Chapter 1

Espacios Vectoriales.

Objetivo: Presentar los objetos matemáticos que son la abstracción de mu-

chos sistemas algebraicos encontrados en la aplicación de las matemáticas
que son en esencia espacios vectoriales, estudiar sus propiedades. En par-
ticular estudiar los espacios vectoriales relacionados a una matriz.

1.1 Espacios Vectoriales.

Un conjunto es una colección de entidades; los números forman un conjunto.
Ahora bién un conjunto de ladrillos no constituye una casa; es necesario
dotar a estos conjuntos de una estructura definida mediante diferentes re-
glas o axiomas. De nuestros cursos de Geometrı́a Analı́tica sabemos operar
a los vectores en R2 o en R3 . En esta sección vamos a generalizar este con-
cepto extrayendo las propiedades básicas de los vectores y poniendolas como
axiomas. De esta forma que cualquier conjunto de objetos que satisfaga es-
tas axiones, de manera automática tendran las propiedades básicas de los
vectores, y de esta forma serán un tipo especial de vectores.
DEFINICIÓN 1.1.1. Un espacio vectorial sobre un campo K es un con-
junto V no vacı́o junto con las siguientes operaciones binarias:
(i) + : V × V → V definida como +(u, v) = u + v.
(ii) ∗ : K × V → V definida como ∗(λ, v) := λv
Las cuales satisfacen las siguientes propiedades:
(1) (V, +) es un grupo abeliano.
(2) ∀λ1 , λ2 ∈ K, y ∀u, v ∈ V se cumple que:

1
 2

(2.1) λ(u + v) = λu + λv.

(2.2) (λ1 + λ2 )v = λ1 v + λ2 v.
(2.3) (λ1 λ2 )v = λ1 (λ2 v).
(2.4) 1(v) = v.

OBSERVACIONES 1.1.1.

(i) A los elementos de un espacio vectorial se les llama vectores y a los

elementos del campo escalares.

(ii) Note que la palabra “vector”no esta haciando referencia a los vectores
que conocimos en Rn .

(iii) Diremos que V es un espacio vectorial real si K = R; Si K = C diremos

que es un espacio vectorial complejo.

Para tener mas claridad con este nuevo concepto matemático veamos
algunos ejemplos.

EJEMPLO 1.1.1.
Sea V = {0} y K un campo arbitrario. V es un espacio vectorial llamado el
espacio vectorial trivial.
Demostración
Veamos si el conjunto V satisface las condiciones de la definición. (V, +) es
un grupo abeliano. Recordemos que para que un conjunto no vacı́o sea un
grupo debe de satisfacer

(i) La suma es asociativa. Esto es claro que 0 + (0 + 0) = 0 = (0 + 0) + 0.

(ii) Existe un elemento neutro. El mismo 0 es el elemento neutro del

conjunto V .

(iii) Cada elemento del conjunto V tiene un inverso. Como 0 + 0 = 0 su

inverso es el −0 = 0.

(iv) ∀a, b ∈ V se debe cumplir que a + b = b + a. Como el conjunto

V únicamente tiene un elemento, entonces satisface trivialmente esta
condición.

Por tanto (V, +) es un grupo abeliano. Ahora veamos que cumplen las demas
condiciones. Esto es fácil de ver ya que para todo λ1 , λ2 ∈ R se cumple que:

(2.1) λ1 (0 + 0) = 0 = λ1 0 + λ1 0.
 3

(2.2) (λ1 + λ2 )0 = 0 = λ1 0 + λ2 0.

(2.3) (λ1 λ2 )0 = 0 = λ1 (λ2 0).

Luego tenemos que V es efectivamente un R-espacio vectorial.

2

EJEMPLO 1.1.2.
Considere el siguiente conjunto V = {1} y al campo R. ¿Es V un espacio
vectorial sobre R?.
Demostración
Primero veamos si (V, +) es un grupo abeliano. Notamos que 1 + 1 = 2 ∈/ V,
por tanto V no es un grupo. Ası́ podemos concluir que V no es un R-espacio
vectorial.
2

EJEMPLO 1.1.3.
Si V = {(x, y) ∈ R2 | y = mx, con m ∈ R fijo }. Demuestre que V es un R
espacio vectorial.
Demostración
Primero veamos si es un grupo abeliano.

(i) Asociatividad. Sean (x, y), (a, b), (z, w) ∈ V , de donde y = mx, b =
ma, w = mz. Ası́ tenemos que
(x, y) + [(a, b) + (z, w)] = (x, mx) + [(a, ma) + (z, mz)] = (x, mx) + [a +
z, m(a + z)] = (x + (a + z), mx + m(a + z)) = ((x + a) + z, m(x + a) +
mz) = [(x + a, m(x + a))] + (z, mz) = [(x, mx) + (a, ma)] + (z, mz) =
[(x, y) + (a, b)] + (z, w).

(ii) Existencia del neutro. Sea 0 = (0, m0), es claro que 0 ∈ V y que si
(x, y) ∈ V se tiene que (0, m0) + (x, y) = (0 + x, m0 + y) = (x, y).

(iii) Inverso aditivo. Sea (x, y) ∈ V , de donde y = mx. Notemos que

(−x, m(−x)) ∈ V y es tal que (x, y) + (−x, −y) = 0. Entonces cada
elemento de V tiene su inverso.

(iv) Conmutativo. Es fácil de ver ya que para todo (x, y), (z, w) ∈ V se
cumple que (x, y) + (z, w) = (x + z, y + w) = (z + x, w + y) = (z, w) +
(x, y).

Luego hemos probado que (V, +) es un grupo abeliano. Ahora comprobemos

que se satisfacen los demas axiomas.
 4

(2.1) Sean λ ∈ R y (x, y), (z, w) ∈ V . Entonces

λ[(x, y) + (z, w)] = λ(x + z, y + w) = (λx + λz, λy + λw) = (λx, λy) +
(λz, λw) = λ(x, y) + λ(z, w).

(2.2) Sean λ1 , λ2 ∈ R y (x, y) ∈ V . Luego

[λ1 + λ2 ](x, y) = ([λ1 + λ2 ]x, [λ1 + λ2 ]y) = (λ1 x + λ2 x, λ1 y + λ2 y) =
(λ1 x, λ1 y) + (λ2 x + λ2 y) = λ1 (x, y) + λ2 (x, y).

(2.3) Sean λ1 , λ2 ∈ R y (x, y) ∈ V . Notemos que

[λ1 λ2 ](x, y) = ([λ1 λ2 ]x, [λ1 λ2 ]y) = (λ1 [λ2 x], λ1 [λ2 y]) = λ1 (λ2 x, λ2 y) =
λ1 [λ2 (x, y)].

(2.4) Considere a 1 ∈ R y (x, y) ∈ V . Es claro que 1(x, y) = (x, y).

Luego tenemos que V es efectivamente un R-espacio vectorial.

2

EJEMPLO 1.1.4.
El conjunto de todas las matrices A ∈ M2 (K) con las operaciones de suma
de matrices y multiplicación por escalar de las matices, es un K-espacio
vectorial.

Demostración

(1) (M2 (K), +) es un grupo abeliano. Es fácil de probar ya que

(i) Sean A, B, C ∈ M2 (K), entonces (A + B) + C = A + (B + C).

(ii) Sea A∈ M2 (K),
 entonces se tiene que A + 0 = 0 = 0 + A donde
0 0
0 :=
0 0
(iii) Dado A ∈ M2 (K) existe −A ∈ M2 (K) tal que A + (−A) = 0 =
(−A) + A.
(iv) La suma de matrices sobre un campo es conmutativa.

Por lo tanto tenemos que (M2 (K), +) es un grupo abeliano. Ahora

procedamos a verificar los demas axiomas.

(2.1) Sean λ ∈ K y A, B ∈ M2 (K). Por las operaciones de multiplicación

por escalar y suma de matrices tenemos λ(A + B) = λA + λB.

(2.2) Sean λ, µ ∈ K, y A ∈ M2 (K). Ası́ tenemos que (λ + µ)A = λA + µA.

(2.3) Sean λ, µ ∈ K, y A ∈ M2 (K). Entonces (λµ)A = λµA = λ(µA).

 5

(2.4) Sea 1 ∈ K y A ∈ M2 (K). Por la multiplicación por escalar tenemos

que 1A = A.
2
PROPOSICIÓN 1.1.1. Considere al K-espacio vectorial V . Entonces se
cumple:
(i) Si u, v, w ∈ V son tales que u + v = w + v, entonces u = w.
(ii) Existe un único elemento 0 ∈ V tal que v + 0 = 0 para todo v ∈ V .
(iii) Para cada v ∈ V , existe un único elemento w ∈ V tal que v + w = 0.
(iv) Para todo v ∈ V se cumple que −(−v) = v.
Demostración
Vamos hacer la demostración de cada uno de los incisos.
(i) Sabemos que u+v = w+v. Como v ∈ V y V es un K-espacio vectorial,
entonces existe el vector −v ∈ V , asi tenemos
(u + v) + (−v) = (w + v) + (−v)
reagrupando
u + (v + (−v)) = w + (v + (−v))
de dode obtenemos
u+0=w+0
y esto nos implica que u = w.
(ii) Supongamos que e y 0 satisfacen que v + e = 0 y que v + 0 = v para
toda v ∈ V . Afirmamos que e = 0. Efectivamente ya que 0 + 0 = 0 y
e + 0 = 0, ası́ 0 + 0 = e + 0 y por el inciso anterior tenemos que 0 = e.
(iii) Sea v ∈ V , por ser V un K-espacio vectorial, existe −v ∈ V tal que
v + (−v) = 0. Supongamos que w ∈ V es tal que v + w = 0 entonces
tenemos que −v + v = w + v por el inciso (i) podemos concluir que
−v = w.
(iv) Sea v ∈ V entonces existe −v ∈ V tal que v + (−v) = 0, pero también
existe −(−v) ∈ V tal que −(−v) + (−v) = 0, luego
v + (−v) = −(−v) + (−v)
y por el inciso (i) tenemos que v = −(−v).
2
 6

1.1.1 Ejercicios
(1) Considere a A ∈ Mm×n (K). El conjunto de todas las soluciones del
sistema homogéneo Ax = 0, junto con las operaciones usuales de suma
de vectores y multiplicación de un vector por escalar es un K-espacio
vectorial.

(2) Demuestre que el conjunto de todos los puntos de R3 que viven en un

plano que pasa por el origen, con las operaciones usuales de suma y
multiplicación por escalar de R3 es un R-espacio vectorial.

(3) Sea K un campo arbitrario y V un K-espacio vectorial. ¿El elemento

neutro de V es único?.

(4) ¿Crees que es posible tener un espacio vectorial V , sobre algún campo
K, con exactamente dos vectores distintos?. Explica tu respuesta.
  
a 1 
(5) Determine si el conjunto V = a, b ∈ K junto con las
1 b 
     
a 1 c 1 a+c 1
siguientes operaciones suma + :=
1 b 1 d 1 b+d
   
a 1 λa 1
y multiplicación por escalar λ := es o no un es-
1 b 1 λb
pacio vectorial, donde λ ∈ K.

(6) Sea V el conjunto de todas las funciones reales de variable real definidas
en el intervalo [0, 1]. ¿Es V un R-espacio vectorial

(7)

(8)

(9)

(10)
 7

1.2 Subespacios Vectoriales.

Recordemos que en la sección anterior vimos que los planos que pasan por
el origen son espacios vectoriales, y que las rectas que también pasan por
el origen lo son, y notamos que los planos contienen a las rectas, esto nos
hace ver que los espacios vectoriales pueden contener a subconjuntos que
con las mismas operaciones del espacio original sean a su vez, ellos mismos,
espacios vectoriales. En esta sección nos enfocaremos al estudio de estos
espacios vectoriales que estan contenidos dentro de otro espacio vectorial.
Estas estructuras matemáticas reciben el nombre de subespacios vectoriales.
DEFINICIÓN 1.2.1. Considere al K-espacio vectorial V , donde K es un
campo arbitrario. Sea H ⊂ V no vacı́o, tal que H mismo es un K-espacio
vectorial con las operaciones heredadas de V . Entonces H es un subespacio
vectorial de V .
Note que hasta ahora si deseamos verificar que un subconjunto es un
subespacio vectorial tenemos que verificar todas las propiedades de la definición
de un espacio vectorial. Lo anterior es muy tedioso, para ellos daremos una
caracterisación de los subespacios vectoriales.
PROPOSICIÓN 1.2.1. Sea W un subconjunto de un K-espacio vectorial
V . Entonces W es un subespacio vectorial de V si y solo si:
(i) W 6= ∅.

(ii) Si v, w ∈ W , entonces v + w ∈ W .

(iii) Si λ ∈ K y w ∈ W , entonces λw ∈ W .
donde la operación + es la definida en V .
Demostración
⇒
Por la definición 1.1.1 tenemos que se cumplen de manera trivial los tres
incisos.
⇐
Ahora supongamos que se satisfacen los tres axiomas, veamos que W es
un subespacio vectorial de V . Para ellos tendremos que probar que (W, +)
es un grupo abeliano y que se cumplen los axiomas [(2.1)], [(2.2)], [(2.3)] y
[(2.4)]. (W, +) es un grupo abeliano. Efectivamente ya que el inciso (ii) nos
dice que la operación binaria + de V restringida a W es cerrada, es decir
tenemos que + : W × W → W es una operación binaria en el conjunto W
que satisface:
 8

(i) Asociatividad. Sean w1 , w2 , w3 ∈ W ⊂ V , entonces se tiene que (w1 +

w2 ) + w3 = w1 + (w2 + w3 ) en V , pero por el inciso (ii) tenemos que
(w1 + w2 ) + w3 , w1 + (w2 + w3 ) ∈ W y por tanto (w1 + w2 ) + w3 =
w1 + (w2 + w3 ) se cumple en W .

(ii) Neutro Aditivo. Sea w ∈ W ⊂ V , como V es un K-espacio vectorial

tenemos que existe el vector 0 ∈ V tal que w + 0 = w. Note que 0 ∈ W
ya que por el inciso (iii) tenemos que (−1)w ∈ W y por (ii) se tiene
que 0 = w + (−w) ∈ W .

(iii) Inverso Aditivo. Sea w ∈ W por (iii) tenemos que (−1)w ∈ W .

(iv) Conmutatividad. Sean u, w ∈ W , como W ⊂ V entonces en V ten-

emos que u + v = v + u y por (ii) tenemos que la igualdad anterior
también es válida en W .

Ası́ hemos comprobado que (W, +) es un grupo abeliano. En lo que sigue

verificaremos que se satisfacen los demas axiomas.

(2.1) Sean λ ∈ K y u, w ∈ W , entonces λ(u + w) = λu + λw en el K-espacio

vectorial V pero por los incisos (ii) y (iii) tenemos que λ(u + w), λu +
λw ∈ W ası́ que se cumple la igualdad en W .

(2.2) Sean λ, µ ∈ K y w ∈ W , luego tenemos que (λ + µ)w = λw + µw en

el K-espacio vectorial V . Pero la igual que en el inciso [(2.2)] por las
hipótesis tenemos que (λ + µ)w, λw + µw ∈ W , por tanto la igualdad
es válida en W .

(2.3) Sean λ, µ ∈ K y w ∈ W , sabemos que se cumple (λµ)w = λ(µw) en V ,

pero al igual que en los incisos anteriores tenemos que (λµ)w, λ(µw) ∈
W , ası́ que la igualdad es válida en W .

(2.4) Sea 1 ∈ K y w ∈ W , entonces (1)w = w en V y claramente se cumple

en W .

Luego hemos comprobado que W es un subespacio vectorial de V .

2

OBSERVACIÓN 1.2.1.
Sea V un K-espacio vectorial, si W es un subespacio vectorial de V , entonces
lo denotaremos como W < V .
 9

COROLARIO 1.2.1. Diremos que un un subconjunto no vacı́o W del K-

espacio vectorial V , es un subespacio vectorial de V si y solo si para todo
λ ∈ K y para todo u, w ∈ W se cumple que λu + w ∈ W .
Demostración

2
EJEMPLO 1.2.1.
Sea V = R2 y W = {(x, y) | x + y = 0}. Entonces W es un subespacio
vectorial de V .
Demostración
Veamos que se cumplen las tres condiciones de la proposición 1.2.1.
(i) Es fácil de ver que W 6= ∅ pues el punto del plano (1, −1) ∈ W .
(ii) Sean (x, y), (a, b) ∈ W , luego (x, y) + (a, b) = (x + a, y + b). Ahora
veamos que este nuevo punto pertenece a W . Notemos que
[x + a] + [y + b] = [x + y] + [a + b] = 0 + 0 = 0
luego (x + a, y + b) ∈ W .
(iii) Sea λ ∈ R y (x, y) ∈ W , entonces λ(x, y) = (λx, λy), y como λx+λy =
λ(x + y) = 0 luego λ(x, y) ∈ W .
Ası́ hemos probado que W < V .
2
EJEMPLO 1.2.2.
Considere el siguiente K-espacio vectorial V . El subconjunto H = {0} es un
subespacio vectorial de V .
EJEMPLO 1.2.3.
Sea V un K-espacio vectorial. V mismo es un subespacio vectorial de V .
OBSERVACIONES 1.2.1.
(1) Todo K-espacio vectorial contiene al menos a los subespacios {0} y V .
Estos subespacios reciben el nombre de subespacios triviales.
(2) Sea V un K-espacio vectorial y consideremos a v1 , v2 , . . . , vn ∈ V . El
conjunto de todas las combinaciones lineales de estos vectores es un
subespacio vectorial de V .
Demostración

2
 10

(3) El subespacio del inciso (2) se llama el subespacio generado por los
vectores {v1 , v2 , . . . , vn } y lo denotaremos como
n
X
h{v1 , v2 , . . . , vn }i = {v ∈ V | v = λ i vi }
i=1
.
PROPOSICIÓN 1.2.2. Sea V un K-espacio vectorial y v1 , v2 , . . . , vn ∈ V .
Entonces el subespacio generado por estos vectores es el menor de todos los
subespacios de V que contienen a estos vectores.
Demostración
Consideremos un subespacio arbitrario de V , digamos W , que satisfaga la
siguiente condición {v1 , v2 , . . . , vn } ⊂ W . Lo que deseamos probar es que
< v1 , v2 , . . . , vn >⊂ W . Sea x ∈ h{v P1 , v2 , . . . , vn }i, entonces existen λi ∈ K
para i = 1, 2, . . . , n tales que x = ni=1 λi vi . Recordemos que por hipótesis
se tiene que vi ∈ W para toda i = 1, 2, . . . , n y como W es un subespacio
vectorial de V tenemos que λi vi ∈ W para toda i = 1, 2, . . . , n P y como la
suma es una operación binaria, es decir es “cerrada”, entonces ni=1 λi vi ,
es decir x ∈ W .
2
EJEMPLO 1.2.4.
Describa analı́tica y geométricamente el subespacio de R3 generado por los
vectores v1 = (1, 2, 1)t y v2 = (1, 2, 2)t .
Solución.
Por definición tenemos que W  = h{v 1 , v2 }i= {λ 2 v2 | λ1 , λ2 ∈
1 v1 + λ  R}
n 1 1 o ( λ1 + λ2 )
entonces tenemos que W = λ1  2 +λ2  1  =  2λ1 + λ2  .
1 2 λ1 + 2λ2
Ahora diremos que (x, y, z)t ∈ W si existen escalares λ1 , λ2 ∈ R tales que
(x, y, z)t = (λ1 + λ2 , 2λ1 + λ2 , λ1 + 2λ2 ) de donde obtenemos el siguiente
sistema de ecuaciones
x = λ1 + λ2
y = 2λ1 + λ2
z = λ1 + 2λ2
de donde resolviendo en términos de las variables x, y, z, es decir
y − x = λ1
z − x = λ2
y como λ1 + λ2 = x tenemos que
x = (y − x) − (z − x)
 11

y simplificando obtenemos

−3x + y + z = 0

Ası́ (x, y, z)t ∈ W si satisface a la ecuación −3x+y +z = 0. Recı́procamente

si (x, y, z)t ∈ R3 satisface la ecuación −3x + y + z = 0 entonces tenemos que
z = 3x − y de donde (x, y, z)t = (x, y, 3x − y)t = (x, 0, 3x)t − (0, −z, z) =
(1, 0, 3)t x + (0, −1, 1)t z. Notemos que (1, 3, 0)t = 2(1, 2, 1)t − (1, 1, 2)t y que
(0, −1, 1)t = (1, 1, 2)t − (1, 2, 1)t . Sustituyendo obtenemos

(x, y, z)t = [2(1, 2, 1)t − (1, 1, 2)t ]x + [−(1, 2, 1)t + (1, 1, 2)t ]z

desarrollando y reagrupando obtenemos

(x, y, z)t = [2(1, 2, 1)t x − (1, 1, 2)t x − (1, 2, 1)t z + (1, 1, 2)t z

= [2x − z](1, 2, 1)t + [−x + z](1, 1, 2)t

Entonces tenemos que (x, y, z)t ∈ W . Por lo tanto hemos probado que

W = h{v1 , v2 }i = {(x, y, z)t ∈ R3 | −3x + y + z = 0}

y geométricamente W es el plano que pasa por el origen determinado por

los vectores v1 y v2 .
2

1.2.1 Ejercicios.
(1) Determinar el valor de la variable x para que el vector (1, x, 5)t ∈ R3
pertenezca a al subespacio h(1, 2, 3)t , (1, 1, 1)t i

(2) Considere al K-espacio vectorial V, y sean U, W ≤ V. Demuestre que

U + W = {u + w | u ∈ U, w ∈ W } es un subespacio vectorial de V.
 
3 3
(3) Considere la siguiente matriz A = y al siguiente conjunto
2 8
W = {B ∈ M2 (k) | AB = 2B}. Demuestre que W es un subespacio
vectorial de M2 (K).

(4) Calcule las bases de los subespacios vectoriales de R4 , S, T y S ∩ T ,

donde S = {(x1 , x2 , x3 , x4 )t ∈ R4 | x1 −x2 = 0} y T h(1, 1, 2, 1)t , (2, 3, −1, 1)t i.

(5) Sea V = R[x]n . Determinar cuál de los siguientes subconjuntos de V

son subespacios vectoriales V :
 12

(i) A = {p(x) ∈ V | p(7) = 0}.

(ii) B = {p(x) ∈ V | p(−5) = 2 + p(3)}.

(6) Encuentre una base y la dimensión del subespacio vectorial

S = h(1, 2, −1, 3)t , (2, 1, 0, −2)t , (0, 1, 2, 1)t , (3, 4, 1, 2)t i

(7) Sea V un Q-espacio vectorial de dimensión 4 con base β = {u1 , u2 , u3 , u4 }.

Considere los siguientes vectoriales v1 = 2u1 + u2 − u3 , v2 = 2u1 +
u3 + 2u4 ,v3 = u1 + u3 − u3 , v4 = −u1 + 2u3 + 3u4 . Demuestre que
β 0 = {v1 , v2 , v3 , v4 } es una base de V .
    
a b c a b c
(8) Sean M = | b = a+c, a, b, c, d ∈ R y N = |
d 0 0 d 0 0

c = 2a + b, a, b, c, d ∈ R dos subespacios vectoriales de V = M2×3 (R).
Demuestre que el subconjunto M ∩ N es un subespacio vectorial de V .

(9) Halle las basesde cada uno de

 los cuatro espacios fundamenteales de
1 2 2 3
la matriz A =  2 4 1 3 
3 6 1 4

(10) Considere al k-espacio vectorial V y a la colección

Tn {Wi }ni=1 de sube-
spacios vectoriales de V. Demuestre que i=1 Wi es un subespacio
vectorial de V.

(11) Sea A ∈ Mn (k) y sea W = {v ∈ Rn | Av = λv} con λ ∈ R. Demuestre

que W es un subespacio vectorial de Rn .
 13

1.3 Dependencia Lineal.

A continuacón definiremos las nociones de combinación lineal, combina-
ciones linelamente independientes y combinaciones linealmente dependientes.
Estos nuevos conceptos juegan un papel muy importante dentro de la teorı́a
del álgebra lineal.

DEFINICIÓN 1.3.1. Sea V un K-espacio vectorial. Se dice que un con-

junto no vacı́o de vectores de V , S = {v1 , v2 , . . . , vn }, es linealmente de-
pendiente si existen escalares λ1 , λ2 , . . . , λn ∈ K no todos cero, tales que
λ1 v1 + λ2 v2 + · · · , λn vn = 0.

EJEMPLO 1.3.1.

(i) Sea S = {v1 , v2 , . . . , vn } con v1 = 0, entonces S es un conjunto ld.

(ii) Si S = {v} con v = 0 entonces el conjunto S es li.

(iii) Dado el conjunto S = {v1 , . . . , vn } se tiene que los vectores vi = vj o

que vi = λj vj para i 6= j y con λj 6= 0, tenemos que el conjunto dado
es ld.

(iv) Dos vectores vi , vj son ld si y sólo si uno de ellos es múltiplo del otro

PROPOSICIÓN 1.3.1.
Si S es un conjunto de vectores linealmente independientes, entonces cualquier
subconjunto de S es linealmente independiente.

PROPOSICIÓN 1.3.2.
Si S es un conjunto de vectores, tal que contiene a un subconjunto de vectores
linealmente dependiente, entonces S es linealmente dependiente.

PROPOSICIÓN 1.3.3.
Sea A ∈ Mm×n (k). Las siguientes afirmaciones son equivalentes:

(i) Las columnas de A son linealmente independientes.

(ii) N (A) = {0}.

(iii) ran(A) = n.
 14

1.3.1 Ejercicios.
(1) Sea V un k-espacio vectorial y v ∈ V. Demuestre que {v} ⊂ V es
linealmente independiente si y sólo si v 6= 0.

(2) Sea S = {v1 , . . . , vn } un subconjunto finito linealmente independiente

y u ∈ V. Entonces S ∪ {v} es linealmente independiente si y sólo si
u ∈<
/ S>

(3) Sea V un k-espacio vectorial. Si los vectores u, v, w ∈ V son lineal-

mente independientes. Pruebe que los vectoes u + v, u − v y u − 2v + w
son linealmente independientes.

(4) Determine si las siguientes matrices v1 = ( 10 00 ) , v2 = ( 00 01 ) y v3 =

( 01 10 ) son linealemente independientes en V = M2 (k).

(6) Pruebe
 a que si algún elemento de la diagonal principal de la matriz
b c
A = 0 d e es cero las filas son linealmente dependientes.
0 0f

(7) Sea V un k-espacio vectorial y X, Y dos subconjuntos de V tales que

X ⊆ Y ⊆ V. Si Y es linealmente independiente demuestre que X es
linealmente independiente.

(8) Sea V un k-espacio vectorial de dimensión 4 con base B = {u1 , u2 , u3 , u4 }.

Se definen los siguientes vectores v1 = 2u1 + u2 − u3 , v2 = 2u1 +
u3 + 2u4 , v3 = u1 + u2 − u3 , v4 = −u1 + 2u3 + 3u4 . Compruebe que
B0 = {v1 , v2 , v3 , v4 } también es una base para V .

(9) Demuestre que h1, xi = h2 + 3x, xi

(10) Sean f (x) = 1, g(x) = eax y h(x) = ebx con a 6= 0 6= b, a 6= b y

k = R. Pruebe que las funciones son linealmente indepentientes sobre
el espacio vectorial de las funciones reales de variable real.
 15

1.4 Bases y Dimensión.

DEFINICIÓN 1.4.1.
Sea V un k-espacio vectorial y S = {v1 , v2 , . . . , vn } ⊂ V. Diremos que S es
una base para V si:

(i) S es un conjunto linealmente independiente.

(ii) < S >= V.

DEFINICIÓN 1.4.2.
Diremos que un k-espacio vectorial V es de dimensión finita si tiene una
base finita 0 si V = {0}. En caso contrario diremos que V tiene dimensión
infinita.

OBSERVACIONES 1.4.1.

(i) Sea V un k-espacio vectorial de dimensión finita. La dimensión de V

es el número de elementos que hay en una base de V.

(ii) Denotaremos a la dimensión de un k-espacio vectorial no nulo como

dim(V).

EJEMPLOS 1.4.1.

(i) Sea V = R[x]3 y S = {1 + x, 1 − x + x2 }. Determine si < S >= V.

(ii) Determine si β = {( 10 00 ) , ( 00 01 ) , ( 01 10 )} forman o no una base para el

espacio vectorial M2 (R).

(iii) Demuestre que β = {1, x, x2 } es una base para R[x]3

x
(iv) Encuentre una base para el subespacio vectorial W = { y
z
| 2x − y +
3z = 0} de R3 .

PROPOSICIÓN 1.4.1.
Sea V un k-espacio vectorial generado por un conjunto finito de vectores
v1 , . . . , vn que también son linealmente independientes. Entonces todo con-
junto linealmenrte independiente de vectores de V no contiene más de n
elementos.

PROPOSICIÓN 1.4.2.
Sea V un k-espacio vectorial de dimensiń finita, digamos n. Si H < V
entonces dim(H) ≤ n.
 16

OBSERVACIONES 1.4.2.

(i) Sea V un k-espacio vectorial de dimensión n. Entonces todo subcon-

junto S con más de n vectores es linealmente dependiente.

(ii) Sea V un k-espacio vectorial de dimensión n. Entonces ningún sub-

conjunto con menos de n vectores linealmente independientes no puede
generar a V.

(iii) Sea V un k-espacio vectorial de dimensión n. Todo conjunto con ex-

actemente n vectores linealmente independientes en V es una base para
V.

PROPOSICIÓN 1.4.3.
Si β = {v1 , . . . , vn } es una base para el k-espacio vectorial
PV, entonces existe
n
un único conjunto de escalares λ1 , . . . , λn tales que v = i=1 λi vi para toda
v ∈ V.

OBSERVACIONES 1.4.3.

(i) Un k-espacio vectorial V puede tener muchas bases distintas.

(ii) Las distintas bases de un k-espacio vectorial V tienen la misma di-

mensión.

EJEMPLOS 1.4.2.

(i) Sea R[x]3 el R-espacio vectorial de los polinomios de grado a lo más

dos. considere al conjunto S = {1 + x, 1 − x}. Extienda al conjunto S
hasta obtener una base para R[x]3 .

(ii) Considere a R2 , extienda al conjunto {(1, 2)t } a una base para R2 .

(iii) Halle una base y la dimensión del subespacio vectorial W = {(x, y, z)t |
z = 3x} de R3 .

1.5 Espacios Fundamentales de una Matriz.

Dada una matriz A ∈ Mm×n (k) recordemos que esta matriz tiene cuatro
espacios llamados fundamentales:

(i) El espacio columna R(A) = {(b ∈ k m ) | ∃x ∈ k n tal que Ax = b}.

(ii) El espacio nulo N (A) = {x ∈ k n | Ax = 0}.

 17

(iii) El espacio nulo izquierdo N (At ) = {y ∈ k m | At y = 0}

(iv) El espacio fila R(At ) = {x ∈ k n | ∃y ∈ k m , x = At y}

DEFINICIÓN 1.5.1.
El rango por filas de una matriz A ∈ Mm×n (k) es igual al número de filas
linealmente independientes de A.

OBSERVACIONES 1.5.1.

(i) El rango por fila o por columna de una matriz A siempre son iguales.

(ii) En este curso consideraremos al rango por columnas.

PROPOSICIÓN 1.5.1.
Considere el siguiente sistema de ecuaciones lineales Ax = B. Las siguientes
afirmaciones son equivalentes:

(i) El sistema de ecuaciones lineales Ax = B tiene alguna solución.

(ii) B es combinación lineal de las columnas de A.

(ii) La matriz A y la matriz aumentada (A | B) tienen el mismo rango.

PROPOSICIÓN 1.5.2.
La dimensión del espacio solución del sistema Ax = 0 es igual a n − r donde
n es el número de columnas de la matriz asociada A y r es el rango de A.

PROPOSICIÓN 1.5.3.
Sea A ∈ Mm×n (k) una matriz de rango r, P una matriz de permutación tal
que P A = U , donde U es la forma escalonada de A. Sea H = {h1 , h2 . . . , hn−r }
el conjunto de las h0i s que aparecen en la solución general del sistema Ax = 0.
Entonces:

(i) Las columnas básicas de la matriz Aforman una base para R(A).

(ii) Los r-renglónes distintos de cero de la matriz U forman una base para
R(At ).

(iii) Los últimos m − r-renglónes de P forman una base para N (At ).

(iv) El conjunto H forma una base para el espacio nulo.

EJEMPLOS 1.5.1.
 18

(i) Encuentre una base para cada uno de los

 cuatros espacios fuandeman-
1 2 2 3
tales de la matriz A =  2 4 1 3 
3 6 1 4

(ii) Dado el siguiente sistema de ecuaciones

x + 2y − z = 0
2x − y + 3z = 0

(1) Encuentre una base para el espacio nulo.

(2) Encuentre una base para el espacio columna.

DEFINICIÓN 1.5.2.
Sea V un k-espacio vectorial de dimensión finita sobre k. Una base ordenada
β = {v1 , . . . , vn } de V es una base en la que se considerea un orden fijo y
bien definido, indicado por la posiciones relativas de los vectores en β.

OBSERVACIONES 1.5.2.

(i) Si β = {v1 , . . . , vn } es una base ordenada para V, para cada P v ∈ V

existe exactamente un vector (λ1 , . . . , λn )t ∈ k n tal que v = ni=1 λi vi .

(ii) A λi se le llama la i-ésima coordenada de V con repecto a la base β.

(iii) Al vector (λ1 , . . . , λn )t ∈ k n se le llama el vector de coordenadas del

vector v en la base β y será denotado como [v]β . Esta asignación
establece una función de V en k n .

EJEMPLOS 1.5.2.

(i) Calcule el vector de coordenadas del vector v = 3 + 2x − 5x2 en R[x]3

considerando la base β = {1, 1 + x, 1 + x + x2 }.

(ii) Escriba explı́citamente la función de coordenadas [ ]β : R[x]3 → R3

1.5.1 Ejercicios.
(1) Determine si el conjunto S = {(1, 1, 1)t , (1, 2, 3)t , (2, −1, 1)} consti-
tuyen una base para R3 .

(2) Encuentre el subespacio W de M2 (k) que es generado por las siguientes

matrices ( 10 00 ) , ( 00 01 ) , ( 01 00 ).
 19

(3) Encuentre dos bases distintas del subespacio W de R3 , donde W =

{(x, y, z)t ∈ R3 | x = y}.

(4) Sea V el espacio vectorial de las matrices simétricas de 2 por 2 sobre

un campo k. Demuestre que dim(V) = 3.

(6) Encuentre una base y la dimensión del subespacio W de R3 donde

W = {(x, y, z)t | x = y = z}.
 
3 3
(7) Considere la siguiente matriz A = y al siguiente conjunto
2 8
W = {B ∈ M2 (k) | AB = 2B}. Halle la dimensión de W .
 
1 2 −1 3
(8) Considere la matriz  2 4 1 −2 . Calcule bases para los sigu-
3 6 3 −7
ientes espacios fundamentales de la matriz dada, R(At ) y N (At ).

(9)

(10) Demuestre que [ ]β : V → k 3 es una función lineal biyectiva.

 20

1.6 Sumas y Sumas Directas

DEFINICIÓN 1.6.1. (Suma directa)
Sea V un k-espacio vectorial y U, W dos subespacios vectoriales de V . Suponga
que V 0 es un subespacio de V que tiene la propiedad de que cada vector de
V 0 se puede escribir de manera única como v 0 = u + w donde u ∈ U, w ∈ W .
En este caso se dice que V 0 es la suma directa (interna) de U y W y de
representa como V 0 = U ⊕ W .

PROPOSICIÓN 1.6.1.
Sea V un k-espacio vectorial y U, W dos subespacios vectoriales de V . Di-
remos que V = U ⊕ W si y sólo si V = U + W y U ∩ W = {0}

COROLARIO 1.6.1.
Sea V un k-espacio vectorial y U, W dos subespacios vectoriales de dimensión
finita de V . Entonces dim(U ⊕ W ) = dim(U ) + dim(W ).

PROPOSICIÓN 1.6.2.
Sea A ∈ Mm×n (k) de rango r con 0 < r ≤ m, entonces:

(i) Rm = R(A) ⊕ N (At ).

(ii) Rn = N (A) ⊕ R(At )

TEOREMA 1.6.1. (Rango de un producto de matrices)

Si A ∈ Mm×s (k) y B ∈ Ms×n (k) entonces

rang(AB) = rang(B) − dim(N (A) ∩ R(B))

TEOREMA 1.6.2. (Rango de un producto de matrices)

Sean A ∈ Mm×n (k) y B ∈ Mn×s (k), entonces ran(AB) = ran(B) −
dim[N (A) ∩ R(B)].

OBSERVACIONES 1.6.1.
Sea A ∈ Mm×n (R), entonces:

(i) ran(At A) = ran(A) = ran(AAt ).

(ii) R(At A) = R(At ) y R(AAt ) = R(A).

(iii) N (At A) = N (A) y N (AAt ) = N (At ).

 21

1.6.1 Ejercicios
(1) Considere el espacio vectorial k[x]4 sobre el campo k. Sean W1 =
{a0 + a1 x | a0 , a1 ∈ k}, W2 = {a2 x2 + a3 x3 | a2 , a3 ∈ k}. Dertermine
si W1 ⊕ W∈ = k[x]4

(2) 
Sea M
2 (R) y considere
los siguientes

subespacios
vectoriales W1 =
a b | a, b, d ∈ R y W = 0 b | b, c ∈ R
o d 2 c 0

(3)

(5)

(6)

(7)

(8)

(9)

(10)

1.7 Trasnformaciones lineales.

DEFINICIÓN 1.7.1.
Sean U y W dos K-espacios vectoriales. Diremos que la función T : U −→
W es una transformación lineal si:

(i) ∀u1 , u2 ∈ U se cumple que T (u1 + u2 ) = T (u1 ) + T (u2 ).

(ii) ∀u ∈ U y λ ∈ K se tiene que T (λu) = λT (u).

OBSERVACIÓN 1.7.1.
Note que es equivalente pedir que para cualesquiera u, v ∈ V y cualquier
λ ∈ k se tenga que T (λu + v) = λT (u) + T (v) y pedir que ” T abra sumas
y saque escalares ”.

EJEMPLOS 1.7.1.

(i) La función identidad de V a V es una transformacón lineal. En la

literatura la transformación lineal T : V → V recibe el nombre de
operador lineal.

(ii) La función constante cero de V en W es una transformación lineal.

 22

(iii) La derivación es una transformació lineal en R[x].

(iv) Sea C el conjunto de todas las funciones continuas definidas sobre el
intervalo [0, 1] y sea C 0 el conjunto de las funciones derivables
R x sobre
0
el mismo intervalo. Defina T : C → C como T (f ) := 0 f (t)dt.
Entonces T es una transformación lineal.
  x !
x
(v) Considere la función T : R2 → R3 definida como T = y .
y
x−y
Demuestre que T es una transformación lineal.
 
2 2 x
(vi) Considere la siguiente función T : R → R definida como T =
y
!
2x
. Descrı́base la imagen bajo T de los puntos que estan sobre
2y
la circunferencia x2 + y 2 = 1.
(vii) Sea V un K-espacio vectorial de dimensión finita, digamos n > 0, y
β = una base para V . La función de coordenadas [ ]β : V → Kn es
una transformación lineal.
PROPOSICIÓN 1.7.1.
Sea T : V → W una transformación lineal. Entonces T (0) = 0.
PROPOSICIÓN 1.7.2. (Propiedad universal de las bases)
Sean V y W dos k-espacios vectoriales de dimensió finita, sea β = {v1 , v2 , . . . , vn }
una base para V y sean w1 , w2 , . . . , wn vectores cualesquiera en W . Entonces
existe una única transformación lineal T : V → W tal que T (vi ) = wi para
toda i.
EJEMPLO 1.7.1.
Calcule la única transformación lineal T : R[x]3 → R2 tal que T (v1 ) =
−e1 , T (v2 ) = 2e1 + e2 y T (v3 ) = e1 + 3e2 donde v1 = 1, v2 = 1 + x y
v3 = 1 + x + x2 .

1.7.1 Núcleo e imagen de una transformación lineal.

DEFINICIÓN 1.7.2.
Sea T : V → W una transformación lineal. El espacio nulo de T , también
llamado núcleo o kernel de T es el siguiente conjunto

ker(T ) := {v ∈ V | T (v) = 0}
 23

LEMA 1.7.1.
Sea T : V → W una transformación lineal. Entonces el espacio nulo de T
es un subespacio vectorial de V .

DEFINICIÓN 1.7.3.
La nulidad de una transformación lineal T es la dimensión de su espacio
nulo.

DEFINICIÓN 1.7.4.
Sea T : V → W una transformación lineal. La imagen de T es el conjunto

Im(T ) := {T (v) | v ∈ V }

LEMA 1.7.2.
Sea T : V → W una transformación lineal. Entonces la imagen de T es un
subespacio vectorial de W .

EJEMPLO 1.7.2.
calcule el núcleo y rango de la transformación lineal T : R[]x3 → R2 definida
2 −a0 +3a1 −a2


como T (a0 + a1 x + a2 x ) = a1 +2a2 .

Ahora vamos a ver la relación que existe entre las transformaciones lin-
eales y las matrices.

OBSERVACIÓN 1.7.2.
Consideremos a los siguientes K-espacios vectoriales Rn , Rm con n, m ∈ N
y a la siguiente transformación lineal T : Rn → Rm definida como sigue
T (x) = y con x = (x1 , x2 , . . . , xn )t y y = (y1 , y2 , . . . , ym )t donde:

y1 = a11 x1 + a12 x2 + · + a1n xn

y2 = a21 x1 + a22 x2 + · + a2n xn
..
.
ym = am1 x1 + am2 x2 + · + amn xn

entonces notamos que tenemos un sistema de ecuaciones lineales y que lo

podemos escribir en notación matricial como sigue
   
y1 a11 x1 + a12 x2 + · + a1n xn
 y2   a21 x1 + a22 x2 + · + a2n xn 
 ..  = 
   
.. 
 .   . 
ym am1 x1 + am2 x2 + · + amn xn
 24

    
y1 a11 a12 ··· a1n x1
 y2   a21 a22 ··· a2n  x2 
=
    
 .. .. .. .. ..  .. 
 .   . . . .  . 
ym am1 am2 · · · amn xn
escribiendolo en notación matricial tenemos que y = Ax. La matriz A ∈
Mm×n (K) se llama la matriz inducida por la transformación lineal T , es de-
cir A = [TA ] y tenemos que la transformación queda completamente definida
como TA (x) = Ax.
EJEMPLO 1.7.3.
Encuentre la matriz asociada a la transformación lineal T : R3 → R2
definida como T (x, y, z)t = (x − y, y − z)t .
En este ejercicio tenemos que
y1 = x − y
y2 = y − z
de donde se tiene que
         
y1 x−y x −y 0
= = + +
y2 y−z 0 y −z
       
y1 1 −1 0
= x+ y+ z
y2 0 1 −1
 
1 −1 0
de donde tenemos que A = , es decir TA [(x, y, z)t ] = A(x, y, z)t .
0 1 −1
2
EJEMPLO 1.7.4.
Considere a la siguiente matriz A ∈ Mm×n (K) con m, n ∈ K. Entonces
A con la multiplicación usual de matrices induce una transformación lineal
entre los espacios vectoriales Rn y Rm .
OBSERVACIÓN 1.7.3.
Por los dos ejemplos 1.7.2 y 1.7.4 tenemos que una transformación lineal
T : Rn → Rm nos induce a una matriz en Mm×n (K) y viceversa toda ma-
triz en Mm×n (K) determina una transformación lineal entre los K-espacios
vectoriales Rn y Rm .
Ahora vamos a estudiar la geometrı́a de las transformaciones lineales
de Rn a Rm con n, m ∈ N. Dependiendo que como se considere a la n-
upla, como punto o como un vector el efecto geométrico del operador lineal
T : Rn → Rn consiste en la transformar cada punto o vector de Rn es un
nuevo punto o vector de Rn .
 25

EJEMPLO 1.7.5.
Sea T : R2 → R2 la transformación definida como:

(i) T [(x, y)t ] = (−x, y)t . Determine geométricamente a donde envia el

plano R2 .
Observemos que esta transformación envı́a la vector (1, 1)t en el vec-
tor (−1, 1)t que geométricamente esta a la misma altura que el primer
punto pero en la dirección negativa del eje X. Esto es una reflexión
con respecto al eje Y . Notemos que la matriz asociada a esta trans-
formación es
y1 = −x + 0y
y2 = 0x + y
 
−1 0
de donde tenemos que la matriz asociada es A = , la cual
0 1
es, geométricamente una reflexión con respecto al eje Y .
2

(ii) T [(x, y)t ] = (x, −y)t . Determine geométricamente a donde envia el

plano R2 .
Ahora esta transformación envı́a la vector (1, 1)t en el vector (1, −1)t
que geométricamente esta a la misma distancia del origen, desde la
coordenada X, y es una reflexió con respecto al eje X. Notemos que
la matriz asociada a esta transformación es

y1 = x + 0y
y2 = 0x − y
 
1 0
de donde tenemos que la matriz asociada es A = , la cual
0 −1
es, geométricamente una reflexión con respecto al eje X .
2

(iii) T [(x, y)t ] = (y, x)t . Determine geométricamente a donde envia el

plano R2 .
Notemos que este operador lineal “invierte ”las coordenadas, es de-
cir geométricamente es una reflexión con respecto a la recta y = x.
Hallemos la matriz asociada
y1 = 0x + y
y2 = x + 0y
 26

 
0 1
de donde tenemos que la matriz asociada es A =
1 0
2
Ahora vamos a analizar a otro importante operador lineal, la proyección.
EJEMPLO 1.7.6.
Sean T : R2 → R2 una transformación lineal definida como T [(x, y)t ] =
(x, 0)t . Vamos a encontrar la matriz asociada a este operador lineal.

y1 = 1x + 0y
y2 = 0x + 0y

Ası́ la matriz asociada es  

1 0
0 0

1.8 Teorema de la dimensión.

TEOREMA 1.8.1.
Sea T : V → W una transformación lineal, con V de dimensión finita.
Entonces la nulidad de T más el rango de T es igual a la dimensión de V .

nulidad(T ) + rango(T ) = dim(V )

EJEMPLO 1.8.1.
Encuentre el rango y la nulidad de la transformación lineal T : R[x]3 → R[x]4
definida como T (p(x)) = xp(x).

1.9 Transformaciones lineales inyectivas y suprayec-

tivas.
PROPOSICIÓN 1.9.1. Una transformación lineal T : V → W es inyec-
tiva si y solo si ker(T ) = {0}.
COROLARIO 1.9.1. Si dim(V ) = n = dim(W ), entonces, la trasfor-
mación lineal T : V → W es inyectiva si y solo si T es suprayectiva.
COROLARIO 1.9.2.
Sea T : V → W una transformación lineal inyectiva y S = {v1 , . . . , vn } un
conjunto linealmente independiente de vectores en V , entonces el conjunto
T (S) = {T (v1 ), . . . , T (vn )} es linealmente independiente en W
 27

COROLARIO 1.9.3.
Si dim(V ) = n = dim(W ). Entonces una transformación lineal inyectiva
T : V → W mapea una base para V es una base para W .