Material de Lectura - Espacios Vectoriales - FP UNA

- Unidad II: Espacios
Vectoriales-
Dr. Juan Pérez
Material de Lectura
Prof. MSc. Silvia Báez Chávez

Este material de lectura tiene la finalidad desarrollar la
clase de Espacios Vectoriales, contiene información
básica y desarrollo de ejemplos particulares. La misma
debe ser complementada con los textos disponibles en el
programa de estudios de la asignatura.
Facultad Politécnica
Facultad Politécnica UNA
Universidad Nacional de Asunción
Índice de contenido
ÍNDICE DE CONTENIDO ................................................................................................................... 2

2. ESPACIOS VECTORIALES ........................................................................................................... 4
2.1. DEFINICIÓN. .................................................................................................................... 6
2.2. AXIOMAS. ...................................................................................................................... 6
2.3. EJEMPLOS. .................................................................................................................. 6
2.4. SUBESPACIOS............................................................................................................... 9
2.4.1. DEFINICIÓN. .......................................................................................................... 9
2.4.2. CONDICIONES PARA QUE UN SUBCONJUNTO SEA UN SUBESPACIO. ...................... 9
2.4.3. EJEMPLOS. .......................................................................................................... 10
2.4.4. INTERSECCIÓN DE DOS SUBESPACIOS. ............................................................... 11
2.5. COMBINACIÓN LINEAL................................................................................................. 11
2.5.1. DEFINICIÓN. ........................................................................................................ 11
2.5.2. CONJUNTO GENERADOR. ................................................................................... 14
2.5.3. ESPACIO GENERADO POR UN CONJUNTO DE VECTORES. ................................... 15
2.6. INDEPENDENCIA LINEAL.............................................................................................. 17
2.6.1. VECTORES LINEALMENTE INDEPENDIENTES (LI). ............................................... 17
2.6.2. VECTORES LINEALMENTE DEPENDIENTES (LD). ............................................................... 18
2.7. INTERPRETACIÓN GEOMÉTRICA DE LA DEPENDENCIA LINEAL EN 𝑹𝟑 . ........................ 19
2.8. CONDICIONES PARA QUE UN CONJUNTO DE 𝒏 VECTORES SEAN LINEALMENTE
DEPENDIENTES. .................................................................................................................. 19
2.8.1. BASES. ................................................................................................................ 20
2.8.1.1. DEFINICIÓN...................................................................................................... 20
2.8.1.2. BASE CANÓNICA.............................................................................................. 21
2.8.1.3. DIMENSIÓN DE UN ESPACIO VECTORIAL. ........................................................ 21
2.8.1.4. BASE PARA EL ESPACIO SOLUCIÓN DE UN SISTEMA HOMOGÉNEO. ................. 21
2.9. RANGO, NULIDAD, ESPACIO DE LOS RENGLONES Y ESPACIOS DE LAS COLUMNAS DE
UNA MATRIZ. ....................................................................................................................... 22
2.9.1. ESPACIO NULO (KERNEL). ................................................................................... 22
2.9.2. NULIDAD DE UNA MATRIZ..................................................................................... 22
2.9.3. IMAGEN DE UNA MATRIZ. ..................................................................................... 23
2.9.4. RANGO DE UNA MATRIZ. ...................................................................................... 23
2.9.5. ESPACIO DE LOS RENGLONES DE UNA MATRIZ.................................................... 23
2.9.6. ESPACIO DE LAS COLUMNAS DE UNA MATRIZ. ..................................................... 23
2.10. CAMBIO DE BASE. ............................................................................................... 24
2.10.1. CONCEPTO. ..................................................................................................... 24
2.10.2. MATRIZ TRANSICIÓN........................................................................................ 25
2.10.3. PROCEDIMIENTO PARA ENCONTRAR LA MATRIZ TRANSICIÓN DE LA BASE
CANÓNICA A OTRA BASE. ................................................................................................... 25
2.11. PRODUCTO INTERNO. ......................................................................................... 26
2.11.1. DEFINICIÓN. ........................................................................................................ 26
2.11.2. EJEMPLOS: .......................................................................................................... 27
2.11.3. PROPIEDADES: ................................................................................................ 28
2.12. BASES ORTONORMALES Y PROYECCIONES EN 𝑹𝒏. ............................................ 28
2.12.1. CONJUNTO ORTONORMAL. .............................................................................. 28
2.12.2. LONGITUD O NORMA DE UN VECTOR. .............................................................. 29
2
2.12.3. PROCESO DE ORTONORMALIZACIÓN DE GRAM-SCHMIDT. .............................. 30

2.12.4. MATRIZ ORTOGONAL. ...................................................................................... 32
2.12.5. PROYECCIÓN ORTOGONAL. ............................................................................. 33
BIBLIOGRAFÍA ...................................................................................................................................... 35
3
2. Espacios Vectoriales
a. Resumen
En esta Unidad vamos a estudiar los conceptos, definiciones, notación,

operaciones y propiedades fundamentales de los Espacios Vectoriales. Así
mismo, veremos las aplicaciones de los Espacios Vectoriales en varias áreas.
b. Introducción
Los conjuntos 𝑅2 (vectores en el plano) y 𝑅3 (vectores en el espacio) cuentan

con muchas propiedades interesantes. Se pueden sumar dos vectores en 𝑅2 y
obtener otro vector en 𝑅2 . Bajo la suma, los vectores de 𝑅2 obedecen las leyes
conmutativa y asociativa. Si 𝑥 ∈ 𝑅2 ,
𝑥 + 0 = 𝑥 y 𝑥 + (−𝑥 ) = 0. Se pueden multiplicar vectores en 𝑅2 por escalares y

obtener las leyes distributivas. Las mismas propiedades se cumplen en 𝑅3 .
Los conjuntos 𝑅2 y 𝑅3 junto con las operaciones de adición de vectores y

multiplicación por un escalar se denominan Espacios Vectoriales. De manera
intuitiva, se puede decir que un Espacio Vectorial es un conjunto de objetos
junto con dos operaciones que obedecen las reglas que acaban de
mencionarse.
c. Subtítulos
2. Espacios Vectoriales.
2.1. Definición.
2.2. Axiomas.
2.3. Ejemplos de Espacios Vectoriales.
2.4. Subespacios.
2.4.1. Definición.
2.4.2. Condiciones para que un subconjunto sea un subespacio.
2.4.3. Ejemplos.
2.4.4. Intersección de dos subespacios.
2.5. Combinación Lineal.
2.5.1. Definición.
2.5.2. Conjunto Generador.
4
2.5.3. Espacio Generado por un conjunto de vectores.

2.6. Independencia Lineal.
2.6.1. Vectores linealmente independientes.
2.6.2. Vectores linealmente dependientes.
2.7. Interpretación geométrica de la dependencia Lineal en 𝑅3 .
2.8. Condiciones para que un conjunto de 𝑛 vectores sean linealmente
dependientes.
2.8.1. Base.
2.8.1.1 Definición.
2.8.1.2 Base canónica.
2.8.1.3 Dimensión de un espacio vectorial.
2.8.1.4 Base para el espacio de solución de un sistema
homogéneo.
2.9. Rango, nulidad, espacio de los renglones y espacios de las columnas de
una matriz.
2.9.1. Espacio nulo (kernel).
2.9.2. Nulidad de una matriz.
2.9.3. Imagen de una matriz.
2.9.4. Rango de una matriz.
2.9.5. Espacio de los renglones de una matriz.
2.9.6. Espacio de las columnas de una matriz.
2.10. Cambio de base.
2.10.1. Concepto.
2.10.2. Matriz transición.
2.10.3. Procedimiento para encontrar la matriz transición de la
base canónica a otra base.
2.11. Producto Interno.
2.11.1. Definición.
2.11.2. Ejemplos.
2.11.3. Propiedades.
2.12. Bases ortonormales y proyecciones en 𝑅𝑛
2.12.1. Conjunto ortonormal.
2.12.2. Longitud o norma de un vector.
2.12.2. Proceso de ortonormalización de Gram-Schmidt.
5
2.12.3. Matriz ortogonal.

2.12.4. Proyección ortogonal.
2.1. Definición.
Un espacio vectorial real V, es un conjunto de objetos denominados vectores,
junto con dos operaciones binarias llamadas suma y multiplicación por un escalar
y que satisfacen los diez axiomas enumerados a continuación:
2.2. Axiomas.
1. Axiomas de clausura o de cerradura:
𝐴𝑥1: si 𝑢 𝑦 𝑣 son objetos de 𝑉  𝑢 + 𝑣 ∈ 𝑉
𝐴𝑥2 : sí 𝑢 ∈ 𝑉 y 𝑘 es un escalar  𝑘𝑢 ∈ 𝑉
2. Axiomas de la Adición: Sean 𝑢, 𝑣 , 𝑤 objetos de 𝑉.
𝐴𝑥3(conmutativa): 𝑢 + 𝑣 = 𝑣 + 𝑢
𝐴𝑥4(asociativa): 𝑢 + (𝑣 + 𝑤) = (𝑢 + 𝑣) + 𝑤
𝐴𝑥5(existencia del neutro aditivo): existe un objeto 0 ∈ 𝑉, tal que:
0+𝑢 =𝑢+0= 𝑢
𝐴𝑥6(existencia del inverso aditivo): ∀𝑢 ∈ 𝑉, ∃ − 𝑢 ∈ 𝑉, tal que: 𝑢 +
(−𝑢) = 0
3. Axiomas de la multiplicación por escalar (sean: 𝑎 𝑦 𝑏 escalares cualesquiera;
𝑢 𝑦 𝑣 objetos de 𝑉):
𝐴𝑥7 (distributividad respecto a la adición): 𝑎(𝑢 + 𝑣) = 𝑎. 𝑢 + 𝑎. 𝑣
𝐴𝑥8 (distributividad respecto a la adición en los números reales):
(𝑎 + 𝑏)𝑢 = 𝑎. 𝑢 + 𝑏. 𝑢
𝐴𝑥9 (asociatividad): 𝑎(𝑏𝑢) = (𝑎𝑏)𝑢
𝐴𝑥10 (existencia del neutro multiplicativo): 1. 𝑢 = 𝑢
2.3. Ejemplos.
✓ Espacio 𝑅𝑛 , esta notación se usa frecuentemente para designar todas
las n–plas de elementos de los reales, en este espacio la suma
vectorial y el producto por un escalar se define como la suma y el
producto entre vectores.
✓ Espacio de matrices: la notación 𝑀𝑚𝑥𝑛 , se utilizará para designar el

conjunto de todas las matrices, en este espacio la adición vectorial se
6
define como la suma de matrices y la multiplicación escalar vectorial

se define como la multiplicación escalar matricial.
✓ Espacio de Polinomios: el conjunto de polinomios
𝑃(𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 , en este espacio la adición

vectorial está definida como la suma de polinomios y la multiplicación
por escalar como el producto de un polinomio por una constante.
✓ El conjunto de puntos en 𝑅2 que están en una recta que pasa por el

origen constituye un espacio vectorial.
El conjunto dado podríamos representarlo como:
𝑉 = {(𝑥, 𝑦): 𝑦 = 𝑚𝑥,donde 𝑚 es un numero real fijo y 𝑥 es un número

real arbitrario}
𝐴𝑥1 : Sean 𝑢 = (𝑥1 , 𝑦1 ) y 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉 → 𝑦1 = 𝑚𝑥1 ; 𝑦2 = 𝑚𝑥2
𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) → 𝑦1 + 𝑦2 = 𝑚(𝑥1 + 𝑥2 ) → 𝑢 + 𝑣 ∈ 𝑉
Por tanto, se cumple el axioma 1).
𝐴𝑥2 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 𝑘 es un escalar → 𝑦1 = 𝑚𝑥1
𝑘𝑢 = 𝑘(𝑥1 , 𝑦1 ) → 𝑘𝑦1 = 𝑚𝑘𝑥1 = (𝑘𝑦1 ) = 𝑚(𝑘𝑥1 ) → 𝑘𝑢 ∈ 𝑉
𝐴𝑥3 : Sean 𝑢 = (𝑥1 , 𝑦1 ) y 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉 → 𝑦1 = 𝑚𝑥1 ; 𝑦2 = 𝑚𝑥2
𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) → 𝑦1 + 𝑦2 = 𝑚(𝑥1 + 𝑥2 ) =

𝑚(𝑥2 + 𝑥1 ) = 𝑦2 + 𝑦1
→ 𝑢+𝑣 =𝑣+𝑢
𝐴𝑥4: Sean 𝑢 = (𝑥1 , 𝑦1 ) ; 𝑣 = (𝑥2 , 𝑦2 ) 𝑦 𝑤 = (𝑥3 , 𝑦3 ) ∈ 𝑉

→ 𝑦1 = 𝑚𝑥1 ; 𝑦2 = 𝑚𝑥2 ; 𝑦3 = 𝑚𝑥3 ;
𝑢 + (𝑣 + 𝑤) = (𝑥1 , 𝑦1 ) + [(𝑥2 , 𝑦2 ) + (𝑥3 , 𝑦3 )]
= (𝑥1 , 𝑦1 ) + (𝑥2 + 𝑥3 , 𝑦2 + 𝑦3 )
𝑢 + (𝑣 + 𝑤) = [𝑥1 + (𝑥2 + 𝑥3 ), 𝑦1 + (𝑦2 + 𝑦3 )] =
𝑢 + (𝑣 + 𝑤) = [(𝑥1 + 𝑥2 ) + 𝑥3 , (𝑦1 + 𝑦2 ) + 𝑦3 ]=(𝑢 + 𝑣) + 𝑤
→ 𝑦1 + (𝑦2 + 𝑦3 ) = 𝑚𝑥1 + (𝑚𝑥2 + 𝑚𝑥3 ) →
(𝑦1 + 𝑦2 ) + 𝑦3 = (𝑚𝑥1 + 𝑚𝑥2 ) + 𝑚𝑥3
7
𝐴𝑥5: Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 0 = (0,0) → 𝑦1 = 𝑚𝑥1

0 + 𝑢 = (𝑥1 , 𝑦1 ) + (0,0) = (𝑥1 + 0, 𝑦1 + 0) = (𝑥1 , 𝑦1 ) = 𝑢
→ 𝑦1 + 0 = 𝑚𝑥1 + 0 →→ 𝑦1 = 𝑚𝑥1
𝐴𝑥6: Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y −𝑢 = (−𝑥1 , −𝑦1 )

𝑢 + (−𝑢) = (𝑥1 , 𝑦1 ) + (−𝑥1 , −𝑦1 ) = (𝑥1 − 𝑥1 , 𝑦1 − 𝑦1 ) = (0,0)
→ 𝑦1 + (−𝑦1 ) = 𝑚𝑥1 + (−𝑚𝑥1 ) → 0 = 𝑚. 0
𝐴𝑥7 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ; 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉 y 𝑎 ∈ 𝑅

𝑎(𝑢 + 𝑣) = 𝑎(𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 ) = (𝑎𝑥1 + 𝑎𝑥2 , 𝑎𝑦1 + 𝑎𝑦2 )
𝑎(𝑢 + 𝑣) = (𝑎𝑥1 , 𝑎𝑦1 ) + (𝑎𝑥2 , 𝑎𝑦2 ) = 𝑎𝑢 + 𝑎𝑣
→ 𝑎(𝑦1 + 𝑦2 ) = 𝑎(𝑚𝑥1 + 𝑚𝑥2 ) → (𝑎𝑦1 + 𝑎𝑦2 ) = (𝑎𝑚𝑥1 + 𝑎𝑚𝑥2 )

𝐴𝑥8 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 𝑎 𝑦 𝑏 ∈ 𝑅

(𝑎 + 𝑏)𝑢 = (𝑎 + 𝑏)( 𝑥1 , 𝑦1 ) = [(𝑎 + 𝑏)𝑥1 , (𝑎 + 𝑏)𝑦1 ]
(𝑎 + 𝑏)𝑢 = 𝑎( 𝑥1 , 𝑦1 ) + 𝑎( 𝑥1 , 𝑦1 ) = 𝑎𝑢 + 𝑏𝑢
→ (𝑎 + 𝑏)𝑦1 = (𝑎 + 𝑏)𝑚𝑥1 → (𝑎𝑦1 + 𝑏𝑦1 ) = (𝑎𝑚𝑥1 + 𝑏𝑚𝑥1 )

𝐴𝑥9 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 𝑎 𝑦 𝑏 ∈ 𝑅

𝑎(𝑏𝑢) = (𝑎𝑏)(𝑥1 , 𝑦1 ) = [(𝑎𝑏)𝑥1 , (𝑎𝑏)𝑦1 ] = [𝑎(𝑏𝑥1 ), 𝑎(𝑏𝑦1 )] = 𝑎(𝑏𝑢)
→ (𝑎𝑏)𝑦1 = (𝑎𝑏)𝑚𝑥1 → 𝑎(𝑏𝑦1 ) = 𝑎𝑚(𝑏𝑥1 )
𝐴𝑥10 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 1 ∈ 𝑅
1. 𝑢 = 1(𝑥1 , 𝑦1 ) = (1𝑥1 , 1𝑦1 ) = (𝑥1 , 𝑦1 ) = 𝑢
→ (1)𝑦1 = (1)𝑚𝑥1 → 𝑦1 = 𝑚𝑥1

∴ El conjunto de puntos en 𝑅2 que están en una recta que pasa por el

origen constituye un espacio vectorial.
8
✓ El conjunto de puntos en 𝑅2 que están sobre una recta que no pasa

por el origen no constituye un espacio vectorial.
El conjunto dado podríamos representarlo como:
𝑉 = {(𝑥, 𝑦): 𝑦 = 𝑚𝑥 + 𝑏, donde 𝑚 es un numero real fijo y 𝑥 es un

número real arbitrario,𝑏 ≠ 0}
Podríamos considerar el conjunto de puntos que están sobre la recta

𝑦 = 3𝑥 + 1, entonces:
𝑉 = {(𝑥, 𝑦): 𝑦 = 3𝑥 + 1,donde 𝑥 es un número real arbitrario}
𝐴𝑥1 : Sean 𝑢 = (𝑥1 , 𝑦1 ) y 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉
→ 𝑦1 = 𝑚𝑥1 + 1; 𝑦2 = 𝑚𝑥2 + 1
𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 )
→ 𝑦1 + 𝑦2 = (𝑚𝑥1 + 1) + (𝑚𝑥2 + 1) = 𝑚(𝑥1 + 𝑥2 ) + 𝟐 → 𝑢 + 𝑣 ∉ 𝑉
Por tanto, no se cumple el axioma 1).
∴ El conjunto de puntos en 𝑅2 que están sobre una recta que no pasa

por el origen no constituye un espacio vectorial.
2.4. Subespacios.
2.4.1. Definición.
Sea 𝑉 un espacio vectorial y 𝑆 un subconjunto no vacío de 𝑉, se dice que 𝑆
es un subespacio de 𝑉 si es cerrado bajo las operaciones de adición y
multiplicación por un escalar, y, además contiene el elemento cero.
2.4.2. Condiciones para que un subconjunto sea un subespacio.
Un subconjunto no vacío 𝑆 de 𝑉, es un subespacio de 𝑉 si se cumplen las
dos reglas de clausura o cerradura, es decir:
a) Si 𝑢 𝑦 𝑣 ∈ 𝑆 → 𝑢 + 𝑣 ∈ 𝑆
b) Si 𝑢 ∈ 𝑆˄ 𝐾 ∈ 𝑅 → 𝑘𝑢 ∈ 𝑆
Nota:
9
• El espacio generado por un subconjunto 𝑆 ≠ ∅ de 𝑅𝑛 es un Subespacio de

𝑅𝑛
• 𝑅𝑛 es un Subespacio de sí mismo y el subconjunto 0 de 𝑅𝑛 también es un
Subespacio de 𝑅𝑛 , estos dos Subespacios se llaman “Subespacios Triviales”
y todos los demás se denominan “Subespacios Propios” de 𝑅𝑛 .
2.4.3. Ejemplos.
✓ Sea 𝑆 = {(𝑥, 𝑦, 𝑧) ∈ 𝑅3 ⁄ −𝑥 + 𝑦 − 3𝑧 = 0}
a. Determinar si 𝑆 es un subespacio vectorial.
b. ¿Es posible encontrar el valor de 𝑎 tal que el vector (3,5𝑎, −2) ∈ 𝑆?
Solución
Determinemos un vector genérico de 𝑆 , partimos de la ecuación:
−𝑥 + 𝑦 − 3𝑧 = 0, de donde 𝑥 = 𝑦 − 3𝑧, luego cualquier vector 𝑢 de la forma:
𝑢 = (𝑦 − 3𝑧, 𝑦, 𝑧) ∈ 𝑆,
a. Para determinar si 𝑆 es un subespacio vectorial de 𝑅3 , debemos probar

que;
1. (0,0,0) ∈ 𝑆, si 𝑢 = (𝑦 − 3𝑧, 𝑦, 𝑧) sea 𝑦 = 𝑧 = 0 → 𝑢 = (0,0,0) ∴ {0} ∈ 𝑆.
2. Sean 𝑢 = (𝑦1 − 3𝑧1 , 𝑦1 , 𝑧1 ) y 𝑢 = (𝑦2 − 3𝑧2 , 𝑦2 , 𝑧2 ), elementos de 𝑆,

debemos probar que 𝑢 + 𝑣 ∈ 𝑆.
𝑢 + 𝑣 = (𝑦1 − 3𝑧1 , 𝑦1 , 𝑧1 ) + (𝑦2 − 3𝑧2 , 𝑦2 , 𝑧2 )
𝑢 + 𝑣 = (𝑦1 − 3𝑧1 + 𝑦2 − 3𝑧2 , 𝑦1 + 𝑦2 , 𝑧1 + 𝑧2 )
𝑢 + 𝑣 = [(𝑦1 + 𝑦2 ) − 3(𝑧1 + 𝑧2 ), (𝑦1 + 𝑦2 ), (𝑧1 + 𝑧2 )] → 𝑢 + 𝑣 ∈ 𝑆
3. Sea 𝑢 = (𝑦 − 3𝑧, 𝑦, 𝑧) ∈ 𝑆 y 𝑘 un escalar, debemos probar que 𝑘𝑢 ∈ S
𝑘𝑢 = 𝑘(𝑦 − 3𝑧, 𝑦, 𝑧) = [𝑘(𝑦 − 3𝑧), 𝑘𝑦, 𝑘𝑧] → 𝑘𝑢 ∈ 𝑆
∴ S es un subespacio de 𝑅3 .
b. El vector (3,5𝑎, −2) ∈ 𝑆 sí y solo si:

3
3 = 5𝑎 − 3(−2) → 5𝑎 = 3 − 6 → 𝑎 = − 5
10
2.4.4. Intersección de dos subespacios.

Sea 𝑉 un espacio vectorial; 𝑆 𝑦 𝑇 dos subespacios vectoriales de 𝑉. La
intersección de los subespacios vectoriales 𝑆 𝑦 𝑇 esta dado por el conjunto de
vectores del espacio vectorial que pertenecen, simultáneamente a los
subespacios vectoriales 𝑆 𝑦 𝑇, es decir: 𝑆 ∩ 𝑇 = {𝑢 ∈ 𝑉/𝑢 ∈ 𝑆˄ 𝑢 ∈ 𝑇}.
Ejemplo:
✓ Determinar el subespacio intersección entre los subespacios:
𝑆 = {(𝑢1 , 𝑢2 , 𝑢3 ) ∈ 𝑅3 /𝑢1 + 𝑢2 − 𝑢3 = 0} y
𝑇 = {(𝑢1 , 𝑢2 , 𝑢3 ) ∈ 𝑅3 /𝑢1 − 2𝑢2 + 𝑢3 = 0}
Solución
Necesitamos determinar los vectores del espacio vectorial 𝑅3 , que pertenecen

simultáneamente a 𝑆 𝑦 𝑇.
Considerando 𝑢 = (𝑢1 , 𝑢2 , 𝑢3 ) ∈ 𝑅3 , tal que: 𝑢 ∈ 𝑆˄ 𝑢 ∈ 𝑇, entonces 𝑢 debe de

satisfacer las condiciones:
𝑢1 + 𝑢2 − 𝑢3 = 0 … (1)
{
𝑢1 − 2𝑢2 + 𝑢3 = 0 … (2)
Interceptamos las ecuaciones (1) y (2)
→ 2𝑢1 − 𝑢2 = 0 → 𝑢2 = 2𝑢1 , sustituyendo el valor obtenido de 𝑢2 en la

ecuación (1), 𝑢1 + 𝑢2 − 𝑢3 = 0 → 𝑢1 + 2𝑢1 − 𝑢3 = 0 → 3𝑢1 − 𝑢3 = 0 → 𝑢3 = 3𝑢1.
Por lo tanto, el subespacio intersección esta dado por:
𝑆 ∩ 𝑇 = {(𝑢1 , 𝑢2 , 𝑢3 ) ∈ 𝑅3 /𝑢2 = 2𝑢1 ˄𝑢3 = 3𝑢1 },
o bien: 𝑆 ∩ 𝑇 = {𝑢 = (𝜆, 2𝜆, 3𝜆) ∈ 𝑅3 /𝜆 ∈ 𝑅}
2.5. Combinación Lineal.

2.5.1. Definición.
Sean v1 , v 2 ,....., v n vectores de un espacio vectorial 𝑉, se dice que un vector
𝑣 ⊂ 𝑉 es combinación lineal (C.L) de v1 , v 2 ,....., v n si existen los escalares
c1 , c 2 ,...., c n tal que v = c1 .v1 + c 2 .v 2 + ..... + c n .v n
11
Ejemplos:
✓ Expresar (si es posible) el vector (-7,7,7) como combinación lineal de los

vectores (-1,2,4) y (5,-3,1).
Utilizando la definición de CL, tenemos que:
(−7,7,7) = 𝑐1 (−1,2,4) + 𝑐2 (5, −3,1)
Aplicando la definición de multiplicación de un vector por un escalar, se
obtiene:
(−7,7,7) = (−𝑐1 , 2𝑐1, 4𝑐1 ) + (5𝑐2 , −3𝑐2, 𝑐2 )
Por la operación de adición de vectores:
(−7,7,7) = (−𝑐1 + 5𝑐2 , 2𝑐1 − 3𝑐2 , 4𝑐1 + 𝑐2 )
Aplicando la igualdad de vectores, obtenemos el siguiente sistema de
ecuaciones:
−7 = −𝑐1 + 5𝑐2
{7 = 2𝑐1 − 3𝑐2
7 = 4𝑐1 + 𝑐2
Resolviendo el sistema de ecuaciones:
−7 = −𝑐1 + 5𝑐2 … . (1)
{ 7 = 2𝑐1 − 3𝑐2 … . (2) ; interceptando 2.(1)y (2)
7 = 4𝑐1 + 𝑐2 … . (3)
−14 = −2𝑐1 + 10𝑐2

→ −7 = 7𝑐2 → 𝑐2 = −1
7 = 2𝑐1 − 3𝑐2
Sustituyendo el valor obtenido 𝑐2 = −1, en la ecuación (1), obtenemos

−7 = −𝑐1 + 5. (−1) → −𝑐1 = −7 + 5 → 𝑐1 = 2
Sustituimos los valores obtenidos en la ecuación (3), de manera a
verificar que ambos escalares sean solución del sistema de ecuaciones
dados:
7 = 4.2 + (−1) →7 = 7
Por lo que concluimos que los valores obtenidos verifican el sistema de
ecuaciones dado, por lo que se puede concluir que el vector (-7,7,7)
puede expresarse como combinación lineal de los vectores (-1,2,4) y
(5,3,1), dicha combinación lineal está dada por:
(−7,7,7) = 2(−1,2,4) − (5, −3,1)
12
✓ Expresar el vector 𝑣 = (1, −2,5) en 𝑅3 como combinación lineal de los

vectores 𝑢1 , 𝑢2 , 𝑢3 ,siendo 𝑢1 = (1, −3,2); 𝑢2 = (2, −4, −1); 𝑢3 = (1, −5,7).
Partimos de la definición de CL:
𝑣 = 𝑐1 𝑢1 + 𝑐2 𝑢2 + 𝑐3 𝑢3
Sustituimos los vectores por sus componentes correspondientes,
(1, −2,5) = 𝑐1 (1, −3,2) + 𝑐2 (2, −4, −1) + 𝑐3 (1, −5,7)
Aplicando la operación de multiplicación de un escalar por un vector, se
tiene que:
(1, −2,5) = (𝑐1 , −3𝑐1 , 2𝑐1 ) + (2𝑐2 , −4𝑐2 , −𝑐2 ) + (𝑐3 , −5𝑐3 , 7𝑐3 )
Por adición de vectores,
(1, −2,5) = (𝑐1 + 2𝑐2 + 𝑐3 , −3𝑐1 − 4𝑐2 − 5𝑐3 , 2𝑐1 − 𝑐2 + 7𝑐3 )
Por igualdad de vectores, se obtiene el siguiente sistema de ecuaciones:
1 = 𝑐1 + 2𝑐2 + 𝑐3
{ −2 = −3𝑐 1 − 4𝑐2 − 5𝑐3
5 = 2𝑐1 − 𝑐2 + 7𝑐3
Si resolvemos el Sistema de Ecuaciones utilizando el Método de Gauss,
formamos la matriz ampliada y reducimos a la forma escalonada:
1 2 1 = 1 1 2 1 = 1
(−3 −4 −5 = −2) ~ (0 2 −2 = 1) 𝑓2 + 3𝑓1 → 𝑓2 ~
2 −1 7 = 5 0 −5 5 = 3 𝑓3 − 2𝑓1 → 𝑓3
1 2 1 = 1 1 2 1 = 1
1 1⁄
(0 1 −1 = 1⁄2) 𝑓2 → 𝑓2 ~ (0 1 −1 = 2)
2 11⁄ 𝑓3 + 5𝑓2 → 𝑓3
0 −5 5 = 3 0 0 0 = 2
Obtenemos el siguiente sistema escalonado reducido:
𝑐1 + 2𝑐2 + 𝑐3 = 1
{ 𝑐2 − 𝑐3 = 1⁄2
0. 𝑐3 = 11⁄2
De la última ecuación podemos concluir que el sistema no admite
solución, no existe valor de 𝑐3 que verifique dicha igualdad. Por tanto 𝑣 no
es CL de los vectores 𝑢1 , 𝑢2 , 𝑢3 .
 5 − 1 1 0 0 3 1 1 
✓ Verificar si:   es C.L. de  ,  ,  .
11 1  3 0 0 1 1 1 
Expresamos la matriz dada como una CL del conjunto de matrices:
1 0 0 3 1 1
[ 5 −1] = 𝑐1 [ ] + 𝑐2 [ ] + 𝑐3 [ ]
11 1 3 0 0 1 1 1
Aplicando las operaciones de multiplicación por escalar y adición de
matrices, se tiene que:
13
𝑐 + 𝑐3 3𝑐2 + 𝑐3
[ 5 −1] = [ 1 ]
11 1 3𝑐1 + 𝑐3 𝑐2 + 𝑐3
Por igualdad de matrices, obtenemos el sistema de ecuaciones:
𝑐1 + 𝑐3 = 5
3𝑐2 + 𝑐3 = −1
{
3𝑐1 + 𝑐3 = 11
𝑐2 + 𝑐3 = 1
Formando la matriz ampliada y escalonando la matriz:
1 1 : 5 1 1 : 5
3 1 : −1 2 𝑓 − 3𝑓 1 → 𝑓2 0 −2 : −16
( ) ~( )
3 1 : 11 𝑓3 − 3𝑓1 → 𝑓3 0 −2 : −4
1 1 : 1 𝑓4 − 𝑓1 → 𝑓4 0 0 : −4
La última fila de la matriz nos permite concluir que el sistema de ecuaciones
no admite solución, considerando que 0. 𝑐1 = −4, no existe valor real de 𝑐1
que verifique dicha ecuación.
 5 − 1 1 0 0 3 1 1 
Por tanto,   no es C.L. del conjunto  ,  , 
11 1  3 0 0 1 1 1 
2.5.2. Conjunto Generador.
Sea 𝑉 un espacio vectorial, se dice que U = u1, u 2 , ..., u k  de 𝑉, es un conjunto
generador de 𝑉 si todo vector de 𝑉 se puede expresar como combinación lineal

de u1, u 2 , ..., u k  , es decir: si ∀𝑣 ∈ 𝑉 → 𝑣 = ∑𝑘𝑖=1 𝑐𝑖 𝑢𝑖 con 𝑎𝑖 ∈ 𝑅.
OBS.:
Aunque todo elemento de 𝑉 se expresa como CL de un conjunto generador
de 𝑉 dicha representación no necesariamente es única.
Ejemplos:
✓ Los vectores coordenados unitarios son conjuntos generadores

considerando que cualquier vector de ese espacio puede expresarse
como una combinación lineal de ellos.
Espacio Vectores
𝑅2 i= (1,0); j= (0,1)
𝑅3 i= (1,0,0); j= (0,1,0); k= (0,0,1)
✓ Los vectores (1,2) y (2,3) generan 𝑅2 .
14
Para probar que dichos vectores generan 𝑅2 , debemos de probar que

todo vector de 𝑅2 , se puede expresar como CL de ellos, es decir dado
(𝑥, 𝑦)𝜖𝑅2 , deben de existir los escalares 𝑐1 , 𝑐2 tales que:
(𝑥, 𝑦) = 𝑐1 (1,2) + 𝑐2 (2,3)
Aplicando las operaciones de multiplicación por un escalar y adición de
vectores, se tiene que:
(𝑥, 𝑦) = (𝑐1 + 2𝑐2 , 2𝑐1 + 3𝑐2 )
Por igualdad de vectores, obtenemos el siguiente sistema:
𝑥 = 𝑐1 + 2𝑐2 … (1)
{
𝑦 = 2𝑐1 + 3𝑐2 … (2)
Resolviendo el sistema de ecuaciones (1) (-2) y (2), resulta:
−2𝑥 = −2𝑐1 − 4𝑐2
→ −2𝑥 + 𝑦 = −𝑐2 → 𝑐2 = 2𝑥 − 𝑦
𝑦 = 2𝑐1 + 3𝑐2
Sustituyendo el valor obtenido de 𝑐2 en la ecuación (1),
𝑥 = 𝑐1 + 2. (2𝑥 − 𝑦) → 𝑥 = 𝑐1 + 4𝑥 − 2𝑦 → 𝑐1 = 𝑥 − 4𝑥 + 2𝑦 → 𝑐1 = −3𝑥 + 2𝑦
Se obtiene la CL:
(𝑥, 𝑦) = (−3𝑥 + 2𝑦)(1,2) + (2𝑥 − 𝑦)(2,3)
Si realizamos una verificación, para cualquier vector en 𝑅2 , por ejemplo,
si tomamos el vector (1,1), tendríamos que:
(1,1) = (−3.1 + 2.1)(1,2) + (2.1 − 1)(2,3) →(1,1) = (-1) (1,2)
+1(2,3)→(1,1) = (1,1)
Por tanto, podemos concluir que los vectores (1,2) y (2,3) generan 𝑅2 .
2.5.3. Espacio generado por un conjunto de vectores.

Si u1, u 2 , ..., u k  están en Rn, el conjunto de todas las combinaciones lineales

de u1, u 2 , ..., u k  se denota por Gen u u , ..., u
1, 2 k
 y recibe el nombre de
Subespacio de Rn generado por U = u1, u 2 , ..., u k 
Ejemplos:
✓ Hallar el espacio generado por los vectores (1, −3,2) y (2, −1,1).
Para hallar el espacio generado por los vectores dados, debemos de
determinar los vectores que pueden expresarse como una combinación
lineal de ellos, es decir: hallar 𝑐1 , 𝑐2 tales que:
15
(𝑥, 𝑦, 𝑧) = 𝑐1 (1, −3,2) + 𝑐2 (2, −1,1)

Aplicando las definiciones de multiplicación por un escalar, adición de
vectores e igualdad de vectores, obtenemos el siguiente sistema de
ecuaciones lineales:
𝑥 = 𝑐1 + 2𝑐2
{𝑦 = −3𝑐1 − 𝑐2
𝑧 = 2𝑐1 + 𝑐2
Para resolver el sistema, aplicamos el Método de Gauss. Formamos la
matriz ampliada
Y procedemos a escalonar:
1 2 : 𝑥 1 2 : 𝑥
(−3 −1 : 𝑦 ) ~ (0 5 : 3𝑥 + 𝑦 ) 𝑓2 + 3𝑓1 → 𝑓2 ~
2 1 : 𝑧 0 −3 : −2𝑥 + 𝑧 𝑓3 − 2𝑓1 → 𝑓3
1 2 : 𝑥
1 2 𝑥 : 3𝑥 + 𝑦
3𝑥 + 𝑦 1 0 1 :
(0 1 : ) ⁄5 𝑓2 → 𝑓2 ~ 5
5 −𝑥 + 3𝑦 + 5𝑧 𝑓3 + 3𝑓2 → 𝑓3
0 −3 : −2𝑥 + 𝑧 0 0 :
( 5 )
Obtenemos el sistema escalonado:
𝑐1 + 2𝑐2 = 𝑥
3𝑥 + 𝑦
𝑐2 =
5
−𝑥 + 3𝑦 + 5𝑧
{0. 𝑐2 = 5
Por lo que el sistema es compatible si y solo si,
−𝑥 + 3𝑦 + 5𝑧 = 0 → 𝑥 − 3𝑦 − 5𝑧 = 0
Por tanto, el espacio generado por los vectores (1, −3,2) y (2, −1,1) esta
dado por:
𝐺𝑒𝑛{(1, −3,2), (2, −1,1)} = {(𝑥, 𝑦, 𝑧)𝜖 𝑅3 : 𝑥 − 3𝑦 − 5𝑧 = 0 }
✓ Indique si el vector x = (2, 3, 1) pertenece al espacio generado por
Gen (1, 2, 1);(3, 5, 0)
Para determinar si el vector x pertenece al Espacio Generado, debemos
de poder expresarlo como CL de los vectores dados, es decir:
(2,3,1) = 𝑐1 (1,2,1) + 𝑐2 (3,5,0)
Aplicando las operaciones de multiplicación por escalar y adición de
vectores, se tiene:
(2,3,1) = (𝑐1 +3𝑐2 , 2𝑐1 + 5𝑐2 , 𝑐1 )
16
Por igualdad de vectores obtenemos el sistema de ecuaciones:

2 = 𝑐1 +3𝑐2 … (1)
{3 = 2𝑐1 + 5𝑐2 … (2)
1 = 𝑐1 … (3)
De la ecuación (3) se tiene que 𝑐1 = 1, sustituyendo en la ecuación (1)
tenemos que:
1
2 = 1 + 3𝑐2 → 2 − 1 = 3𝑐2 → 1 = 3𝑐2 → 𝑐2 =
3
Sustituyendo los valores obtenidos en la ecuación (2) para verificar la
solución, se tiene:
1 11
3 = 2𝑐1 + 5𝑐2 → 3 = 2(1) + 5 ( ) → 3 ≠
3 3
Podemos concluir que el sistema no admite solución, por lo que el vector
𝑥 no pertenece al espacio generado por (1, 2, 1);(3, 5, 0)
2.6. Independencia Lineal.

2.6.1. Vectores Linealmente Independientes (LI).
Un conjunto de vectores 𝑈 = {𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑘 } de un espacio vectorial Rn, es
linealmente independiente (L.I.) o forma un sistema libre, si
𝑐1 𝑢1 + 𝑐2 𝑢2 + 𝑐3 𝑢3 + ⋯ + 𝑐𝑘 𝑢𝑘 = 0 solo se satisface cuando 𝑐1 = 𝑐2 = ⋯ = 𝑐𝑘 = 0
Se dice también que un conjunto es L.I. si genera con unicidad el vector cero.
Ejemplo:
✓ ¿El conjunto {(1,2,3), (1,1,1)} es linealmente independiente?

Expresamos la CL: 𝑐1 (1,2,3) + 𝑐2 (1,1,1) = (0,0,0)
Aplicando las operaciones de multiplicación por escalar, adición de vectores
e igualdad de vectores, obtenemos el siguiente sistema de ecuaciones
lineales homogéneo:
𝑐1 + 𝑐2 = 0… (1)
{2𝑐1 + 𝑐2 = 0… (2)
3𝑐1 + 𝑐2 = 0… (3)
Interceptando las ecuaciones (-1). (1) y (2) resulta:
−𝑐1 − 𝑐2 =0
→ 𝑐1 = 0; sustituyendo en la ecuación (1) se tiene que
2𝑐1 + 𝑐2 =0
𝑐2 = 0. Ambos valores verifican la tercera ecuación, porque el sistema
admite solución trivial, es decir,
𝑐1 = 𝑐2 = 0. Por lo tanto, el conjunto {(1,2,3), (1,1,1)} es LI.
17
Propiedades de la Independencia Lineal.

• El conjunto Vacío se considera Independiente
• Un conjunto U de vectores L.I. en Rn contiene a lo sumo “n” vectores.
2.6.2. Vectores Linealmente Dependientes (LD).
Un conjunto de vectores 𝑈 = {𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑘 } de un espacio vectorial Rn, es
linealmente dependiente (L.D.) o forma un sistema ligado, si hay una C.L. de
ellos que es igual al vector cero, sin que sean cero todos los coeficientes de la
C.L., es decir, si existen escalares 𝑐1 , 𝑐2 , … , 𝑐𝑘 no todos iguales a cero, tales que:
𝑐1 𝑢1 + 𝑐2 𝑢2 + 𝑐3 𝑢3 + ⋯ + 𝑐𝑘 𝑢𝑘 = 0
Ejemplo:
✓ Los vectores 𝑢 = (1, −1,0), 𝑣 = (1,3, −1), 𝑤 = (5,3, −2) son Linealmente
Dependientes.
Expresamos los vectores como una CL,
𝑐1 (1, −1,0) + 𝑐2 (1,3, −1) + 𝑐3 (5,3, −2) = (0,0,0)
Aplicando las operaciones de multiplicación por escalar, adición de

vectores e igualdad de vectores, resulta el sistema de ecuaciones
lineales homogéneo:
𝑐1 + 𝑐2 + 5𝑐3 = 0
{−𝑐1 + 3𝑐2 + 3𝑐3 = 0
−𝑐2 − 2𝑐3 = 0
Formamos la matriz ampliada y aplicamos el Método de Gauss:
1 1 5 : 0 1 1 5 : 0
(−1 3 3 : 0) ~ ( 0 4 8 : 0) 𝑓2 + 𝑓1 → 𝑓2 ~
0 −1 −2 : 0 0 −1 −2 : 0
1 1 5 : 0 1 1 5 : 0
1
(0 1 2 : 0) 4 𝑓2 → 𝑓2 ~ (0 1 2 : 0) ;
0 −1 −2 : 0 0 0 0 : 0 𝑓3 + 𝑓𝑠 → 𝑓3
𝑐1 + 𝑐2 + 5𝑐3 = 0
obtenemos el sistema escalonado{ 𝑐2 + 2𝑐3 = 0, Por lo que el
0𝑐3 = 0
sistema admite infinitas soluciones, 𝑐3 ≠ 0, por tanto, el conjunto es
Linealmente Dependiente.
18
2.7. Interpretación geométrica de la dependencia lineal en 𝑹𝟑 .

Tres vectores en 𝑅3 son linealmente dependientes si y solo si son coplanares.
Ejemplo:
Probamos en el ejemplo anterior que los vectores 𝑢 = (1, −1,0),
𝑣 = (1,3, −1), 𝑤 = (5,3, −2) son linealmente dependientes en 𝑹𝟑 , probaremos

ahora que estos vectores son coplanares:
1 −1 0
𝑢. (𝑣𝑥𝑤) = |1 3 −1| = 1(−6 + 3) + 1(−2 + 5) + 0(3 − 15) = −3 + 3 + 0 = 0
5 3 −2
2.8. Condiciones para que un conjunto de 𝒏 vectores sean

linealmente dependientes.
• Cualquier conjunto que contiene el Vector Cero es Dependiente.
Si consideramos un conjunto de vectores en 𝑅2 que contenga el vector
nulo, por ejemplo: {(𝑥, 𝑦), (0,0)}, expresamos como una CL igualado al
vector nulo, es decir:
𝑐1 (𝑥, 𝑦) + 𝑐2 (0,0) = (0,0) → 𝑐1 = 0, 𝑐2 ∈ 𝑅; 𝑐2 ≠ 0
Por lo que cualquier conjunto que contenga el vector nulo será LD.
• Si varios vectores son L.D.; entonces al menos uno de ellos se puede
expresar como C.L. de los demás.
c2 c
Ej.: 𝑐1 𝑢1 + 𝑐2 𝑢2 + 𝑐3 𝑢3 = 0 → u1 = − u 2 − 3 u3
c1 c1
• Dos vectores del plano son L.D., si sus componentes son proporcionales.
Ej.:𝑢 = (𝑢1 , 𝑢2 ) y 𝑣 = (𝑣1 , 𝑣2 ) tales que
u1 u 2
𝑢 = 𝑘𝑣 → (𝑢1 , 𝑢2 ) = 𝑘(𝑣1 , 𝑣2 ) → 𝑢1 = 𝑘𝑣1 y 𝑢2 = 𝑘𝑣2 → = =k
v1 v2
• Sea S = v1 , v 2 , v3 ,..., v k  de vectores de Rn, donde 𝑘 > 𝑛, entonces S es
LD.
Ejemplo: Si consideramos 𝑅2 el conjunto {(1,2), (0,1), (1,1)}, k
corresponde a la cantidad de vectores que contiene el conjunto, es decir
𝑘 = 3; y 𝑛 la dimensión del espacio que contiene esos elementos, es decir
𝑛 = 2. Tenemos que 𝑘 > 𝑛, expresaremos como una CL para poder
determinar si el conjunto es LD,
19
𝑐1 (1,2) + 𝑐2 (0,1) + 𝑐3 (1,1) = (0,0)

Aplicando las definiciones de multiplicación por un escalar, adición de
vectores e igualdad de vectores, resulta el siguiente sistema de
ecuaciones:
𝑐1 + 𝑐3 = 0… (1)
{
2𝑐1 + 𝑐2 + 𝑐3 = 0… (2)
Resolviendo el sistema si interceptamos (-1)(1) y (2) resulta
−𝑐1 − 𝑐3 = 0
→ 𝑐1 + 𝑐2 = 0 → 𝑐1 = −𝑐2
2𝑐1 + 𝑐2 + 𝑐3 = 0
Sustituyendo el valor obtenido en la ecuación (1), tenemos que:
𝑐3 = 𝑐2 , 𝑐2 ≠ 0.
Por lo que podemos concluir que el conjunto es Linealmente
Dependiente.
2.8.1. Bases.
2.8.1.1. Definición.
El conjunto de vectores 𝐵 es una base del espacio vectorial V, si y solo si, se
cumplen las siguientes condiciones:
a) B es un conjunto linealmente independiente en V.

b) B es un sistema de generadores de V.
Ejemplo:
✓ El conjunto de vectores 𝐴 = {(1,0,0), (0,1,0), (0,0,1)}, estos vectores se

corresponden con la expresión analítica de los vectores canónicos del
espacio 𝑅3
a) El conjunto A es linealmente independiente, si hallamos la CL de los
vectores, se obtiene:
𝑐1 (1,0,0) + 𝑐2 (0,1,0) + 𝑐3 (0,0,1) = (0,0,0)
Aplicando las operaciones correspondientes se obtiene un sistema
compatible, cuya solución es la solución trivial: 𝑐1 = 𝑐2 = 𝑐3 = 0.
b) El conjunto A es un conjunto generador de 𝑅3 , considerando que
cualquier vector de 𝑅3 se puede expresar como CL de ellos, es decir:
Sea 𝑢 = (𝑥, 𝑦, 𝑧) un vector arbitrario de 𝑅3 , se tiene que: 𝑐1 (1,0,0) +
𝑐2 (0,1,0) + 𝑐3 (0,0,1) = (𝑥, 𝑦, 𝑧); donde
𝑐1 = 𝑥; 𝑐2 = 𝑦; 𝑐3 = 𝑧
20
El conjunto forma una base para el espacio 𝑅3 , el mismo es denominado

Base canónica de 𝑅3 .
2.8.1.2. Base Canónica.

Son los formados por los vectores canónicos de cada espacio, 𝑅2 , 𝑅3 , 𝑅4 … 𝑅𝑛 ,
es decir:
Espacio Base canónica

Vectorial
𝑅2 {𝑣1 = (1,0); 𝑣2 = (0,1)}
𝑅3 {𝑣1 = (1,0,0); 𝑣2 = (0,1,0); 𝑣3 = (0,0,1)}
𝑅4 {𝑣1 = (1,0,0,0); 𝑣2 = (0,1,0,0); 𝑣3 = (0,0,1,0); 𝑣4 = (0,0,0,1)}
𝑅𝑛 {𝑣1 = (1,0,0, . . ,0); 𝑣2 = (0,1,0, . . ,0); … … ; 𝑣𝑛 = (0,0,0, . . ,1)}
2.8.1.3. Dimensión de un Espacio Vectorial.

Si el espacio vectorial V tiene una base finita, entonces la dimensión de V es el
número de vectores en todas las bases y V se denomina espacio vectorial de
dimensión finita. Si V={0}, entonces se dice que V tiene dimensión cero.
La dimensión de V se denota por dim V.
Ejemplo:
✓ La dimensión de 𝑅𝑛 , como son 𝑛 vectores linealmente independientes

en 𝑅𝑛 los que constituyen la base, entonces 𝑑𝑖𝑚𝑅𝑛 = 𝑛
2.8.1.4. Base para el espacio solución de un sistema homogéneo.
Consideremos la forma matricial de un sistema de ecuaciones lineales

homogéneo: 𝐴. 𝑋 = 0, sea 𝑆 = {𝑋 ∈ 𝑅𝑛 : 𝐴. 𝑋 = 0} el conjunto solución del
sistema de ecuaciones lineales homogéneas que corresponden a la matriz A.
𝑆 es un subespacio vectorial de 𝑅𝑛 , y se lo denomina Espacio de solución del

Sistema Homogéneo o Espacio nulo de la matriz A.
21
La dimensión del espacio solución 𝑆 del sistema de ecuaciones lineales

homogéneo es 𝑛 − 𝑟, donde 𝑛 es el número de incognitas y 𝑟 es el rango de la
matriz de los coeficientes de 𝐴.
Ejemplo:
✓ Hallar una base y la dimensión para el espacio de solución del sistema

𝑥 + 2𝑦 − 𝑧 = 0
homogéneo:
2𝑥 − 𝑦 + 3𝑧 = 0
1 2 −1
Formamos la matriz de coeficientes: 𝐴 = ( ).
2 −1 3
Ampliamos la matriz de coeficientes y resolvemos el sistema, utilizando
el Método de Gauss-Jordan:
1 2 −1 : 0 1 2 −1 : 0
( ) ~( )
2 −1 3 : 0 𝑓2 − 2𝑓1 → 𝑓2 0 −5 5 : 0 −1⁄5 𝑓2 → 𝑓2
1 2 −1 : 0 𝑓1 − 2𝑓2 → 𝑓1 1 0 1 : 0
~( ) ~( )
0 1 −1 : 0 0 1 −1 : 0
Obtenemos por tanto que: 𝑥 = −𝑧 ˄ 𝑦 = 𝑧. Por tanto, el conjunto solución

está dado por 𝑆 = {(−𝑧, 𝑧, 𝑧): 𝑧 ∈ 𝑅}; una base para S, es (−1,1,1) y 𝑑𝑖𝑚𝑆 = 1
2.9. Rango, nulidad, espacio de los renglones y espacios de las

columnas de una matriz.
2.9.1. Espacio nulo (kernel).
Dada una matriz 𝐴 de orden 𝑚𝑥𝑛, el Espacio nulo de 𝐴, denotado por 𝑁𝐴 esta
dado por:
𝑁𝐴 = {𝑥 ∈ 𝑅𝑛 : 𝐴𝑥 = 0}
El espacio nulo de una matriz también se conoce como kernel.
El conjunto 𝑁𝐴 es un subespacio de 𝑅𝑛 .
2.9.2. Nulidad de una matriz.

Se denomina nulidad de una matriz, a la dimensión del Espacio nulo, se
simboliza por:ʋ(𝐴).
Si 𝑁𝐴 contiene únicamente al vector cero, entonces ʋ(𝐴) = 0.
22
Ejemplo:
1 2 −1
✓ Si consideramos la matriz 𝐴 = ( ), en el ejemplo anterior
2 −1 3
vimos que el conjunto solución está dado por {(−𝑧, 𝑧, 𝑧): 𝑧 ∈ 𝑅} ; por lo
que 𝑁𝐴 = {(−𝑧, 𝑧, 𝑧): 𝑧 ∈ 𝑅}; 𝑦 ʋ(𝐴) = 1
2.9.3. Imagen de una matriz.

Dada una matriz 𝐴 de orden 𝑚𝑥𝑛, la imagen de 𝐴 , denotado por 𝐼𝑚 𝐴 esta
dado por:
𝐼𝑚 𝐴 = {𝑦 ∈ 𝑅𝑚 : 𝐴𝑥 = 𝑦 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑥 ∈ 𝑅𝑛 }
El conjunto 𝐼𝑚 𝐴 es un subespacio de 𝑅𝑚 .
2.9.4. Rango de una matriz.

Se denomina rango de una matriz, a la dimensión de la imagen de A, se
simboliza por:𝜌(𝐴).
Observación: el rango de una matriz es igual al número de pivotes en su forma

escalonada por renglones.
2.9.5. Espacio de los renglones de una matriz.

Dada una matriz 𝐴 de orden 𝑚𝑥𝑛, sí representamos por {𝑟1 , 𝑟2 , … , 𝑟𝑚 } los
renglones de la matriz A, se define:
𝑅𝐴 = 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑛𝑔𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 𝐴 = 𝑔𝑒𝑛 {𝑟1 , 𝑟2 , … , 𝑟𝑚 }
𝑅𝐴 es un subespacio de 𝑅𝑛
2.9.6. Espacio de las columnas de una matriz.

Dada una matriz 𝐴 de orden 𝑚𝑥𝑛, sí representamos por {𝑐1 , 𝑐2 , … , 𝑐𝑛 } las
columnas de la matriz A, se define:
𝐶𝐴 = 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 𝑑𝑒 𝐴 = 𝑔𝑒𝑛 {𝑐1 , 𝑐2 , … , 𝑐𝑛 }
𝐶𝐴 es un subespacio de 𝑅𝑚 .
Observación: Para cualquier matriz A, la imagen de una matriz es igual al

espacio de sus columnas, es decir: 𝐼𝑚 𝐴 = 𝐶𝐴
23
Ejemplo:
1 2 −1
✓ Dada la matriz 𝐴 = ( ); hallar la imagen, el rango, el espacio
2 −1 3
de los renglones y el espacio de las columnas de A.
i) Como la 𝐼𝑚 𝐴 = 𝐶𝐴 , tenemos que las primeras columnas de la matriz
A, son LI en 𝑅2 , formando así una base para 𝑅2 , por tanto 𝐼𝑚 𝐴 =
𝐶𝐴 = 𝑅2
ii) 𝜌(𝐴) = dim 𝐼𝑚𝐴 = dim 𝑅2 = 2
iii) Nos faltaría solo determinar el espacio de los renglones de A, el
mismo estaría dado por:
𝑅𝐴 = 𝑔𝑒𝑛{(1,2, −1), (2, −1,3)}
2.10. Cambio de Base.

2.10.1. Concepto.
Consideremos 𝑎1 , 𝑎2 , … , 𝑎𝑛 son las coordenadas de un vector 𝑣, relativas a una
base 𝑆 de 𝑉.
Representaremos un vector 𝑣 𝜖 𝑉 respecto a una base 𝑆 de 𝑉 por su vector

columna coordenado, definido por:
𝑎1
[𝑣]𝑠 = ( ⋮ ) = [𝑎1 , 𝑎2 , … , 𝑎𝑛 ]𝑇 ; ([𝑣]𝑠 es una matriz de orden 𝑛x1)
𝑎𝑛
Sean 𝑆 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } y 𝑆 , = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } bases del espacio vectorial 𝑉.
Considerando que 𝑆 es una base, cada vector de 𝑆 , puede expresarse de

manera única como combinación lineal de los elementos de 𝑆.
𝑣1 = 𝑐11 𝑢1 + 𝑐12 𝑢2 + ⋯ + 𝑐1𝑛 𝑢𝑛

𝑣2 = 𝑐21 𝑢1 + 𝑐22 𝑢2 + ⋯ + 𝑐2𝑛 𝑢𝑛
⋮ ⋮ ⋮
𝑣𝑛 = 𝑐𝑛1 𝑢1 + 𝑐𝑛2 𝑢2 + ⋯ + 𝑐𝑛𝑛 𝑢𝑛
Formamos la matriz de coeficientes del sistema de ecuaciones:
𝑐11 𝑐12 ⋯ 𝑐1𝑛

𝑐21 𝑐22 ⋯ 𝑐2𝑛
𝐴=( ⋮ ⋮ ⋱ ⋮ )
𝑐𝑛1 𝑐𝑛2 ⋯ 𝑐𝑛𝑛
24
Sea P la matriz transpuesta de la matriz de coeficientes:
𝑐11 𝑐21 ⋯ 𝑐𝑛1

𝑐12 𝑐22 ⋯ 𝑐𝑛2
𝑃=( ⋮ ⋮ ⋱ ⋮ )
𝑐1𝑛 𝑐2𝑛 ⋯ 𝑐𝑛𝑛
2.10.2. Matriz transición.

La matriz anterior P, recibe el nombre de Matriz de transición o Matriz de
Cambio de base, desde la base 𝑆, hasta la base 𝑆 , .
Los vectores 𝑣1 , 𝑣2 , … , 𝑣𝑛 de 𝑆 , , son linealmente independientes, la matriz P es

invertible, su inversa 𝑃−1 es la matriz de cambio de base desde la base 𝑆 , a la
base 𝑆.
2.10.3. Procedimiento para encontrar la matriz transición de la

Base canónica a otra Base.
Considerando la base 𝐵2 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }, el procedimiento es el siguiente:
i) Se escribe la matriz 𝐶 cuyas columnas son 𝑣1 , 𝑣2 , … , 𝑣𝑛 .

ii) Se calcula 𝐶 −1 . Esta es la matriz de transición que se busca.
Ejemplo:
✓ Dada la base 𝐵2 = {(1,0,2); (3, −1,0); (0,1, −2)}y la base canónica

𝐵1 = {𝑖, 𝑗, 𝑘}. Escribir un vector 𝑥 ∈ 𝑅3 , en términos de los vectores en
𝐵2 .
Escribimos la matriz C, cuyas columnas son los elementos de la base

𝐵2 , {(1,0,2); (3, −1,0); (0,1, −2)}
1 3 0
𝐶 = (0 −1 1)
2 0 −2
Para obtener la matriz de transición debemos hallar la matriz inversa

de la matriz C.
Calculamos el determinante de la matriz C utilizando la Regla de Sarrus:
25
1 3 0
1 3 0 0 −1 1
|𝐶| = |0 −1 1 | = ||2 0 −2|| = (2 + 0 + 6) − (0 + 0 + 0) = 8
2 0 −2 1 3 0
0 −1 1
Como |𝐶| ≠ 0, existe la matriz inversa 𝐶 −1 .
Hallamos la matriz adjunta de C;
3 0 3 −1
|−1 0 | − | | | |
1 0 2 1 −2 0 −2 0 1
0 2 1 2 1 0
𝐶 𝑡 = (3 −1 0 ) → 𝐴𝑑𝑗 𝐶 = − | | | | −| |
1 −2 0 −2 0 1
0 1 −2 0 2 1 2 1 0
( |−1 0| −|
3 0
| |
3 −1 )
|
2 6 3 1 2 6 3
−1
𝐴𝑑𝑗 𝐶 = (2 −2 1 ) → 𝑃 = 𝐶 = (2 −2 1 ) →
8
2 6 −1 2 6 −1
1⁄ 3⁄ 3⁄
4 4 8
𝑃= 1 1
⁄4 − ⁄4 1⁄8 , la matriz de transición de 𝐵1 a 𝐵2 .
1 3⁄ 1
( ⁄4 4 − ⁄8)
El vector x en términos de los vectores de 𝐵2 , está dado por:
1⁄ 3⁄ 3⁄ 1⁄ 𝑥 + 3⁄ 𝑦 + 3⁄ 𝑧
4 4 8 𝑥 4 4 8
(𝑥 )𝐵2 = 1⁄ 1⁄ 1 𝑦 1⁄ 1⁄ 1
4 − 4 ⁄8 ( )= 4 𝑥 − 4 𝑦 + ⁄8 𝑧
1 3⁄ 1 𝑧 1 3 1
( ⁄4 4 − ⁄8) ( ⁄4 𝑥 + ⁄4 𝑦 − ⁄8 𝑧)
1
Por ejemplo, si tomamos el vector (𝑥 )𝐵1 = (−2)
4
1⁄ 3⁄ 3⁄ 1⁄
4 4 8 1 4
(𝑥 )𝐵2 = 1 1
⁄4 − ⁄4 1⁄8 (−2)= 1⁄4
1 3⁄ 1 4 −7
( ⁄4 4 − ⁄8) ( ⁄4)
2.11. Producto Interno.

2.11.1. Definición.
Un producto interno (PI) en un espacio vectorial V, es una función que asocia
un número que se denota por u, v con cada par de vectores u y v de V.
26
Esta función debe satisfacer los siguientes axiomas para los vectores u, v y w y
el escalar c:
𝐴𝑥1(simetría): u, v = v, u
𝐴𝑥2(adición): u, v + w = u, v + u, w
𝐴𝑥3(homogeneidad): c. u, v = c.u, v
𝐴𝑥4(positividad): u, u >0 si u  0 y u, u =0  u = 0
2.11.2. Ejemplos:
✓ Hallar el producto interno de los vectores (-4,8) y (6,2), dado el producto
u, v = x1 y1 + 4 x2 y 2 siendo u = (x1 , y1 ); v = (x2 , y2 )
Aplicamos la función definida para el producto y sustituimos los vectores

cuyo producto buscamos hallar:
〈𝑢, 𝑣〉 = 𝑥1 𝑦1 + 4𝑥2 𝑦2 = (−4). 8 + 4.6.2 = −32 + 48 = 16
✓ Demostrar que el siguiente producto, es un producto interno de R 2
u, v = 6u1 .v1 + 2u 2 .v2 siendo u = (u1 , u 2 ); v = (v1 , v2 )
Debemos de probar que se cumplen los cuatro axiomas que definen el

producto interno.
𝐴𝑥1 (simetría): u , v = v, u
Sean 𝑢 = (𝑢1 , 𝑢2 ) y 𝑣 = (𝑣1 , 𝑣2 ), partimos de la definición de 𝑢. 𝑣
𝑢. 𝑣 = 6𝑢1 𝑣1 + 2𝑢2 𝑣2 = ⏟
6𝑣1 𝑢1 + 2𝑣2 𝑢2 = 𝑣.
⏟ 𝑢
𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑒𝑛 𝑅 𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑃𝐼
𝐴𝑥2 (adición): u, v + w = u, v + u, w
Sean 𝑢 = (𝑢1 , 𝑢2 ), 𝑣 = (𝑣1 , 𝑣2 ) y 𝑤 = (𝑤1 , 𝑤2 ) partimos de la definición de
〈𝑢, 𝑣 + 𝑤〉 = [(𝑢1 , 𝑢2 ), ⏟ [6𝑢1. (𝑣1 + 𝑤1 ) + 2𝑢2 . (𝑣2 + 𝑤2 )]=

(𝑣1 + 𝑤1 , 𝑣2 + 𝑤2 )] = ⏟
𝑎𝑑𝑖𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑣 𝑦 𝑤 𝑑𝑒𝑓𝑖𝑛𝑖ó𝑛 𝑑𝑒 𝑃𝐼
[6𝑢1. 𝑣1 + 6𝑢1. 𝑤1 + 2𝑢2 . 𝑣2 + 2𝑢2 . 𝑤2 ] = ⏟

=⏟ (6𝑢1. 𝑣1 + 2𝑢2 . 𝑣2 ) + (6𝑢1. 𝑤1 + 2𝑢2 . 𝑤2 )
𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑒𝑛 𝑅 𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑦 𝑎𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑒𝑛 𝑅
27
〈𝑢, 𝑣 + 𝑤〉 = ⏟
〈𝑢, 𝑣〉 + 〈𝑢, 𝑤〉
𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑃𝐼
𝐴𝑥3(homogeneidad): c. u, v = c.u, v
Sean 𝑢 = (𝑢1 , 𝑢2 ) y 𝑣 = (𝑣1 , 𝑣2 ) y 𝑐 ∈ 𝑅. Partimos del primer miembro de la

igualdad: 𝑐〈𝑢, 𝑣〉 = 𝑐. (6𝑢 𝑐. (6𝑢1 𝑣1 ) + 𝑐. (2𝑢2 𝑣2 )
⏟ 1 𝑣1 + 2𝑢2 𝑣2 ) = ⏟
𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑃𝐼 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑒𝑛 𝑅
𝑐 〈𝑢, 𝑣〉 = 6(𝑐𝑢1 )𝑣1 + 2(𝑐𝑢2 )𝑣2

⏟ = 〈⏟
𝑐𝑢, 𝑣〉
𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑡𝑖𝑣𝑎 𝑦 𝑎𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑎 𝑒𝑛 𝑅 𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑃𝐼
𝐴𝑥4(positividad): u, u >0 si u  0 y u, u =0  u = 0
Sea 𝑢 = (𝑢1 , 𝑢2 ) → 𝑢. 𝑢 = 6𝑢
⏟ 1 𝑢1 + 2𝑢2 𝑢2 = ⏟(𝑢1 )2 + 2(𝑢2 )2
6
𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑃𝐼 𝑑𝑒𝑓𝑖𝑛𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑅
⏟ 1 )2 + 2⏟(𝑢2 )2 > 0
Si 𝑢 ≠ 0 → (𝑢1 , 𝑢2 ) ≠ (0,0) → 𝑢. 𝑢 = 6(𝑢
>0 >0
⏟ 1 )2 + 2⏟(𝑢2 )2 = 0
Si 𝑢 = 0 → (𝑢1 , 𝑢2 ) = (0,0) → 𝑢. 𝑢 = 6(𝑢
=0 =0
La función u, v = 6u1 .v1 + 2u 2 .v2 satisface los cuatro axiomas que definen un PI,
∴ Es un producto interno de R2.
2.11.3. Propiedades:
Cualquier función en un espacio vectorial que satisface los axiomas del
producto interno, define un producto interno en dicho espacio, y por
consiguiente puede haber varios Productos Internos en un espacio vectorial.
Un espacio vectorial con producto interno se denomina Espacio Euclídeo. Un
espacio Euclídeo puede ser real o complejo.
2.12. Bases ortonormales y proyecciones en 𝑹𝒏.
2.12.1. Conjunto ortonormal.
Un conjunto de vectores V= v1 , v2 ,...., vn  se denomina ortonormal, si:
i) vi , v j = 0 con i  j
ii) 𝑣𝑖 . 𝑣𝑖 = 1
El conjunto que satisface solo la condición i), se denomina conjunto ortogonal.
28
√2 √2 √2 √2
Ejemplo: El conjunto 𝐵 = {( 2 , ) ; (− 2 , 2 )}, es un conjunto ortonormal.
2
√2 √2 √2 √2 √2 √2 √2 √2 2 2
i) ( , ) . (− , ) = . (− ) + . = − + = 0, el conjunto es
2 2 2 2 2 2 2 2 4 4
ortogonal.
2 2
√2 √2 √2 √2 √2 √2 2 2
ii) (2 , )( 2 , 2 ) =(2) +(2) =4+4=1
2
2 2
√2 √2 √2 √2 √2 √2 2 2
iii) (− , ) (− 2 , 2 ) = (− ) +(2) =4+4 =1
2 2 2
∴ el conjunto es ortonormal.
2.12.2. Longitud o norma de un vector.
Se define como la raíz cuadrada de la suma de los cuadrados de sus

componentes, se denota por ‖𝑢‖, es decir:
1⁄
‖𝑢‖ = √𝑢1 2 + 𝑢2 2 + ⋯ + 𝑢𝑛 2 = (𝑢. 𝑢) 2
En 𝑅2 , se tiene una interpretación geométrica de la norma utilizando el teorema

de Pitágoras:Sea 𝑢 = (𝑢, 𝑣)un vector 𝑅2 , la norma del vector el valor de la
hipotenusa del triángulo rectángulo.
u = a 2 + b2 por el teorema de Pitágoras
u = a.a + b.b propiedad de la potencia en reales
u = (a, b) .(a, b) definición de producto escalar
u = u .u definición de vector
Análogamente para u = (u1, u2, u3, . . .,un), se tiene:
1⁄
‖𝑢‖ = √𝑢1 2 + 𝑢2 2 + ⋯ + 𝑢𝑛 2 = (𝑢. 𝑢) 2
Nota: la norma de un vector también se puede expresar en términos del

1⁄
producto punto, elevando miembro a miembro: ‖𝑢‖ = (𝑢. 𝑢) 2 → ‖𝑢‖2 = 𝑢. 𝑢
Ejemplo
✓ Encuentre la norma de los vectores 𝑢 = (1,3,5) ∈ 𝑅3 y 𝑣 = (3,0,1,4) ∈ 𝑅4
29
Solución:
De acuerdo con la definición anterior,
‖𝑢‖ = √(1)2 + (3)2 + (5)2 = √1 + 9 + 25 = √35
‖𝑣‖ = √(3)2 + (0)2 + (1)2 + (4)2 = √9 + 0 + 1 + 16 = √26
Propiedades de la norma:
Sea 𝑢 vector de 𝑅𝑛 y c un escalar, entonces:

a. ‖𝑢‖ > 0, sí 𝑢 > 0 (positividad) y ‖𝑢‖ = 0, si 𝑢 = 0
b. ‖𝑐. 𝑢‖ = |𝑐|. ‖𝑢‖, siendo c un escalar
c. Desigualdad triangular: ‖𝑢 + 𝑣‖ = ‖𝑢‖ + ‖𝑣‖
2.12.3. Proceso de ortonormalización de Gram-Schmidt.
En este apartado, se presenta un método simple para construir una base
ortogonal (u ortonormal) para cualquier subespacio de 𝑅𝑛 . Este método es
conocido como Proceso de Ortogonalización de Gram-Schmidt1, y consiste en
construir de manera iterativa los componentes ortogonales de los vectores
subsecuentes a todos los vectores que ya se construyeron.
Teorema:
Sea 𝑉 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } una base para𝑅𝑛 y definamos los vectores 𝑢𝑖
como:
1) 𝑢1 = 𝑣1 𝑈1 = 𝑔𝑒𝑛(𝑢1 )
(𝑣2.𝑢1 )
2) 𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑦𝑢1 𝑣2 = 𝑣2 − ‖𝑢1‖2
. 𝑢1 𝑈2 = 𝑔𝑒𝑛(𝑢1 , 𝑢2 )
(𝑣3.𝑢1 ) (𝑣3 .𝑢2)

3)𝑢3 = 𝑣3 − 𝑝𝑟𝑜𝑦𝑢1 𝑣3 − 𝑝𝑟𝑜𝑦𝑢2 𝑣3 = 𝑣3 − ‖𝑢1 ‖2
. 𝑢1 − ‖𝑢2 ‖2
. 𝑢2 𝑈3 = 𝑔𝑒𝑛(𝑢1 , 𝑢2, 𝑢3 )
⋮
(𝑣𝑛 .𝑢1 ) (𝑣𝑛.𝑢𝑛−1 )
n) 𝑢𝑛 = 𝑣𝑛 − 𝑝𝑟𝑜𝑦𝑢1 𝑣𝑛 − ⋯ − 𝑝𝑟𝑜𝑦𝑢𝑛−1 𝑣𝑛 = 𝑣𝑛 − ‖𝑢1‖2
. 𝑢1 − ⋯ − ‖𝑢𝑛−1‖2
. 𝑢𝑛−1 ,
generalizando tenemos:
1
Jörge Pedersen Gram (1850-1916) fue un actuario danés interesado en la ciencia de la medición.
Erhard Schmidt (1876-1959) fue un matemático alemán discípulo de Hilbert y es considerado uno de los
fundadores del análisis funcional. Su aporte al proceso de Gram-Schmidt se produjo en un ensayo de 1907
acerca de las ecuaciones integrales en el que escribió los detalles del método de manera más explícita que
Gram.
30
(𝑣𝑛.𝑢𝑖 )
𝑢𝑛 = 𝑣𝑛 − ∑𝑛−1
𝑖=1 ‖𝑢𝑖 ‖2 𝑖
𝑢 𝑈𝑛 = 𝑔𝑒𝑛(𝑢1 , 𝑢2, … , 𝑢𝑛 )
Entonces, para cada 𝑖 = 1,2,3, … , 𝑘; el conjunto de vectores
𝑈 = {𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 } una base ortogonal para 𝑈𝑖 .
En particular 𝑈 = {𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 } es una base ortogonal para 𝑅𝑛 .
Si se quiere una base ortonormal, simplemente se necesita normalizar los

vectores ortogonales producidos por el proceso de Gram-Schmidt, es decir:
1
sustituir cada 𝑢𝑖 , por el vector unitario 𝑤𝑖 = ‖𝑢 ‖ 𝑢𝑖 .
𝑖
Ejemplo
✓ Aplique el proceso de Gram–Schmidt, para construir una base ortogonal

para el subespacio V = {(1, – 1, – 1, 1), (2, 1, 0, 1), (2, 2, 1, 2)} de 𝑅4 .
Sean 𝑣1 =(1, – 1, – 1, 1); 𝑣2 =(2, 1, 0, 1); 𝑣3 =(2, 2, 1, 2); notemos que

{𝑣1 , 𝑣2 , 𝑣3 } es un conjunto linealmente independiente, de modo que forma una
base para V. Comenzaremos a obtener los elementos para la base ortogonal,
aplicando el proceso de Gram–Schmidt:
1. 𝑢1 = 𝑣1 = (1, −1, −1,1)

(𝑣2.𝑢1 )
2. 𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑦𝑢1 𝑣2 = 𝑣2 − ‖𝑢1 ‖2
. 𝑢1 Cálculos auxiliares:
2
𝑢2 = (2,1,0,1) − 4 (1, −1, −1,1) 𝑣2 . 𝑢1 = (2,1,0,1)(1, −1, −1,1) = 2
1 1 1 1
𝑢2 = (2,1,0,1) − (2 , − 2 , − 2 , 2) ‖𝑢1 ‖2 = 12 + (−1)2 + (−1)2 + 12 = 4
3 3 1 1
→ 𝑢2 = ( , , , )
2 2 2 2
3. 𝑢3 = 𝑣3 − 𝑝𝑟𝑜𝑦𝑢1 𝑣3 − 𝑝𝑟𝑜𝑦𝑢2 𝑣3
(𝑣3 .𝑢1 ) (𝑣3.𝑢2)

𝑢3 = 𝑣3 − ‖𝑢1 ‖2
. 𝑢1 − ‖𝑢2 ‖2
. 𝑢2 𝑣3 . 𝑢1 = (2,2,1,2)(1, −1, −1,1) = 1
1 15 3 3 1 1 3 3 1 1 15
𝑢3 = (2,2,1,2) − 4 (1, −1, −1,1) − 10 (2 , 2 , 2 , 2) 𝑣3 . 𝑢2 = (2,2,1,2) (2 , 2 , 2 , 2) = 2
1 1 3 2 3 2 1 2 1 2
→ 𝑢3 = (− 2 , 0, 2 , 1) ‖𝑢2 ‖2 = ( ) + ( ) + ( ) + ( ) = 5
2 2 2 2
∴ Una base ortogonal para V = {(1, – 1, – 1, 1), (2, 1, 0, 1), (2, 2, 1, 2)} es
3 3 1 1 1 1
𝑈 = {(1, −1, −1,1), (2 , 2 , 2 , 2) , (− 2 , 0, 2 , 1) }
31
Para obtener una base ortonormal, basta con que normalicemos cada
1
vector de U, es decir: 𝑤𝑖 = ‖𝑢 ‖ 𝑢𝑖 , luego:
𝑖
1 1 1 1 1 1
𝑤1 = ‖𝑢 ‖ 𝑢1 = 2 (1, −1, −1,1) = (2 , − 2 , − 2 , 2) ‖𝑢1 ‖2 = 4 → ‖𝑢1 ‖ = 2
1
1 1 3 3 1 1 3√5 3√5 √5 √5
𝑤2 = ‖𝑢 ‖ 𝑢2 = ( , , , ) = ( 10 , , , ) ‖𝑢2 ‖2 = 5 → ‖𝑢2 ‖ = √5
2 √5 2 2 2 2 10 10 10
1 √6 1 1 √6 √6 √6 3 3
𝑤3 = ‖𝑢 ‖ 𝑢3 = (− 2 , 0, 2 , 1) = (− , 0, 6 , 3 ) ‖𝑢3 ‖2 = → ‖𝑢2 ‖ = √
3 3 6 2 2
∴ Una base ortonormal es:
1 1 1 1 3√5 3√5 √5 √5 √6 √6 √6
𝑈 = {( , − , − , ) ; ( , , , ) ; (− , 0, , )}
2 2 2 2 10 10 10 10 6 6 3
2.12.4. Matriz ortogonal.

Una matriz 𝑃 es ortogonal si es no singular (es decir, existe 𝑃−1 ) y cumple que
𝑃−1 = 𝑃𝑇 → 𝑃𝑃𝑇 = 𝑃𝑇 𝑃 = 𝐼 ; 𝐼: 𝑚𝑎𝑡𝑟𝑖𝑧 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑.
Dada una matriz real 𝑃 las propiedades siguientes son equivalentes:
1) 𝑃 es ortogonal, es decir, 𝑃−1 = 𝑃𝑇 .

2) Las filas de 𝑃 forman un conjunto ortonormal de vectores.
3) Las columnas de 𝑃 forman un conjunto ortonormal de vectores.
Ejemplo:
1⁄
1⁄ 1⁄
√3
√3 √3
1 0 1
− ⁄
✓ Probar si la matriz 𝑃 = ⁄ , es ortogonal.
√2 √2
2 − 1⁄ − 1⁄
( ⁄√6 √6 √6)
Considerando las filas de la matriz 𝑃, y calculando el producto escalar

entre ellas, se tiene que:
1 1 1 1 1
(1⁄ , 1⁄ , 1⁄ ) (0, 1⁄ , − 1⁄ ) = .0 + . + . (− ) = 0
√3 √3 √3 √2 √2 √3 √3 √2 √3 √2
1 2 1 1 1 1
(1⁄ , 1⁄ , 1⁄ ) (2⁄ , − 1⁄ , − 1⁄ ) = . + . (− ) + . (− ) = 0
√3 √3 √3 √6 √6 √6 √3 √6 √3 √6 √3 √6
32
2 1 1 1 1
(0, 1⁄ , − 1⁄ ) (2⁄ , − 1⁄ , − 1⁄ ) = 0. + . (− ) + (− ) . (− ) = 0
√2 √2 √6 √6 √6 √6 √2 √6 √2 √6
Las filas de 𝑃 son ortogonales entre sí.
Al hallar los módulos de cada uno de los vectores fila de la matriz, se tiene:
1 2 1 2 1 2 1 1 1 3
‖(1⁄ , 1⁄ , 1⁄ )‖ = √( ) + ( ) + ( ) = + + = = 1
√3 √3 √3 √3 √3 √3 3 3 3 3
1 2 1 2 1 1 2
‖(0, 1⁄ , −1⁄ )‖ = √(0)2 + ( ) + (− ) = 0 + + = = 1
√2 √2 √2 √2 2 2 2
2 1 1 2 2 1 2 1 2 4 1 1 6
√
‖( ⁄ , − ⁄ , − ⁄ )‖ = ( ) + (− ) + (− ) = + + = = 1
√6 √6 √6 √6 √6 √6 6 6 6 6
∴ Las filas de la matriz son ortogonales y unitarios, podemos decir, que 𝑃 es

ortogonal.
2.12.5. Proyección ortogonal.

Sea 𝑆 un subespacio del espacio euclídeo 𝑉( es decir, espacio con producto
interno definido), con una base ortonormal {𝑢1 , 𝑢2 , … , 𝑢𝑛 }, considerando 𝑣 ∈ 𝑉,
la proyección ortogonal de 𝑣 sobre H, está dada por:
𝑝𝑟𝑜𝑦𝐻 𝑣 = (𝑣, 𝑢1 )𝑢1 + (𝑣, 𝑢2 )𝑣2 + (𝑣, 𝑢𝑘 )𝑢𝑘
Ejemplo:
𝑅3
✓ Dado el subespacio 𝑆 = {(𝑥, 𝑦, 𝑧) ∈ − 𝑦 + 𝑧 = 0˄ 𝑥 − 𝑦 + 𝑧 = 0}, con
2𝑥
producto interno canónico. Hallar la proyección ortogonal de 𝑣 = (2,3,1)

sobre 𝑆.
Una base para el subespacio 𝑆, esta dada por 𝐵 = {𝑢 = (0,1,1)}
Como ‖𝑢‖ = √(0)2 + (1)2 + (1)2 = √2 ≠ 1, entonces 𝐵 no es una base
ortonormal, normalizando la base, tenemos:
𝑢 1 1 1 √2 √2
𝑢 = (0,1,1) → = (0,1,1) = (0, , ) = (0, , )
‖𝑢‖ √2 √2 √2 2 2
la proyección ortogonal de 𝑣 sobre S, está dada por:
√2 √2 √2 √2
𝑝𝑟𝑜𝑦𝑆 𝑣 = (𝑣, 𝑢1 )𝑢1 = 〈(2,3,1) (0, , )〉 (0, , )
2 2 2 2
33
3√2 √2 √2 √2 √2 √2
𝑝𝑟𝑜𝑦𝑆 𝑣 = (0 + + ) (0, , ) = 2√2 (0, , ) = (0,2,2)
2 2 2 2 2 2
34
Bibliografía
• Grossman, S. I. (2007). Álgebra lineal. México: Mac Graw Hill.
• Nicholson, W. K. (2003). Álgebra lineal con aplicaciones. Madrid: Mc
Graw Hill.
• Williams, G. (2001). Álgebra lineal con aplicaciones (Cuarta ed.). México:
Mac Graw Hill.
• Lipschutz, S.(1996). Álgebra Lineal. Madrid: Mac Graw Hill.
• Kozak, A.M., Pompeya Pastorelli, S., Vardanega,P.E (2007) Nociones de
geometría analítica y algebra lineal. México: Mac Graw Hill
35

Material de Lectura - Espacios Vectoriales - FP UNA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Material de Lectura - Espacios Vectoriales - FP UNA

Cargado por

Copyright:

Formatos disponibles

- Unidad II: Espacios

Prof. MSc. Silvia Báez Chávez

ÍNDICE DE CONTENIDO ................................................................................................................... 2

2.12.3. PROCESO DE ORTONORMALIZACIÓN DE GRAM-SCHMIDT. .............................. 30

En esta Unidad vamos a estudiar los conceptos, definiciones, notación,

Los conjuntos 𝑅2 (vectores en el plano) y 𝑅3 (vectores en el espacio) cuentan

𝑥 + 0 = 𝑥 y 𝑥 + (−𝑥 ) = 0. Se pueden multiplicar vectores en 𝑅2 por escalares y

Los conjuntos 𝑅2 y 𝑅3 junto con las operaciones de adición de vectores y

2.5.3. Espacio Generado por un conjunto de vectores.

2.12.3. Matriz ortogonal.

✓ Espacio de matrices: la notación 𝑀𝑚𝑥𝑛 , se utilizará para designar el

define como la suma de matrices y la multiplicación escalar vectorial

✓ Espacio de Polinomios: el conjunto de polinomios

𝑃(𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 , en este espacio la adición

✓ El conjunto de puntos en 𝑅2 que están en una recta que pasa por el

El conjunto dado podríamos representarlo como:

𝑉 = {(𝑥, 𝑦): 𝑦 = 𝑚𝑥,donde 𝑚 es un numero real fijo y 𝑥 es un número

𝐴𝑥1 : Sean 𝑢 = (𝑥1 , 𝑦1 ) y 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉 → 𝑦1 = 𝑚𝑥1 ; 𝑦2 = 𝑚𝑥2

𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) → 𝑦1 + 𝑦2 = 𝑚(𝑥1 + 𝑥2 ) → 𝑢 + 𝑣 ∈ 𝑉

Por tanto, se cumple el axioma 1).

𝐴𝑥2 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 𝑘 es un escalar → 𝑦1 = 𝑚𝑥1

𝑘𝑢 = 𝑘(𝑥1 , 𝑦1 ) → 𝑘𝑦1 = 𝑚𝑘𝑥1 = (𝑘𝑦1 ) = 𝑚(𝑘𝑥1 ) → 𝑘𝑢 ∈ 𝑉

Por tanto, se cumple el axioma 2).

𝐴𝑥3 : Sean 𝑢 = (𝑥1 , 𝑦1 ) y 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉 → 𝑦1 = 𝑚𝑥1 ; 𝑦2 = 𝑚𝑥2

𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) → 𝑦1 + 𝑦2 = 𝑚(𝑥1 + 𝑥2 ) =

𝐴𝑥4: Sean 𝑢 = (𝑥1 , 𝑦1 ) ; 𝑣 = (𝑥2 , 𝑦2 ) 𝑦 𝑤 = (𝑥3 , 𝑦3 ) ∈ 𝑉

Por tanto, se cumple el axioma 4).

𝐴𝑥5: Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 0 = (0,0) → 𝑦1 = 𝑚𝑥1

𝐴𝑥6: Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y −𝑢 = (−𝑥1 , −𝑦1 )

𝐴𝑥7 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ; 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉 y 𝑎 ∈ 𝑅

𝑎(𝑢 + 𝑣) = (𝑎𝑥1 , 𝑎𝑦1 ) + (𝑎𝑥2 , 𝑎𝑦2 ) = 𝑎𝑢 + 𝑎𝑣

→ 𝑎(𝑦1 + 𝑦2 ) = 𝑎(𝑚𝑥1 + 𝑚𝑥2 ) → (𝑎𝑦1 + 𝑎𝑦2 ) = (𝑎𝑚𝑥1 + 𝑎𝑚𝑥2 )

𝐴𝑥8 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 𝑎 𝑦 𝑏 ∈ 𝑅

→ (𝑎 + 𝑏)𝑦1 = (𝑎 + 𝑏)𝑚𝑥1 → (𝑎𝑦1 + 𝑏𝑦1 ) = (𝑎𝑚𝑥1 + 𝑏𝑚𝑥1 )

𝐴𝑥9 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 𝑎 𝑦 𝑏 ∈ 𝑅

𝐴𝑥10 : Sean 𝑢 = (𝑥1 , 𝑦1 ) ∈ 𝑉 y 1 ∈ 𝑅

1. 𝑢 = 1(𝑥1 , 𝑦1 ) = (1𝑥1 , 1𝑦1 ) = (𝑥1 , 𝑦1 ) = 𝑢

→ (1)𝑦1 = (1)𝑚𝑥1 → 𝑦1 = 𝑚𝑥1

∴ El conjunto de puntos en 𝑅2 que están en una recta que pasa por el

✓ El conjunto de puntos en 𝑅2 que están sobre una recta que no pasa

El conjunto dado podríamos representarlo como:

𝑉 = {(𝑥, 𝑦): 𝑦 = 𝑚𝑥 + 𝑏, donde 𝑚 es un numero real fijo y 𝑥 es un

Podríamos considerar el conjunto de puntos que están sobre la recta

𝑉 = {(𝑥, 𝑦): 𝑦 = 3𝑥 + 1,donde 𝑥 es un número real arbitrario}

𝐴𝑥1 : Sean 𝑢 = (𝑥1 , 𝑦1 ) y 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝑉

𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 )

→ 𝑦1 + 𝑦2 = (𝑚𝑥1 + 1) + (𝑚𝑥2 + 1) = 𝑚(𝑥1 + 𝑥2 ) + 𝟐 → 𝑢 + 𝑣 ∉ 𝑉

Por tanto, no se cumple el axioma 1).

∴ El conjunto de puntos en 𝑅2 que están sobre una recta que no pasa

• El espacio generado por un subconjunto 𝑆 ≠ ∅ de 𝑅𝑛 es un Subespacio de

Determinemos un vector genérico de 𝑆 , partimos de la ecuación:

−𝑥 + 𝑦 − 3𝑧 = 0, de donde 𝑥 = 𝑦 − 3𝑧, luego cualquier vector 𝑢 de la forma:

a. Para determinar si 𝑆 es un subespacio vectorial de 𝑅3 , debemos probar

1. (0,0,0) ∈ 𝑆, si 𝑢 = (𝑦 − 3𝑧, 𝑦, 𝑧) sea 𝑦 = 𝑧 = 0 → 𝑢 = (0,0,0) ∴ {0} ∈ 𝑆.

2. Sean 𝑢 = (𝑦1 − 3𝑧1 , 𝑦1 , 𝑧1 ) y 𝑢 = (𝑦2 − 3𝑧2 , 𝑦2 , 𝑧2 ), elementos de 𝑆,

𝑢 + 𝑣 = (𝑦1 − 3𝑧1 , 𝑦1 , 𝑧1 ) + (𝑦2 − 3𝑧2 , 𝑦2 , 𝑧2 )

𝑢 + 𝑣 = (𝑦1 − 3𝑧1 + 𝑦2 − 3𝑧2 , 𝑦1 + 𝑦2 , 𝑧1 + 𝑧2 )

𝑢 + 𝑣 = [(𝑦1 + 𝑦2 ) − 3(𝑧1 + 𝑧2 ), (𝑦1 + 𝑦2 ), (𝑧1 + 𝑧2 )] → 𝑢 + 𝑣 ∈ 𝑆

3. Sea 𝑢 = (𝑦 − 3𝑧, 𝑦, 𝑧) ∈ 𝑆 y 𝑘 un escalar, debemos probar que 𝑘𝑢 ∈ S

𝑘𝑢 = 𝑘(𝑦 − 3𝑧, 𝑦, 𝑧) = [𝑘(𝑦 − 3𝑧), 𝑘𝑦, 𝑘𝑧] → 𝑘𝑢 ∈ 𝑆

b. El vector (3,5𝑎, −2) ∈ 𝑆 sí y solo si:

2.4.4. Intersección de dos subespacios.

✓ Determinar el subespacio intersección entre los subespacios: