ESPACIOS VECTORIALES

Hugo Eduardo Ramirez

 ESPACIOS VECTORIALES INDEPENDENCIA LINEAL

Sección 1: INDEPENDENCIA LINEAL

Definición. Dependencia e independencia lineal

Sean v1 , v2 , . . . , vn vectores en el espacio vectorial V , decimos que los vectores son linealmente dependientes si existe
más de una combinación lineal que satisfaga:

c1 v1 + c2 v2 + · · · + cn vn = ~0

si los vectores no son linealmente dependientes son linealmente independientes.

Note que ningún conjunto linealmente independiente puede admitir el vector ~0.

Ejemplo. Dos vectores son linealmente dependientes si y solo si uno es múltiplo escalar del otro.
Sean v1 , v2 dos vectores linealmente dependientes en V espacio vectorial, es decir que existen c1 , c2 (con alguno de los dos
diferente de 0) tales que c1 v1 + c2 v2 = ~0, supongamos que el elemento diferente de 0 es c1 , entonces

c 1 v1 + c 2 v2 = ~0
c 1 v1 = ~0 − c2 v2
c 1 v1 = −c2 v2 Usando que c1 6= 0
c2
v1 = − v2
c1
Con lo que concluimos que v1 es múltiplo de v2 .

Teorema 1.1 Tres vectores en R3 son linealmente dependientes si y solo si son coplanares.

Demostración. Sean v1 , v2 , v3 tres vectores de R3 y supongamos que son linealmente dependientes, esto quiere decir que
existen c1 , c2 , c3 no todos 0 tales que
c1 v1 + c2 v2 + c3 v3 = 0
Supongamos que c1 es la constante diferente de 0 (no sabemos si c2 , c3 son diferentes de 0), si despejamos de la ecuación v1 ,
de lo que resulta
c2 c3
v1 = − v2 − v3
c1 c1
y ahora vamos a ver que v1 · (v2 × v3 ) = 0, en efecto
c2 c3
v1 · (v2 × v3 ) = (− v2 − v3 ) · (v2 × v3 )
c1 c1
   
c2 c3
= − v2 · (v2 × v3 ) − v3 · (v2 × v3 )
c1 c1
c2 c3
= − (v2 · (v2 × v3 )) − (v3 · (v2 × v3 ))
c1 c1
c2 c3
= − 0− 0
c1 c1
= 0

que es lo que se querı́a demostrar.

Ejemplo. Sean u = (1, 1, 1), v = (2, 1, 2) y w = (0, 2, 0) en R3 , queremos ver si estos tres vectores son linealmente
independientes o linealmente dependientes, para eso escribimos el sistema:
       
1 2 0 0
c1 1 + c2 1 + c3 2 = 0
1 2 0 0

1
 ESPACIOS VECTORIALES INDEPENDENCIA LINEAL

con incógnitas c1 , c2 , c3 ; si el sistema tiene más de una solución los vectores son linealmente dependientes y si no, son
linealmente independientes. Veamos que el sistema anterior se puede escribir:

c1 + 2c2 = 0
c1 + c2 + 2c3 = 0
c2 + 2c2 = 0

este sistema tiene dos ecuaciones repetidas, sabemos que como máximo puede tener dos pivotes; dado que tiene tres incógnitas,
se resume que tiene infinitas soluciones. Ası́ los vectores u, v, w son linealmente dependientes. Otra forma de verlo es analizar
la matriz asociada al sistema:  
1 2 0
A = 1 1 2
1 2 0
y notar que u · (v × w) = det(At ) = det A = 0, por lo que los vectores son coplanares ¿Cómo se relaciona esto con el teorema
anterior?

Teorema 1.2 Sean v1 , v2 , . . . vn vectores en Rm , sı́ n > m, entonces {v1 , v2 , . . . vn } es linealmente dependiente.

Demostración. Supongamos v1 , v2 , . . . vn vectores en Rm y que n > m, entonces cada uno de los vectores vi tienen m
componentes. Hagamos una combinación lineal homogénea y veamos que tiene más de una solución:

c1 v1
+ c2 v2 + . . . cn vn = ~0
 (1)
  (1)
  (1)   
v1 v2 vn 0
 (2)   (2)   (2)  0
 v1   v2   vn 
c1  .  + c2  .  + · · · + cn  = .
 
 .. 
    
 ..   ..   .   .. 
(m) (m) (m) 0
v1 v2 vn

Lo que nos lleva al siguiente sistema con incógnitas c1 , c2 , . . . , cn

(1) (1)
c1 v1 + c2 v2 + . . . cn vn(1) = 0
(2) (2)
c1 v1 + c2 v2 + . . . cn vn(2) = 0
.. ..
. .
(m) (m)
c1 v1 + c2 v2 + . . . cn vn(m) = 0

Como es un sistema homogéneo con m ecuaciones, máximo tiene m pivotes y, como tiene más incógnitas que ecuaciones
n > m, tiene infinitas soluciones y por tanto es linealmente dependiente.

Una de las cosas que quiere decir el anterior teorema es que

El máximo número de vectores independientes que puede tener Rn es n.

Teorema 1.3 Sean v1 , v2 , . . . vn vectores en Rn , y sea An×n la matriz cuyas columnas son precisamente los vectores vi ,
entonces {v1 , v2 , . . . vn } es linealmente independiente si y solamente si el sistema homogéneo Ax = ~0 tiene única solución.

Demostración. Como ser linealmente dependiente es equivalente a que el sistema homogéneo tenga más de una solución,
entonces ser linealmente independiente es tener única solución, la solución trivial, que es lo que se obtiene en este caso.

Note que una forma rápida de saber si tiene única solución en un sistema de n ecuaciones con n incógnitas es hallar el
determinante, como lo expresa el siguiente teorema.
Teorema 1.4 RESUMEN Sea An×n , son equivalentes
1. A es invertible.

2
 ESPACIOS VECTORIALES BASES Y DIMENSION

2. El sistema homogéneo Ax = ~0 unicamente tiene la solución trivial.

3. El sistema Ax = b tiene única solución para cada b ∈ Rn .
4. A es equivalente por renglones a la matriz identidad In .
5. La forma escalonada de A tiene n pivotes.
6. det A 6= 0.
7. Las columnas (y renglones) de la matriz A son linealmente independientes.
El estudiante debe leer detenidamente el teorema resumen para ver si entiende bien los temas vistos hasta el momento.

Teorema 1.5 Cualquier conjunto de n vectores linealmente independientes en Rn genera Rn

Demostración. Sean v1 , v2 , . . . , vn vectores de Rn linealmente independientes. Por el teorema RESUMEN si la matriz

A es la matriz cuyas columnas coinciden con los vectores vi , entonces el sistema Ax = b tiene única solución para todo
b ∈ Rn lo que significa que todo elemento de Rn se puede expresar como combinación lineal de v1 , v2 , . . . , vn y por tanto
gen{v1 , v2 , . . . , vn } = Rn

Ejemplo. Dados u = (1, 1, 0), v = (1, 2, 1) y w = (3, 2, 1), generan todo R3 , esto se verifica gracias que los vectores u, v, w
son linealmente independientes ya que, sacando el determinante por la última fila tenemos.
 
1 1 3    
1 3
 + det 1 1 = −(2 − 3) + (2 − 1) = 2 6= 0
   
det 1 2 2 = − det 
0 1 1 1 2  1 2

Ejemplo. Sea B = {x + x2 + x3 , 1 − x3 , x + x2 , 1 − x − x2 − x3 } ⊂ P4 , queremos ver si B es un conjunto linealmente

dependiente o linealmente independiente, para esto queremos solucionar el siguiente sistema con incógnitas α, β, γ, δ

α(x + x2 + x3 ) + β(1 − x3 ) + γ(x + x2 ) + δ(1 − x − x2 − x3 ) = 0

Resolviendo para cada potencia:

(β + δ) + (α + γ − δ)x + (α + γ − δ)x2 + (α − β − δ)x3 = 0

Lo que nos lleva al sistema:

β+δ =0
α+γ−δ =0
α+γ−δ =0
α−β−δ =0

que tiene infinitas soluciones pues tiene dos filas iguales, máximo tres pivotes con cuatro incógnitas, por lo que el conjunto
es Linealmente Dependiente. El alumno puede verificar que B 0 = {x + x2 + x3 , 1 − x3 , x + x2 } es linealmente independiente
pero B 00 = {1 − x3 , x + x2 , 1 − x − x2 − x3 } no.

Sección 2: BASES Y DIMENSION

Definición. Base:
Un conjunto finito de vectores {v1 , v2 , . . . , vn } de un espacio vectorial V , es una base para V , si cumple:
1. Genera todo el espacio, gen{v1 , v2 , . . . , vn } = V
2. {v1 , v2 , . . . , vn } es linealmente independiente.

3
 ESPACIOS VECTORIALES BASES Y DIMENSION

n vectores linealmente independientes en Rn es una base.

Ejemplo. Base canónica se llama a la base estándar que se identifica por su facilidad. Vamos a dar a continuación las
bases canónicas de los espacios más conocidos.
1. En R2 la base canónica es {i, j} donde los vectores están dados por i = (1, 0), j = (0, 1)

2. En R3 la base canónica es {ı̂, ̂, k̂} donde los vectores están dados por ı̂ = (1, 0, 0), ̂ = (0, 1, 0) y k̂ = (0, 0, 1)
3. En Rn la base canónica es {e1 , e2 , . . . , en } donde los vectores están dados por:
 
0
0
 .. 
 
.
1 ← i-esima fila
ei =  
 
.
 .. 
0

es decir, ei tiene 0 en todas las componentes excepto en la i-esima que tiene un 1.

4. En Mm×n la base canónica es {E11 , E12 , . . . , E1n , E21 , . . . , Emn }, donde la matriz Eij de tamaño m × n es la matriz
que tiene 0 en todas las posiciones excepto en la posición, fila i columna j en la que tiene 1.
5. En Pn la base canónica es {1, x, x2 , x3 , . . . , xn }

El estudiante puede verificar fácilmente que son bases.

Teorema 2.1 Si B = {v1 , v2 , · · · , vn } es una base para V espacio vectorial, entonces para todo elemento v ∈ V existe una
única combinación lineal tal que
v = c1 v1 + c2 v2 + . . . cn vn
Lo que significa que la escogencia de los ci es única.

Demostración. Por contradicción, supongamos que B = {v1 , v2 , . . . , vn } es una base y que el vector v ∈ V se puede
escribir como dos combinaciones lineales diferentes:

v = c1 v1 + c2 v2 + . . . cn vn
v = d1 v1 + d2 v2 + . . . dn vn

Donde alguno de los ci 6= di para algún i = 1, 2, . . . , n, o lo que es lo mismo ci − di 6= 0.

Si restamos las dos ecuaciones:

v = c1 v1 + c2 v2 + · · · + ci vi + · · · + cn vn
−v = d1 v1 + d2 v2 + · · · + di vi + . . . dn vn

v − v = ~0 = (c1 − d1 )v1 + (c2 − d2 )v2 + · · · + (ci − di )vi + . . . (cn − dn )vn

la última ecuación nos dice que hay una combinación lineal donde no todos los coeficientes son 0 (por ejemplo ci − di 6= 0)
cuyo resultado es ~0, por lo tanto se concluye que los v1 , v2 , . . . , vn no son linealmente independientes ⇒⇐ (Contradicción)
porque B es una base.

Teorema 2.2 Si B = {v1 , v2 , · · · , vn } y B 0 = {v10 , v20 , · · · , vk0 } son bases para V espacio vectorial, entonces n = k (Tienen el
mismo número de elementos)

Dejaremos este teorema sin demostración pero usaremos el resultado que es muy importante para definir el siguiente concepto.

4
 ESPACIOS VECTORIALES BASES Y DIMENSION

Definición. Sea V un espacio vectorial. Si B es una base para V , entonces |B|, el número de elementos de B, se llama la
dimensión de V .
Como ese número es único según el teorema anterior lo notaremos dim V .

NOTA. dim{0} = 0 la dimensión del espacio trivial es 0.

Ejemplo. Dimensión de los espacios conocidos son:

1. dim Rn = n

2. dim Mn×m = nm
3. dim Pn = n + 1

Teorema 2.3 Si dim V = n y v1 , v2 , . . . , vk son linealmente independientes entonces k ≤ n.

Demostración. Sean v1 , v2 , . . . , vk son k vectores linealmente independientes; como gen{v1 , v2 , . . . , vk } ⊆ V , quiere decir
que V es el generado de v1 , v2 , . . . , vk y posiblemente otros vectores linealmente independientes por lo que dim gen{v1 , v2 , . . . , vk } =
k ≤ n = dim V .

Una consecuencia de este teorema es que si H es subespacio de V , entonces dim H ≤ dim V .

Otra consecuencia es que cualquier conjunto con más de dim V vectores es linealmente dependiente.
Ejemplo. En R3 los subespacios pueden ser de cuatro tipos:
1. El subespacio trivial 0 = gen{~0} con dim A0 = 0.

2. Las rectas que pasan por el origen λ = gen{v : v 6= ~0} con dim λ = 1.
3. Los planos que pasan por el origen π = gen{u, v : u, v 6= ~0 y c 6= αv, α ∈ R} con dim π = 2.
4. El espacio mismo R3 , R3 = gen{u, v, w : no son coplanares}.

Ejemplo. Dar condiciones sobre α, β para que {α + αx + αx2 , βx2 , 1} genere todo P2 .
Como dim P2 = 3, para generar todo el espacio los vectores deben ser linealmente independientes, o sea que el siguiente
sistema tenga única solución:
a(α + αx + αx2 ) + b(βx2 ) + c1 = 0
el sistema se puede escribir de la siguiente forma con incógnitas a, b, c

aα + c = 0
aα = 0
aα + bβ = 0
 
α 0 1
cuya representación matricial se da por α 0 0
α β 0
Donde para saber si tiene única solución hallamos el determinante (que debe ser diferente de 0)
 
α 0 1
det α 0 0 = αβ
α β 0

la condición para que el conjunto genere todo P2 es que α 6= 0 y β 6= 0.

5
 ESPACIOS VECTORIALES RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

  
a b
Ejemplo. Sea H = A ∈ M22 : A = . Calcular dim H.
−b c
Para calcular dimensión, usamos el siguiente hecho que es parecido a la factorización conocida.
       
a b 1 0 0 1 0 0
=a +b +c
−b c 0 0 −1 0 0 1

Con lo que concluyo que      

1 0 0 1 0 0
H = gen , ,
0 0 −1 0 0 1
y la dim H = 3, porque los vectores son linealmente independientes.

Ejemplo. Calcular dim gen{x + x2 , 1 + x2 , −1 + x2 }

Para resolver este problema basta con verificar si los vectores son linealmente independientes, lo que hacemos hallando
el siguiente determinante:  
0 1 −1    
1 0 1 0
det 1 0 0
  = −1 det − 1 det = −2
1 1 1 1
1 1 1
Con lo que se concluye que son linealmente independientes y dim gen{x + x2 , 1 + x2 , −1 + x2 } = 3.

Sección 3: RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

Definición. Sea A una matriz m × n. El espacio nuloa de A denotado NA está dado por:
n o
NA = x ∈ Rn : Ax = ~0

la dimensión de este espacio se llama nulidad y se denota ν(A).

a El espacio nulo también se llama el kernell.

Si NA = {~0} entonces ν(A) = 0.

Teorema 3.1 Una matriz A es invertible si y solo si ν(A) = 0

Demostración. A es invertible ⇔ el sistema homogéneo Ax = ~0 tiene única solución ⇔ NA = {~0} ⇔ ν(A) = 0

Definición. Sea A una matriz m × n, la imagen de A denotada Im(A) está dado por:

Im(A) = {y ∈ Rm : Ax = y, para alguna x ∈ Rn }

la dimensión de este espacio se llama rango y se denota ρ(A).

Teorema 3.2 Dada una matriz Am×n Im(A) es un subespacio vectorial de Rm

Demostración. Demostremos las dos condiciones para ser subespacio vectorial:

S1. Sean u, v ∈ Im(A) y queremos ver que u+v ∈ Im(A), para eso debemos encontrar un xu+v ∈ Rn tal que Axu+v = u+v,
entonces sabemos que existen xu , xv ∈ Rn tales que Axu = u y Axv = v. Si sumamos estas dos ecuaciones tenemos que
A(xu + xv ) = Axu + Axv = u + v con lo que xu+v = xu + xv es el vector deseado y concluimos que u + v ∈ Im(A).

6
 ESPACIOS VECTORIALES RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

M1. Dado un α ∈ R tenemos A(αxv ) = α(Axv ) = αv con lo que se tiene que αv ∈ Im(A).

Definición. Si A es una matriz de m × n, sean c1 , c2 , . . . , cn las columnas de la matriz A vistos como vectores, se define

CA = gen{c1 , c2 , . . . , cn } (1)

Se llama el espacio de columnas de A

de manera similar definimos

Definición. Si A es una matriz de m × n, sean r1 , r2 , . . . , rm los renglones de la matriz A vistos como vectores, se define

RA = gen{r1 , r2 , . . . , rm } (2)

Se llama el espacio de renglones de A.

Teorema 3.3 Dada la matriz Am×n , Im(A) = CA .

Demostración. Sea y ∈ Im(A), esto quiere decir que existe un elemento α= (α1 , α2 , . . . , αn ) ∈ Rn tal que Aα= y:
    
a11 a12 . . . a1n α1 y1
 a21 a22 . . . a2n   α2   y2 
..   ..  =  .. 
    
 .. ..
 . . .  .   . 
am1 am2 . . . amn αn yn
   
α1 a11 + α2 a12 + · · · + αn a1n y1
 α1 a21 + α2 a22 + · · · + αn a2n   y2 
 =  .. 
   
 ..
 .  .
α1 am1 + α2 am2 + · · · + αn amn yn
       
α1 a11 α2 a12 αn a1n y1
 α1 a21   α2 a22   αn a2n   y2 
 ..  +  ..  + · · · +  ..  =  .. 
       
 .   .   .  .
α1 am1 α2 am2 αn amn yn
       
a11 a12 a1n y1
 a21   a22   a2n   y2 
α1  .  + α2  .  + · · · + αn  .  =  . 
       
 ..   ..   ..   .. 
am1 am2 amn yn

Es decir que y es una combinación lineal de las columnas de A o lo que es lo mismo Im(A) = CA

Teorema 3.4 Dada la matriz A, dim RA = dim CA = ρ(A).

Demostración. Como CA = Im(A), entonces dim CA = ρ(A), le queda al alumno verificar por qué dim RA = dim CA .

Teorema 3.5 Sean A, B matrices m × n, si A es equivalente por renglones a B entonces ρ(A) = ρ(B) y ν(A) = ν(B).

Una conclusión es que el número de pivotes de la matriz A en su forma escalonada es igual al rango de A.
Teorema 3.6 Sea A matrices m × n, entonces
ν(A) + ρ(A) = n

Demostración. Sea  
a11 a12 ... a1n
 a21 a22 ... a2n 
A=
 
.. .. .. 
 . . . 
am1 am2 ... amn

7
 ESPACIOS VECTORIALES RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

Supongamos que ρ(A) = k ≤ n entonces mediante operaciones de columna puedo eliminar las columnas que no son linealmente
independientes y poner las k independientes primero, quedando la matriz Bm×n nueva ası́.
 
a11 a12 . . . a1k 0 . . . 0
 a21 a22 . . . a2k 0 . . . 0
B=
 
.. . . .. .. . . .. 
 . . . . . .
am1 am2 . . . amk 0 . . . 0
Como ρ(B) = ρ(A) = k y ν(B) = ν(A), tenemos que si multiplicamos cualquier elemento de la base canónica de Rn , sea ei
con i > k tenemos que Bei = ~0 y nunca sucederá con los ei , i ≤ k, por lo que B = {ek+1 , ek+2 , . . . , en } es una base para el
espacio nulo; además que ν(B) = n − k y ası́ concluimos que ρ(A) + ν(A) = k + n − k = n, el número de columnas de A.
 
1 1 0
2 1 1
Ejemplo. Sea A =  1 2 0, encontremos primero los espacios Im(A) y NA :


1 0 1    
1 1 0   0
x
 2 1 1   0
  
Para calcular NA debemos encontrar los vectores de R3 tales que 1 2 0 y = 0 Es decir las soluciones del sistema
z
1 0 1 0
     
1 1 0 | 0 1 1 0 | 0 1 1 0 | 0
2 1 1 | 0
 R2 → R2 − 2R1 0 −1 1 | 0 R3 → R3 − R1 0 −1 1 | 0 R4 → R4 − R1
   

1 2 0 | 0 − −−−−−−−−−−→ 1 2 0 | 0 −−−−−−−−−−→ 0 1 0 | 0 −−−−−−−−−−→
1 0 1 | 0 1 0 1 | 0 1 0 1 | 0
     
1 1 0 | 0 1 1 0 | 0 1 1 0 | 0
0 −1 1 | 0 0 −1 1 | 0
 R → R 0 1 0 | 0 R → R3 + R2
 
R → R4 − R2 
−−4−−−−− −−−→ 0 1 0 | 0 −−2−−−−→3 0 −1 1 | 0 −−3−−−−−
 
0 1 0 | 0 −−−→
0 −1 1 | 0 0 0 0 | 0 0 0 0 | 0
 
1 1 0 | 0
0 1 0 | 0
 
0 0 1 | 0
0 0 0 | 0

como el sistema tiene 3 pivotes y 3 incógnitas tiene única solución, NA = {~0} y ν(A) = 0.
Calculemos ahora la Im(A), esto es los y tales que existe x ∈ R3 cumpliendo Ax = y, solucionar
     
1 1 0 | x 1 1 0 | x 1 1 0 | x
2 1 1 | y  0 −1 1 | y − 2x 0 −1 1 | y − 2x
 R2 → R2 − 2R1   R → R3 − R1 
z  −−3−−−−−
 
1 2 0 | z  − −−−−−−−−−−→ 1 2 0 | −−−→ 0 1 0 | z−x
1 0 1 | w 1 0 1 | w 1 0 1 | w
   
1 1 0 | x 1 1 0 | x
0 −1 1 | y − 2x 0 −1 1 | y − 2x 
R4 → R4 − R1   R4 → R4 − R2  R ↔ R
−−−−−−−−−−→ 0 1 0 | z − x −−−−−−−−−−→ 0 1 0 |
   z − x  −−2−−−−→3
0 −1 1 | w − x 0 0 0 | x−y+w
   
1 1 0 | x 1 1 0 | x
0 1 0 | z−x   R3 → R3 + R2 0 1 0 | w−x 

 
0 −1 1 | y − 2x  −−−−−−−−−−→ 0 0 1 | y + w − 3x

0 0 0 | x−y+w 0 0 0 | x−y+w
Note que para que este sistema
 tenga  debe pasar que x − y + w = 0, la solución son todos los elementos ortogonales a
 solución

 1 1 0 
     
2 ,   , 1 (¿Qué parecido tiene con las columnas de la matriz A?) los cuales claramente
1

(1, −1, 0, 1) y esto es gen 


 1  2 0 


1 0 1
 
son linealmente independientes. Por esto también decimos que ρ(A) = 3.

8
ESPACIOS VECTORIALES EJERCICIOS PROPUESTOS

Sección 4: EJERCICIOS PROPUESTOS

1. En P3 , ¿son 2x, x3 − 3, 1 + x − 4x2 , x3 − x2 + x linealmente independientes?

2. Encuentre una base para las matrices triangulares superiores
3. Sea S = {v1 , v2 , v3 }. donde v1 = x2 + 1, v2 = x − 2, v3 = x + 3.
S es un subconjunto de P2 (x).
(a) Expresar p(x) = 4x2 + 2x − 5 como una combinación lineal de elementos de S.
(b) ¿Es S linealmente independiente ?
(c) ¿Es S una base para ρ2 (x) ? (Piense en un argumento de dimensión).
4. En R3 sea L1 la recta cuya ecuación simétrica es la siguiente:
x
L1 := = y = z.
2
y π1 el plano determinado por la ecuación
π1 := −y + z.
(a) Encuentre una base para L1 .
(b) Completar la base del punto (a) para encontrar una base para π1 .
(c) Completar la base del punto (b) para encontrar una base para R3 .
5. ¿Para que valor de α el gen{1 + x + x2 , −2 + 3x − x2 , αx + x2 } tiene dimensión 2? Reemplazando por el valor de α
encuentre una combinación lineal de 1 + x + x2 y −2 + 3x − x2 que sea el tercer vector.
6. Demostrar que:
An×n es invertible ssi dim(Kernel(A)) = 0
7. Encuentre una base para gen{2x3 + 3x2 + x, x2 − 2x, 2x3 + x2 − 2, 5x + 2} y mediante un argumento de dimensión diga
porque no es todo ρ4 .
8. Determine condiciones sobre a, b, c, d para que {c + ax, d + bx} no sea una base de ρ1 .
9. Demuestre que si u,v,w son tres vectores no nulos de R3 tales que son ortogonales entre sı́, entonces {u,v,w} son
linealmente independientes.
10. Demostrar que si {u, v} son linealmente independientes entonces también lo son {u + v, u − v}.
11. Encuentre una base para el subespacio de R3 definido por los puntos que cumplen las ecuaciones:
x−y−z =0
2x − y + z = 0
 
1 −2 1
12. Dada A = 2 −4 2
3 −6 3
Se define NA = {x ∈ R3 |Ax = 0}
(a) Encuentre todas las soluciones del sistema Ax = 0.
(b) Pruebe que NA es un subespacio de R3 .
(c) Encuentre una base para NA y su dimensión.
 
1 −1 2 3
13. Dada A = 0 1 4 3  encontrar:
2 −3 −8 −9
(a) Im(A), una base para Im(A) y ρ(A)
(b) NA , una base para NA y ν(A)