“¿Cómo se pueden sumar cosas que no son

números? La explicación consiste en que en

álgebra moderna el signo + no significa que
se realiza una suma en ningún sentido real.
Significa meramente que se está realizando
alguna operación que de alguna manera le
hace al matemático recordar las reglas de
la adición. El parecido es de esquema, no de
contenido” Walter Sawyer

Espacios
Vectoriales
Notas

Álgebra Lineal 2020

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Tema 4. Espacios vectoriales (resumen)

4.1 Espacios vectoriales
Vectores en 𝑹𝒏
Un vector está determinado por una magnitud, dirección y sentido.
Un vector en el plano o el espacio (𝑅 2 y en 𝑅 3 ), geométricamente se representa por un segmento de recta
dirigido.
La cola de la flecha es el punto inicial y la punta de la flecha es el punto terminal del vector.
Sean el punto inicial 𝑃𝑜 (𝑥0 , 𝑦0 , 𝑧0 ), el punto final
𝑃1 (𝑥1 , 𝑦1 , 𝑧1 ), entonces la componentes del vector son:
̅̅̅̅̅̅
𝑢̅ = 𝑃 0 𝑃1 = 𝑃1 − 𝑃0 = (𝑥1 − 𝑥0 , 𝑦1 − 𝑦0 , 𝑧1 − 𝑧0 )

Los vectores se representan por letras minúsculas negritas como 𝒖, 𝒗, 𝒘 y 𝒛 o poniendo una flecha arriba de la
letra 𝑢⃗ ,𝑣, 𝑤⃗⃗ y 𝑧
El estudio de los vectores no se limita a 𝑅 2 y en 𝑅 3 se puede extender al espacio 𝑛 − 𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑎𝑙.
Un vector en el espacio 𝑛-dimensional se representa por una 𝒏-ada ordenada.
Si 𝑛 es un entero positivo, entones una 𝑛-ada ordenada es una sucesión de números reales (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) .
Para los vectores los números son las componentes y para los puntos son las coordenadas.
Al conjunto de todas las 𝑛-ada ordenada se le denomina espacio cartesiano de 𝒏 dimensiones y se representa
por 𝑹𝒏
Así que al conjunto de:
Todos los números reales 𝑅 Es un espacio unidimensional
Todos los pares ordenados 𝑅 2 Es un espacio bidimensional
Todas las ternas ordenadas 𝑅 3 Es un espacio tridimensional
Las 𝑛-ada ordenadas son una generalización de los pares, ternas ordenadas.
Ejemplo
La 5 − 𝑎𝑑𝑎 ordenada (2, −4,0,1,3) puede describir un punto en 𝑅 5 o un vector en 𝑅 5.
El vector (2, −4,0,1,3) en 𝑅 5.
El 2 sería la primera componente, −4 la segunda componente y así sucesivamente.
1

Definimos:
Página

⃗ = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) y 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) en 𝑅 𝑛
Dos vectores 𝑢
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Son iguales si:

𝑢1 = 𝑣1 , 𝑢2 = 𝑣2 ,… , 𝑢𝑛 = 𝑣𝑛
⃗ +𝒗
La suma de 𝒖 ⃗ se define como:
𝑢
⃗ + 𝑣 = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … . , 𝑢𝑛 + 𝑣𝑛 )
⃗ se define como:
Si 𝒄 es un escalar, el múltiplo escalar 𝒄𝒖
𝑐𝑢
⃗ = (𝑐𝑢1 , 𝑐𝑢2 , … , 𝑐𝑢𝑛 )

⃗ se define como:
El inverso aditivo o negativo de 𝒖
⃗ = (−𝑢1 , −𝑢2 , … , −𝑢𝑛 )
−𝑢
⃗ −𝒗
La diferencia de 𝒖 ⃗ se define como:
𝑢
⃗ − 𝑣 = (𝑢1 − 𝑣1 , 𝑢2 − 𝑣2 , … . , 𝑢𝑛 − 𝑣𝑛 )

Ejemplo
Determine: 𝑢
⃗ +𝑣,𝑢
⃗ − 𝑣 , 3𝑢
⃗ − 2𝑣
Si 𝑢
⃗ = (4,0, −3,6) y 𝑣 = (0,2,5,4)
⃗ + 𝑣 = (4 + 0,0 + 2, −3 + 5,6 + 4) = (4,2,2,10)
𝑢
⃗ − 𝑣 = (4 − 0,0 − 2, −3 − 5,6 − 4) = (4, −2, −8,2)
𝑢
⃗ − 2𝑣= 3(4,0, −3,6) − 2(0,2,5,4) = (12,0, −9,18) − (0,4,10,8) = (12 − 0,0 − 4, −9 − 10,18 − 8)
3𝑢
= (12, −4, −19,10)

Espacios Vectoriales
Un espacio vectorial real 𝑽 es un conjunto de objetos llamados vectores, sobre el que están definidas las
operaciones de suma y multiplicación por un escalar y que satisfacen los 10 axiomas siguientes.
Axiomas de un espacio vectorial
Para todo 𝑢
⃗ ,𝑣 ,𝑤
⃗⃗ ∈ 𝑉 y los escalares 𝑐 y 𝑑
Suma:
1) 𝑢⃗ + 𝑣 esta en 𝑉 Cerradura bajo la suma
2) 𝑢
⃗ +𝑣 = 𝑣+𝑢 ⃗ Conmutativa
3) 𝑢
⃗ + (𝑣 + 𝑤⃗⃗ ) = (𝑢
⃗ +𝑣⃗⃗⃗ ) + 𝑤
⃗⃗ Asociativa
4) 𝑉 contiene el vector cero ⃗0
2

Idéntico aditivo
Página

tal que para todo 𝑢

⃗ en 𝑉, 𝑢 ⃗ =𝑢
⃗ +0 ⃗
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

5) Para todo 𝑢
⃗ en 𝑉, hay un vector en 𝑉 Inverso aditivo
representado por −𝑢
⃗ tal que 𝑢 ⃗
⃗ + (−𝑢) = 0

Multiplicación escalar:
6) ⃗ esta en 𝑉
c𝑢 Cerradura bajo la multiplicación
7) 𝑐(𝑢
⃗ + 𝑣 ) = 𝑐𝑢
⃗ +c 𝑣 Distributiva
8) (𝑐 + 𝑑)𝑢⃗ = 𝑐𝑢
⃗ +𝑑𝑢 ⃗ Distributiva
9) 𝑐( 𝑑𝑢
⃗ ) = (𝑐𝑑) 𝑢
⃗ Asociativa
10) ⃗)=𝑢
1(𝑢 ⃗ Idéntico escalar

Aclaramos que puede haber espacios vectoriales complejos, utilizando números complejos en lugar de números
reales.
Es importante hacer notar que un espacio vectorial consta de:
- Un conjunto de vectores
- Un conjunto de escalares
- Dos operaciones
Los vectores en 𝑅 𝑛 se pueden escribir como indistintamente como vectores renglón o vectores columna.
Para determinar si un conjunto es un espacio vectorial tenemos que verificar los 10 axiomas, pero con uno que
no se cumpla no es un espacio vectorial.
Pero se verifican primero los que no son obvios.
Ejemplo
Determine si los siguientes conjuntos son espacios vectoriales.
1) Sea 𝑉 = {0}
Es decir, 𝑉 consiste solos el número cero.
Como 0 + 0 = 0 + (0 + 0) = (0 + 0) + 0 = 1 ∙ 0 = 0 vemos que se cumplen los 10 axiomas
Entonces es un espacio vectorial y recibe el nombre de espacio vectorial trivial.
2) Sea 𝑉 = {1}
Es decir, 𝑉 consiste solos el número uno.
Como 1 + 1 = 2 vemos que no está en 𝑉, no cumple con el axioma 1) de cerradura
Entonces no es un espacio vectorial.
3
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

3) Sea 𝑉 = {(𝑥, 𝑦): 𝑦 = 2𝑥 + 1, 𝑥 ∈ 𝑅}

Es decir, 𝑉 consiste en todos los puntos que están sobre la recta 𝑦 = 2𝑥 + 1
Consideramos 𝑢 ⃗ = (𝑥1, 2𝑥1 + 1) y 𝑣 = (𝑥2, 2𝑥2 + 1) están en 𝑉
Entonces 𝑢⃗ + 𝑣 = (𝑥1, 2𝑥1 + 1) + (𝑥2, 2𝑥2 + 1) = (𝑥1 + 𝑥2 , 2𝑥1 + 1 + 2𝑥2 + 1)
= (𝑥1 + 𝑥2 , 2𝑥1 + 2𝑥2 + 2) = (𝑥1 + 𝑥2 , 2(𝑥1 + 𝑥2 ) + 2)
Si consideramos 𝑥3 = 𝑥1 + 𝑥2
Sustituyendo 𝑢 ⃗ + 𝑣 = (𝑥3 , 2𝑥3 + 2) vemos que no está el espacio vectorial.
Concluimos que no es un espacio vectorial.
Nota.
Una forma sencilla de comprobar que 𝑉 no es un espacio vectorial es observar que el vector
⃗0 = (0,0) no se encuentra en 𝑉.
Porque si sustituimos en 𝑦 = 2𝑥 + 1 tenemos 0 ≠ 2 ∙ 0 + 1 = 0 + 1 = 1

4
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

4.2 Definición de subespacio vectorial y sus propiedades

Definición Un subconjunto no vacío 𝑊 de un espacio vectorial 𝑉 se denomina SUBESPACIO VECTORIAL
de 𝑉 si 𝑊 es un espacio vectorial bajo las operaciones de SUMA y PRODUCTO ESCALAR
Subespacio
definidas en 𝑉
vectorial
Es claro decir que si 𝑊 es un espacio vectorial, entonces las dos reglas de cerradura deben cumplirse. De lo
contrario, para demostrar que 𝑊 es un espacio vectorial, deben demostrarse los 10 axiomas.
Teorema 1 Si 𝑊 es un subconjunto NO VACÍO de un espacio vectorial 𝑉, entonces 𝑊 es un
espacio vectorial si y sólo si se cumplen las siguientes condiciones:
Prueba para un
Subespacio i) Si 𝒖 y 𝒗 están en 𝑊, entonces 𝒖 + 𝒗 está en 𝑊
vectorial ii) Si 𝒖 está en 𝑊 y 𝑐 es un escalar CUALQUIERA, entonces 𝑐𝒖 está en 𝑊
Este teorema nos permite probar si 𝑊 es o no un subespacio vectorial de 𝑉, y algo importante es considerar que
“Todo subespacio vectorial 𝑊 de un espacio vectorial 𝑉 contiene al 0 (cero)”
Esto nos permite decir que si un conjunto 𝑊 no contiene al cero (vector) entonces no es un subespacio vectorial
de 𝑉
Nota: cuando decimos que la operación es cerrada es porque tiene la forma del conjunto que se proporciona.

Ejemplo. Sea 𝑊 = 𝑁 (conjunto de los números naturales) determina si 𝑊 es un subespacio del espacio vectorial
𝑉=𝑅
Aplicando el Teorema 1 probaremos si es un subespacio vectorial
a) 𝒖 + 𝒗 = 𝒖 + 𝒗 ∈ 𝑁 (si sumamos dos números naturales da como resultado un núm. natural)
b) 𝑐𝒖 ∉ 𝑁 (si consideramos el escalar -1, tenemos −1𝒖 = −𝒖 ∉ 𝑁)
Por lo tanto 𝑊 no es un subespacio vectorial

Ejemplo. Sea 𝑊 el conjunto de vectores de la forma (𝑎, 𝑎2 , 𝑏) determina si 𝑊 es un subespacio vectorial de 𝑉 =

𝑅3
Observamos que la segunda componente es el cuadrado de la primera.
Aplicando el Teorema 1 probaremos si es un subespacio vectorial
Si consideramos los vectores 𝒖 = (𝑎, 𝑎2 , 𝑏) y 𝒗 = (𝑐, 𝑐 2 , 𝑑)
a) 𝒖 + 𝒗 = (𝑎, 𝑎2 , 𝑏) + (𝑐, 𝑐 2 , 𝑑) = (𝑎 + 𝑐, 𝑎2 + 𝑐 2 , 𝑏 + 𝑑)

Como vemos la segunda componente es: 𝑎2 + 𝑐 2 ≠ (𝑎 + 𝑐)2

5

Por lo tanto 𝑊 no es un subespacio vectorial

Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejemplo. Sea el conjunto 𝑊 = {(𝑥, 𝑦)|𝑦 = 𝑚𝑥, 𝑝𝑎𝑟𝑎 𝑚 ∈ 𝑅} determina si es un subespacio vectorial de R2
Solución
El conjunto W esta definido de la forma W = {(𝑥, 𝑚𝑥)|𝑚 ∈ R} y lo primero que nos preguntamos es:
¿Contiene al cero en 𝑅 2?
La respuesta es SI, es decir si 𝑥 = 0 se tiene al vector 𝟎 = (0,0) (lo negrito es por la representación de vector)
Aplicando el Teorema probaremos si es un subespacio vectorial
i) Sean 𝒖 = (𝑥1 , 𝑚𝑥1 ) y 𝒗 = (𝑥2 , 𝑚𝑥2 ) entonces:
𝒖 + 𝒗 = (𝑥1 , 𝑚𝑥1 ) + (𝑥2 , 𝑚𝑥2 ) = (𝑥1 + 𝑥2 , 𝑚𝑥1 + 𝑚𝑥2 ) = (𝑥1 + 𝑥2 , 𝑚(𝑥1 + 𝑥2 ))
𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑛𝑑𝑜 𝑥1 + 𝑥2 = 𝑥3 , 𝒖 + 𝒗 = (𝒙𝟑 , 𝒎𝒙𝟑 ) que está en 𝑊
ii) 𝑐𝒖 = 𝑐(𝑥, 𝑚𝑥) = (𝑐𝑥, 𝑐𝑚𝑥) = (𝑐𝑥, 𝑚(𝑐𝑥))
Considerando que 𝑐𝑥 = 𝑥4 se tiene que (𝑥1 , 𝑚𝑥1 )
𝑐𝒖 = (𝑥4 , 𝑚𝑥4 ) que está en 𝑊
Por lo tanto 𝑊 es un subespacio vectorial
Nota: cuando decimos que la operación es cerrada es porque tiene la forma del conjunto que nos dan, que en
este caso es (𝑥, 𝑚𝑥)
𝑎 𝑎+1
Ejemplo. Sea 𝑊 el conjunto de todas las matrices de 2x2 de la forma [ ] determina si es un subespacio
0 𝑏
de 𝑀2𝑋2
¿Contiene la matriz cero?
La respuesta es no.

Aplicando el Teorema 1 probaremos si es un subespacio vectorial

𝑎 𝑎+1 𝑐 𝑐+1
Si consideramos [ ]y[ ]
0 𝑏 0 𝑑
𝑎 𝑎+1 𝑐 𝑐+1 𝑎+𝑐 𝑎+1+𝑐+1 𝑎+𝑐 𝑎+𝑐+2
a) 𝒖 + 𝒗 = [ ]+[ ]= [ ] =[ ]∉𝑊
0 𝑏 0 𝑑 0 𝑏+𝑑 0 𝑏+𝑑

Por lo tanto 𝑊 no es un subespacio vectorial

Nota: cuando decimos que la operación es cerrada es porque tiene la forma del conjunto que nos dan, que en
𝑎 𝑎+1
este caso la forma es [ ]
0 𝑏
Ejemplo. Determina si el conjunto de matrices W = {𝐴𝑛 ∈ 𝑀𝑛𝑥𝑛 : 𝐴 𝑒𝑠 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑏𝑙𝑒} es un subespacio vectorial
Solución
En este caso las matrices An son cuadradas de orden n cuya característica es que son invertibles.
6

¿Contienen al cero?... La respuesta en NO, porque la matriz cero no tiene inversa

Página

Por lo tanto el conjunto W no es un subespacio vectorial de la matrices cuadradas de orden 𝑛

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

1
Ejemplo. Si 𝑓 es el conjunto de funciones continuas en el intervalo [0,1] entonces ∫0 𝑓(𝑥)𝑑𝑥 existe.
1
Sea W = {𝑓 ∈ 𝐶[0,1]| ∫0 𝑓(𝑥)𝑑𝑥 = 0}, determina si W es un subespacio vectorial.

Solución
1
En este ejemplo los vectores son las funciones continuas f tales que ∫0 𝑓(𝑥)𝑑𝑥 = 0

¿Contiene al cero?... La respuesta es SI

Entonces aplicando el teorema se tiene:
i) Sean 𝑓1 y 𝑓2 elementos de 𝑊, entonces:
1 1 1
∫0 (𝑓1 (𝑥) + 𝑓2 (𝑥))𝑑𝑥 = ∫0 𝑓1 (𝑥)𝑑𝑥 + ∫0 𝑓2 (𝑥)𝑑𝑥 = 0 + 0 = 0 que está en 𝑊
1 1
ii) Para cualquier 𝑐 se tiene ∫0 𝑐𝑓(𝑥)𝑑𝑥 = 𝑐 ∫0 𝑓(𝑥)𝑑𝑥 = 𝑐(0) = 0 que está en 𝑊
Por lo tanto 𝑊 es un espacio vectorial

Teorema 2 Si 𝑈 y 𝑊 son subespacios vectoriales de 𝑉, entonces la intersección 𝑈 ∩ 𝑊 es

también un subespacio vectorial.
La intersección
de dos
subespacios es
un subespacio
Demostración 𝑈 ∩ 𝑊 es un conjunto no vacío porque contiene al cero vector (0)
i) Si 𝒙𝟏 , 𝒙𝟐 ∈ 𝑈 ∩ 𝑊 entonces 𝒙𝟏 + 𝒙𝟐 ∈ 𝑈 y 𝒙𝟏 + 𝒙𝟐 ∈ 𝑊, esto significa
que 𝒙𝟏 + 𝒙𝟐 ∈ 𝑈 ∩ 𝑊
ii) Si 𝑐𝒙𝟏 ∈ 𝑈 ∩ 𝑊, se cumple que 𝑐𝒙𝟏 ∈ 𝑈 y 𝑐𝒙𝟏 ∈ 𝑊, lo que significa que
𝑐𝒙𝟏 ∈ 𝑈 ∩ 𝑊
Por lo tanto la intersección 𝑈 ∩ 𝑊 es un subespacio vectorial

Para apoyarte en la comprensión del tema te pido veas los videos, son breves y considero que te pueden apoyar.
https://youtu.be/PYjghaxm6UY?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS

https://youtu.be/gMGqZeT8FNA?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS

https://youtu.be/02xXAIxQnsg?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS

https://youtu.be/LyicddfsJUA?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS

https://youtu.be/bM-_gs3bgAI?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS
7

https://youtu.be/6gnmu1Xkc2c?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS
Página

https://youtu.be/JLMUL2txrKI?list=PLCY1BPxILEJU7wXSqv3QfwiYFJk9zodWS
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
1. Indica si el enunciado es verdadero (V) o falso (F)
( ) El conjunto de vectores de la forma (𝒙, 𝒚, 𝟎) es un subespacio vectorial de 𝑹𝟑
( ) El conjunto de matrices diagonales 𝟑𝒙𝟑 es un subespacio de 𝑴𝟑𝒙𝟑
( ) Si 𝑾 es un subespacio de las matrices 𝑴 , entonces [𝟎 𝟎] debe estar en 𝑾
𝟐𝒙𝟐
𝟎 𝟎
( ) Si 𝑼 = {(𝒙, 𝒚, 𝒛)|𝟐𝒙 + 𝟑𝒚 − 𝒛 = 𝟎} 𝒚 𝑾 = {(𝒙, 𝒚, 𝒛)| − 𝒙 + 𝟒𝒚 − 𝒛 = 𝟎} entonces 𝑼 ∪ 𝑾
es un subespacio vectorial de 𝑹𝟑
( ) El conjunto de polinomios de grado 2 es un espacio vectorial de 𝑷𝟑

2. Determina si el subconjunto 𝑾 dado del espacio vectorial V es un subespacio vectorial

a. 𝑾 = {(𝒙, 𝒚)|𝒙 ≥ 𝟎} donde 𝑽 = 𝑹𝟐
b. 𝑾 = {(𝒙, 𝒚)|𝒙 = 𝟐𝒚} donde 𝑽 = 𝑹𝟐
𝒂 𝒃
c. 𝑾 = {𝑨 ∈ 𝑴𝟐𝒙𝟐 : 𝑨 = [ ]} donde 𝑽 = 𝑴𝟐𝒙𝟐
−𝒃 𝒄
d. 𝑾 = {𝒑 ∈ 𝑷𝒏 : 𝒑(𝟎) = 𝟎} donde 𝑽 = 𝑷𝒏
e. 𝑾 = {𝒇 ∈ 𝑪[𝟎, 𝟏]: 𝒇(𝟎) = 𝒇(𝟏) = 𝟎} donde 𝑽 = 𝑪[𝟎, 𝟏]
3. Sea 𝑨 una matriz de orden 𝒏𝒙𝒎 y sea 𝑾 = {𝒙 ∈ 𝑹𝒎 : 𝑨𝒙 = 𝟎}, demuestra que 𝑾 es un subespacio
de 𝑹𝒎

8
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

4.3 Combinación lineal

Definición Sean 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 vectores de un espacio vectorial de 𝑉. Entonces cualquier vector de la
forma
Combinación
lineal 𝑎1 𝑣1 + 𝑎2 𝑣2 + 𝑎3 𝑣3 + ⋯ + 𝑎𝑛 𝑣𝑛
donde 𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 son escalares
se denomina una COMBINACIÓN LINEAL de los vectores 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏

Hablar de una combinación lineal significa que un vector es el resultado de otros vectores al realizar
𝑎1 𝑣1 + 𝑎2 𝑣2 + 𝑎3 𝑣3 + ⋯ + 𝑎𝑛 𝑣𝑛
Ejemplo. el vector 𝒖 = (3,4,5) es una combinación lineal del conjunto {(1,0,0), (0,1,0), (0,0,1)} porque
(3,4,5) = 𝑎1 (1,0,0) + 𝑎2 (0,1,0) + 𝑎3 (0,0,1)
donde al realizar las operaciones del lado derecho,
(3,4,5) = (𝑎1 , 𝑎2 , 𝑎3 )
y por igualdad se tiene que:
𝑎1 = 3 𝑎2 = 4 𝑎3 = 5
es decir
(3,4,5) = 3(1,0,0) + 4(0,1,0) + 5(0,0,1)
Ver videos:

https://youtu.be/YmVywFtVtn4?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/EkNmDCEPot4?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/N0a7w7SH03U?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. Determina si el vector 𝒗 = (−3,15,18) es una combinación lineal de los vectores de

𝑆 = {(2,0,7), (2,4,5), (2, −12,13)}
Por la definición planteamos 𝒗 como
(−3,15,18) = 𝑎1 (2,0,7) + 𝑎2 (2,4,5) + 𝑎3 (2, −12,13)
Realizando las operaciones del lado derecho
(−3,15,18) = (2𝑎1 + 2𝑎2 + 2𝑎3 , 4𝑎2 − 12𝑎3 , 7𝑎1 + 5𝑎2 + 13𝑎3 )
por igualdad de vectores se genera el sistema
−3 = 2𝑎1 + 2𝑎2 + 2𝑎3
15 = 4𝑎2 − 12𝑎3
9
Página

18 = 7𝑎1 + 5𝑎2 + 13𝑎3

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

al resolver el SEL se tiene

Como el SEL no tiene solución concluimos que 𝒗 no es combinación lineal de 𝑺

Definición Se dice que los vectores 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 de un espacio vectorial de 𝑉 GENERAN a 𝑉 si TODO

vector de 𝑉 se puede escribir como una combinación lineal de los vectores, es decir para todo
Conjunto
𝒗 ∈ 𝑉 EXISTEN escalares 𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 tales que
generador
𝒗 = 𝑎1 𝒗𝟏 + 𝑎2 𝒗𝟐 + 𝑎3 𝒗𝟑 + ⋯ + 𝑎𝑛 𝒗𝒏

Definición Sean 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒌 𝑘 vectores de un espacio vectorial 𝑉. El ESPACIO GENERADO por

{𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒌 } es el conjunto de combinaciones lineales de 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒌 , es decir,
Generador
de Conjunto 𝒈𝒆𝒏{𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒌 } = {𝒗: 𝒗 = 𝑎1 𝒗𝟏 + 𝑎2 𝒗𝟐 + 𝑎3 𝒗𝟑 + ⋯ + 𝑎𝑛 𝒗𝒏 }

Ver video de generador: https://youtu.be/RxvMTzUL9QA?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. Los vectores 𝑆 = {(1,0,0), (0,1,0), (0,0,1)} generan a 𝑅 3 porque cualquier vector se puede expresar
como la combinación lineal de 𝑆, es decir
(𝑥, 𝑦, 𝑧) = 𝑎1 (1,0,0) + 𝑎2 (0,1,0) + 𝑎3 (0,0,1)
haciendo las operaciones de la derecha
(𝑥, 𝑦, 𝑧) = (𝑎1 , 𝑎2 , 𝑎3 )
lo que nos señala que 𝑥 = 𝑎1 𝑦 = 𝑎2 𝑦 𝑧 = 𝑎3
por lo tanto S es generador de 𝑅 3

Ejemplo. Sea el conjunto en 𝑅 2, dado por 𝑆 = {(1,1), (2,1)} ¿es generador?

Para ello utilizamos la definición, si 𝑆 genera a 𝑅 2 entonces cualquier vector se puede expresar como la
combinación lineal de 𝑆, esto es
(𝑥, 𝑦) = 𝑎1 (1,1) + 𝑎2 (2,1)
10
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

resolviendo
(𝑥, 𝑦) = (𝑎1 + 2𝑎2 , 𝑎1 + 𝑎2 ) → 𝑥 = 𝑎1 + 2𝑎2 𝑦 = 𝑎1 + 𝑎2
1 2 𝑥 1 2 𝑥 1 0 𝑥 − 2(𝑥 − 𝑦) 1 0 −𝑥 + 2𝑦
[ | 𝑦] ~ [ | 𝑦 − 𝑥] ~ [ | ]~[ | ]
1 1 0 −1 0 1 𝑥−𝑦 0 1 𝑥−𝑦
la solución es:
𝑎1 = −𝑥 + 2𝑦 𝑎2 = 𝑥 − 𝑦
Por lo tanto existen escalares 𝑎1 𝑦 𝑎2 para valores de 𝑥, 𝑦, por lo tanto 𝑆 es generador de 𝑅 2
Si al momento de resolver el sistema de ecuaciones no se tiene solución se concluye que no es generador del
espacio correspondiente.
Ver: https://youtu.be/_m4J-Fondu4?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Nota:
Recordemos que solo queremos determinar si se puede escribir como una combinación lineal, por lo que el
problema se reduce a determinar si el sistema es consistente, como vemos es un sistema cuadrado 𝐴𝑥 = 𝑏.
Por lo que solo necesitamos encontrar el determinante de la matriz de coeficientes.
1 2
Entonces | | = 1 − 2 = −1 como el determinante es |𝐴| ≠ 0 ,tiene sol. única.
1 1
Y cualquier vector en 𝑅 2 se pude expresar como una combinación lineal de los vectores (1,1) y (2,1)
Ejemplo
Determine si la función ℎ(𝑥) = 6𝑥 2 − 10𝑥 + 5 pertenece al espacio generado por las funciones 𝑓(𝑥) = 2𝑥 +
2 y 𝑔(𝑥) = 2𝑥 2 − 2𝑥 + 3
Entonces ℎ estará en el espacio generado por 𝑓 y 𝑔 , si existen escalares para que se pueda escribir la
combinación lineal.
6𝑥 2 − 10𝑥 + 5 = 𝑐1 (2𝑥 + 2) + 𝑐2 (2𝑥 2 − 2𝑥 + 3)

= (2𝑐1 𝑥 + 2𝑐1 ) + (𝑐2 2𝑥 2 − 2𝑐2 𝑥 + 3𝑐2 )

= 2𝑐2 𝑥 2 + (2𝑐1 − 2𝑐2 )𝑥 + (2𝑐1 + 3𝑐2 )
Tenemos
2𝑐2 = 6 ⟹ 𝑐2 = 3
2𝑐1 − 2𝑐2 = −10 ⟹ 𝑐1 = −2
2𝑐1 + 3𝑐2 = 5
11
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Como existen los escalares 𝑐1 = −2 y 𝑐2 = 3 , podemos escribir la combinación lineal

6𝑥 2 − 10𝑥 + 5 = −2(2𝑥 + 2) + 3(2𝑥 2 − 2𝑥 + 3)

Por lo tanto, función ℎ(𝑥) = 6𝑥 2 − 10𝑥 + 5 se encuentra en el espacio generado por las funciones 𝑓(𝑥) =
2𝑥 + 2 y 𝑔(𝑥) = 2𝑥 2 − 2𝑥 + 3

Algunos generadores conocidos de espacios vectoriales

{(1,0,0, … 0), (0,1,0, … 0), … , (0,0,0, … ,1)} genera a 𝑅 𝑛

{1, 𝑥, 𝑥 2 , … , 𝑥 𝑛 } genera a 𝑃𝑛
{𝐴1×1 , 𝐴1×2 , 𝐴1×3 , … , 𝐴𝑚×𝑛 } genera a 𝑀𝑚×𝑛

Videos de apoyo:

https://youtu.be/nPFZ38ZAtyw?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/I40h30uqStE?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/i2fzS1VzSrk?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

12
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
1. ¿Cuáles de los siguientes pares de vectores no pueden generar 𝑹𝟐 ?
a. {(𝟏, 𝟏), (−𝟒, −𝟒)}
b. {(𝟏, −𝟏), (−𝟏, 𝟏)}
c. {(𝟏, 𝟐), (𝟎, 𝟎)}
2. ¿Cuáles de los siguientes conjuntos de polinomios generan a 𝑷𝟐 ?
a. {𝟏, 𝒙𝟐 }
b. {𝟏 + 𝟐𝒙, 𝒙𝟐 }
c. {𝟏, 𝟏 + 𝒙, 𝟏 + 𝒙𝟐 }
3. Determina si el conjunto dado genera al espacio vectorial
a. 𝑺 = {(𝟏, 𝟐), (𝟑, 𝟔)} 𝒂 𝑹𝟐
b. 𝑺 = {(𝟏, 𝟏, 𝟏), (𝟎, 𝟏, 𝟏), (𝟎, 𝟎, 𝟏)} 𝒂 𝑹𝟑
c. 𝑺 = {𝟏 − 𝒙, 𝟑 − 𝒙𝟐 } 𝒂 𝑷𝟐
𝟏 𝟎 𝟏 𝟐 𝟒 −𝟏 −𝟐 𝟓
d. 𝑺 = {[ ],[ ],[ ],[ ]} 𝒂 𝑴𝟐𝒙𝟐
𝟏 𝟎 𝟎 𝟎 𝟑 𝟎 𝟔 𝟎
4. Demuestra que dos polinomios de grado menor o igual a dos, no pueden generar a 𝑷𝟐

Videos de apoyo:

https://youtu.be/nPFZ38ZAtyw?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/I40h30uqStE?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/i2fzS1VzSrk?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

13
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Independencia lineal
Definición Sean 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 n vectores del espacio vectorial de 𝑉 , entonces se dice que los
vectores son LINEALMENTE DEPENDIENTES (LD) si existen 𝑛 escalares 𝑐1 , 𝑐2 , 𝑐3 , … , 𝑐𝑛 NO
Dependencia e
todos cero, tales que
independencia
lineal 𝑐1 𝒗𝟏 + 𝑐2 𝒗𝟐 + 𝑐3 𝒗𝟑 + ⋯ + 𝑐𝑛 𝒗𝒏 = 𝟎
Si los vectores no son linealmente dependientes, se dice que son LINEALMENTE
INDEPENDIENTES (LI).
Al observar la definición. se debe plantear la combinación lineal de los vectores e igualarla al cero del espacio
vectorial que se esté trabajando, se generará un SEL homogéneo, es decir las ecuaciones están igualadas a cero
y si:
- Si el sistema que se genera sólo admite la solución trivial, es decir todos los escalares son cero, el
conjunto es linealmente independiente
- Si el sistema que se genera tiene soluciones múltiples, el conjunto es linealmente dependiente
Ver: https://youtu.be/Js3GxVJl5xE?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. Determina si los vectores 𝑆 = {(1, −3,4), (4, −4,0), (0,1,5)} son LD o LI
Solución
Lo que hacemos es aplicar la definición, por ello establecemos la combinación lineal de los vectores y la igualamos
al cero de 𝑅 3, esto es:
𝑐1 (1, −3,4) + 𝑐2 (4, −4,0) + 𝑐3 (0,1,5) = (0,0,0)
obteniendo,
(𝑐1 + 4𝑐2 , −3𝑐1 − 4𝑐2 + 𝑐3 , 4𝑐1 + 5𝑐3 ) = (0,0,0)
𝑐1 + 4𝑐2 = 0
−3𝑐1 − 4𝑐2 + 𝑐3 = 0
4𝑐1 + 5𝑐3 = 0
Al resolver el SEL-Homogéneo
14
Página

como la solución es que todos los escalares son cero, entonces el conjunto es LI
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

1 3 −1 2 −1 1
Ejemplo. En las matrices 𝑀3𝑥2 , indica si el conjunto 𝑆 = {[0 2] , [ 1 0] , [ 0 2]} es LI o LD
3 1 3 3 1 1
Solución
Aplicando la definición
1 3 −1 2 −1 1 0 0
𝑐1 [0 2] + 𝑐2 [ 1 0] + 𝑐3 [ 0 2] = [0 0]
3 1 3 3 1 1 0 0
obteniendo,
𝑐1 − 𝑐2 − 𝑐3 3𝑐1 + 2𝑐2 + 𝑐3 0 0
[ 𝑐2 2𝑐1 + 2𝑐3 ] = [0 0]
3𝑐1 + 3𝑐2 + 𝑐3 𝑐1 + 3𝑐2 + 𝑐3 0 0
Generándose el SEL-H
𝑐1 − 𝑐2 − 𝑐3 = 0
3𝑐1 + 2𝑐2 + 𝑐3 = 0
𝑐2 = 0
2𝑐1 + 2𝑐3 = 0
3𝑐1 + 3𝑐2 + 𝑐3 = 0
𝑐1 + 3𝑐2 + 𝑐3 = 0
Al resolverlo se tiene que 𝑐1 = 𝑐2 = 𝑐3 = 0, por lo tanto el conjunto de matrices es LI
Ejemplo. Determina si el conjunto de polinomios 𝑆 = {𝑥 − 6𝑥 2 , 4𝑥 − 2, 6𝑥 2 + 3𝑥 − 2} son LD o LI
Solución
Primero vamos a ordenar el conjunto S para que nos quede muy claro el planteamiento,
𝑆 = {−6𝑥 2 + 𝑥 + 0, 0𝑥 2 + 4𝑥 − 2, 6𝑥 2 + 3𝑥 − 2}
Aplicando la definición se tiene
𝑐1 (−6𝑥 2 + 𝑥 + 0) + 𝑐2 ( 0𝑥 2 + 4𝑥 − 2) + 𝑐3 ( 6𝑥 2 + 3𝑥 − 2) = 0𝑥 2 + 0𝑥 + 0
obteniendo,
(−6𝑐1 + 6𝑐3 )𝑥 2 + (𝑐1 + 4𝑐2 + 3𝑐3 )𝑥 + (−2𝑐2 − 2𝑐3 ) = 0𝑥 2 + 0𝑥 + 0
−6𝑐1 + 6𝑐3 = 0
𝑐1 + 4𝑐2 + 3𝑐3 = 0
−2𝑐2 − 2𝑐3 = 0
que al resolverse se tiene
15
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Por lo tanto, como tiene soluciones múltiples el conjunto de polinomios es LD, lo que significa que al menos
uno de los polinomios es el resultado de la combinación lineal de los otros, por eso se dice dependiente.

Videos de apoyo:

https://youtu.be/tIukVYCVhho?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/HMBnE20vEVg?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/zi8ZRAlR1PY?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Como hemos visto, para determinar si un conjunto es linealmente dependiente o independiente aplicamos el
método de Gauss-Jordan.
Sin embargo, a veces podemos determinar a simple vista sin necesidad de usar el método Gauss-Jordan si el
conjunto es LD o LI revisando los siguientes teoremas

Los siguientes teoremas serán de gran utilidad

Teorema 1 Un conjunto de 𝑛 vectores en 𝑅 𝑚 es siempre linealmente dependiente si 𝑛 > 𝑚
Dependencia
Corolario Un conjunto de vectores linealmente independientes en 𝑅 𝑛 contiene a lo más 𝑛
vectores

Teorema 2 Si 𝐴 es una matriz 𝑛𝑥𝑛. Entonces las siguientes afirmaciones son equivalentes, es
decir, cada uno implica a las demás
1. 𝐴 es invertible
2. La única solución del sistema 𝐴𝒙 = 𝟎 es la solución trivial (𝒙 = 𝟎)
3. El sistema 𝐴𝒙 = 𝒃 tiene solución única
4. 𝐴 es equivalente por renglones a la matriz identidad 𝐼𝑛
5. 𝐴 es el producto de matrices elementales
6. La forma escalonada por renglones de 𝐴 tiene 𝑛 pivotes
7. det(𝐴) ≠ 0
8. Las columnas (renglones) de A son linealmente independientes
Teorema 3 Cualquier conjunto de n vectores linealmente independientes en 𝑅 𝑛 genera 𝑅 𝑛
16
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Para el caso de tener funciones podemos aplicar el Wronskiano para determinar si el conjunto de funciones es
LD o LI.

Sea un conjunto de funciones 𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 con 𝑓𝑖 ∈ 𝐶 (𝑛−1) (𝐼) 𝑝𝑎𝑟𝑎 𝑖 = 1, . . , 𝑛, esto es las funciones
pertenecen al conjunto de funciones continuas y derivables en orden 𝑛 − 1, se define el Wronskiano como,

Teorema 4 Supongamos que {𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 } es un conjunto de funciones pertenecientes a

𝐶 (𝑛−1) (𝐼) tal que para algún 𝑥0 ∈ 𝐼, 𝑊(𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 )(𝑥0 ) ≠ 0. Entonces
{𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 } es linealmente independiente.
Corolario Si el 𝑊(𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 )(𝑥) = 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥, entonces el conjunto {𝑓1 , 𝑓2 , 𝑓3 , … , 𝑓𝑛 }
es linealmente dependiente.

Ver

https://youtu.be/7cp-9PwMXpk?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/zhJhWdlQawU?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/yt2LaWyP_Io?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. Explique por qué los siguientes conjuntos de vectores son LD (resuelva a simple vista)
1) 𝑆 = {(1,2), (2,4)} en 𝑅 2
Vemos que: (2,4) = 2(1,2) uno es un múltiplo escalar del otro es LD
2) 𝑃 = 2 + 3𝑥 − 𝑥 2 𝑦 𝑄 = 6 + 9𝑥 − 3𝑥 2 en 𝑃2
Vemos que: 𝑃 = 3𝑄 uno es un múltiplo escalar del otro es LD
3) 𝑆 = {(1,2), (0,0)} en 𝑅 2
Vemos que: contiene el vector cero 0 es LD
17
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejemplo. Consideremos el vector (4, −1,0) y veremos si se puede expresar como una combinación lineal de los
vectores (2,1,3) y (0,1,2)
Entonces:
(4, −1,0) = 𝑐1 (2,1,3) + 𝑐2 (0,1,2)
haciendo las operaciones de la derecha
= (2𝑐1 , 𝑐1 + 𝑐2 , 3𝑐1 + 2𝑐2 )

Tenemos:
2𝑐1 = 4 ⟹ 𝑐1 = 2 y 𝑐2 = −3
𝑐1 + 𝑐2 = −1
3𝑐1 + 2𝑐2 = 0

Podemos escribir la combinación lineal

(4, −1,0) = 2(2,1,3) − 3(0,1,2)
Pero también podemos escribir, despejando de la ecuación vectorial anterior
1 3
(2,1,3) = (4, −1,0) + (0,1,2)
2 2
2 1
(0,1,2) = (2,1,3) − (4, −1,3)
3 3
y vemos que cada uno de los vectores se puede escribir en términos de los otros vectores.
Inclusive se puede escribir como:
(4, −1,0) − 2(2,1,3 + 3(0,1,2) = 𝟎
Observamos que 𝑐1 = 1 , 𝑐2 = −2 y 𝑐3 = 3
Por lo tanto, los vectores son LD

Ejemplo. Determina si el conjunto de funciones 𝑆 = {−𝑥, 𝑥 2 − 6𝑥, 3𝑥 + 7𝑥 2 } es LD o LI

Solución
Aplicando el Wronskiano, en el primer renglón colocamos a las funciones, el segundo renglón corresponde a la
primera derivada de cada función, y el tercer renglón será la segunda derivada de cada función
−𝑥 𝑥 2 − 6𝑥 3𝑥 + 7𝑥 2
18

𝑊 = |−1 2𝑥 − 6 3 + 14𝑥 | = 0
Página

0 2 14
por lo tanto, el conjunto de funciones es LD.
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejemplo. Determina si el conjunto de funciones 𝑆 = {1 − 𝑥, 𝑒 𝑥 , 𝑒 −𝑥 } es LD o LI

Solución
Aplicando el Wronskiano, en el primer renglón colocamos a las funciones, el segundo renglón corresponde a la
primera derivada de cada función, y el tercer renglón será la segunda derivada de cada función
1−𝑥 𝑒𝑥 𝑒 −𝑥 1−𝑥 1 1
−𝑥 | = 𝑒 𝑥 𝑒 −𝑥 | −1
𝑊 = | −1 𝑒𝑥 −𝑒 1 −1| = 2 − 2𝑥
0 𝑒𝑥 𝑒 −𝑥 0 1 1
el resultado del Wronskiano es 2 − 2𝑥 el cual es diferente de cero para 𝑥 ≠ 1, por lo tanto, el conjunto de
funciones es LI.
Propiedades de la dependencia e independencia lineal
1. Si el conjunto 𝑆 de vectores incluye al vector cero, entonces el conjunto es LD
2. Si el conjunto 𝑆 de vectores es LD, entonces al menos uno de ellos es combinación lineal de los otros
3. Si el conjunto 𝑆 de vectores es LD, entonces al agregarle otro vector a 𝑆, seguirá siendo LD
https://youtu.be/lHqHRm7Aj1M?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K
https://youtu.be/CW5RDPqiywE?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K
https://youtu.be/BJemZvMurHA?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

19
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
̅𝟏 = (𝟏 − 𝒌, 𝒌 + 𝟏) y 𝒗
1. Si 𝒗 ̅𝟐 = (𝟏 + 𝒌, 𝟏 − 𝒌), determina los valores de 𝒌 para los cuales 𝒗 ̅𝟏 𝒚 𝒗̅𝟐 sean
linealmente independientes
2. Determina el valor de 𝒉 para que el conjunto de vectores de 𝑹𝟑 , {(𝒉, 𝟏, 𝟎), (𝟏, 𝒉, 𝟏), (𝟎, 𝟏, 𝒉)} sea LD
3. En un espacio vectorial 𝑽 sobre el campo de los 𝑹, el conjunto 𝑬 = {𝒖 ̅ } es LI. Determina si los
̅ , ̅𝒗, 𝒘
siguientes conjuntos son LD o LI
𝑨 = {𝒖
̅+𝒗
̅, 𝟐𝒗
̅+𝒘 ̅}
̅+𝒘
̅, 𝒖
4. Determina si el conjunto de funciones es LI o LD
𝑨 = {𝟏, 𝒔𝒆𝒏𝒙, 𝒄𝒐𝒔𝒙}

20
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

4.4 Base y dimensión de un espacio vectorial

Definición Un conjunto finito de vectores{𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } es una base para un espacio vectorial 𝑉 si:
Base a. {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } es linealmente independiente
b. {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } genera a 𝑽
Definición Si el espacio vectorial V tiene una base con un número finito de elementos, entonces la
dimensión de 𝑉 es el número de vectores en todas las bases y 𝑉 se denomina espacio vectorial
Dimensión
de dimensión finita. Si 𝑉 = {0} entonces se dice que la dimensión de 𝑉 es cero.
La dimensión se denota como 𝑑𝑖𝑚 𝑉
Todo conjunto de 𝑛 vectores linealmente independientes en 𝑅 𝑛 es una base en 𝑅 𝑛
Por ejemplo para 𝑅 3 su base denominada base canónica es 𝐵 = {(1,0,0), (0,1,0), (0,0,1)}, y la dim 𝑅 3 = 3
1 0 0 1 0 0 0 0
Y para las matrices 𝑀2𝑥2, su base canónica es 𝐵 = {[ ],[ ],[ ],[ ]}, y dim 𝑀2𝑥2 = 4
0 0 0 0 1 0 0 1
Así como para los polinomios de grado menor o igual a cuatro 𝑃4 , su base canónica es 𝐵 = {1, 𝑥, 𝑥 2 , 𝑥 3 , 𝑥 4 }, y la
dim 𝑃4 = 5
https://youtu.be/RUNuXLH-PXY?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. Determina una base para el conjunto de vectores que se encuentran en 𝑊 = {(𝑎, 𝑏, 𝑎)|𝑎, 𝑏 ∈ 𝑅}
Solución
Podemos expresar al vector (𝑎, 𝑏, 𝑎) = 𝑎(1,0,1) + 𝑏(0,1,0), una combinación lineal en términos de 𝑎 y 𝑏, como
el conjunto 𝑆 = {(1,0,1), (0,1,0} es LI y genera a 𝑊, entonces 𝑆 es una base de 𝑊, cuya dimensión es dim 𝑊 = 2
https://youtu.be/jUbPrwtUDDw?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/28nqGy_K39A?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. Determina una base para el conjunto de vectores que se encuentran en

𝑃 = {(𝑥, 𝑦, 𝑧)|𝑥 + 6𝑦 − 7𝑧 = 0}, es decir el conjunto de todos los vectores (𝑥, 𝑦, 𝑧) contenidos en el plano
𝑥 + 6𝑦 − 7𝑧 = 0
Solución
Para ello tenemos que los puntos (𝑥, 𝑦, 𝑧) están relacionados por la ecuación del plano, es decir
𝑥 + 6𝑦 − 7𝑧 = 0
Imagínate que tenemos que resolver la ecuación (si sólo una ecuación), ¿qué nos quedaría? Al despejar la 𝑥 seria
𝑥 = −6𝑦 + 7𝑧, y la forma de la solución es
𝑥 −6𝑦 + 7𝑧 −6 7
(𝑦 ) = ( 𝑦 ) = 𝑦 ( 1 ) + 𝑧 (0)
𝑧 𝑧 0 1
21

−6 7
lo cual muestra que {( 1 ) , (0)} generan a 𝑃, y son LI (porque uno no es múltiplo del otro)
Página

0 1
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

−6 7
finalmente, una base del plano 𝑃 es 𝐵 = {( 1 ) , (0)} y su dimensión 𝑑𝑖𝑚𝑃 = 2
0 1
Teorema 1 Si {𝒖𝟏 , 𝒖𝟐 , 𝒖𝟑 , … , 𝒖𝒏 } y {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒎 } son bases en un espacio vectorial 𝑉,
entonces 𝒎 = 𝒏, es decir cualesquiera dos bases en un espacio vectorial 𝑉 tiene el
mismo número de vectores.
Teorema 2 Sea 𝐻 un subespacio de un espacio vectorial de dimensión finita 𝑉. entonces 𝐻 tiene
dimensión finita y
𝑑𝑖𝑚 𝐻 ≤ 𝑑𝑖𝑚𝑉
Demostración Sea la dimensión de 𝑉, 𝑑𝑖𝑚𝑉 = 𝒏, sabemos que cualquier conjunto de vectores LI
en 𝐻 lo es también en 𝑉, por ello cualquier conjunto de vectores LI en 𝐻 puede
contener a lo más 𝒏 vectores.
Si 𝐻 = {0}, entonces la 𝑑𝑖𝑚 𝐻 = 0
Si 𝑑𝑖𝑚 𝐻 ≠ 0, entonces 𝐻 ≠ {0}, sea 𝒗𝟏 ≠ 𝟎 un vector en 𝐻 y 𝐻1 = 𝑔𝑒𝑛{𝒗𝟏 }, si
𝐻1 = 𝐻, 𝑙𝑎 𝑑𝑖𝑚 𝐻 = 1 y la prueba queda completa.
Así sucesivamente se hace la comprobación de que a lo más 𝑛 vectores LI en 𝐻, y
entonces la 𝑑𝑖𝑚 𝐻 ≤ dim 𝑉
Ejemplo. Determina una base para las matrices diagonales de orden 2𝑥2
Solución
𝑎 0 𝑎 0
Las matrices diagonales de orden 2𝑥2 son 𝐷 = {[ ] : 𝑎, 𝑏 ∈ 𝑅}, por ello [ ] se puede expresar como
0 𝑏 0 𝑏
𝑎 0 1 0 0 0
[ ] = 𝑎[ ]+𝑏[ ]
0 𝑏 0 0 0 1
1 0 0 0
por ello el conjunto 𝐵 = {[ ],[ ]} es LI y genera a 𝐷, por ello es una base de 𝐷 y la 𝑑𝑖𝑚 𝐷 = 2
0 0 0 1
Ejemplo. Determina una base para el espacio solución 𝑆 del sistema de ecuaciones homogéneo
𝑥 + 2𝑦 − 𝑧 = 0
2𝑥 − 𝑦 + 3𝑧 = 0
Solución
Para generar una base del espacio solución se requiere hacer la solución, al tener dos ecuaciones y tres variables
suponemos que se puede presentar solución múltiple.
Resolviendo el SEL-H
1 2 −1 1 2 −1 1 2 −1 1 0 1
[ ]~[ ]~[ ]~[ ]
2 −1 3 0 −5 5 0 1 −1 0 1 −1
22

Por lo tanto, podemos expresar la solución como

Página

𝑥+𝑧 =0 𝑥 = −𝑧
𝑜 𝑦=𝑧
𝑦−𝑧 =0
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

como las variables 𝑥, 𝑦 dependen de 𝑧, hacemos 𝑧 = 𝑡 y tenemos

𝑥 −1
[𝑦] = 𝑡 [ 1 ]
𝑧 1
−1 −1
Quedando el conjunto solución 𝑆 = {𝑡 [ 1 ]}, siendo una base 𝑆𝐵 = {[ 1 ]} cuya dimensión es 𝑑𝑖𝑚 𝑆 = 1
1 1
Ejemplo. determina una base para el espacio solución del SEL-H
2𝑥 − 6𝑦 + 4𝑧 = 0
−𝑥 + 3𝑦 − 2𝑧 = 0
−3𝑥 + 9𝑦 − 6𝑧 = 0
Solución
Resolviendo el SEL-H, tenemos
2 −6 4 1 −3 2 1 −3 2
[−1 3 −2] ~ [−1 3 −2] ~ [0 0 0]
−3 9 −6 −3 9 −6 0 0 0
obteniendo,
𝑥 − 3𝑦 + 2𝑧 = 0 𝑜 𝑥 = 3𝑦 − 2𝑧
quedando 𝑥 en términos de 𝑦 y 𝑧, por lo tanto parametrizamos a 𝑦 =t y 𝑧 = 𝑠, lo cual representamos como
𝑥 3 −2
(𝑦) = 𝑡 (1) + 𝑠 ( 0 )
𝑧 0 1
3 −2 3 −2
Lo que representa el conjunto solución 𝑆 = {𝑡 (1) + 𝑠 ( 0 )}, siendo una base 𝑆𝐵 = {(1) , ( 0 )} cuya
0 1 0 1
dimensión es 𝑑𝑖𝑚 𝑆 = 2

Ver https://youtu.be/4WetPX7eUnU?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

23
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
1. Indica si los siguientes enunciados son verdaderos (V) o falsos (F)
( ) Cualesquiera cuatro vectores de 𝑹𝟒 constituyen una base del espacio 𝑹𝟒
( ) Tres vectores LI en 𝑹𝟑 forman una base para 𝑹𝟑
( ) Cada espacio vectorial tiene sólo una base
( ) {(𝟏, 𝟐), (𝟑, 𝟒), (𝟒, 𝟓)} es una base de 𝑹𝟐
( ) La dimensión de 𝑷𝒏 es igual a 𝒏 + 𝟏
2. Determina una base y su dimensión para
a. El conjunto de vectores en el plano 𝟗𝒙 + 𝟕𝒚 − 𝟒𝒛 = 𝟎
b. El conjunto de vectores en la recta de ecuaciones paramétricas 𝑳: 𝒙 = 𝟑𝒕, 𝒚 = 𝟔𝒕, 𝒛 = −𝒕
c. El conjunto solución 𝑺 del SEL-H
𝒙 + 𝟐𝒚 = 𝟎
−𝒙 + 𝟔𝒚 = 𝟎
d. El conjunto solución 𝑺 del SEL-H
𝒙−𝒚−𝒛=𝟎
−𝟐𝒙 + 𝒚 + 𝒛 = 𝟎
3. ¿Cuál es la dimensión del espacio de matrices diagonales de 𝒏𝒙𝒏?
4. ¿Para qué valores de 𝒂 los vectores {(𝒂, 𝟏, 𝟎), (𝟏, 𝟎, 𝒂), (𝟎, 𝟏 + 𝒂, 𝟏 − 𝒂)} constituyen una base para
𝑹𝟑

24
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Rango, nulidad, espacio de los renglones y espacio de las columnas de una matriz
Consideremos una matriz 𝐴 de 𝑚𝑥𝑛
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
𝐴 = [: : : ]
…
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛
Las 𝑛 − 𝑎𝑑𝑎𝑠 ordenadas correspondientes a los renglones de 𝐴 se denominan vectores renglón de 𝐴
𝑟1 = (𝑎11 , 𝑎12, . . . , 𝑎1𝑛)

𝑟2 = (𝑎21 , 𝑎22, . . . , 𝑎2𝑛)

:
𝑟𝑚 = (𝑎𝑚1 , 𝑎𝑚2, . . . , 𝑎𝑚𝑛)

De manera similar;
Las 𝑛 − 𝑎𝑑𝑎𝑠 ordenadas correspondientes a las columnas de 𝐴 se denominan vectores columna de 𝐴
𝑐1 , 𝑐2, . . . 𝑐𝑛

Definición Sea 𝐴 una matriz de 𝑚𝑥𝑛, sean {𝒓𝟏 , 𝒓𝟐 , 𝒓𝟑 , … , 𝒓𝒎 } los renglones de 𝐴 y {𝒄𝟏 , 𝒄𝟐 , 𝒄𝟑 , … , 𝒄𝒏 } las
columnas de 𝐴, entonces se define:
Espacio
renglón y 𝑅𝐴 : 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑛𝑔𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝐴 = 𝑔𝑒𝑛{𝒓𝟏 , 𝒓𝟐 , 𝒓𝟑 , … , 𝒓𝒎 }
espacio 𝐶𝐴 : 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 𝑑𝑒 𝐴 = 𝑔𝑒𝑛{𝒄𝟏 , 𝒄𝟐 , 𝒄𝟑 , … , 𝒄𝒏 }
columna de
una matriz 𝑅𝐴 es un subespacio de 𝑅 𝑚
𝐶𝐴 es un subespacio de 𝑅 𝑛

Ejemplo
1 2 −1 2
Consideremos la matriz 𝐴 = [3 4 1 8]
5 −4 7 0

Los vectores renglón de 𝐴 son:

𝑟1 = (1,2, −1,2), 𝑟2 = (3,4,1,8) y 𝑟3 = (5, −4,7,0) .estos vectores generan un subespacio de 𝑅 4

25
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Los vectores columna de 𝐴 son:

1 2 −1 2
𝑐1 = [3] , 𝑐2 = [ 4 ] , 𝑐3 = [ 1 ] y 𝑐4 = [8] ,estos vectores generan un subespacio de 𝑅 3
5 −4 7 0

Teorema 1 Los vectores renglón diferentes de cero de una matriz 𝐴 en la forma escalonada
constituyen una base para el espacio renglón de 𝐴
Base para un
espacio
renglón de 𝐴

Ejemplo

Determina la base del subespacio de 𝑅 3 generado por 𝑆 = {(1,2,3), (2,5,4), (1,1,5)}

Entonces la matriz 𝐴 es la matriz formada por los vectores y forman los renglones.

1 2 3 𝑣⃗⃗⃗⃗1 1 2 3 𝑤 ⃗⃗⃗⃗1
𝐴 = [2 5 4] ⃗⃗⃗⃗
𝑣2 y la escribimos en forma escalonada, entonces tenemos [0 1 −2] 𝑤
⃗⃗⃗⃗⃗2
1 1 5 𝑣⃗⃗⃗⃗3 0 0 0

Los vectores renglón diferentes de cero 𝑤

⃗⃗⃗⃗1 y 𝑤
⃗⃗⃗⃗⃗2 forman una base para el espacio renglón de 𝐴.

Es decir; forman una base del subespacio generado por 𝑆 = {𝑣

⃗⃗⃗⃗⃗1 , ⃗⃗⃗⃗⃗ 𝑣3 }
𝑣2 , ⃗⃗⃗⃗

Si queremos una base para el espacio columna de la matriz 𝐴.

Los vectores columna de la matriz 𝐴 se convierten en los renglones de la matriz 𝐴𝑡 y por lo tanto el espacio
columna de 𝐴 es el espacio renglón de 𝐴𝑡

Ejemplo

Determina la base para el espacio columna de la matriz 𝐴

1 1 0
𝐴=[ 2 3 −2]
−1 −4 6
26
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

1 2 −1
entonces 𝐴𝑡 = [1 3 −4] la escribimos en forma escalonada
0 −2 6

1 2 −1
[0 1 −3] , los vectores diferentes de cero (1,2, −1), (0,1, −3) son una base para el espacio renglón de 𝐴𝑡 .
0 0 0

1 0
Por lo tanto, el {[ 2 ] , [ 1 ]} forma una base del espacio columna de 𝐴
−1 −3

Espacio nulo
Sea 𝐴 una matriz de 𝑚𝑥𝑛, el conjunto de todas las soluciones del sistema de ecuaciones lineales homogéneo
𝐴𝒙 = 𝟎 es un subespacio de 𝑅 𝑛 llamado espacio nulo de 𝐴.
Entonces
El espacio nulo de una matriz 𝑁𝐴 = {𝒙 ∈ 𝑅 𝑛 : 𝐴𝒙 = 𝟎}, el cual es un subespacio de 𝑅 𝑛
Definición 𝑵𝑨 o 𝑵(𝑨) se denomina el espacio nulo de 𝐴
Espacio nulo y
y
𝜈(𝐴) = dim 𝑁𝐴 se denomina nulidad de A.
Nulidad
Si 𝑁𝐴 contiene sólo al vector cero entonces la nulidad de 𝐴 es cero, 𝜈(𝐴) = 0
El espacio nulo de una matriz se conoce también como kernel

Ejemplo

Determina el espacio nulo y la nulidad de la matriz 𝐴

1 2 −3
𝐴 = [2 −1 4 ]
4 3 −2

Entonces el espacio nulo de 𝐴 es la solución del sistema de ecuaciones lineales homogéneo.

27

Por lo que escribimos la matriz aumentada

Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

1 2 −3 0
𝐴 = [2 −1 4 0 ] como no cambian las operaciones de renglón, ya que la última columna
4 3 −2 0
del lado derecho es de ceros, podemos trabajar solo con 𝐴 y escribirla en forma escalonada reducida, haciendo
las operaciones tenemos:

1 0 1 𝑥1 +𝑥3 = 0 𝑥1 = −𝑡
[0 1 −2] entonces tenemos 𝑥2 −2𝑥3= 0 de donde, si parametrizamos 𝑥2 = 2𝑡
0 0 0 𝑥3 = 𝑡

𝑥1 −𝑡 −1
𝑥 = [𝑥2 ] = [ 2𝑡 ] = 𝑡 [ 2 ] por lo que una base para el espacio nulo de 𝐴 consta del vector
𝑥3 𝑡 1

−1
𝑁(𝐴) = {[ 2 ]} y la nulidad es 𝑣(𝐴) = 1
1

Ejemplo
2 −1 3
Determina el espacio nulo y la nulidad de la matriz 𝐴 = [ 4 −2 6 ]
−6 3 −9
Solución

Como sabemos la matriz 𝐴 representa la matriz de coeficientes del SEL-H, por lo tanto, resolvemos el sistema
2 −1 3 2 −1 3
[ 4 −2 6 ] ~ [0 0 0]
−6 3 −9 0 0 0
1
Obteniendo que 2𝑥 − 𝑦 + 3𝑧 = 0, 𝑜 𝑥 = 2 (𝑦 − 3𝑧), que parametrizando a 𝑦 = 𝑡 y 𝑧 = 𝑠 se tiene

𝑥 1/2 −3/2
[𝑦] = 𝑡 [ 1 ] + 𝑠 [ 0 ]
𝑧 0 1
1/2 −3/2
lo cual se representa como: 𝑁𝐴 = {[ 1 ] , [ 0 ]} y la nulidad es 𝜈(𝐴) = 2
0 1
28
Página

Teorema 2 Sea 𝐴 una matriz de 𝑛𝑥𝑛. Entonces 𝐴 es invertible si y sólo si 𝜈(𝐴) = 0

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Demostración 𝐴 es invertible si y sólo si, la única solución del sistema homogéneo 𝐴𝒙 = 𝟎 es la solución
trivial, esto es 𝒙 = 𝟎, con la definición del espacio nulo 𝑁𝐴 = {𝒙 ∈ 𝑅 𝑛 : 𝐴𝒙 = 𝟎}, lo cual
significa que 𝐴 es invertible si y sólo si 𝑁𝐴 = {𝟎}, por lo tanto 𝐴 es invertible si y sólo si
𝜈(𝐴) = 0

Definición Sea 𝐴 una matriz de 𝑚𝑥𝑛. Entonces la imagen de 𝐴, denotada como 𝐼𝑚(𝐴) se define como
Imagen de 𝐼𝑚(𝐴) = {𝒚 ∈ 𝑅 𝑚 : 𝐴𝒙 = 𝒚 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝒙 ∈ 𝑅 𝑚 }
una matriz
Definición Sea 𝐴 una matriz de 𝑚𝑥𝑛. Entonces el rango de 𝐴, denotado como 𝜌(𝐴) o rango (𝐴) y se
define como
Rango de una
matriz 𝜌(𝐴) = dim 𝐼𝑚(𝐴)

El rango de 𝐴 es el número de vectores renglón diferentes de cero en la forma escalonada

Ejemplo

Determina el espacio nulo, la nulidad, el rango y el espacio de los renglones de la matriz

−1 2 5
𝐴 = [ 3 0 3]
5 1 8
Solución

Para determinar el espacio nulo y la nulidad, resolvemos el SEL-H

−1 2 5 1 −2 −5 1 −2 −5 1 −2 −5 1 0 1
[ 3 0 3] ~ [ 3 0 3 ] ~ [0 6 18 ] ~ [0 1 3 ] ~ [0 1 3]
5 1 8 5 1 8 0 11 33 0 11 33 0 0 0
𝑥 −1
lo cual nos representa que 𝑥 + 𝑧 = 0 y 𝑦 + 3𝑧 = 0, parametrizando 𝑧 = 𝑡, se genera [𝑦] = 𝑡 [−3]
𝑧 1
−1
Por lo que;𝑁𝐴 = {[−3]} y la nulidad es 𝜈(𝐴) = 1
1
1 0 1
Para el rango y el espacio renglón requerimos de la forma escalonada, la cual ya tenemos [0 1 3],
0 0 0
29
Página

obteniendo que el espacio renglón es 𝑅𝐴 = 𝑔𝑒𝑛{(1,0,1), (0,1,3)} y el rango es 𝜌(𝐴) = dim 𝑅𝐴 = 2

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejemplo

Determina el espacio nulo, la nulidad, el rango y el espacio de los renglones de la matriz

1 −1 3
𝐴=[ 2 0 4]
−1 −3 1
Solución

Para determinar el espacio nulo y la nulidad, resolvemos el SEL-H

1 −1 3 1 −1 3 1 −1 3 1 0 2
[2 0 4] ~ [0 2 −2] ~ [0 1 −1] ~ [0 1 −1]
−1 −3 1 0 −4 4 0 −4 4 0 0 0

𝑥 −2
lo cual nos representa que 𝑥 + 2𝑧 = 0 y 𝑦 − 𝑧 = 0, parametrizando 𝑧 = 𝑡, se genera [𝑦] = 𝑡 [ 1 ]
𝑧 1
−2
𝑁𝐴 = {[ 1 ]} y la nulidad es 𝜈(𝐴) = 1
1
1 0 2
Para el rango y el espacio renglón requerimos de la forma escalonada, la cual ya tenemos [0 1 −1],
0 0 0

obteniendo que el espacio renglón es 𝑅𝐴 = 𝑔𝑒𝑛{(1,0,2), (0,1, −1)} y el rango es 𝜌(𝐴) = dim 𝑅𝐴 = 2

Ejemplo

Determina el espacio nulo, la nulidad, imagen, rango, espacio renglón y espacio columna para
1 2 −1
𝐴=[ ]
2 −1 3
Solución

a. Espacio nulo – hacemos la solución del SEL-H

1 2 −1 1 2 −1 1 2 −1 1 0 1
[ ]~[ ]~[ ]~[ ]
2 −1 3 0 −5 5 0 1 −1 0 1 −1

obteniendo
𝑥 −1
𝑥 + 𝑧 = 0 → 𝑥 = −𝑧
30

→ 𝑧 = 𝑡 → (𝑦) = 𝑡 ( 1 )
𝑦−𝑧 =0 → 𝑦 =𝑧
𝑧 1
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

−1
𝑁𝐴 = 𝑔𝑒𝑛 {( 1 )}
1

b. La nulidad de 𝐴 𝑒𝑠 𝜈(𝐴) = 1

c. La imagen 𝐼𝑚(𝐴) = 𝐶𝐴 ( espacio columnas de 𝑨) para ello reducimos ahora por columnas a la matriz
(tienes la posibilidad de hacerlo por columnas, o puedes obtener la transpuesta y hacerlo por
“renglones” que realmente son las columnas)

1 2 −1 𝟏 0 0 1 0 0 1 0 0
[ ]~[ ]~[ ]~[ ]
2 −1 3 𝟐 −5 5 2 1 5 0 1 0

1 0
Nos quedan dos columnas, por lo tanto 𝐼𝑚(𝐴) = {[ ] , [ ]}
0 1
O
Si usamos la transpuesta

1 2 1 0
1 0
𝐴𝑡 = [ 2 −1] , la forma escalonada reducida es [0 1] entonces la 𝐼𝑚(𝐴) = {[ ] , [ ]}
0 1
−1 3 0 0
Como podemos observar es el mismo resultado.

d. El rango de 𝐴 𝑒𝑠 𝜌(𝐴) = 2

e. El espacio renglón es 𝑅𝐴 = 𝑔𝑒𝑛{(1,0,1), (0,1, −1)}

1 0
f. El espacio columna es 𝐶𝐴 = 𝑔𝑒𝑛 {[ ] , [ ]}
0 1

31
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Una conclusión importante es:

Teorema 3 Si 𝐴 es una matriz de 𝑚𝑥𝑛, entonces

dim 𝑅𝐴 = dim 𝐶𝐴 = dim 𝐼𝑚(𝐴) = 𝜌(𝐴)

Teorema 4 Si 𝐴 es equivalente por renglones a 𝐵, entonces

𝑅𝐴 = 𝑅𝐵 ; 𝜌(𝐴) = 𝜌(𝐵) ; 𝜈(𝐴) = 𝜈(𝐵)

Teorema 5 El rango de una matriz es igual al número de pivotes en su forma escalonada por
renglones

Teorema 6 Sea 𝐴 es una matriz de orden 𝑚𝑥𝑛, entonces

¡Importante! 𝝆(𝑨) + 𝝂(𝑨) = 𝒏
Es decir que el rango de 𝐴 más la nulidad de 𝐴 es igual al número de columnas de 𝐴

Ejemplo.
−1 2 1
Para la matriz 𝐴 = [ 2 −4 −2] determina el rango y la nulidad
−3 6 3
Solución

Recordemos:

El rango es la dimensión del espacio renglón

La nulidad es la dimensión del espacio columna

Para ello entonces hacemos la forma escalonada por renglones de 𝐴

−1 2 1 1 −2 −1 1 −2 −1
[ 2 −4 −2] ~ [ 2 −4 −2] ~ [0 0 0]
−3 6 3 −3 6 3 0 0 0

por lo tanto, el rango de 𝐴 es: 𝜌(𝐴) = 1 (el número de renglones LI)

32
Página

podemos aplicar el Teorema 6 para determinar:

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

la nulidad: si 𝜌(𝐴) + 𝜈(𝐴) = 𝑛, entonces 𝜈(𝐴) = 𝑛 − 𝜌(𝐴)

El número de columnas de 𝐴 es 3, por lo tanto 𝜈(𝐴) = 3 − 1 = 2

¿Te suena lógico? Claro verdad, porque si hacemos el espacio nulo tendríamos que 𝑥 depende de 𝑦 y 𝑧, por lo
tanto, se tendrían dos vectores en el espacio nulo, y la nulidad sería de dos.

Teorema 7 Sea 𝐴 una matriz de orden 𝑛𝑥𝑛, entonces 𝐴es invertible si y sólo si 𝝆(𝑨) = 𝒏
Demostración Por el teorema 1, 𝐴 es invertible si y sólo si 𝜈(𝐴) = 0 y por el teorema 6 𝜌(𝐴) +
𝜈(𝐴) = 𝑛, así que A es invertible si y sólo si 𝜌(𝐴) + 0 = 𝑛

Teorema 8 El sistema 𝐴𝒙 = 𝒃 tiene cuando menos una solución si y sólo si 𝒃 ∈ 𝐶𝐴 , esto será si
y sólo si 𝐴 y la matriz aumentada [𝐴|𝒃]tienen el mismo rango.
Demostración Si 𝒄𝟏 , 𝒄𝟐 , 𝒄𝟑 , … , 𝒄𝒏 son las columnas de 𝐴, entonces el SEL
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
…
…
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + 𝑎𝑚3 𝑥3 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

se puede escribir como

𝑥1 𝒄𝟏 + 𝑥2 𝒄𝟐 + 𝑥3 𝒄𝟑 + ⋯ + 𝑥𝑛 𝒄𝒏 = 𝒃
el cual tendrá solución si y sólo si 𝒃 se puede escribir como una combinación lineal
de las columnas de 𝐴, es decir, para tener al menos una solución 𝒃 ∈ 𝐶𝐴 .
Si 𝒃 ∈ 𝐶𝐴 , entonces [𝐴|𝒃] tiene el mismo número de columnas LI de 𝐴, así que 𝐴 y
la matriz aumentada [𝐴|𝒃]tienen el mismo rango.
Si 𝒃 ∉ 𝐶𝐴 , entonces el 𝜌(𝐴, 𝒃) = 𝜌(𝐴) + 1 y el SEL no tiene soluciones.

Ejemplo.

Para ejemplificar el Teorema 8. Determina si el SEL tiene soluciones

𝑥 + 2𝑦 + 3𝑧 = 9
2𝑥 + 7𝑦 + 12𝑧 = 40
4𝑥 + 5𝑦 + 6𝑧 = 24
33

Solución
Página

Se obtiene la forma escalonada por renglones de la matriz 𝐴

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

1 2 3 1 2 3 1 2 3 1 2 3 1 0 −1
[2 7 12] ~ [0 3 6 ] ~ [0 1 2 ] ~ [0 1 2] ~ [ 0 1 2 ]
4 5 6 0 −3 −6 0 −3 −6 0 0 0 0 0 0

Por lo tanto, el rango de 𝐴 es 𝜌(𝐴) = 2

Ahora escalonamos por renglones la matriz aumentada

1 2 3 9 1 2 3 9 1 0 −1 −17/3 1 0 −1 0
[2 7 12 40] ~ [0 3 6 22 ] ~ [0 1 2 22/3 ] ~ [0 1 2 0]
4 5 6 24 0 −3 −6 −12 0 0 0 10 0 0 0 1
cuyo rango es 𝜌(𝐴, 𝒃) = 3,

y con ello se concluye que el SEL no tiene solución. (Lo cual ya sabíamos porque el tercer renglón generó una
inconsistencia, ¿es clara? 0𝑥 + 0𝑦 + 0𝑧 = 1

RESUMEN Sea A una matriz de 𝒏 × 𝒏, entonces los siguientes enunciados son

equivalentes, es decir, cada uno de ellos implica los demás.
1. 𝑨 es invertible
2. La única solución del sistema 𝑨𝒙 = 𝟎 es la solución trivial
(𝒙 = 𝟎)
3. El sistema 𝑨𝒙 = 𝒃 tiene solución única para cada 𝒏-vector 𝒃
4. 𝑨 es equivalente por renglones a la matriz identidad 𝑰𝒏
5. 𝑨 es el producto de matrices elementales
6. La forma escalonada por renglones de 𝑨 tiene 𝒏 pivotes
7. 𝐝𝐞𝐭(𝑨) ≠ 𝟎
8. 𝝂(𝑨) = 𝟎
9. 𝝆(𝑨) = 𝒏
10.Las columnas (renglones) de 𝑨 son linealmente
independientes
34
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
1. Determina la respuesta correcta para cada enunciado
𝟏 𝟐 𝟖 𝟗
a. Para la matriz 𝑨 = [𝟎 𝟑 −𝟒 𝟏]
𝟎 𝟎 𝟑 𝟐
i. El rango es:
ii. La nulidad es:
b. Si una matriz de orden 5x6 tiene nulidad 2, entonces su rango es:
𝟐 𝟒
c. Para la matriz 𝑨 = [−𝟏 −𝟐]
𝟓 𝟏𝟎
i. El rango es:
ii. La nulidad es:
d. Si 𝑨 es una matriz 𝟓𝒙𝟓 y el 𝒅𝒆𝒕𝑨 = 𝟎, entonces el valor máximo posible para el rango de 𝑨 es:
2. Determina el espacio nulo, la nulidad, rango, espacio renglón y espacio columna de la matriz:
2 4
a. 𝐴 = [ ]
3 6
1 −2 1
b. 𝐴 = [ ]
−2 1 −3
1 −2 3
c. 𝐴 = [2 4 5]
1 6 2
1 −1 2 3
d. 𝐴 = [ −2 2 −4 −6 ]
2 −2 4 6
3 −3 6 9
3. Determina una base para el espacio generado por el conjunto de vectores
a. {(𝟏, −𝟐, 𝟏), (−𝟏, −𝟏, 𝟒), (𝟑, −𝟑, 𝟑), (𝟎, 𝟏, 𝟎)}
1 0 1 0
b. {( ) , ( ) , ( ) , (2)}
0 1 −2
0 1 −2 2
1 0 1 1

35
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Cambio de base
Cuando se obtiene una base de un espacio vectorial 𝑉, lo que se obtiene es un conjunto de vectores (el mínimo)
que son LI y que con ellos se puede generar a todo vector del espacio vectorial 𝑉 mediante una combinación
lineal.
Por ejemplo con la base canónica de 𝑅 3, que es 𝑆 = {(1,0,0), (0,1,0), (0,0,1)} podemos construir mediante una
combinación lineal (𝑥, 𝑦, 𝑧) = 𝑐1 (1,0,0) + 𝑐2 (0,1,0) + 𝑐3 (0,0,1) cualquier vector, y con ello el valor de los
escalares 𝑎1 , 𝑎2 𝑦 𝑎3 para cada vector.

Para un espacio vectorial 𝑉 y sea 𝐵 = {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } una base de 𝑉, entonces para cualquier 𝒗 ∈ 𝑉 se tiene
que,
𝒗 = 𝑎1 𝒗𝟏 + 𝑎2 𝒗𝟐 + 𝑎3 𝒗𝟑 + ⋯ + 𝑎𝑛 𝒗𝒏
al obtener los escalares 𝑎𝑖 𝑝𝑎𝑟𝑎 𝑖 = 1 … 𝑛, se presenta el vector asociado a los escalares obtenidos
𝑎1
𝑎2
(𝒗)𝐵 = 𝑎3
⋮
(𝑎𝑛 )

Y se lee como la MATRIZ DE COORDENADAS DEL VECTOR 𝒗 EN LA BASE 𝐵 DEL ESPACIO VECTORIAL 𝑉, y como debe ser
claro para todos esta matriz será distinta conforme a la base que se utilice para el espacio vectorial.

Ejemplo.

Determina la matriz de coordenadas del vector 𝒗 = (3,7) en la base 𝐵 = {(5,7), (3, −4)} de 𝑅2

Solución

La respuesta está en determinar los valores de los escalares 𝑎1 𝑦 𝑎2 que resuelven la combinación lineal
(3,7) = 𝑎1 (5,7) + 𝑎2 (3, −4)

como sabemos se tiene:

(3,7) = (5𝑎1 , 7𝑎1 ) + (3𝑎2 , −4𝑎2 ) = (5𝑎1 + 3𝑎2 , 7𝑎1 − 4𝑎2 )

igualando los vectores

3 = 5𝑎1 + 3𝑎2
7 = 7𝑎1 − 4𝑎2
33 14
Al resolver el sistema se tiene que 𝑎1 = , 𝑎2 = − , por lo que
41 41
36

33
1 33
[𝒗]𝐵 = ( 41 ) =
Página

( )
14 41 −14
−
41
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

2 6
Ejemplo. Determina la matriz de coordenadas del vector 𝒗 = ( ) en la base
−5 1
1 0 0 −3 0 0 0 0
𝐵 = {( ),( ),( ),( )} de 𝑀2𝑥2
0 0 0 0 2 0 0 −3
Solución

La respuesta está en determinar los valores de los escalares 𝑎1 , 𝑎2 , 𝑎3 𝑦 𝑎4 que resuelven la combinación lineal
2 6 1 0 0 −3 0 0 0 0
( ) = 𝑎1 ( ) + 𝑎2 ( ) + 𝑎3 ( ) + 𝑎4 ( )
−5 1 0 0 0 0 2 0 0 −3
2 6 𝑎 0 0 −3𝑎2 0 0 0 0
( )=( 1 )+( )+( )+( )
−5 1 0 0 0 0 2𝑎3 0 0 −3𝑎4
2 6 𝑎 −3𝑎2
( )=( 1 )
−5 1 2𝑎3 −3𝑎4

Igualando las matrices se obtiene que

2 = 𝑎1
6 = −3𝑎2
−5 = 2𝑎3
1 = −3𝑎4
𝟐
5 1 −𝟐
por lo tanto, 𝑎1 = 2, 𝑎2 = −2, 𝑎3 = −2 𝑦 𝑎4 = − 3, para expresar finalmente que [𝒗]𝐵 = (−𝟓/𝟐)
−𝟏/𝟑
ver: https://youtu.be/1PJ510kFzro?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. En 𝑃3 expresa el polinomio 𝑝(𝑥) = 4𝑥 2 − 𝑥 + 5 en términos de la base 𝐵 = {1,1 − 𝑥, (1 − 𝑥)2 , (1 − 𝑥)3 }

Solución

Nuevamente la respuesta está en determinar los valores de los escalares 𝑎, 𝑏, 𝑐 𝑦 𝑑que resuelven la combinación lineal

4𝑥 2 − 𝑥 + 5 = 𝑎(1) + 𝑏(1 − 𝑥) + 𝑐(1 − 𝑥)2 + 𝑑(1 − 𝑥)3

al desarrollar el lado derecho se obtiene

4𝑥 2 − 𝑥 + 5 = 𝑎 + 𝑏 − 𝑏𝑥 + 𝑐 − 2𝑐𝑥 + 𝑐𝑥 2 + 𝑑 − 3𝑑𝑥 + 3𝑑𝑥 2 − 𝑑𝑥 3

asociando términos semejantes
4𝑥 2 − 𝑥 + 5 = 𝑎 + 𝑏 + 𝑐 + 𝑑 − 𝑏𝑥 − 2𝑐𝑥 − 3𝑑𝑥 + 𝑐𝑥 2 + 3𝑑𝑥 2 − 𝑑𝑥 3
5 − 𝑥 + 4𝑥 2 = (𝑎 + 𝑏 + 𝑐 + 𝑑) + (−𝑏 − 2𝑐 − 3𝑑)𝑥 + (𝑐 + 3𝑑)𝑥 2 + (−𝑑)𝑥 3
por igualdad de polinomios
37

5=𝑎+𝑏+𝑐+𝑑
Página

−1 = −𝑏 − 2𝑐 − 3𝑑
4 = 𝑐 + 3𝑑
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

0 = −𝑑
que al resolver el sistema se obtiene: 𝑑 = 0, 𝑐 = 4, 𝑏 = −7 𝑦 𝑎 = 8, por lo tanto,
8
−7
[𝑝(𝑥)]𝐵 = ( )
4
0

2
Ejemplo. Determina el polinomio 𝑞(𝑥) si se sabe que [𝑞(𝑥)]𝐵 = ( 1 ) y la base 𝐵 = {2, 𝑥 + 3, 3𝑥 2 }
−1
Solución

¿Qué se requiere obtener? En este caso es el polinomio 𝑞(𝑥), tal que su matriz (escalares) asociada a la base 𝐵 es conocida.

¿qué planteamos? correcto, planteamos la combinación lineal, donde

𝑞(𝑥) = 2(2) + 1(𝑥 + 3) − 1(3𝑥 2 )
que al desarrollarlos se obtiene que

𝑞(𝑥) = 4 + 𝑥 + 3 − 3𝑥 2 = 7 + 𝑥 − 3𝑥 2
Ver

https://youtu.be/0LdRHwIGPto?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

https://youtu.be/zdusCtxZsds?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

38
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Matriz de transición
Sean 𝐵1 = {𝒖𝟏 , 𝒖𝟐 , 𝒖𝟑 , … , 𝒖𝒏 } y 𝐵2 = {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } dos bases para el espacio vectorial 𝑉 de dimensión 𝑛.
Sea 𝒙 ∈ 𝑉, entonces se puede expresar a 𝒙 en términos de ambas bases como:
𝒙 = 𝑏1 𝒖𝟏 + 𝑏2 𝒖𝟐 + 𝑏3 𝒖𝟑 + ⋯ + 𝑏𝑛 𝒖𝒏
y
𝒙 = 𝑐1 𝒗𝟏 + 𝑐2 𝒗𝟐 + 𝑐3 𝒗𝟑 + ⋯ + 𝑐𝑛 𝒗𝒏
donde los 𝑏𝑖 𝑦 𝑐𝑖 son escalares que pertenecen a los número reales. Y como se sabe que al obtener los escalares
se puede representar el vector 𝒙 como
𝑏1 𝑐1
𝑏2 𝑐2
(𝒙)𝑩𝟏 = 𝑏3 𝑦 (𝒙)𝑩𝟐 = 𝑐3
⋮ ⋮
𝑏
( 𝑛) (𝑐𝑛 )
Como 𝐵2 es una base, cada 𝒖𝒋 en 𝐵1 se puede escribir como una combinación lineal de las 𝒗𝒋 . Por tanto existe
un conjunto único de escalares 𝑎1𝑗 , 𝑎2𝑗 , 𝑎3𝑗 , … , 𝑎𝑛𝑗 tales que para 𝑗 = 1,2,3, … , 𝑛, se tiene que 𝒖𝒋 = 𝑎1𝑗 𝒗𝟏 +
𝑎2𝑗 𝒗𝟐 + 𝑎3𝑗 𝒗𝟑 + ⋯ + 𝑎𝑛𝑗 𝒗𝒏 , lo que nos lleva a expresar a 𝒖𝒋 como:
𝑎1𝑗
𝑎2𝑗
(𝒖𝒋 ) = 𝑎3𝑗
𝐵2
⋮
(𝑎𝑛𝑗 )

Definición La matriz 𝐴 de 𝑛𝑥𝑛 cuyas columnas están dadas por

Matriz de 𝑎1𝑗
𝑎2𝑗
transición
(𝒖𝒋 ) = 𝑎3𝑗
𝐵2
⋮
𝑎
( 𝑛𝑗 )
se denomina matriz de transición de la base 𝐵1 a la base 𝐵2 , esto es:
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛
𝑎21 𝑎22 𝑎23 … 𝑎2𝑛
( )
⋮ ⋮ ⋮ ⋮ ⋮
𝐴 = 𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑛𝑛
↑ ↑ ↑ ↑
(𝒖1 )𝐵2 (𝒖1 )𝐵2 (𝒖1 )𝐵2 (𝒖1 )𝐵2
39

Teorema 1 Sean 𝐵1 = {𝒖𝟏 , 𝒖𝟐 , 𝒖𝟑 , … , 𝒖𝒏 } y 𝐵2 = {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } dos bases para el espacio

vectorial 𝑉. Sea 𝐴 la matriz de transición de 𝐵1 a 𝐵2 , entonces para todo 𝒙 ∈ 𝑉
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

(𝒙)𝐵2 = 𝐴(𝒙)𝐵1

Teorema 2 Sea 𝐴 una matriz de transición de 𝐵1 a 𝐵2 , entonces 𝐴−1 es la matriz de transición

de 𝐵2 a 𝐵1
Ver

https://youtu.be/fWWccAf_x5M?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Ejemplo. En 𝑅 3 sean 𝐵1 = {(1,0,0), (0,1,0), (0,0,1)} y 𝐵2 = {(1,0,2), (3, −1,0), (0,1, −2)} dos bases del espacio,
escribe a 𝒙 = (𝑥, 𝑦, 𝑧) en términos de los vectores de 𝐵2
Solución
1 0 0
Como 𝒖𝟏 = (0) , 𝒖𝟐 = (1) , 𝒖𝟑 = (0), la matriz de transición 𝐴 de 𝐵2 a 𝐵1 está dada por
0 0 1
1 3 0
𝐴 = [0 −1 1 ]
2 0 −2
con base en el teorema 2 la matriz de transición de 𝐵1 a 𝐵2 es la inversa de A

1 2 6 3
𝐴−1 = [2 −2 −1]
8
2 6 −1
y por lo tanto,

1 2 6 3
(𝒙)𝐵2 = [2 −2 −1] (𝒙)𝐵1
8
2 6 −1
1
2 2 6 3 2 4 2
1 1
Por ejemplo, si (𝒙)𝐵1 = ( 4 ) se tendría que (𝒙)𝐵2 = 8 [2 −2 −1] ( 4 ) = 8 ( 4 ) = (12)
−8 2 6 −1 −8 36 9
2

Para su verificación hacemos el planteamiento mediante la combinación lineal

1 3
+ +0
1 1 1 3 9 0 2 2 2
(0) + (−1) + ( 1 ) = 1 9 = ( 4)
2 2 2 0− +
2 0 −2 2 2 −8
(1 + 0 − 9)
que a su vez es
2 1 0 0
( 4 ) = 2 (0) + 4 (1) − 8 (0)
−8 0 0 1
40

¡Qué bonito!
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejemplo. (es el del video, con el objetivo de comparar los procedimientos)

https://youtu.be/usuTgEwIKnU?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Sean las bases de 𝑃1 , 𝐵 = {1, 1 − 𝑥} y 𝑊 = {1 + 𝑥, 2 + 3𝑥} obtener la matriz de transición de 𝐵 𝑎 𝑊, y de 𝑊 𝑎 𝐵

Solución
Los vectores de la base 𝐵 los podemos ubicar de la forma 𝒖𝟏 = (1,0) 𝑦 𝒖𝟐 = (1, −1) → 𝐵 = {(1,0), (1. −1}, y
los de 𝑊, 𝒗𝟏 = (1,1) 𝑦 𝒗𝟐 = (2,3), por lo tanto para la matriz de transición de 𝐵 a 𝑊 se tiene
𝑖) (1,0) = 𝑎(1,1) + 𝑏(2,3) → (1,0) = (𝑎 + 2𝑏, 𝑎 + 3𝑏)
resolviendo
1 = 𝑎 + 2𝑏
0 = 𝑎 + 3𝑏
se obtiene que 𝑏 = −1 𝑦 𝑎 = 3
𝑖𝑖) (1, −1) = 𝑎(1,1) + 𝑏(2,3) → (1, −1) = (𝑎 + 2𝑏, 𝑎 + 3𝑏)
resolviendo
1 = 𝑎 + 2𝑏
−1 = 𝑎 + 3𝑏
se obtiene que 𝑏 = −2 𝑦 𝑎 = 5
3 5 2 5
y la matriz de transición de 𝐵 a 𝑊 es 𝐴 = [ ] y la de 𝑊 𝑎 𝐵 es la inversa 𝐴−1 = [ ], con la
−1 −2 −1 −3
notación del video la podemos escribir igual
𝑊
3 5
[𝐴 ] =[ ]
𝐵
−1 −2
𝐵
2 5
[𝐴 ] =[ ]
𝑊
−1 −3
Ver https://youtu.be/tP_gWHfQQQQ?list=PLCY1BPxILEJUNGEoyZOXpON_oTMj70h1K

Teorema 3 Si 𝐵1 = {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 } es una base del espacio vectorial 𝑉 de dimensión 𝑛, y

suponiendo que
𝑎11 𝑎12 𝑎1𝑛
𝑎21 𝑎22 𝑎2𝑛
(𝒙𝟏 )𝐵1 = 𝑎31 ; (𝒙𝟐 )𝐵1 = 𝑎32 ; … ; (𝒙𝒏 )𝐵1 = 𝑎3𝑛
⋮ ⋮ ⋮
(𝑎𝑛1 ) ( 𝑎𝑛2 ) ( 𝑎 𝑛1 )
41
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Sea
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛
𝑎21 𝑎22 𝑎23 … 𝑎2𝑛
𝐴=( ⋮ ⋮ ⋮ ⋮ ⋮
)
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑛𝑛

entonces
𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , … , 𝒙𝒏 son linealmente independientes si y sólo si 𝒅𝒆𝒕𝑨 ≠ 𝟎

1 −3 1 4 1 6 0 0
Ejemplo. Determina si las matrices del espacio 𝑀2𝑥2 son LD o LI, {[ ],[ ],[ ],[ ]}
2 4 5 0 1 3 1 0
Solución

Aplicando el teorema 3, y utilizando la base más sencilla, es decir la base canónica, tenemos que
1 0 0 1 0 0 0 0
𝐵1 = {[ ],[ ],[ ],[ ]}
0 0 0 0 1 0 0 1
1 −3 1 0 0 1 0 0 0 0
Para [ ] = 𝑎[ ]+𝑏[ ]+𝑐[ ]+𝑑[ ]
2 4 0 0 0 0 1 0 0 1
es trivial que 𝑎 = 1, 𝑏 = −3, 𝑐 = 2 𝑦 𝑑 = 4 (esto es por considerar la base canónica), obteniendo la primer columna de 𝐴
1
𝐴=[ −3 ]
2
4
repitiendo el procedimiento para cada matriz se completa la matriz
1 1 1 0
𝐴=[ −3 4 6 0]
2 5 1 1
4 0 3 0
cuyo determinante es 𝑑𝑒𝑡𝐴 = −29 ≠ 0, y por lo tanto las matrices son LI (lo cual significa que son una base de 𝑀2𝑥2 )

42
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
1. Determina la matriz de transición en 𝑹𝟑 de la base 𝑩𝟏 = {(𝟏, 𝟎, 𝟎), (𝟎, 𝟏, 𝟎), (𝟎, 𝟎, 𝟏)} a la base
𝑩𝟐 = {(𝟐, 𝟑, −𝟓), (𝟎, 𝟏, 𝟒), (−𝟏, 𝟑, 𝟒)}
𝑥 1 −1 0
2. Escribe el vector 𝒙 = (𝑦) en términos de la base dada 𝐵 = {( 0 ) , ( 1 ) , (1)}
𝑧 −1 0 1
𝟐 4 1 −1
3. En 𝑹 supón que (𝒙)𝐵1 = ( ) donde 𝐵1 = {( ) , ( )}, escribe 𝒙 en términos de la base
−1 −1 −1
−2 −3
𝐵2 = {( ) , ( )}
1 2
4. Determina si el conjunto es LI o LD
a. En 𝑷𝟐 {𝒙𝟐 + 𝟏, 𝒙 + 𝟏, 𝒙 + 𝟐}
2 0 −2 4 1 1 9 2
b. En 𝑴𝟐𝒙𝟐 {[ ],[ ],[ ],[ ]}
1 4 7 0 4 −3 −3 6

43
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

4.5 Espacio vectorial con producto interno y sus propiedades

Definición Sean 𝒖, 𝒗 y 𝒘 vectores en un espacio vectorial 𝑉, y sea 𝑐 un escalar. Un producto interno en
𝑉 es una función que asocia un número real, denotado como 〈𝒖|𝒗〉 con cada par de vectores
Producto
𝒖, 𝒗 que cumplen los siguientes axiomas
interno
i. 〈𝒖|𝒗〉 = 〈𝒗|𝒖〉
ii. 〈𝒖|𝒗 + 𝒘〉 = 〈𝒖|𝒗〉 + 〈𝒖|𝒘〉
iii. 𝑐〈𝒖|𝒗〉 = 〈𝑐𝒖|𝒗〉 = 〈𝒖|𝑐𝒗〉
iv. 〈𝒖|𝒖〉 ≥ 0 𝑦 〈𝒖|𝒖〉 = 0 si y sólo si 𝒖 = 𝟎
Ejemplo. (conocido como producto punto). Demuestra que el producto escalar en 𝑅𝑛 cumple la definición de producto
interno.

Solución

Sean dos vectores en 𝑅𝑛 , 𝒖 = (𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 ) 𝑦 𝒗 = (𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 ) se define el producto escalar o producto punto
como

𝒖 ∘ 𝒗 = 𝑢1 𝑣1 + 𝑢2 𝑣2 + 𝑢3 𝑣3 + ⋯ + 𝑢𝑛 𝑣𝑛
es decir, el resultado es un número real, y se obtiene de la suma de los productos de cada componente de los
vectores, por tanto, se puede expresar como
𝑛

𝒖 ∘ 𝒗 = ∑ 𝑢𝑖 𝑣𝑖
𝑖=1

(para un ejemplo en 𝑅 2 , 𝒖 = (4,5) 𝑦 𝒗 = (8, −2) el producto punto es 𝒖 ∘ 𝒗 = (4)(8) + (5)(−2) = 32 −

10 = 22)
continuamos…
Propiedades del producto punto. Si 𝒖, 𝒗 𝑦 𝒘 son vectores de 𝑅 𝑛 , y 𝑐 es un escalar, entonces se cumplen las
siguientes propiedades:
1) 𝒖∘𝒗=𝒗∘𝒖
2) 𝒖 ∘ (𝒗 + 𝒘) = 𝒖 ∘ 𝒗 + 𝒖 ∘ 𝒘
3) 𝑐(𝒖 ∘ 𝒗) = 𝑐𝒖 ∘ 𝒗 = 𝒖 ∘ 𝑐𝒗
4) 𝒖 ∘ 𝒖 = ‖𝒖‖𝟐
5) 𝒖 ∘ 𝒖 ≥ 0 𝑦 𝒖 ∘ 𝒖 = 0 𝑠𝑖 𝑦 𝑠ó𝑙𝑜 𝑠𝑖 𝒖 = 𝟎
Por lo tanto y de acuerdo con los axiomas de la definición
𝑖 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑐𝑜𝑛 1, 𝑖𝑖 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑐𝑜𝑛 2, 𝑖𝑖𝑖 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑐𝑜𝑛 3, y 𝑖𝑣 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑐𝑜𝑛 5
44
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejemplo. Determina si la función en 𝑅 2 dada como 〈𝒙|𝒚〉 = 2𝑥1 𝑦1 + 3𝑥2 𝑦2 es un producto interno.
Solución
Sean 𝒙 = (𝑥1 , 𝑥2 ), 𝒚 = (𝑦1 , 𝑦2 ), 𝒛 = (𝑧1 , 𝑧2 ), verificando los axiomas de la definición se tiene
i. 〈𝒙|𝒚〉 = 2𝑥1 𝑦1 + 3𝑥2 𝑦2 → 〈𝒚|𝒙〉 = 2𝑦1 𝑥1 + 3𝑦2 𝑥2 por lo tanto 〈𝒙|𝒚〉 = 〈𝒚|𝒙〉 (¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)
ii. 〈𝒙|𝒚 + 𝒛〉 = 〈𝒙|𝒚〉 + 〈𝒙|𝒛〉
〈𝒙|𝒚 + 𝒛〉 = 〈(𝑥1 , 𝑥2 )|(𝑦1 + 𝑧1 , 𝑦2 + 𝑧2 )〉 = 2𝑥1 (𝑦1 + 𝑧1 ) + 3𝑥2 (𝑦2 + 𝑧2 )
= 2𝑥1 𝑦1 + 2𝑥1 𝑧1 + 3𝑥2 𝑦2 + 3𝑥2 𝑧2 = 2𝑥1 𝑦1 + 3𝑥2 𝑦2 + 2𝑥1 𝑧1 + 3𝑥2 𝑧2 = 〈𝒙|𝒚〉 + 〈𝒙|𝒛〉
(¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)
iii. 𝑐〈𝒙|𝒚〉 = 〈𝑐𝒙|𝒚〉 → 𝑐〈𝒙|𝒚〉 = 𝑐(2𝑥1 𝑦1 + 3𝑥2 𝑦2 ) = 2𝑐𝑥1 𝑦1 + 3𝑐𝑥2 𝑦2 =
2(𝑐𝑥1 )𝑦1 + 3(𝑐𝑥2 )𝑦2 = 〈𝑐𝒙|𝒚〉 (¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)
iv. 〈𝒙|𝒙〉 ≥ 0 → 〈𝒙|𝒙〉 = 2𝑥1 𝑥1 + 3𝑥2 𝑥2 = 2𝑥12 + 3𝑥22 ≥ 0 y sólo es cero si (𝑥1 , 𝑥2 ) = (0,0) = 𝟎
(¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)

Por lo tanto es un es un producto interno en 𝑅 2

Nota: siempre observa la función que se define, y utilízala para aplicar con ella los axiomas de la definición.

Ejemplo. Determina si la función en 𝑅 2 dada como 〈𝒙|𝒚〉 = 𝑥1 𝑦1 es un producto interno.

Solución
Sean 𝒙 = (𝑥1 , 𝑥2 ), 𝒚 = (𝑦1 , 𝑦2 ), 𝒛 = (𝑧1 , 𝑧2 ), verificando los axiomas de la definición se tiene
i. 〈𝒙|𝒚〉 = 𝑥1 𝑦1 → 〈𝒚|𝒙〉 = 𝑦1 𝑥1 por lo tanto 〈𝒙|𝒚〉 = 〈𝒚|𝒙〉 (¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)
ii. 〈𝒙|𝒚 + 𝒛〉 = 〈𝒙|𝒚〉 + 〈𝒙|𝒛〉
〈𝒙|𝒚 + 𝒛〉 = 〈(𝑥1 , 𝑥2 )|(𝑦1 + 𝑧1 , 𝑦2 + 𝑧2 )〉 = 𝑥1 (𝑦1 + 𝑧1 ) = 𝑥1 𝑦1 + 𝑥1 𝑧1 = 〈𝒙|𝒚〉 + 〈𝒙|𝒛〉
(¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)
iii. 𝑐〈𝒙|𝒚〉 = 〈𝑐𝒙|𝒚〉 → 𝑐〈𝒙|𝒚〉 = 𝑐(𝑥1 𝑦1 ) = (𝑐𝑥1 )𝑦1 = 〈𝑐𝒙|𝒚〉 (¡ 𝑐𝑢𝑚𝑝𝑙𝑒!)
iv. 〈𝒙|𝒙〉 ≥ 0 → 〈𝒙|𝒙〉 = 𝑥1 𝑥1 = 𝑥12 > 0 pero ¡FALLA! en la igualdad a cero porque como sólo
depende de la primer componente, puede hacerse cero para todos los vectores de la forma
𝒙 = (0, 𝑥2 ) sin que 𝑥2 𝑠𝑒𝑎 𝑐𝑒𝑟𝑜.
Por lo tanto no es un producto interno en 𝑅 2

Ejemplo. Determina si la función en 𝑅 3 dada como 〈𝒂|𝒃〉 = 𝑎1 𝑏1 − 2𝑎2 𝑏2 + 𝑎3 𝑏3 es un producto interno.

Solución
Sean 𝒂 = (𝑎1 , 𝑎2 , 𝑎3 ), 𝒃 = (𝑏1 , 𝑏2 , 𝑏3 ), 𝒄 = (𝑐1 , 𝑐2 , 𝑐3 ), verificando los axiomas de la definición se tiene
i. 〈𝒂|𝒃〉 = 〈𝒃|𝒂〉 → 〈𝒂|𝒃〉 = 𝑎1 𝑏1 − 2𝑎2 𝑏2 + 𝑎3 𝑏3 → 〈𝒃|𝒂〉 = 𝑏1 𝑎1 − 2𝑏2 𝑎2 + 𝑏3 𝑎3 (se cumple)
ii. 〈𝒂|𝒃 + 𝒄〉 = 〈𝒂|𝒃〉 + 〈𝒂|𝒄〉 → 〈𝒂|𝒃 + 𝒄〉 = 〈(𝑎1 , 𝑎2 , 𝑎3 )|(𝑏1 + 𝑐1 , 𝑏2 + 𝑐2 , 𝑏3 + 𝑐3 )〉
45

= 𝑎1 (𝑏1 + 𝑐1 ) − 2𝑎2 (𝑏2 + 𝑐2 ) + 𝑎3 (𝑏3 + 𝑐3 ) = 𝑎1 𝑏1 + 𝑎1 𝑐1 − 2𝑎2 𝑏2 − 2𝑎2 𝑐2 + 𝑎3 𝑏3 + 𝑎3 𝑐3

Página

= 𝑎1 𝑏1 − 2𝑎2 𝑏2 + 𝑎3 𝑏3 + 𝑎1 𝑐1 − 2𝑎2 𝑐2 + 𝑎3 𝑐3 = 〈𝒂|𝒃〉 + 〈𝒂|𝒄〉 (se cumple)

iii. 𝑐〈𝒂|𝒃〉 = 〈𝑐𝒂|𝒃〉 → 𝑐〈𝒂|𝒃〉 = 𝑐(𝑎1 𝑏1 − 2𝑎2 𝑏2 + 𝑎3 𝑏3 ) = 𝑐𝑎1 𝑏1 − 2𝑐𝑎2 𝑏2 + 𝑐𝑎3 𝑏3 =
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

= (𝑐𝑎1 )𝑏1 − 2(𝑐𝑎2 )𝑏2 + (𝑐𝑎3 )𝑏3 = 〈𝑐𝒂|𝒃〉 (se cumple)

iv. 〈𝒂|𝒂〉 ≥ 0 → 〈𝒂|𝒂〉 = 𝑎1 𝑎1 − 2𝑎2 𝑎2 + 𝑎3 𝑎3 = 𝑎12 − 2𝑎22 + 𝑎32 y aquí vuelve a FALLAR porque no
necesariamente es mayor a cero, si el −2𝑎22 es en magnitud mayor de los otros dos términos el
resultado sería negativo (por ejemplo el vector 𝒂 = (1,5,1) → 〈𝒂|𝒂〉 = 1 − 50 + 1 = −48 < 0)
Por lo tanto no es un producto interno en 𝑅 3

Ejemplo. Sean 𝑓 𝑦 𝑔 funciones continuas de valores reales en el espacio vectorial 𝐶[𝑎, 𝑏]. Demuestra que
𝑏

〈𝑓|𝑔〉 = ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
𝑎

define un producto interno sobre 𝐶[𝑎, 𝑏].

Solución
Aplicando las propiedades conocidas de las integrales definidas, y con base en los axiomas de la definición se
tiene:
𝑏 𝑏
i. 〈𝑓|𝑔〉 = 〈𝑔|𝑓〉 → 〈𝑓|𝑔〉 = ∫𝑎 𝑓(𝑥)𝑔(𝑥)𝑑𝑥 = ∫𝑎 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 = 〈𝑔|𝑓〉
ii. 〈𝑓|𝑔 + ℎ〉 = 〈𝑓|𝑔〉 + 〈𝑓|ℎ〉
𝑏 𝑏

〈𝑓|𝑔 + ℎ〉 = ∫ 𝑓(𝑥)(𝑔(𝑥) + ℎ(𝑥))𝑑𝑥 = ∫(𝑓(𝑥)𝑔(𝑥) + 𝑓(𝑥)ℎ(𝑥))𝑑𝑥 =

𝑎 𝑎
𝑏 𝑏

= ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)ℎ(𝑥)𝑑𝑥 = 〈𝑓|𝑔〉 + 〈𝑓|ℎ〉

𝑎 𝑎

𝑏 𝑏
iii. 𝑐〈𝑓|𝑔〉 = 〈𝑐𝑓|𝑔〉 → 𝑐〈𝑓|𝑔〉 = 𝑐 ∫𝑎 𝑓(𝑥)𝑔(𝑥)𝑑𝑥 = ∫𝑎 (𝑐𝑓(𝑥))𝑔(𝑥)𝑑𝑥 = 〈𝑐𝑓|𝑔〉
𝑏 𝑏 2
iv. 〈𝑓|𝑓〉 = ∫𝑎 𝑓(𝑥)𝑓(𝑥)𝑑𝑥 = ∫𝑎 (𝑓(𝑥)) 𝑑𝑥 > 0 y sólo será igual a cero si 𝑓(𝑥) = 0, con la
consideración de que 𝑎 ≠ 𝑏
Por lo tanto se define un producto interno sobre 𝐶[𝑎, 𝑏].

46
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Definición Sean 𝒖, 𝑦 𝒗 vectores en un espacio vectorial 𝑉 con producto interno 〈𝒖|𝒗〉 se define:
Norma La norma (magnitud) de un vector 𝒖

‖𝒖‖ = √〈𝒖|𝒖〉
Distancia La distancia entre 𝒖, 𝑦 𝒗
𝑑(𝒖, 𝒗) = ‖𝒖 − 𝒗 ‖
Ángulo El ángulo entre dos vectores 𝒖, 𝑦 𝒗, diferentes de cero
〈𝒖|𝒗〉
𝜃 = 𝑐𝑜𝑠 −1 ( ) 𝑐𝑜𝑛 0 ≤ 𝜃 ≤ 𝜋
‖𝒖‖ ‖𝒗‖
¡Importante!

 Dos vectores 𝒖, 𝑦 𝒗 son ortogonales si 〈𝒖|𝒗〉 = 0

 Si 〈𝒖|𝒖〉 = 1 → ‖𝒖‖ = 1 y 𝒖 se denomina vector unitario
𝒖
 ̂=
El vector unitario se expresa como 𝒖 ‖𝒖‖
 Los vectores unitarios asociados a los ejes coordenados en 𝑅 3 se identifican como:
𝒊 (𝑒𝑗𝑒 𝑥), 𝒋(𝑒𝑗𝑒 𝑦) 𝑦 𝒌(𝑒𝑗𝑒 𝑧)
𝒊 = (𝟏, 𝟎, 𝟎) ; 𝒋 = (𝟎, 𝟏, 𝟎) ; 𝒌 = (𝟎, 𝟎, 𝟏)

Ejemplo. Sean 𝑓 = 𝑠𝑒𝑛(𝜋𝑥) 𝑦 𝑔(𝑥) = 𝑥 funciones continuas de valores reales en el espacio vectorial 𝐶[0,1].
Con el producto interno definido como
1

〈𝑓|𝑔〉 = ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
0

determina:
a. ‖𝑓‖
b. ‖𝑔‖
c. 𝑑(𝑓, 𝑔)

Solución
Aplicando la definición se tiene:

a. ‖𝑓‖ = √〈𝑓|𝑓〉
1 1 1 1
47

1
〈𝑓|𝑓〉 = ∫ 𝑓(𝑥)𝑓(𝑥)𝑑𝑥 = ∫ 𝑠𝑒𝑛(𝜋𝑥)𝑠𝑒𝑛(𝜋𝑥) 𝑑𝑥 = ∫ 𝑠𝑒𝑛2 (𝜋𝑥) 𝑑𝑥 = ∫(1 − 𝑐𝑜𝑠(2𝜋𝑥))𝑑𝑥 =
2
Página

0 0 0 0
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

1
1 1 1
= [𝑥 − 𝑠𝑒𝑛(2𝜋𝑥)] =
2 2𝜋 2
0

Por lo tanto

1 1
‖𝑓‖ = √〈𝑓|𝑓〉 = √ =
2 √2

b. ‖𝑔‖ = √〈𝑔|𝑔〉
1 1 1
2
𝑥3 1
〈𝑔|𝑔〉 = ∫ 𝑔(𝑥)𝑔(𝑥)𝑑𝑥 = ∫ 𝑥 𝑑𝑥 = [ ] =
3 0 3
0 0

Por lo tanto

1 1
‖𝑔‖ = √〈𝑔|𝑔〉 = √ =
3 √3

c. 𝑑(𝑓, 𝑔) = ‖𝑓 − 𝑔‖ = √〈𝑓 − 𝑔|𝑓 − 𝑔〉

1 1 1
2
〈𝑓 − 𝑔|𝑓 − 𝑔〉 = ∫(𝑓(𝑥) − 𝑔(𝑥)) 𝑑𝑥 = ∫(𝑠𝑒𝑛(𝜋𝑥) − 𝑥) 𝑑𝑥 = ∫(𝑠𝑒𝑛2 (𝜋𝑥) − 2𝑥𝑠𝑒𝑛(𝜋𝑥) + 𝑥 2 ) 𝑑𝑥
2

0 0 0

1 2 1 5 2 5𝜋 − 12
= − + = − =
2 𝜋 3 6 𝜋 6𝜋
Por lo tanto

5𝜋 − 12
𝑑(𝑓, 𝑔) = √ ≈ 0.4435
6𝜋

Teorema 1 Sean 𝒖, 𝑦 𝒗 vectores en un espacio vectorial 𝑉 con producto interno 〈𝒖|𝒖〉

1. Desigualdad de Cauchy-Schwarz
‖〈𝒖|𝒗〉‖ ≤ ‖𝒖‖‖𝒗‖
2. Desigualdad del triángulo
‖𝒖 + 𝒗‖ ≤ ‖𝒖‖ + ‖𝒗‖
48

3. Teorema de Pitágoras: u y v son ortogonales si y sólo si

Página

‖𝒖 + 𝒗‖2 = ‖𝒖‖2 + ‖𝒗‖2

 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Ejercicios
Determina:
a. 〈𝒖|𝒗〉 b. ‖𝒖‖ c. ‖𝒗‖ d. 𝑑(𝒖, 𝒗)
Para el producto interno dado definido en 𝑅 𝑛
1. 𝒖 = (𝟐, 𝟏) 𝒗 = (𝟒, 𝟖) 𝑐𝑜𝑛 〈𝒖|𝒗〉 = 𝒖 ∙ 𝒗
2. 𝒖 = (𝟐, 𝟏, 𝟗) 𝒗 = (𝟒, −𝟐, 𝟔) 〈𝒖|𝒗〉 = 2𝑢1 𝑣1 + 4𝑢2 𝑣2 + 𝑢3 𝑣3

Determina:
a. 〈𝑓|𝑔〉 b. ‖𝑓‖ c. ‖𝑔‖ d. 𝑑(𝑓, 𝑔)
Para el producto interno dado definido en 𝑪[−𝟏, 𝟏]
1

〈𝑓|𝑔〉 = ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
−1
2
3. 𝑓(𝑥) = 𝑥 𝑔(𝑥) = 𝑥 + 1
4. 𝑓(𝑥) = 𝑥 𝑔(𝑥) = cos(𝜋𝑥)

Determina si 〈𝒖|𝒗〉 es un producto interno para 𝒖 = (𝑢1 , 𝑢2 ), 𝒗 = (𝑣1 , 𝑣2 )𝑒𝑛 𝑅 2

5. 〈𝒖|𝒗〉 = 𝑢1 𝑣1 − 2𝑢2 𝑣2
6. 〈𝒖|𝒗〉 = 𝑢12 𝑣12 + 𝑢22 𝑣22

Determina el ángulo entre los vectores considerando el producto interno proporcionado

7. 𝒖 = (𝟐, 𝟒, 𝟓) 𝒗 = (𝟓, 𝟐, 𝟑) 〈𝒖|𝒗〉 = 𝑢1 𝑣1 + 2𝑢2 𝑣2 + 𝑢3 𝑣3
8. 𝒑(𝒙) = 𝟏 + 𝒙𝟐 𝒒(𝒙) = 𝒙 − 𝒙𝟐 〈𝒑|𝒒〉 = 𝑎0 𝑏0 + 𝑎1 𝑏1 + 𝑎2 𝑏2

49
Página
 TecNM – Campus Querétaro
Departamento de Ciencias Básicas
Álgebra Lineal

Fuentes de información
 Godinez, Héctor (1987). Álgebra lineal teoría y ejercicios. Facultad de Ingeniería. UNAM
 Grossman, Stanley (2008). Álgebra Lineal. Mc Graw Hill. 6ª edición
 Larson, Ron (2010). Fundamentos de Álgebra Lineal. Cengage Learning. 6ª edición
 Canal de YouTube: 1a con Berni – espacios vectoriales (I y II) (Mat. Bernardo Acevedo Frías)
 http://es.onlinemschool.com/

50
Página