), q(x)i = x2 x2 dx = x4 dx =
−1 −1 5
Z 1 1/2 Z 1 1/2
hp(x), q(x)i = x x2 dx = 3
x dx =0
−1 −1
Debido a que hp(x), q(x)i, los vectores p(x) = x y q(x) = x2 son ortogonales en relación con
el producto interior dado.

Algebra lineal 57
Ejemplo 1.104. En el espacio vectorial euclidiano V = C[0, π], si f(x) = sen x y g(x) = cos x
Zπ
hsen x, cos xi = sen x cos xdx
0 2 π
sen x
=
2 0
=0
Por lo tanto, f⊥g. Es decir, las funciones seno y coseno son ortogonales en V = C[0, π].
Teorema 1.23. (Teorema de Pitágoras generalizado) Si u y v son vectores ortogonales
en un espacio vectorial euclı́deo, entonces:
||v + u||2 = ||v||2 + ||u||2
En efecto.
||v + u||2 = hu + v, u + vi = ||v||2 + 2hu, vi + ||u||2

= ||v||2 + ||u||2
Teorema 1.24. Propiedades de ortogonalidades Sean u, v, w ∈ V donde V es un

espacio vectorial euclidiano y α, β ∈ IR, entonces:
1. Si u ⊥ v, u ⊥ w entonces u ⊥ (αv + βw)
2. Si W ⊂ V, donde W = hv1 , v2 , . . . , vn i y u ⊥ vi para cada i = 1, 2, . . . , n, entonces u ⊥ v,

para cualquier v ∈ W.
3. u ⊥ v, ∀ v ∈ V ⇐⇒ u = 0
1.9. Bases ortonormales; Proceso de Gram Schmidt

Definición 1.15. .
Se dice que un conjunto de vectores en un espacio vectorial euclı́diano es un conjunto
ortogonal si todos los pares de vectores distintos dos a dos son ortogonales.
Sea un conjunto ortogonal en el que cada vector tiene norma 1, se dice que es un
conjunto ortonormal.
Ejemplo 1.105. Sea V = IR3 un espacio vectorial con producto interior canónico y sean los
vectores
1 1 1 1
v1 = (0, 1, 0), v2 = √ , 0, √ , v3 = √ , 0, − √
2 2 2 2
El conjunto S = {v1 , v2 , v3 } es ortonormal en IR , ya que:
3
hv1 , v2 i = hv2 , v3 i = hv1 , v3 i = 0
y
||v1 || = ||v2 || = ||v3 || = 1

Algebra lineal 58
Ejemplo 1.106. En el espacio vectorial euclı́diano V = P2 [x] se define el producto interno

Z1
hp, qi = p(x)q(x)dx
−1
1
Probar que el conjunto {1, x, (3x2 − 1)} es ortogonal.
3
1
Solución. Definimos por p(x) = 1, q(x) = x y r(x) = (3x2 − 1). Entonces
3
Z1 2 1
x
hp, qi = x dx = = 0,
−1 2 −1
Z1
1 1 3 1
hp, ri = (3x2 − 1)dx = x − x −1 = 0,
−1 3 3
Z1
1 1 4 1 1 2 1
hq, ri = x (3x2 − 1)dx = x −1 − x −1 = 0
−1 3 4 6
de donde se deduce que el conjunto es ortogonal.
Teorema 1.25. Si S = {u1 , u2 , . . . , un } es una base ortogonal de un espacio vectorial eucli-

diano y x es un vector arbitrario de V, entonces
hx, u1 i hx, u2 i hx, un i

x= u 1 + u2 + · · · + un
||u1 ||2 ||u2 ||2 ||un ||2
En efecto. Escribamos a x como combinación lineal de los vectores de la base S, es decir:
x = x1 u1 + x2 u2 + · · · + xn un
Luego calculemos el producto interno de los vectores de x con ui
hx, u1 i = x1 hu1 , u1 i + x2 hu2 , u1 i + · · · + xn hun , u1 i
Teniendo en cuenta que la base es ortogonal, obtenemos
hx, u1 i = x1 ||u1 ||2
y como ||u1 || 6= 0, resulta

hx, u1 i
x1 =
||u1 ||2
Repitiendo este proceso con los vectores u2 , u3 , . . . , un , se obtiene el resultado.
Corolario 1.107. Si β = {v1 , v2 , . . . , vn } es una base ortonormal para un espacio vectorial

euclidiano V, y u es un vector arbitrario de V, entonces
u = hu, v1 iv1 + hu, v2 iv2 + · · · + hu, vn ivn

Algebra lineal 59
En efecto. Como β = {v1 , v2 , . . . , vn } es una base, entonces el vector u se puede expresar

como combinación lineal de la base, es decir:
u = k 1 v1 + k 2 v2 + · · · + k n vn
determinemos los coeficientes escalares ki , veamos:
hu, vi i = hk1 v1 + k2 v2 + · · · + kn vn , vi i
= k1 hv1 , vi i + k2 hv2 , vi i + · · · + ki hvi , vi i + · · · + kn hvn , vi i
Dado que β = {v1 , v2 , . . . , vn } es una base ortonormal, se tiene
hvi , vi i = ||vi ||2 = 1 y hvi , vj i = 0 si i 6= j
Por lo tanto, la ecuación anterior se simplifica hasta obtener
ki = hu, vi i

4 3 3 4
Ejemplo 1.108. Sea v1 = (0, 1, 0), v2 = − , 0, , v3 = , 0, . Es fácil de verificar
5 5 5 5
que β = {v1 , v2 , v3 } es una base ortonormal para el espacio vectorial IR3 , con el producto
interior euclidiano. Expresar el vector u = (1, 1, 1) como una combinación lineal de β.
Solución. Por el teorema.1.107 tenemos que
k1 = hu, v1 i = h(1, 1, 1), (0, 1, 0)i = 1 ⇒ k1 = 1

4 3 1 1
k2 = hu, v2 i = h(1, 1, 1), − , 0, i = − ⇒ k2 = −
5 5 5 5

3 4 7 7
k3 = hu, v3 i = h(1, 1, 1), , 0, i= ⇒ k3 =
5 5 5 5
entonces

1 4 3 7 3 4
u = k1 v1 + k2 v2 + k3 v3 ⇐⇒ (1, 1, 1) = 1(0, 1, 0) − − , 0, + , 0,
5 5 5 5 5 5
Ası́, obtenemos las coordenadas del vector u en la base β, es decir:

 
1
Cβ [u] =  − 51 
 
7
5
Teorema 1.26. Si S = {v1 , v2 , . . . , vn } es un conjunto ortogonal de vectores diferentes de

cero en un espacio vectorial euclı́deo, entonces S es linealmente independiente.
En efecto. Sea la combinación lineal
0 = k 1 v1 + k 2 v2 + · · · + k n vn

Algebra lineal 60
Luego para cada vi ∈ S, y de acuerdo al teorema.1.107, se deduce que:
hk1 v1 + k2 v2 + · · · + kn vn , vi i = h0, vi i = 0
o de modo equivalentemente,
k1 hv1 , vi i + k2 hv2 , vi i + · · · + ki hvi , vi i + · · · + kn hvn , vi i = 0
Por la ortogonalidad de S, hvi , vj i = 0 si i 6= j, de modo que esta ecuación se reduce a
ki hvi , vi i = 0 ⇒ ki = 0
De manera análoga se demuestra que todos los ki son iguales a cero, ası́ S es linealmente
independiente.
Ejemplo 1.109. En el espacio vectorial euclidiano canónico V = IR3 , se consideran los

vectores x = (2, 1, −3), u1 = (1, 1, 0), u2 = (−1, 1, 2) y u3 = (−1, 1, −1). Probar que
β = {u1 , u2 , u3 } es una base ortogonal y obtener Cβ (x).
Solución. Vemos que
hu1 , u2 i = h(1, 1, 0), (−1, 1, 2)i = 0

hu1 , u3 i = h(1, 1, 0), (−1, 1, −1)i = 0
hu2 , u3 i = h(−1, 1, 2), (−1, 1, −1)i = 0
Por lo tanto β es una ortogonal. Luego por el teorema.1.26 es linealmente independiente, y

en consecuencia es una base de IR3 .
Ahora determinemos las coordenadas del vector x, pero como β es una base ortogonal,
entonces ortonormalizamos, es decir, tenemos:
u1 1 u2 1 u3 1
v1 = = (1, 1, 0), v2 = = (−1, 1, 2), v3 = = (−1, 1, −1)
||u1 || 2 ||u2 || 6 ||u3 || 3
Luego el conjunto {v1 , v2 , v3 } es una base ortonormal, entonces
3
k1 = hx, v1 i =
2
7
k2 = hx, v2 i = −
6
2
k3 = hx, v3 i =
3
Las componentes del vector x respecto de la base β son

3 7 2
Cβ [x] = ,− ,
2 6 3

Algebra lineal 61
Ejemplo 1.110. El conjunto de vectores S = {v1 , v2 , v3 }, donde

1 1 1 1
v1 = (0, 1, 0), v2 = √ , 0, √ , v3 = √ , 0, − √
2 2 2 2
es un conjunto ortonormal con respecto al producto euclidiano canónico en el espacio IR3 ,
por el teorema anterior, estos vectores forman un conjunto linealmente independiente. Por
lo tanto, S es una base ortonormal para IR3 .
Definición 1.16. En un espacio vectorial euclidiano se define el vector proyección, p, de u
sobre v 6= 0, como aquel que satisface:
1. p ∈ hvi
2. (u − p) ⊥ v
Por la primera condición, se tiene que p = λv y por la segunda condición
0 = hu − p, vi
= hu, vi − hp, vi
= hu, vi − hλv, vi
= hu, vi − λ||v||2
lo que implica que
hu, vi
λ=
||v||2
Con lo que hemos probado el siguiente teorema
Teorema 1.27. Si u, v 6= 0 ∈ V, entonces el vector proyección p de u sobre v está dado por
hu, vi
p= v
||v||2
Ejemplo 1.111. Si f(x) = ex , g(x) = e−2x vectores de V = C[0, 1], con el producto interno
definido del modo siguiente Z 1
hf, gi = f(x)g(x)dx
0
determine la proyección ortogonal de f sobre g.
Solución. La proyección esta dado por

hf(x), g(x)i
p= g(x)
||g(x)||2
Por una parte tenemos
Z1
hf(x), g(x)i = ex e−2x dx
0
Z1
= e−x dx
0
= 1 − e−1

Algebra lineal 62
y, por otro lado,
||g(x)||2 = hg(x), g(x)i

Z1 Z1
= e e dx = e−4x dx
−2x −2x
0 0
1
= (1 − e−4 )
4
Luego
4(1 − e−1 ) −2x
p(x) = e
(1 − e−4 )
Subespacio ortogonal
Sea F un subespacio vectorial de V, donde V es un espacio vectorial euclidiano. Deno-

temos por F⊥ al conjunto formado por los vectores de V que son ortogonales a todos los
vectores de F. Es decir
F⊥ = {x ∈ V / hx, yi = 0 para todo y ∈ F}
La pregunta natural en este punto es saber si el conjunto F⊥ es un subespacio vectorial de

V
Teorema 1.28. Sea F un subespacio vectorial del espacio vectorial euclidiano V. Entonces
F⊥ es un subespacio vectorial de V.
En efecto.
Desde luego que 0 ∈ F⊥ ya que el vector nulo es ortogonal a todos los vectores de V, en
particular es ortogonal a los vectores de F.
Por otra parte sean u, v ∈ F⊥ , entonces, para cualquier vector y ∈ F
hu + v, yi = hu, yi + hv, yi = 0
Por último, si λ ∈ IR, entonces
hλu, yi = λhu, yi = λ(0) = 0
Por lo tanto F⊥ es un subespacio vectorial de V.
Teorema 1.29. Sea F un subespacio vectorial de dimensión finita de un espacio vectorial

euclidiano V. Si β es una base de F, entonces x ∈ F⊥ si, y sólo si, x es ortogonal a cada uno
de los vectores de la base β.
En efecto.
Si x ∈ F⊥ , x es ortogonal a todos los vectores de F, en particular x es ortogonal a todos

los vectores de la base β.

Algebra lineal 63
recı́procamente, sea β = {u1 , u2 , . . . , up } y supongamos que

hx, ui i = 0, i = 1, 2, . . . , p
Sea y un vector cualquiera de F. Entonces escribiendo y como combinación lineal de
los vectores de la base β
y = α1 u1 + α2 u2 + · · · + αp up ,
el producto interno de x por y es
hx, yi = hx, α1 u1 + α2 u2 + · · · + αp up i
= α1 hx, u1 i + α2 hx, u2 i + · · · + αp hx, up i
=0
Luego x ∈ F⊥ .
Teorema 1.30. Sea F un subespacio vectorial propio de un espacio vectorial euclidiano V
de dimensión finita. Entonces V = F ⊕ F⊥
Definición 1.17. Sea F un subespacio vectorial de un espacio vectorial euclidiano V de
dimensión finita. El subespacio vectorial F⊥ se llama complemento ortogonal de F.
Ejemplo 1.112. En el espacio vectorial euclidiano canónico IR3 , se considera el subespacio
W = hu = (1, 1, 0), v = (−1, 2, 1)i. Calcular el complemento ortogonal de W.
Solución. El subespacio complemento ortogonal de W esta definido por:
W⊥ = { x = (x, y, z) ∈ IR3 / hx, yi} = 0, para todo y ∈ W }
Entonces si x ∈ W⊥ , x = (x, y, z) es ortogonal a los vectores que generan W, es decir
hx, ui = x + y = 0
y
hx, vi = −x + 2y + z = 0
La solución, en forma paramétrica, del sistema lineal

x + y = 0
−x + 2y + z = 0
es (x, y, z) = t(1, −1, 3). Luego W⊥ = h(1, −1, 3)i,

Teorema 1.31. Sea V un espacio vectorial euclidiano y M = {v1 , v2 , . . . , vr }, r ≤ n un
conjunto ortonormal de vectores en V. Si W denota el espacio generado por v1 , v2 , . . . , vr ,
entonces todo vector u ∈ V se puede expresar en la forma:
u = w1 + w2
en donde w1 ∈ W y w2 es ortogonal a W (w2 ∈ W⊥ )
En efecto.
w1 = hu, v1 iv1 + hu, v2 iv2 + · · · + hu, vr ivr
y
w2 = u − hu, v1 iv1 − hu, v2 iv2 − · · · − hu, vr ivr

Algebra lineal 64
Ejemplo
1.113. Supóngase
que V = IR3 tiene un producto interior euclidiano y que W =

4 3
v1 = (0, 1, 0), v2 = − , 0, . La proyección ortogonal de u = (1, 1, 1) sobre W es:
5 5
ProyW u = hu, v1 iv1 + hu, v2 iv2

1 4 3
= (1)(0, 1, 0) + − − , 0,
5 5 5

4 3
= , 1, −
25 25
El componente de u ortogonal a W es

4 3 21 28 7 3 4
u − ProyW u = (1, 1, 1) − , 1, − = , 0, = , 0,
25 25 25 25 5 5 5
Teorema 1.32. Todo espacio vectorial euclı́deo V, V 6= {0} y de dimensión finita, entonces
el espacio vectorial V tiene una base ortonormal.
En efecto Sea V cualquier espacio vectorial euclı́deo, diferente del espacio cero y de di-
mensión n, y supóngase que S = {u1 , u2 , . . . , un } es cualquier base para V. La sucesión
siguiente de pasos produce una base ortonormal {v1 , v2 , . . . , vn } para V
u1
Paso 1. Sea v1 = el vector v1 que tiene norma 1
||u1 ||
Paso 2. Para construir un vector v2 de norma 1 que sea ortogonal a v1 se calcula la componente
de u2 ortogonal al espacio W1 generado por v1 y, a continuación, se normaliza, es
decir:
u2 − ProyW1 u2 u2 − hu2 , v1 iv1

v2 = =
||u2 − ProyW1 u2 || ||u2 − hu2 , v1 iv1 ||
Por supuesto, si u2 − hu2 , v1 iv1 = 0, no se puede llevar a cabo la normalización. Pero
esto no puede suceder ya que entonces arriba se tendrı́a
hu2 , v1 i
u2 = hu2 , v1 iv1 = u1
||v1 ||
Lo cual estarı́amos diciendo que v2 es un múltiplo de u1 , y contradice la independen-
cia lineal de la base S = {u1 , u2 , . . . , un }
Paso 3. Para construir un vector v3 de norma 1 que sea ortogonal tanto a v1 como a v2 , se
calcula la componente de u3 ortogonal al espacio W2 generado por los vectores v1 y v2 ,
y luego se normaliza, es decir:
u3 − ProyW2 u3 u3 − hu3 , v1 iv1 − hu3 , v2 iv2
v3 = =
||u3 − ProyW2 u3 || ||u3 − hu3 , v1 iv1 − hu3 , v2 iv2 ||
Como en el paso 2, la independencia lineal de {u1 , u2 , . . . , un } asegura que
u3 − hu3 , v1 iv1 − hu3 , v2 iv2 6= 0
de modo que siempre se puede efectuar la normalización.

Algebra lineal 65
Paso 4. Para determinar un vector v4 de norma 1 que sea ortogonal tanto a v1 , v2 y v3 , se

calcula la componente de u4 ortogonal al espacio W3 generado por los vectores v1 , v2
y v3 , y luego se normaliza, es decir:
u4 − ProyW3 u4 u4 − hu4 , v1 iv1 − hu4 , v2 iv2 − hu4 , v3 iv3
v4 = =
||u3 − ProyW3 u4 || ||u4 − hu4 , v1 iv1 − hu4 , v2 iv2 − hu4 , v3 iv3 ||
Al continuar de esta manera, se obtiene un conjunto ortonormal de vectores {v1 , v2 , . . . , vn }.
Supuesto que V es de dimensión n, y todo conjunto ortonormal es linealmente inde-
pendiente, el conjunto {v1 , v2 , . . . , vn } es una bases ortonormal para V
La construcción paso a paso que acaba de darse, para convertir una base arbitraria
en una base ortonormal, se conoce como proceso de Gram- Schmidt.
Ejemplo 1.114. Encontrar una base ortonormal para el subespacio vectorial W = hex , xi
en el espacio vectorial V = C[0, 1].
Solución. En este caso, v1 = ex , v2 = x, entonces
||v1 ||2 = hv1 , v1 i

Z 1 1/2
2x
= e dx
0
s 1
1 2x
= e dx
2 0
1 2
= √ (e − 1)1/2
2
entonces √
2
u1 = ex
(e2 − 1) 1/2
Luego calculemos √ √
2 2
w2 = x − hx, 2 1/2
ex i 2 ex
(e − 1) (e − 1)1/2
Calculamos el producto interno de la última igualdad
√ √
2 2
hx, 2 1/2
ex i = 2 hx, ex i
(e − 1) (e − 1)1/2
y
Z1
x
hx, e i xex dx
0
=1
Por lo tanto,
√ √
2 x 2
hx, 2 1/2
e i= 2
(e + 1) (e + 1)1/2

Algebra lineal 66
Ası́
√ √
2 2
w2 = x − 2 ex
(e − 1) (e − 1)1/2
1/2 2
2
=x− 2 ex
(e − 1)
Para normalizar w2 tenemos que

Z1 2
2
||w2 || =
2
x− 2 e x
dx
0 (e − 1)
Z1
4xex 4e2x

2
= x − 2 + dx
0 (e − 1) (e2 − 1)2
e2 − 7
=
3(e2 − 1)
de donde se obtiene el segundo vector normalizado

2
w2 3(e − 1) 2 x
u2 = = x− 2 e
||w2 e2 − 7 (e − 1)
y la base buscada es:

√
3(e2 − 1)

2 2
β = {u1 , u2 } = ex , x− ex
(e − 1)1/2
2 e2 − 7 2
(e − 1)
Ejemplo 1.115. Considérese el espacio vectorial V = IR3 con el producto euclidiano inte-
rior. Aplı́quese el proceso de Gram- Schmidt para transformar la base u1 = (1, 1, 1), u2 =
(0, 1, 1), u3 = (0, 0, 1) en una base ortonormal.
Solución.

u1 1, 1, 1
Paso 1. v1 = = √
||u1 || 3
Paso 2.
u2 − ProyW1 u2 = u2 − hu2 , v1 iv1

2 1 1 1
= (0, 1, 1) − √ √ , √ , √
3 3 3 3

2 1 1
= − , ,
3 3 3
Por lo tanto,

u2 − ProyW1 u2 3 2 1 1 2 1 1
v2 = =√ − , , = −√ , √ , √
||u2 − ProyW1 u2 || 6 3 3 3 6 6 6

Algebra lineal 67
Paso 3.
u3 − ProyW2 u3 = u3 − hu3 , v1 iv1 − hu3 , v2 iv2

1 1 1 1 1 2 1 1
= (0, 0, 1) − √ √ , √ , √ −√ −√ , √ , √
3 3 3 3 6 6 6 6

1 1
= 0, − ,
2 2
Por lo tanto,
√

u3 − ProyW2 u3 1 1 1 1
v3 = = 2 0, − , = 0, − √ , √
||u3 − ProyW2 u3 || 2 2 2 2
Por consiguiente,

1, 1, 1 1 1 1 1
v1 = √ , v2 = 0, − , , v3 = 0, − √ , √
3 2 2 2 2
forman una base ortonormal para el espacio vectorial V = IR3
1.10. Coordenadas; Cambio de base

Existe una estrecha relación entre la noción de base y la de un sistema de coordenadas.
En esta sección se desarrolla esta idea y se analizan también resultados acerca del cambio
de bases para los espacios vectoriales.
Supóngase que β = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V de dimensión

finita V. Dado que β genera el espacio vectorial V, todo vector en V se puede expresar como
combinación lineal de los vectores en β. Es más, la independencia lineal de β asegura que
existe una única manera de expresar un vector como combinación lineal de los vectores en
β, es decir:
v = c1 v1 + c2 v2 + · · · + cn vn
y también como
v = k 1 v1 + k 2 v2 + · · · + k n vn
Al restar la segunda ecuación de la primera da:
0 = (c1 − k1 )v1 + (c2 − k2 )v2 + · · · + (cn − kn )vn
ya que el segundo miembro de esta ecuación es una combinación lineal de los vectores de
β, la independencia lineal de β implica que:
c1 − k1 = 0, c2 − k2 = 0, . . . , cn − kn = 0
es decir,
c1 = k1 , c2 = k2 , . . . , cn = kn
En resumen, se tiene el siguiente resultado:

Algebra lineal 68
Teorema 1.33. Teorema de la representación única.

Si S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V, entonces todo vector v ∈ V
se puede expresar en la forma v = c1 v1 + c2 v2 + · · · + cn vn , exactamente de una manera
única.
Si S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V de dimensión finita y
v = c1 v1 + c2 v2 + · · · + cn vn
es la expresión para v en términos de la base S, entonces los escalares c1 , c2 , . . . , cn se

denominan coordenadas de v relativas a la base S. El vector coordenadas de v relativo
a S se denota CS [v] y es el vector en IRn definido por
CS [v] = (c1 , c2 , . . . , cn )
La matriz de coordenadas de v relativa a S se denota CS [v] y es la matriz de IRn×1 definida
por  
c1
 c2 
CS [v] =  . 
 
 .. 
cn
Ejemplo 1.116. Sea β = {v1 , v2 , v3 } una base del espacio vectorial V = IR3 , donde v1 =
(1, 2, 1), v2 = (2, 9, 0) y v3 = (3, 3, 4)
1. Determinase el vector de coordenadas y la matriz de coordenadas de v = (5, −1, 9)

con respecto a β.
Solución. Expresamos el vector v como combinación lineal de los vectores de la base

β, es decir:
v = xv1 + yv2 + zv3

(5, −1, 9) = x(1, 2, 1) + y(2, 9, 0) + z(3, 3, 4)
(5, −1, 9) = (x + 2y + 3z, 2x + 9y + 3z, x + 4z)
como tenemos una igualdad, entonces igualamos las respectivas componentes, es de-
cir, se tiene el siguiente sistema lineal
 

 x + 2y + 3z = 5 
 x= 1
2x + 9y + 3z = −1 ⇒ y = −1

 

x + 4z = 9 z= 2
entonces las coordenadas de v en esta base es:

 
1
Cβ [v] =  −1 
 
2

Algebra lineal 69
2. Determinase el vector en IR3 cuyo vector de coordenadas con respecto a la base β sea
 
−1
Cβ [w] =  3 
 
2
Solución.
w = (−1)v1 + (3)v2 + (2)v3
w = (−1)(1, 2, 1) + (3)(2, 9, 0) + (2)(3, 3, 4)
w = (11, 31, 7)
1.10.1. Problema de cambio de base

Si se cambia la base para un espacio vectorial, de cierta base β1 a otra base β2 , ¿En
qué forma está relacionada la matriz de coordenadas en aquélla, Cβ1 [v], de un vector v con
la nueva matriz de cambio de coordenadas Cβ2 [v]?
Para que este problema se entienda, se resolverá este problema para espacios vectoriales
bidimensionales. Pues la solución para los espacios vectoriales con dimensión n es seme-
jante.
Sean
β1 = {u1 , u2 } y β2 = {v1 , v2 }
las bases inicial y nueva, respectivamente. Se necesitan las matrices de coordenadas para
los vectores de la base inicial, con relación a la nueva base. Supóngase que son:
" # " #
a c
Cβ2 [u1 ] = y Cβ2 [u2 ] = (1.5)
b d
es decir,
u1 = av1 + bv2 (1.6)

u2 = cv1 + dv2
Sea v cualquier vector de V y " #

k1
Cβ1 [v] = (1.7)
k2
la matriz de coordenadas inicial, de modo que
v = k1 u1 + k2 u2 (1.8)
Para determinar las nuevas coordenadas de Cβ2 [v], se debe expresar v en términos de
la nueva base β2 , es decir hallar ¿Cβ2 [v]? Para hacerlo, se reemplaza (1.6) en (1.8), esto
conduce a
v = k1 u1 + k2 u2 = k1 (av1 + bv2 ) + k2 (cv1 + dv2 )

Algebra lineal 70
o bien
v = (k1 a + k2 c)v1 + (k1 b + k2 d)v2 )
Por lo tanto, la nueva matriz de coordenadas de v es
" #
k1 a + k2 c
Cβ2 [v] =
k1 b + k2 d
la cual se puede volver a escribir como

" #" # " #
a c k1 a c
Cβ2 [v] = ⇐⇒ Cβ2 [v] = Cβ1 [v]
b d k2 b d
En esta ecuación se afirma que es posible obtener la nueva matriz de cambio de coordena-
das Cβ2 [v], multiplicándose la matriz de coordenadas inicial, Cβ1 [v] del primer miembro,
por la matriz " #
a c
P=
b d
cuyas columnas son las coordenadas de los vectores de la base inicial, con relación a la
nueva base (1.5). Ası́ entonces, se tiene la solución siguiente del problema del cambio de
base.
Solución del problema del cambio de base. Si se cambia la base para un espacio
vectorial V, de cierta base β1 = {u1 , u2 , . . . , un } hacia otra nueva base β2 = {v1 , v2 , . . . , vn }
entonces la matriz de coordenadas inicial, Cβ1 [v], de un vector v está relacionada con la
nueva matriz de coordenadas Cβ2 [v] por medio de la ecuación
Cβ2 [v] = P Cβ1 [v] (1.9)
en donde las columnas de P son las matrices de coordenadas de los vectores de la base
inicial con respecto a la nueva base, es decir los vectores columnas de P son
Cβ2 [u1 ], Cβ2 [u2 ], . . . , Cβ2 [un ]
Simbólicamente, la matriz P se puede escribir
P = [Cβ2 [u1 ] | Cβ2 [u2 ] | . . . | Cβ2 [un ]]
esta matriz se conoce como la matriz de cambio o de transición de la base β1 a la nueva
base β2 .
Nota.
Sea β = {u1 , u2 , . . . , un } una base de un espacio vectorial V. Dado un vector
 
x1
 x2 
x =  .  ∈ IRn ,
 
.
 . 
xn

Algebra lineal 71
se puede encontrar un vector u ∈ V de manera que

x = Cβ [u]
Basta considerar el vector de V
u = x1 u1 + x2 u2 + · · · + xn un .
Supongamos ahora que tenemos dos bases

β1 = {u1 , u2 , . . . , un } y β2 = {v1 , v2 , . . . , vn }
en un espacio vectorial V y dim(V) = n, entonces los vectores uj se escriben como
combinación lineal de la base β2 como
X
n
uj = a1j v1 + a2j v2 + · · · + anj vn = aij vi , j = 1, 2, . . . , n (1.10)
i=1
con lo que,  
a1j
 a2j 
Cβ2 (uj ) = 
 
.. 
 . 
anj
Sea x un vector de V, tal que:
Cβ1 (x) = x1 u1 + x2 u2 + · · · + xn un
teniendo en cuenta (1.10), resulta
X
n X
n X
n
x = x1 ai1 vi + x2 ai2 vi + · · · + xn ain vi
i=1 i=1 i=1
X X
n n
!
= xj aij vi
j=1 i=1
X X
n n
!
= aij xj vi ,
i=1 j=1
luego  Pn    
j=1 a1j xj a11 a12 · · · a1n x1
P n

j=1 a2j xj
  a21 a22 · · · a2n  x2 
Cβ2 (x) =  =
    
.. .. .. ... ..  .. 
. . . . .
Pn
    
j=1 anj xj an1 an2 · · · ann xn
o equivalentemente
Cβ2 (x) = [Cβ2 (u1 ) Cβ2 (u2 ) · · · Cβ2 (un )] Cβ1 (x)
donde la matriz
Pβ1 →β2 = [Cβ2 (u1 ) Cβ2 (u2 ) · · · Cβ2 (un )]
se llama matriz de cambio de la base β1 a la base β2 .

Algebra lineal 72
Obsérvese que la primera columna de Pβ1 →β2 esta formado por las componentes del vector
u1 respecto de la base β2 ; la segunda columna de Pβ1 →β2 esta formado por las componentes
del vector u2 respecto de la base β2 y ası́ sucesivamente.
Ejemplo 1.117. Sea S = {u1 = (1, 2, 1), u2 = (2, 9, 0), u3 = (3, 3, 4)} una base para el
espacio vectorial V = IR3
1. Determinase las coordenadas y la matriz de coordenadas del vector v = (5, −1, 9)

respecto de la base S.
2. Encuéntrese el vector v en IR3 cuyo vector de coordenadas con respecto a la base S es

CS (v) = (−1, 3, 2)
Solución.
1. Es necesario determinar los escalares c1 , c2 , c3 tales que
v = c1 u1 + c2 u2 + c3 u3
o, en términos de sus coordenadas es:
(5, −1, 9) = c1 (1, 2, 1) + c2 (2, 9, 0) + c3 (3, 3, 4)
Al igualar las componentes correspondientes se tiene:
c1 + 2c2 + 3c3 = 5
2c1 + 9c2 + 3c3 = −1
c1 + 4c3 = 9
Al resolver este sistema se obtiene c1 = 1, c2 = −1, c3 = 2. Por lo tanto,

 
1
CS [v] = (1 − 1, 2) y CS [v] =  −1 
 
2
2. Aplicando la definición del vector de coordenadas CS (v), se obtiene
v = (−1)u1 + 3u2 + 2u3 = (11, 31, 7)
Observación. Los vectores y las matrices de coordenadas dependen del orden en el que
se escriban los vectores de la base, un cambio de orden de los vectores base conduce a un
cambio correspondiente en el orden de los elementos de las matrices y los vectores de coor-
denadas.

Algebra lineal 73
Ejemplo 1.118. Si S = {v1 , v2 , . . . , vn } es una base ortonormal de un espacio vectorial

con producto interior V, entonces, por el teorema.1.25, la expresión para un vector u en
términos de la base S es
u = hu, v1 iv1 + hu, v2 iv2 + · · · + hu, vn ivn
lo cual significa que

(u)S = (hu, v1 i, hu, v2 i, . . . , hu, vn i)
y  
hu, v1 i
 hu, v2 i 
[u]S = 
 
.. 
 . 
hu, vn i
Teorema 1.34. Si P es la matriz de cambio desde una base β1 hacia una base β2 entonces
1. P es inversible
2. P−1 es la matriz de cambio de la base β2 hacia la base β1 .

Teorema 1.35. Si P es la matriz de cambio desde una base ortonormal hacia otra base
ortogonal, para un espacio vectorial con producto interior, entonces
P−1 = Pt
Definición 1.18. Una matriz cuadrada A con la propiedad de que
A = At
se denomina matriz ortogonal

Teorema 1.36. Las proposiciones que siguen son equivalentes
a) A es ortogonal
b) Los vectores filas de A forman un conjunto ortonormal en IRn , con el producto interior
euclidiano interior.
c) Los vectores columnas de A forman un conjunto ortonormal en IRn , con el producto

interior euclidiano interior.
Ejemplo 1.119. Sea la matriz
 
√1 0 √1
2 2
A= 0 0 1 
 
√1 − √12 0
2
Los vectores filas de A son

1 1 1 1
f1 = √ , √ , 0 , f2 = (0, 0, 1), f3 = √ , − √ , 0
2 2 2 2

Algebra lineal 74
con relación al producto interior euclidiano, se tiene
||f1 || = ||f2 || = ||f3 || = 1
y
f1 .f2 = f1 .f3 = f2 .f3 = 0
de modo que los vectores filas de A forman un conjunto ortonormal en IR3 . Por lo tanto, A
es una matriz ortogonal y
 1 
√ 0 √1
 2 2
A−1 = At =  √12 0 − √12 

0 1 0
1.10.2. Trabajo Encargado

En los siguientes ejercicios se da un conjunto de objetos con las operaciones de adición y
multiplicación escalar. Determine cuáles de los conjuntos son espacios vectoriales bajo las
operaciones dadas. Para aquéllos que no lo son, liste todos los axiomas que no se cumplen:
1. El conjunto de todas las ternas de números reales (x, y, z) ∈ IR3 con las operaciones:
(x, y, z) + (x 0 , y 0 , z 0 ) = (x + x 0 , y + y 0 , z + z 0 )
λ(x, y, z) = (0, 0, 0)
2. El conjunto de todos los números reales x con las operaciones estándar de adición y
multiplicación.
3. El conjunto de todas las matrices de orden 2 × 2 de la forma

" #
a 1
1 b
con la adición de matrices y la multiplicación escalar.
4. El conjunto de todas las matrices de orden 2 × 2 de la forma

" #
a 0
0 b
con la adición de matrices y la multiplicación escalar.
5. Justifique que una recta que pasa por el origen de IR3 es un espacio vectorial bajo las
operaciones estándar sobre IR3
6. Dado el vector no nulo v = (a, b) y el vector v0 = (x0 , y0 ), demuestre que la recta que
pasa por v0 y es paralela a la recta en la que se encuentra v puede ser descrita de la
siguiente manera
L = {(x, y) / (x, y) = (x0 , y0 ) + t(a, b), t ∈ IR}

Algebra lineal 75
de donde se puede deducir que la ecuación de la recta L, puede escribirse como

x = x0 + at
L: t ∈ IR
y = y0 + bt
Describa geométricamente las siguientes rectas en el plano:

x=2+t x=t
(a) L : t ∈ IR (b) L : t ∈ IR
y = −1 + t y=t

x = 3t x = 4t
(c) L : t ∈ IR (d) L : t ∈ IR
y = −2 − t y = 4t
7. Considere las rectas L1 y L2 dadas por:

x = x0 + at x = x1 + cr
L1 : , t ∈ IR L2 : , r ∈ IR
y = y0 + bt y = y1 + dr
a) Compruebe que L1 y L2 se cortan en un sólo punto si, y sólo si cb − ad 6= 0.

b) Demuestre que si cb − ad 6= 0, el punto en donde L1 y L2 se cortan es
c(y1 − y0 ) − d(x1 − x0 )
x = x0 + a
cb − ad
c(y1 − y0 ) − d(x1 − x0 )
y = y0 + b
cb − ad
8. Analizar cuales de los conjuntos siguientes son espacios vectoriales.
a) V = IR2 tal que (a, b) + (c, d) = (a + c, b) y λ(a, b) = (λ a, λ b)

b) V = IR2 tal que (a, b) + (c, d) = (2a + 2c, b + d) y λ(a, b) = (λ a, λ b)
c) V = IR2 tal que (a, b) + (c, d) = (a + c, b + d) y λ(a, b) = (a, b)
d) V = IR2 tal que (a, b) + (c, d) = (a + c, b + d) y λ(a, b) = (0, 0)
9. Determinar cuáles de los siguientes conjuntos son subespacios de V = IR3
a) Todos los vectores de la forma (a, 0, 0), a ∈ IR

b) Todos los vectores de la forma (a, 0, 1), a ∈ IR
b) Todos los vectores de la forma (a, b, c), en donde b = a + c
10. Diga si cada uno de los siguientes subconjuntos del espacio vectorial IRn son subespa-
cios o no lo son:
a) A = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 + x2 + · · · + xn = 0}
b) B = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 = x2 = · · · = xn }
c) C = {(x1 , x2 , . . . , xn ) ∈ IRn / c1 x1 + c2 x2 + · · · + cn xn = 0}

Algebra lineal 76
d) D = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 = x2 = 0}
e) E = {(x1 , x2 , . . . , xn ) ∈ IRn / x1 = 1}
f) F = {(x1 , x2 , . . . , xn ) ∈ IRn / x21 + x22 + · · · + x2n = 0}
11. Analizar cuales de los conjuntos siguientes son espacios vectoriales, consideralos co-
mo subespacio
a) W = { (a, b, c) ∈ IR3 / b = a + c, a, b, c ∈ IR } ⊂ IR3

b) W = { (a, b, c) ∈ IR3 / b = a + c, a, b, c ∈ ZZ } ⊂ IR3
c) W = { (a, b, c) ∈ IR3 / b = c ∧ a = 0, a, b, c ∈ IR } ⊂ IR3
d) W = { (a, b, c) ∈ IR3 / a = c2 , a, b, c ∈ IR } ⊂ IR3
e) W = { (a, b, c) ∈ IR3 / b = a2 + c2 , a, b, c ∈ IR } ⊂ IR3
f) W = { (a, b, c) ∈ IR3 / c = 0 ∧ a2 + b2 ≤ 1, a, b, c ∈ IR } ⊂ IR3
12. Determinar cuáles de los siguientes conjuntos son subespacios de V = M2×2
a) Todas las matrices de la forma

" #
a b
, a, b, c, d ∈ ZZ
c d
b) Todas las matrices A ∈ M2×2 tales que: A = AT

c) Todas las matrices A ∈ IR2×2 tales que: D(A) = 0
" #
a b
d) W = / a + b = c + d, a, b, c, d ∈ IR
c d
" #
a b
e) W = / a, b ∈ IR
b b
f) W = {A / es una matriz Antisimétrica con elementos reales}
g) W = {A / es una matriz diagonal con elementos reales}
h) W = {A / es una matriz triangular con elementos reales}
13. Determinar cuáles de los siguientes conjuntos son subespacios de V = P3 [x]
a) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 = 0

b) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 = 1
c) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 , a1 , a2 , a3 ∈ ZZ
14. Determinar cuáles de los siguientes conjuntos son subespacios de V = C[a, b]
a) W = { f / f es función creciente }
b) W = { f / f es función acotada }

Algebra lineal 77
c) W = { f / f es función continua }
d) W = { f / f es función impar }
e) W = { f / f(2) = f(3) }
f) W = { f / f(0) = f(1) + 2 }
15. Exprese los siguientes vectores como combinación lineal de los vectores de M, donde:
M = { v1 = (2, 1, 4), v2 = (1, −1, 3), v3 = (3, 2, 5) } ⊂ IR3
a) u = (5, 9, 5) b) v = (2, 0, 6) c) w = (2, 2, 3)
16. Exprese los polinomios siguientes como combinación lineal de M = {p1 (x), p2 (x), p3 (x)} ⊂
P2 [x], donde:
p1 (x) = 2 + x + 4x2 , p2 (x) = 1 − x + 3x2 , p3 (x) = 3 + 2x + 5x2
a) u = 5 + 9x + 5x2 b) v = 2 + 6x2 c) w = 2 + 2x + 3x2
17. Mostrar que w = cos 2x, se puede escribir como combinación lineal de los vectores
v1 = cos2 x, v2 = sen2 x
18. En cada inciso determine si los vectores generan al espacio vectorial IR3
a) v1 = (1, 1, 1), v2 = (2, 2, 0), v3 = (3, 0, 0)

b) v1 = (2, −1, 3), v2 = (4, 1, 2), v3 = (8, −1, 8)
c) v1 = (3, 1, 4), v2 = (2, −3, 5), v3 = (5, −2, 9), v4 = (1, 4, −1)
19. Halle una ecuación para el plano generado por los vectores u = (1, 1, −1) y v = (2, 3, 5)
20. Describa explı́citamente los siguientes subespacios de IR3 :
a) L = h(1, 2, −1)i
b) P = h(1, 1, 0), (−3, 3, 0)i
c) M = h(5, 1, 2), (6, 1, 3), (−1, 0, 1)i
21. Considere el subespacio de IR3 dado por
P = {(x, y, z) / 2x − 3y + 5z = 0}
Encuentre dos vectores v1 y v2 en P que generen este subespacio. ¿Puede el plano P

ser generado por un sólo vector?
22. ¿Cuáles de los conjuntos siguientes en IR3 son L. I. o L. D.?
a) { (2, −1, 4), (3, 6, 2), (2, 10, −4) }

b) { (3, 1, 1), (2, −1, 5), (4, 0, −3) }

Algebra lineal 78
c) { (6, 0, −1), (1, 1, 4) }

d) { (1, 3, 3), (0, 1, 4), (5, 6, 3), (7, 2, −1) }
23. ¿Cuáles de los subconjuntos siguientes en el espacio vectorial P2 [x] son L. I. o L. D.?
a) M = { 2 − x + 4x2 , 3 + 6x + 2x2 , 2 + 10x − 4x2 }

b) N = { 3 + x + x2 , 2 − x + 5x2 , 4 − 3x2 }
c) P = { 6 − x2 , 1 + x + 4x2 }
24. ¿Para cuáles valores de λ los vectores que siguen forman un conjunto L. D. en el
espacio vectorial IR3

1 1 1 1 1 1
v1 = λ, − , − , v2 = − , λ, − , v1 = − , − , λ
2 2 2 2 2 2
25. Si S = {u1 , u2 , . . . , un } es un conjunto de vectores en un espacio vectorial V. Demuestre

que si uno de los vectores es el vector nulo, entonces S es L. D.
26. Si S = {u1 , u2 , . . . , un } es un conjunto de vectores L. I. en un espacio vectorial V.

Demuestre que todo subconjunto de S con uno o más vectores también es L. I.
27. Si {v1 , v2 , v3 } es un conjunto de vectores L. I. en un espacio vectorial V demuestre que:
A = {v1 , v2 }, B = {v1 , v3 }, C = {v2 , v3 }, D = {v1 }, E = {v2 } y F = {v3 }
son también conjuntos linealmente independientes.
28. Si {v1 , v2 , v3 } es un conjunto de vectores L. D. en un espacio vectorial V demuestre

que: {v1 , v2 , v3 , v4 }, también es linealmente dependiente, donde v4 es cualquier otro
vector de V.
29. ¿Cuáles de los conjuntos siguientes de vectores son bases para el espacio vectorial IR2
a) A = {(2, 1), (3, 0)} c) C = {(3, 9), (−4, 12)}

b) B = {(0, 0), (1, 3)} d) D = {(1, 0), (1, 1), (1, 3), (2, 4) }
30. ¿Cuáles de los siguientes conjuntos de vectores son bases para el espacio vectorial IR3
a) A = {(1, 0, 0), (2, 2, 0), (3, 3, 3)} d) D = {(1, 1, 1), (0, 1, 1), (0, −1, 1) }
b) B = {(3, 1, −4), (2, 5, 6), (1, 4, 8)} e) E = {(1, 2, 2), (2, 1, 3), (0, 0, 0) }
c) C = {(1, 6, 4), (2, 4, −1), (−1, 2, 5)} f) F = {(2, 1, 3), (1, 2, 1), (1, 1, 4) (1, 5, 1)}
31. ¿Cuáles de los siguientes conjuntos de vectores son bases para el espacio vectorial P2
a) A = {1 − 3x + 2x2 , 1 + x + 4x2 , 1 − 7x}

Algebra lineal 79
b) B = {4 + 6x + x2 , −1 + 4x + 2x2 , 5 + 2x − x2 }
c) C = {1 + x + x2 , x + x2 , x2 }
d) D = {1, x, 1 − x2 , x2 }
32. Determine la dimensión del espacio de soluciones del sistema que se da y encuentre
una base para él
 

 x1 + x2 − x3 = 0 
 x1 − 3x2 + x3 = 0
a) −2x1 − x2 + 2x3 = 0 b) 2x1 − 6x2 + 2x3 = 0

 

−x1 + x3 = 0 3x1 − 9x2 + 3x3 = 0
33. Determine bases para los subespacios de IR3 que siguen:
a) El Plano: 3x − 2y + 5z = 0
b) El Plano: x − y = 0


 x = 2t,
c) La recta: y = −t, t ∈ IR

 z = 4t.
d) Todos los vectores de la forma, (a, b, c) en donde b = a + c
34. Describa explı́citamente los siguientes subespacios de IR3
a) W1 = h(1, 2, −1)i
b) W2 = h(2, 1, 4), (3, −1, 0)i
c) W3 = h(1, 1, 0), (3, −3, 0)i
d) W4 = h(2, 1, 2), (−1, 0, 4), (3, 1, 4)i
e) W5 = h(1, 1, 2), (4, 2, 1), (3, 1, −1), (−1, 1, 5)i
35. Sean W1 y W2 subespacios vectoriales de IR3 , donde:
W1 = {(x, y, z) / x + y + z = 0}, W2 = {(x, y, z) / 2x − y + z = 0}
a) Describa explı́citamente el subespacio W1 ∩ W2

b) Demuestre que W1 + W2 es todo IR3
36. En el espacio vectorial IR3 se considera dos bases
β1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}

β2 = {(2, 1, 2), (1, 0, 3), (−1, 4, −2)}
a) Determine las coordenadas del vector v = (1, 1, 3) en la base β1

b) Determine las coordenadas del vector v = (1, 1, 3) en la base β2
c) Determine la matriz de cambio de base de β1 a β2

Algebra lineal 80
d) Determine la matriz de cambio de base de β2 a β1
37. Sea β = {v1 , v2 } una base del espacio vectorial IR2 , suponga que:
Cβ [(1, 1)] = (2, 3) Cβ [(−1, 1)] = (3, 5)
Determine los vectores de la base β
38. Sea β = {v1 , v2 , v3 } una base del espacio vectorial P2 [x], suponga que:
Cβ [1 + x] = (2, 1, 0) Cβ [2 − x + x2 ] = (1, 1, 1), Cβ [x − x2 ] = (−1, 3, 2)
Determine los vectores de la base β

39. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 con producto interior
dado:
hu, vi = 3u1 v1 + 2u2 v2
Calcule hu, vi :
(a) u = (2, −1) y v = (−1, 3) (b) u = (4, 6) y v = (4, 6)
40. Si p = a0 + a1 x + a2 x2 y q = b0 + b1 x + b2 x2 son dos vectores cualesquiera del espacio

P2 , entonces la siguiente ecuación se define un producto interno sobre P2
hp, qi = a0 b0 + a1 b1 + a2 b2
Calcule hp, qi:
(a) p = −1 + 2x + x2 y q = 2 − 4x2 (b) p = −3 + 2x + x2 y q = 2 + 4x − 2x2
41. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 . Demuestre que las
siguientes expresiones son productos interiores sobre IR2
(a) hu, vi = 6u1 v1 + 2u2 v2 (b) hu, vi = 2u1 v1 + u2 v1 + u1 v2 + 2u2 v2
42. Sean u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son vectores del espacio vectorial IR3 . Determine
cuáles de las expresiones siguientes son productos interiores sobre IR3 . Para los que no
lo sean, liste los axiomas que no se cumplen:
(a) hu, vi = u1 v1 + u3 v3 (b) hu, vi = u21 v21 + u22 v22 + u23 v22
(c) hu, vi = 2u1 v1 + u2 v2 + 4u3 v3 (d) hu, vi = u1 v1 − u2 v2 + u3 v3
43. Suponga que IR2 tiene el producto interior euclidiano. Aplique la desigualdad de
Cauchy - Schwartz a los vectores u = (a, b) y v = (Cosθ, Senθ) para demostrar
que se cumple: |aCosθ + bSenθ| ≤ a2 + b2

Algebra lineal 81
44. Sean c1 ≥ 0, c2 ≥ 0, c3 ≥ 0 y suponga que u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son

vectores del espacio vectorial IR3 . Demuestre que:
hu, vi = c1 u1 v1 + c2 u2 v2 + c3 u3 v3
es un producto interior sobre IR3 .
45. Aplique el producto interior

Z1
hp, qi = p(x)q(x)dx
−1
para calcular hp, qi para los vectores p = p(x) y q = q(x) en P3
(a) p(x) = 1 − x + x2 + 5x3 q(x) = x − 3x3 (b) p(x) = x − 5x3 q(x) = 2 + 8x2
46. Sean f(x), g(x) ∈ V = C[0, 1]. Pruebe que:

Z 1 2 Z 1 Z 1
2 2
a) f(x)g(x)dx ≤ f (x)dx g (x)dx
0 0 0
Z 1 1/2 Z 1 1/2 Z 1 1/2
2 2 2
b) [f(x) + g(x)] dx ≤ f (x)dx + g (x)dx
0 0 0
47. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 con producto interior
dado:
hu, vi = 3u1 v1 + 2u2 v2
Halle ||w||
(a) w = (−1, 3) (b) w = (6, 7) (c) w = (0, 1) (d) w = (0, 0)
48. Suponga que IR4 tiene el producto interior euclidiano. Halle dos vectores de norma 1
ortogonales a todos los vectores u = (2, 1, −4, 0), v = (−1, −1, 2, 2), w = (3, 2, 5, 4)
49. Sea V es un espacio vectorial con producto interior. Demuestre que si w es ortogonal
a u1 como u2 , entonces es ortogonal a k1 u1 + k2 u2 , para todos los escalares k1 , k2 ∈ IR
50. Sea V es un espacio vectorial con producto interior. Demuestre que si w es ortogonal
a cada uno de los vectores M = {u1 , u2 , . . . , ur }, entonces w es ortogonal a la combina-
ción lineal de los vectores de M.
51. Encuentre una base ortogonal para el subespacio W de IR3 dado por
W = {(x, y, z) ∈ IR3 / x − y + 2z = 0}
52. Sea V = IR4 es un espacio vectorial con producto euclidiano interior. Aplique el pro-
ceso de Gram Schmidt para transformar la base β1 = {u1 , u2 , u3 , u4 } en una base
ortonormal.
u1 = (0, 2, 1, 0), u2 = (1, −1, 0, 0), u3 = (1, 2, 0, −1), u4 = (1, 0, 0, 1)

Algebra lineal 82
53. Sea {v1 , v2 , v3 } una base ortonormal para un espacio vectorial V con producto interior.
Sea w un vector arbitrario de V, entonces demostrar que:
||w||2 = hw, v1 i2 + hw, v2 i2 + hw, v3 i2
54. Halle la matriz de coordenadas y el vector de coordenadas para w, con relación a la

base S = {u1 , u2 }
a) u1 = (2, −4), u2 = (3, 8), w = (1, 1)

b) u1 = (1, 1), u2 = (0, 2), w = (a, b)
55. Encuentre el complemento ortogonal W⊥ de W y proporcione una base para W⊥ :
a) W = {(x, y) ∈ IR2 / 2x − y = 0}
b) W = {(x, y) ∈ IR2 / 3x + 2y = 0}
c) W = {(x, y, z) ∈ IR3 / x + y − z = 0}
d) W = {(x, y, z) ∈ IR3 / x = t, y = −t, z = 3t}
e) W = h(2, 1, −2), (4, 0, 1)i

Formulas Mate Fisica Quimica Etc-1

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Formulas Mate Fisica Quimica Etc-1

Încărcat de

Drepturi de autor:

Formate disponibile

Índice general

1. Espacios vectoriales y transformaciones lineales 2

satisface las siguientes propiedades:

2. (x + y) + z = x + (y + z), (propiedad asociativa)

4. x + (−x) = (−x) + x = 0, (elemento opuesto)

5. λ(x + y) = λx + λy, (propiedad distributiva)

6. (λ + β)x = λx + βx, (propiedad distributiva)

donde x, y, z ∈ IRn y λ, β ∈ IR.

1.2. Espacios y subespacios

1. (cerradura bajo la suma) La suma de u y v, denotado con u + v, está en V, es

2. u + v = v + u (ley conmutativa de la suma de vectores)

3. (u + v) + w = u + (v + w) (ley asociativa de la suma de vectores).

6. El múltiplo escalar de u por λ, que se denota con λu ∈ V, es decir:

+ : IR × V 7−→ V, (λ, v) 7−→ λ v

1. A los elementos de un espacio vectorial se les llama “vectores”. A partir de este

2. En vista de la generalidad de la definición de espacio vectorial, se podrán tener, en-

Teorema 1.1. Sea V un espacio vectorial, entonces:

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

2. (−1)v = −v, ∀v ∈ V 6. (−λ)(−v) = λ v, ∀ v ∈ V, ∀ λ ∈ IR

Ejemplo 1.1. Consideremos el conjunto

V = IRn = {x = (x1 , x2 , . . . , xn ) / i = 1, 2, . . . , n, xi ∈ IR}

x + y = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

Demuestre que el conjunto de IRn es un espacio vectorial.

Ejemplo 1.2. Consideremos el conjunto

• x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 − y1 , x2 − y2 )

¿En IR2 con estas operaciones es un espacio vectorial?

Ejemplo 1.3. Consideremos el conjunto

1. (x, y, z) + (x 0 , y 0 , z 0 ) = (x + x 0 , y + y 0 , z + z 0 ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR

2. (x, y, z) + (x 0 , y 0 , z 0 ) = (x + x 0 , y + y 0 , 0), λ(x, y, z) = (λx, λy, 0), λ ∈ IR

3. (x, y, z) + (x 0 , y 0 , z 0 ) = (x x 0 , y y 0 , z z 0 ), λ(x, y, z) = (λx, λy, λz), λ ∈ IR

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Ejemplo 1.4. Considere el conjunto de las matrices IR2×2 , es decir:

Definamos en el conjunto IR2×2 la suma y el producto por escalares como:

Demuestre que el conjunto IR2×2 es un espacio vectorial.

Ejemplo 1.5. El espacio vectorial V = Pn

En este conjunto se define la suma de polinomios “coeficiente a coeficiente”, es

dos polinomios de V = Pn , su suma es el polinomio p(x) + q(x) definido por:

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

Para el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn y el escalar λ ∈ IR, se define el

λp(x) = λa0 + λa1 x + · · · + λan xn ∈ V

Se verifica que el conjunto Pn con estas operaciones es un espacio vectorial.

La igualdad en este conjunto se define como sigue:

El vector cero de este conjunto es 0 = 0 + 0x + 0x2 + · · · 0xn ∈ Pn

Dado el polinomio p(x) = a0 + a1 x + · · · + an xn ∈ Pn , su inverso aditivo es el polinomio

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Ejemplo 1.6. El espacio V = IRm×n .

IRm×n = {A = [aij ]m×n / ∀ i = 1, 2, . . . , m, ∀ j = 1, 2, . . . , n}

En el capı́tulo anterior se ha definido la suma de matrices de IRm×n , ası́ como la multipli-

Ejemplo 1.7. El espacio F(I).

(f + g)(x) = f(x) + g(x)

Si f ∈ F(I) y λ ∈ IR, defı́nase el producto de f por el escalar λ como la función λ f : I ⊂ IR 7→ IR

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Ejemplo 1.10. Sea V = IR2 ; con las operaciones (a, b) + (c, d) = (a + c + 1, b + d + 1) y

Por otro lado,

es un espacio vectorial pues:

3. x + y = x, como 3 + 3 = 3 entonces y = 3, luego el vector cero es en este caso el 3

4. x + y = y + x = 3 ⇐⇒ 3 + 3 = 3 ⇐⇒ y = 3, es decir, el inverso aditivo de 3, es en este

5. Si λ ∈ IR, x, y ∈ V entonces λ(x + y) = λ x + λ y. En efecto, λ(3 + 3) = λ(3) = 3 = 3 + 3 =

6. Si λ, α ∈ IR, x ∈ V entonces (λ + α)x = λ x + α x.

7. λ(α x) = (λ α)x. En efecto. λ(α 3) = λ(3) = 3 = (λ α)3

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

no es un espacio vectorial Real, λ−→

Teorema 1.2. (Reglas de productos nulos) Sean v ∈ V y λ ∈ IR, entonces:

Teorema 1.3. Reglas de simplificación Sean u, v ∈ V y λ, β ∈ IR, entonces: