1

ESPACIOS VECTORIALES REALES

Leonor Carvajal

1
 2

Leonor Carvajal

DEFINICIÓN DE ESPACIOS VECTORIALES REALES

Sea V un conjunto no vacío de elementos que se denominan vectores y en el cual están definidas dos operaciones:

• Una ley de composición interna denominada suma de vectores, que se simboliza con el signo +.
• Una ley de composición externa denominada producto de un escalar (número real) por un vector, que se
simboliza con el signo .

La cuaterna (V; + ; R ; . ) es un espacio vectorial real si y sólo si se cumplen los siguientes axiomas:

1) + Es ley de composición interna. ∀x ∈ V ; ∀y ∈ V : ( x + y ) ∈ V .

2) + Es conmutativa. ∀x ∈ V ; ∀y ∈ V : x + y = y + x

3) + Es asociativa. ∀x ∈ V ; ∀y ∈ V ; ∀z ∈ V : ( x + y ) + z = x + ( y + z )

4) Existencia de elemento neutro para + . Se simboliza O y es tal que: ∀x ∈ V : x + O = O + x = x

5) Existencia de inverso aditivo. El inverso aditivo de x ∈ V se simboliza –x y es tal que: x +(-x) = -x +x = O

6) . Es ley de composición externa. λ ∈ R; ∀x ∈ V : (λ x ) ∈ V

7) . Es distributiva con respecto a la suma de vectores. λ ∈ R; ∀x ∈ V ; ∀y ∈ V : λ (x + y ) = λ x + λ y

8) . Es distributiva con respecto a la suma de escalares. λ ∈ R; μ ∈ R; ∀x ∈ V : (λ + μ ) x = λ x + μ x

9) Asociatividad mixta. λ ∈ R; μ ∈ R; ∀x ∈ V : ( λ μ ) x = λ ( μ x) = μ (λ x )

10) Existencia de elemento neutro para . . Es λ = 1 pues ∀x ∈ V :1 x = x

Ejemplos de espacios vectoriales:

( R2; +; R; . ) siendo R2 el conjunto de los pares ordenados de números reales.

( R3; +; R; . ) siendo R3 el conjunto de los ternas ordenadas de números reales.

( Rm x n; +; R; . ) siendo Rm x n el conjunto de matrices con elementos reales y de orden m x n.

( P(x) ; + R; . ) siendo P(x) el conjunto de los polinomios en la variable o indeterminada x.

2
 3
Leonor Carvajal

Propiedades de los espacios vectoriales

Sea ( V; +; R; . ) un espacio vectorial.

1) El producto del escalar cero por cualquier vector x es el vector nulo.
En efecto: por neutro de la adición en R: λ x = (λ + 0) x
Por axioma 8: λ x = λ x + 0x
Por axioma 4: λ x + O = λ x + 0x
Por axioma 5: λ x + O = λ x + 0x
Luego: 0x = O

2) El producto de cualquier escalar por el vector nulo, es el vector nulo.

Por axioma 4: λ x = λ ( x + O)
Por axioma 7: λ x = λ x + λO
Por axioma 4: λ x + O = λ x + λO
Por axioma 5: λ x + O = λ x + λO
Luego: λO = O

3) Si el producto de un escalar por un vector es el vector nulo, entonces, el escalar es cero o el vector es el vector
nulo.
En símbolos: λx = O ⇒ λ = 0 ∨ x = O ( Trate de demostrarlo )

4) El opuesto de cualquier escalar por un vector es igual al opuesto de su producto.

En símbolos: ( − λ ) x = − (λ x ) ( Trate de demostrarlo )

SUBESPACIOS
Definición: S ≠ ∅ es un subespacio de ( V; +; R; . ) si y sólo si ( S; +; R; . ) es un espacio vectorial y S ⊂ V.

Cualquiera que sea ( V; +; R; . ), tanto V como {O} son subespacios de V, llamados subespacios triviales.

Ejemplos: Consideremos el espacio vectorial (R2; +; R; . ) y los subconjuntos A = {( x, y ) ∈ R 2 / y = 3 x} y

B = {( x, y ) ∈ R 2 / y = 3 x + 2} .

A es un subespacio de R2 pues puede demostrarse que verifica todos los axiomas correspondientes.
B no es subespacio de R2 pues no cumple con el axioma 4 ya que el vector nulo (0;0) no pertenece a B.

3
 4
Leonor Carvajal

CONDICIÓN SUFICIENTE
Puede demostrarse que para determinar si ( S; +; R; . ) es un subespacio de ( V; +; R; . ), es suficiente probar:
1) S ≠ ∅ .
2) S ⊂ V
3) “+” es Ley de Composición Interna en S, o sea: x ∈ S ∧ y ∈ S ⇒ ( x + y ) ∈ S .
4) “.” Es ley de Composición Externa, o sea: λ ∈ R ∧ x ∈ S ⇒ (λ x) ∈ S

Ejemplo: Sea S = {( x, y , z ) ∈ R 3 / z = x + y} . Demostrar que ( S; +; R; . ) es un subespacio de ( R3; +; R ; . ).

En efecto:
1) S ≠ ∅ pues, por ejemplo, (0, 0, 0) ∈ S .
2) S ⊂ R 3 , por definición de S.

( x, y , z ) ∈ S ⎫⎪ z = x + y ⎫
3) “+” es Ley de Comp. Interna en S, pues: ⎬⇒ ⎬ ⇒ z + z ' = x + x '+ y + y '
( x' , y ' , z ' ) ∈ S ⎪⎭ z ' = x '+ y '⎭
O sea, ( x + x ', y + y ', z + z ' ) ∈ S ⇒ ⎡⎣( x, y , z ) + ( x '+ y '+ z ' ) ⎤⎦ ∈ S .

4) λ ∈ R ∧ ( x, y, z ) ∈ S ⇒ λ ∈ R ∧ z = x + y ⇒ λ z = λ x + λ y ⇒ ( λ x, λ y, λ z ) ∈ S ⇒ ⎡⎣λ ( x, y , z ) ⎤⎦ ∈ S

Nota: Geométricamente, el conjunto S corresponde al plano de ecuación general x + y – z = 0, que pasa por el
origen de coordenadas.

Operaciones con subespacios.

1) Intersección de subespacios:
Sea {Si } una familia de subespacios de (V; +; R; . ).

Simbolizamos con S a la intersección de dicha familia, o sea, S = ∩ Si .

i∈I

Luego: S = { X / X ∈ S1 ∧ X ∈ S2 ∧ ... ∧ X ∈ Sn } .

Propiedad: La intersección de toda familia de subespacios de V, es otro subespacio de V.

Ejemplo:
Dos rectas del plano, que pasan por el origen de coordenadas, corresponden a dos subespacios de (R2; +; R; . ).
La intersección de las rectas es (0, 0), que es un subespacio de R2 que, sabemos, se denomina subespacio trivial.

4
 5
Leonor Carvajal

2) Unión de subespacios
Si S1 y S2 son dos subespacios de ( V; +; R; . ), entonces S1 ∪ S 2 , no es generalmente, un subespacio de V,

como lo probamos con el siguiente ejemplo:

y S2 x1 ∈ S1 ⇒ x1 ∈ S1 ∪ S 2

x2 ∈ S2 ⇒ x2 ∈ S1 ∪ S 2

x2 S1 Pero ( x1 + x2) ∈ S1 ∪ S 2 y `por lo tanto no se cumple la ley de cierre.

x1
x

3) Suma de subespacios
La suma de dos subespacios de V, es un subespacio de V.

Ejemplo: Sean S1= {( a, b, c ) ∈ R 3 / c = 0} y S2 = {( a ', b ', c ' ) ∈ R 3 / b ' = 0} .

El subespacio suma S = S1 + S2 está formado por las termas ( a, b, c ) + ( a ', b ', c ') = ( a + a ', b + b ', c + c ')

Es decir: ( a, b, c ) + ( a ', b ', c ') = ( a, b, c ') que son ternas de números reales.

Por lo tanto es S = R 3 .

Caso particular: Es importante el caso en el que los dos subespacios son disyuntos, es decir, S1 ∩ S2 = {O} .

En este caso el subespacio S = S1 + S2 recibe el nombre de suma directa y se utiliza la notación S = S1 ⊕ S 2 .

Ejemplo: Sean los subespacios S1 = {( x, y, z ) ∈ R 3 / ( x, y , z ) = λ (1, 0, 0 ) con λ ∈ R} y

S 2 = {( x, y , z ) ∈ R 3 / ( x, y , z ) = μ ( 0,1, 0 ) con μ ∈ R} . Determinar si la suma de ambos es o no directa.

Se tiene S = S1 + S 2 = {( x, y, z ) ∈ R 3 / ( x, y, z ) = λ (1, 0, 0 ) + μ ( 0,1, 0 ) con λ ∈ R, μ ∈ R} .

z O sea, S es el plano coordenado (x,y) y, efectivamente,

S es suma directa: S = S1 ⊕ S 2

0
S S2
S1

5
 6
Leonor Carvajal

COMBINACIÓN LINEAL
Concepto: Sea A = {v1 , v2 ,..., vn } una familia o conjunto de vectores de un espacio vectorial ( V; +; R; . ).

Entendemos por combinación lineal de la familia A, toda suma de productos de escalares arbitrarios, por los
vectores de A.
Definición: Combinación lineal de la familia A ⊂ V , a todo vector de la forma:
n

∑α v
i =1
i i = α1v1 + α 2 v2 + ...α n vn con α i ∈ R; vi ∈ A

Los α i , se denomina coeficientes de la combinación lineal.

En particular, si todos los coeficientes son nulos, la combinación lineal se denomina trivial y se obtiene el vector
nulo.

Definición: El vector v ∈ V es combinación lineal de la familia A ⊂ V , si y sólo si existen escalares α1 , α 2 ,..., α n

n
tales que v = ∑ α i vi .
i =1

Ejemplo: v = ( 1; -2; 3) es combinación lineal de v1 = (0;1;2) , v2 = ( 0;3;0) y v3 = (1;-1;2) pues:

v = α1v1 + α 2 v2 + α 3v3

(1; −2;3) = α1 ( 0;1; 2 ) + α 2 ( 0;3;0 ) + α3 (1; −1; 2 )

⎧ α3 = 1
⎪
⎨ α1 + 3α 2 − α 3 = −2
⎪2α + 2α 3 = 3
⎩ 1

Resulta α1 =
1
; α2 = −
1
y α3 = 1. 1 1
2 2
Luego: v= v1 − v2 + v3
2 2

DEPENDENCIA E INDEPENDENCIA LINEAL

1) Conjunto linealmente independiente. Sea ( V; +; R; . ) un espacio vectorial.
La familia A ⊂ V es linealmente independiente si y sólo si la única combinación lineal de dicha familia, cuyo
resultado es el vector nulo, es la trivial.
n
O sea: A = {v1 , v2 ,..., vn } es linealmente independiente ⇔ ∀i : ∑ α i vi = O ⇒ α i = 0
i =1

Luego, para investigar la independencia lineal de un conjunto de vectores, se propone una combinación lineal de
estos (con escalares a determinar) que sea igual al vector nulo.
Si todos los coeficientes son necesariamente nulos, entonces el conjunto es linealmente independiente( L.I).
6
 7
Leonor Carvajal

Ejemplo: Dado el espacio vectorial (R3; + ; R ; . ) , determinar si A = {(1; 2;3) , ( −1;0;1) , ( 0; 2; 2 )} es L.I.

Se plantea: ( 0;0;0 ) = α (1; 2;3) + β ( −1;0;1) + γ ( 0; 2; 2 )

⎧ α −β =0
⎪
Luego: ⎨ 2α + 2γ = 0 ⇒ α = β = γ = 0 . Por lo tanto Aes L.I.
⎪3α + β + 2γ = 0
⎩

2) Conjunto linealmente dependiente. Sea ( V; +; R; . ) un espacio vectorial.

La familia A ⊂ V es linealmente dependiente si y sólo si no es linealmente independiente.
La familia A = {v1 , v2 ,..., vn } es un conjunto linealmente dependiente (L.D.) si y sólo si existe una combinación

lineal no trivial de dicha familia, cuyo resultado sea el vector nulo.

n
O sea: A = {v1 , v2 ,..., vn } es linealmente dependiente ⇔ ∃i : ∑ α i vi = O ∧ α i ≠ 0
i =1

⎧⎛ 3⎞ ⎫
Ejemplo: Dado el espacio vectorial (R2; + ; R ; . ) , determinar si A = ⎨⎜ 2; − ⎟ , ( −8;3) ⎬ es L.D.
⎩⎝ 4⎠ ⎭

( 0;0 ) = α ⎛⎜ 2; −
3⎞
Se plantea: ⎟ + β ( −8;3)
⎝ 4⎠

⎧ 2α − 8β = 0
⎪
Luego: ⎨ 3
⎪⎩− 4 α + 3β = 0

Al resolver el sistema, resulta α = 4 β . Es decir, para cada valor de β se obtiene el correspondiente de α .

O sea, α y β no son necesariamente nulos con lo cual queda demostrado que A es L.D.

Propiedades
1) Todo vector no nulo de un espacio vectorial constituye un conjunto L.I.
En efecto, sea ( V; +; R; . ) un espacio vectorial y v ≠ O .
Planteamos: α v= O

Por prop.3 de pág. 2, como v ≠ O , es α = 0 y en consecuencia {v} es L.I.

2) El vector nulo de cualquier espacio vectorial constituye un conjunto linealmente dependiente.

Planteamos: α O=O

Por prop.2 de pág. 2, cualquier escalar α satisface esta igualdad. En consecuencia, {O} es L.D.

7
 8
Leonor Carvajal

3) El conjunto al que pertenezca el vector nulo es linealmente dependiente.

En efecto, sea A = {v1 , v2 ,..., O,..., vn } .

Se plantea: O = 0v1 + 0v2 + ...μ O + ... + 0vn con μ no necesariamente nulo. Luego, A es L.D.

4) Un conjunto finito y no vacío de vectores es linealmente dependiente si y sólo si algún vector es combinación
lineal de los demás.

5) Un conjunto finito y no vacío de vectores es linealmente independiente si y sólo si ningún vector es

combinación lineal de los demás.

SISTEMA DE GENERADORES
La familia A = {v1 , v2 ,..., vn } es un sistema de generadores (S.G.) de V si y sólo si todo vector de V puede

expresarse como combinación lineal de los vectores de A.

Ejemplos: Sea el espacio vectorial (R2; + ; R ; . ).

1) A = {( 2;1) , ( −1;3)} es un sistema de generadores de R2 pues cualquier ( x; y ) ∈ R 2 se puede expresar:

( x; y ) = α ( 2;1) + β ( −1;3) con α y β a determinar.

2) A = {( 2;1)} no es un sistema de generadores de R2 pues, por ejemplo, (-3;5) ∈ R 2 y no puede expresarse como

μ ( 2;1) , cualquiera sea el escalar μ .

BASE DE UN ESPACIO VECTORIAL

Sea A = {v1 , v2 ,..., vn } una familia o conjunto de vectores de un espacio vectorial ( V; +; R; . ).

la familia A ⊂ V es una base de ( V; +; R; . ) si y sólo si es un conjunto linealmente independiente y sistema de

generadores de V.

A ⊂ V es una base de ( V; +; R; . ) ⇔ A es L.I. y S.G. de V

8
 9
Leonor Carvajal

Ejemplo: determine una base del subespacio S = {( x; y ) ∈ R 2 / y = 3 x} de ( R2; +; R; . ).

Para ello consideramos un elemento genérico de S, o sea, ( x; y ) ∈ S , pero y = 3 x.

Entonces: ( x;3x ) ∈ S ⇒ ⎡⎣ x (1;3) ⎤⎦ ∈ S

O bien ⎡⎣ λ (1;3) ⎤⎦ ∈ S , con λ ∈ R . Lo que significa que {(1;3)} es un S.G.de S .

Como además {(1;3)} es L.I., resulta ser {(1;3)} una base de S.

Propiedad: todas las bases de un espacio vectorial tiene el mismo número de elementos.

Coordenadas de un vector
Si B = {v1 , v2 ,..., vn } es una base de un espacio vectorial ( V; +; R; . ), cada vector de V puede expresarse de modo

único como combinación lineal de la base B.

Respecto de la base dada, el vector v ∈ V queda caracterizado por los coeficientes de la combinación lineal, o sea,
por la n-upla de número reales (α1 ;α 2 ;...;α n ) . Estos escalares α i con i = 1; 2; …; n, se denominan coordenadas

del vector v ∈ V , respecto de la base B.

Se simboliza:
⎛ α1 ⎞ ⎛ β1 ⎞
⎜ ⎟ ⎜ ⎟
⎜α2 ⎟ ⎜ β2 ⎟
[ v ]B = ⎜ ... ⎟ . Si se elige otra base B’ de V, entonces el mismo v ∈ V tiene otras coordenadas: [ v ]B ' = ⎜ ... ⎟ .
⎜ ⎟ ⎜ ⎟
⎜ ... ⎟ ⎜ ... ⎟
⎜α ⎟ ⎜β ⎟
⎝ n⎠ ⎝ n⎠

Ejemplo. Determine las coordenadas de v = ( 3; 2 ) perteneciente a (R2;+;R ; . ), respecto de las bases:

1) B = {( −1;1) , ( 2;0 )}

2) B’ = {(1;0) , ( 0;1)} (Llamada base canónica).

⎛2⎞
⎧−α1 + 2α 2 = 3 ⎡⎛ 3 ⎞ ⎤
En el primer caso: (3; 2) = α1 ( −1;1) + α 2 ( 2;0 ) ⇒⎨ ⇒ ⎢⎜ ⎟ ⎥ = ⎜ 5 ⎟ .
α
⎩ 1 = 2 ⎣⎝ 2 ⎠ ⎦ B ⎜ ⎟
⎝2⎠
⎧β = 3 ⎡⎛ 3 ⎞ ⎤ ⎛ 3⎞
En el segundo caso: ( 3; 2 ) = β1 (1;0 ) + β 2 ( 0;1) ⇒ ⎨ 1 ⇒ ⎢⎜ ⎟ ⎥ = ⎜ ⎟ .
⎩ β 2 = 2 ⎣⎝ 2 ⎠ ⎦ B ' ⎝ 2 ⎠

9
 10
Leonor Carvajal

DIMENSIÓN DE UN ESPACIO VECTORIAL

La dimensión de un espacio vectorial ( V ; +; R : . ) es el número cardinal de cualquiera de sus bases.

En el ejemplo anterior, la dimensión de (R2;+;R ; . ) es dos.

Si V consiste únicamente en el vector nulo, decimos que su dimensión es cero.

Consecuencias:
1) n vectores linealmente independientes de ( V ; +; R : . ) n-dimensional, constituyen una base del mismo.
2) Todo sistema de generadores de n vectores de ( V ; +; R : . ) n-dimensional, es una base del mismo.
3) todo conjunto de más de n vectores de un espacio ( V ; +; R : . ) n-dimensional es linealmente dependiente.

Dimensión de la suma de dos espacios vectoriales

Si S1 y S2 son dos subespacios de ( V ; +; R : . ) y la dimensión de V es finita, entonces se verifica:

Dim( S1 + S2 ) = Dim S1 + Dim S2 – Dim S1 ∩ S 2

Ejemplo. Determine la dimensión de la suma de los siguientes subespacios de ( R3 ; +; R : . ):

S1 = {( x; y; z ) ∈ R 3 / x + y − z = 0} y S 2 = {( x; y; z ) ∈ R 3 / x − z = 0}

S1 y S2 son, geométricamente, dos planos y por lo tanto la dimensión de cada subespacio es dos.
S1 ∩ S 2 es una recta y por lo tanto su dimensión es uno.

O sea, S1 ∩ S 2 = {( x; y; z ) ∈ R 3 / x = z ∧ y = 0} .

Sus elementos son de la forma ( x;0; x ) = x (1;0;1) , cualquiera que sea x ∈ R .

Luego, una base de S1 ∩ S 2 , es B = {(1;0;1)} y su dimensión es uno.

Por lo tanto: Dim( S1 + S2 ) = 2 + 2 – 1

Dim( S1 + S2 ) = 3
O sea, S1 + S2 = R3

Dimensión de la suma directa.

Si S1 y S2 son dos subespacios disyuntos de ( V ; +; R : . ), entonces, la dimensión de la suma directa es igual a la
suma de las dimensiones de S1 y S2, pues dim S1 ∩ S 2 = dim {O} = 0.

Dim( S1 ⊕ S2 ) = Dim S1 + Dim S2

10
 11
Leonor Carvajal

Ejemplo. Sean los subespacios de ( R3 ; +; R : . ), S1 = {( x; y; z ) ∈ R 3 / ( x; y; z ) = λ (1;0;0 ) con λ ∈ R} y

S 2 = {( x; y; z ) ∈ R 3 / ( x; y; z ) = μ ( 0;1;0 ) con μ ∈ R} que corresponden a dos rectas y por lo tanto tienen dimensión
uno. (Eje de abscisas y eje de ordenadas, respectivamente).
Como S1 ∩ S2 = {( 0;0;0 )} cuya dimensión es cero, resulta: Dim( S1 ⊕ S2 ) = 1 + 1 = 2.
Así, S1 ⊕ S2 es el plano coordenado (x; y).

PRODUCTO INTERNO O PRODUCTO INTERIOR

Sea ( V ; +; R : . ) un espacio vectorial. El símbolo < u ; v > se lee: producto interior entre los vectores u y v.

Definición. Producto interior en ( V ; +; R : . ) es toda función de la forma < > : V x V → R que cumple:
1) < u ; v > = < v; u > Simetría.
2) < u + v; w > = < u ;w > + < v ; w > Aditividad.
3) < k u ; v > = k < u ; v > Homogeneidad.
4) < v ; v > ≥ 0 y ( < v ; v > = 0 ⇔ v = O ).

Ejemplo. El producto interno usual es el producto escalar en R2, R2, …, R n.

En R2 la definición del mismo para los vectores u = ( u1; u2 ) y v = ( v1; v2 ) se interpreta de la siguiente manera:
< u ;v > = u1 v1 + u2 v2 , que satisface las condiciones 1), 2), 3) y 4).

Definición: módulo o norma de un vector en un espacio vectorial con producto interno, es la raíz cuadrada del
producto interior de dicho vector por sí mismo. u = < u; u >

Ejemplo. En R2, si u = (-4;3) y tomamos como producto interior al producto escalar, resulta:

u = < (−4;3), (−4;3) >

u = −4.(−4) + 3.3
u =5

Definición: en el espacio vectorial ( V ; +; R : . ) con producto interno, dos vectores son ortogonales si y sólo si su
producto interno es nulo.

u ⊥ v se lee: u es ortogonal a v .
Luego: u ⊥ v ⇔ < u; v > = 0

Ejemplo. En R2 con el producto interno usual, los vectores u = ( 6; 4) y v = (-2;3) son ortogonales pues
< u ; v > = 6 . (-2) + 4 . 3 = 0

Conjunto ortogonal de vectores

Definición: Un conjunto {v1 ; v2 ;...; vq } en un espacio vectorial con producto interno, es ortogonal, si y sólo si dos
vectores cualesquiera y distintos, son ortogonales.
{v1; v2 ;...; vq } es ortogonal ⇔ i ≠ j ⇒ < vi ; v j > = 0
11
 12
Leonor Carvajal

Propiedad: todo conjunto ortogonal de vectores, al que no pertenece el vector nulo, es linealmente independiente.

Base ortonormal: decimos que B = {v1 ; v2 ;...; vn } ⊂ V es una base ortonormal de V si y sólo si B es un conjunto

ortogonal de vectores de módulo uno.

⎧⎪⎛ 5 2 5 ⎞ ⎛ 2 5 5 ⎞ ⎫⎪
Ejemplo. En R2 con el producto interno usual, puede ser B = ⎨⎜⎜ ;− ⎟⎟ , ⎜⎜ ; ⎟⎟ ⎬ .
⎪⎩⎝ 5 5 ⎠ ⎝ 5 5 ⎠ ⎪⎭

Complemento ortogonal de un subespacio:

Sea ( V ; +; R : . ) un espacio vectorial con producto interno y S un subespacio de V.
Definición. Complemento ortogonal del subespacio S de V es el conjunto de todos los vectores de V que son
ortogonales a todos los vectores de S.
Se simboliza: S ⊥ y se lee “complemento ortogonal de S ”.

Luego: S ⊥ = {v ∈ V / v ⊥ s, ∀s ∈ S }

Ejemplo. En R3, con el producto interno usual, si S = {( s1 ;0;0 ) con s1 ∈ R} (es el eje de abscisas), su

complemento ortogonal es el plano (x,y), pues:

z S ⊥ = {( a; b; c ) ∈ R 3 / < ( a; b; c ) , ( x1 ; 0; 0 ) >= 0}

S ⊥ = {( a; b; c ) ∈ R 3 / a. x1 + 0. b + 0.c = 0}

S⊥ y S ⊥ = {( a; b; c ) ∈ R 3 / a = 0}

S S ⊥ = {( a; b; c ) ∈ R 3 / b ( 0;1;0 ) + c ( 0;0;1) = 0} que es el plano (y, z)

Propiedades
1) S ⊥ es un subespacio de V.
2) S ∩ S ⊥ = {O}

3) Dim S + Dim S ⊥ = Sim V

4) S ⊕ S ⊥ = V
5) ( Una base de S ) ∪ ( Una base de S ⊥ ) = Una base de V.

12
 13
Leonor Carvajal

Ejercicio.
1) Dado el subespacio S = {( x1 ; x2 ; x3 ) ∈ R 3 / 2 x1 − 3 x2 − x3 = 0} de R3 , con el producto interno usual, halle una

base del mismo.

2) Utilizando el resultado obtenido en 1), halle una base de R3.

Resolvemos este ejercicio por dos caminos:

→ →
1) S⊥ n S es un plano que pasa por el origen y su vector asociado es n = ( 2; -3; -1).
→
S ⊥ es una resta que pasa por (0;0;0) y tiene vector asociado a = ( 2; -3; -1).
Como una base de S es {(1;0; 2) , ( 0;1; −3)} y una base de S ⊥
es {( 2; −3; −1)} ,
resulta, que una base de R 3 es {(1;0; 2) , ( 0;1; −3) , ( 2; −3; −1)} .

2) Por definición, es S ⊥ = {( a; b; c ) ∈ R 3 / < ( a; b; c ) , ( x1 ; x2 ; x3 ) > = 0}

S ⊥ = {( a; b; c ) ∈ R 3 / a.x1 + b.x2 + c.x3 = 0}

2 x1- 3 x2 = 0
S ⊥ = {( a; b; c ) ∈ R 3 / a.x1 + b.x2 + c.(2 x1 − 3 x2 ) = 0}

S ⊥ = {( a; b; c ) ∈ R 3 /(a + 2c) x1 + (b − 3c ).x2 = 0}

0 0 pues x1 y x2 son reales cualesquiera.

⎧a + 2c = 0 a b c →
Luego: ⎨ ⇒ = = que corresponde a una recta con vector asociado a = ( 2; -3; -1).
⎩b − 3c = 0 −2 3 1

Por lo tanto una base de S ⊥ es {( 2; −3; −1)} .

Entonces una base de R3 es {(1;0; 2) , ( 0;1; −3) , ( 2; −3; −1)}

13
14

14