U.N.Sa.

- Facultad de Ciencias Exactas

Asignatura: Algebra Lineal y Geometría Analítica
Carreras: LAS, PM, LF, LER, TEU, TUES, TUP
er
Año: 2015, 1 Cuatrimestre
Docente: Ing. Augusto A. Estrada V.

RESUMEN DEL TEMA 3

ESPACIOS VECTORIALES
3.1.- INTRODUCCION: Cuando estudiamos conjuntos y definimos entre sus elementos una
operación suma, muchos de ellos tienen la propiedad de que al sumar dos elementos del conjunto
el resultado es otro elemento del conjunto. Se dice en este caso que la operación suma es cerrada
en el conjunto. Asimismo dado un cuerpo de escalares, se puede definir el producto de un escalar
por un elemento del conjunto y si el resultado es otro elemento del conjunto, se dice que la
operación producto del escalar por el elemento del conjunto es cerrada
Por ejemplo nosotros sabemos que las operaciones aritméticas de suma y producto de dos
números reales es otro número real, la suma de dos vectores del plano R 2 (o del espacio R 3 ) es
otro vector de R 2 (o R 3 ) y el producto de un número real por un vector de R 2 (o del espacio R 3 )
es otro vector de R 2 (o R 3 )
De igual manera vimos que la suma de dos matrices, y el producto de un número real por una
matriz definidas en forma usual, (como lo hemos visto en el anterior capítulo) da como resultado
otra matriz de las mismas características que las del conjunto de matrices con las que estamos
trabajando. En todos los casos hemos visto además que esas operaciones cumplen una serie de
propiedades
Hay muchos conjuntos (simples o abstractos) en los cuales se verifica esta situación. En este
capítulo vamos a dar una definición general que caracterice a todos ellos y dar propiedades y
teoremas en forma general que sirvan tanto para los conjuntos simples como para los más
abstractos o arbitrarios llamando a esos conjuntos (que cumple con las propiedades antes
mencionadas) Espacios Vectoriales y a los elementos de los mismos vectores, sin perjuicio de
que se trate de vectores propiamente dichos (de R 2 , R 3 , … , R n ), de matrices, funciones,
polinomios, etc.
3.2.- ESPACIO VECTORIAL
Definición: Dado un conjunto V no vacio y un cuerpo de escalares K (que puede ser R o C),
una operación suma (+) entre elementos de V y una operación producto (⋅ entre elementos del
cuerpo K y elementos del conjunto V. Diremos que V es un espacio vectorial sobre el cuerpo K
si y solo si
La operación suma es cerrada en V. Es decir: ∀ U, V ∈ V ⇒ (U + V ∈ V y cumple las
siguientes propiedades:

A 1 : ∀ U, V ∈ V ⇒ U + V = V + U
A 2 : ∀ U, V, W ∈ V ⇒ U + V + W = U + V + W
A 3 : ∃ U ∗ ∈ V / ∀U ∈ V, U ∗ + U = U + U ∗ = U (U ∗ : neutro de la suma en V)
A 4 : ∀ U ∈ V ∃U ′ ∈ V, U ′ + U = U + U ′ = U ∗ (U ′ : inverso u opuesto de la suma en V)
La operación producto es cerrada en V. Es decir ∀ U ∈ V, ∀α ∈ K ⇒ α ⋅ U ∈ V y cumple
las siguientes propiedades
 M 1 : ∀ U ,V ∈ V ,∀α ∈ K , α ⋅ U + V = α ⋅ U + α ⋅ V
M 2 : ∀ U ∈ V ,∀α, β ∈ K , α + β ⋅ U = α ⋅ U + β ⋅ U
M 3 : ∀ U ∈ V ,∀α, β ∈ K , α ⋅ β ⋅ U = αβ ⋅ U
M 4 : ∀ U ∈ V ,∃ α ∗ ∈ K , α ∗ ⋅ U = U
Así que para que un conjunto de vectores V sea un espacio vectorial con las operaciones
suma y producto de un escalar por un vector, sobre un cuerpo de escalares deberá cumplir que
estas operaciones de suma y producto sean cerradas en el conjunto V y cumplir con todas y cada
una de las propiedades antes expuestas
Notación: Para expresar que un conjunto V es un espacio vectorial con las operaciones de
suma y producto, sobre un cuerpo K se simboliza por (V, +, K, ⋅
En general, en la asignatura trabajaremos con el cuerpo de los reales así que en lo sucesivo, a
menos que se diga lo contrario, será K = R
Propiedades: Si V es un espacio vectorial sobre R entonces:
P1 : ∀α ∈ R, α ⋅ ⊙ = ⊙ (siendo ⊙ el neutro de la suma en V)
P2 : ∀U ∈ V, 0 ∈ R, 0 ⋅ U = ⊙
P3 : α ⋅ U = ⊙ ⇒ α = 0 ∨ U = ⊙ (o ambas cosas a la vez)
P4 : ∀U ∈ V, −1 ⋅ U = −U (−U opuesto de U
n
3.3.- EL ESPACIO VECTORIAL R
Si V = R n y K = R y se considera que R n es el conjunto de matrices de 1 × n ó de n × 1
entonces podemos probar que R n es un espacio vectorial con las operaciones de suma y producto
por un escalar definidas en el tema 2 para las matrices reales, ya que el conjunto de las matrices
R n×m vimos que en él las operaciones suma y producto por un escalar son cerradas en R n×m y
cumplen con todas las propiedades y por lo tanto R n×m es un espacio vectorial sobre el cuerpo de
los reales con esas operaciones.
Es decir (R n ,+,R, ⋅ es un espacio vectorial con las operaciones de suma y producto por un
escalar definidas como: Si U = u 1 , u 2 , … , u n  ∈ R n y V = v 1 , v 2 , … , v n  ∈ R n y α ∈ R
Suma: U + V = u 1 + v 1 , u 2 + v 2 , … , u n + v n 
Producto por un escalar: α ⋅ U = αu 1 , αu 2 , … , αu n 
Las anteriores definiciones de suma y producto por un escalar suelen denominarse
operaciones de suma y producto por un escalar usuales o habituales en R n
Como casos particulares tenemos:
Si n = 2 será R n = R 2 el conjunto de pares ordenados de números reales (vectores del plano)
es un espacio vectorial con las operaciones de suma y producto por un escalar usuales.
Si n = 3 será R n = R 3 el conjunto de ternas ordenadas de números reales (espacio
tridimensional) es un espacio vectorial con las operaciones de suma y producto por un escalar
usuales.
3.4.- SUBESPACIOS
Definición: Dado un conjunto S incluido en un espacio vectorial V con las operaciones de
suma y producto sobre un cuerpo de escalares.
Decimos que el conjunto S es un subespacio de V si y solo si S es un espacio vectorial con
las mismas operaciones de suma y producto definidas en V y sobre el mismo cuerpo de escalares.
Teorema 3.1: S incluido en un espacio vectorial V es un subespacio de V si y solo si
1 S≠∅
2 ∀U, V ∈ S ⇒ U + V ∈ S
3 ∀U,∀α ∈ K ⇒ α ⋅ U ∈ S
 Teorema 3.2: Si S es un subconjunto de un espacio vectorial V, entonces:
S es un subespacio de V ⇒ ⊙ ∈ S (⊙ elemento neutro de la suma en V)
Teorema 3.3: Si S y T son subespacios de un espacio vectorial V, entonces S ∩ T es también
un subespacio de V. Recordemos que:
S ∩ T = X ∈ V/X ∈ S ∧ X ∈ T y que S ∪ T = X ∈ V/X ∈ S ∨ X ∈ T
¿Será S ∪ T también un subespacio de V?
Definición: Dados S y T subespacios de un espacio vectorial V definimos la suma de S y T
como:
S + T =W = U + V / U ∈ S ∧ V ∈ T}
Teorema 3.4: Si S y T son subespacios de un espacio vectorial V, entonces S + T es un
subespacio de V.
Teorema 3.5: El conjunto solución de un sistema de m ecuaciones lineales con n incógnitas,
homogéneo, es un subespacio de R n .
3.5.- COMBINACIONES LINEALES
Definición: Dado un conjunto finito de vectores S = V 1, V 2 , … , V n  de un espacio vectorial
V, y W ∈ V. Decimos que W es una combinación lineal de los vectores V 1 , V 2 , … , V n si existen
escalares α i , i = 1, 2, … , n tal que:
α1V1 + α2V2 + ⋯ + αnVn = W 1
O bien:
n
∃α i , i = 1, 2, … , n / ∑ α i V i = W 1
i=1
Analizando la definición, podemos ver que para que W sea combinación lineal de los
vectores V 1 , V 2 , … , V n , requiere que existan los escalares α i , i = 1, 2, … , n tales que se verifique
la ecuación 1
La ecuación 1 es una ecuación vectorial, si aplicamos la definición de igualdad de vectores
será equivalente a un sistema de ecuaciones lineales cuyas incógnitas son los escalares α i .
Decir que existan los α i tales que se cumpla la 1 es equivalente a decir que el sistema
equivalente sea consistente. En consecuencia W será combinación lineal de los vectores
V 1 , V 2 , … , V n , si el sistema de ecuaciones lineales dado por 1 es consistente.
Teorema 3.6: Si S = V 1, V 2 , … , V n  ⊂ V, entonces el conjunto de todas las combinaciones
lineales de los vectores de S es un subespacio de V
3.6.-SUBESPACIO GENERADO (por un conjunto finito de vectores)
Dado G = V 1, V 2 , … , V n  ⊂ V, con V un espacio vectorial.
Definición: Al conjunto de todas las combinaciones lineales de los vectores de G =
V 1, V 2 , … , V n  se denomina Subespacio generado por G y se denota por LG y a G se
denomina conjunto generador de LG. Es decir en forma simbólica será:
n
LG = X ∈ V/ ∑ α i V i = X
i=1
Definición: Decimos que un conjunto G genera al espacio V, o que es un conjunto
generador de V si y solo si cualquier vector de V puede expresarse como combinación lineal
de los vectores de G. Es decir:
n
G es un conjunto generador de V si y solo sí: X ∈ V ⇔ ∑ α i V i = X
i=1

3.7.- DEPENDENCIA E INDEPENDENCIA LINEAL

Dado un subconjunto finito de vectores S = V 1, V 2 , … , V n  de un espacio vectorial V.
Definición: Se dice que el conjunto S es Linealmente Dependiente si y solo sí el elemento
neutro (nulo) de la suma en V, se puede expresar como combinación lineal de los vectores de S,
con algún coeficiente no nulo. Es decir:
 α 1 V 1 + α 2 V 2 + ⋯ + α n V n = ⊙ con α i ≠ 0 para algún i 2
O bien:
n
∃i / α i ≠ 0 ∧ ∑ α i V i = ⊙ 2
i=1
Definición: Se dice que el conjunto S es Linealmente Independiente si y solo si el
elemento neutro (nulo) de la suma en V, se puede expresar de una única manera, como
combinación lineal de los vectores de S. Es decir:
α 1 V 1 + α 2 V 2 + ⋯ + α n V n = ⊙ ⇒ α i = 0 ∀i = 1, 2, … , n
3
O bien:
n
∑ α i V i = ⊙ ⇒ α i = 0 ∀i = 1, 2, … , n 3
i=1

Analicemos las anteriores definiciones:

Si hacemos X = ⊙ en la definición de combinación lineal, ecuación 1, obtenemos:
k

∑ α i V i = ⊙, igualdad que aparece en las definiciones de dependencia e independencia

i=1
lineal. Ella es equivalente a un sistema de ecuaciones lineales homogéneo, que sabemos siempre
es consistente. En consecuencia puede tener infinitas soluciones o única solución. En el último
caso la solución es la nula (trivial)
Si interpretamos ambas definiciones, la 2 o la 3, la primera requiere que el elemento
neutro de la suma, ⊙, se pueda expresar como combinación lineal de los vectores V 1 , V 2 , … , V n
con algún coeficiente no nulo. Esto equivale a que el sistema equivalente tenga infinitas
soluciones, ya que en este caso, al existir variables libres, podremos expresar esa combinación
lineal con algún coeficiente no nulo (algún α i ≠ 0). Esto es equivalente a que el vector nulo
(neutro de la suma en V) se pueda expresar de muchas maneras como combinación lineal de los
vectores V 1 , V 2 , … , V n del conjunto G
En cambio en la segunda se exige que el ⊙, se pueda expresar como combinación lineal de
los vectores V 1 , V 2 , … , V n solo si todos los coeficientes son nulos. Esto equivale a que el sistema
equivalente tenga única solución y eso es equivalente a que el vector nulo (neutro de la suma en
V se pueda expresar de una única manera como combinación lineal de los vectores
V 1 , V 2 , … , V n del conjunto G
Teorema 3.7: Cualquier conjunto unitario es linealmente independiente si y solo si su único
vector es no nulo
Teorema 3.8: Cualquier conjunto de vectores que contenga al vector nulo es Linealmente
Dependiente
Teorema 3.9: Un conjunto de vectores es Linealmente Dependiente si y solo si uno de sus
vectores es combinación lineal de los restantes
Teorema 3.10: Cualquier conjunto que contenga un subconjunto Linealmente Dependiente
es también Linealmente Dependiente
Teorema 3.11: Cualquier subconjunto de un conjunto Linealmente Independiente es también
Linealmente Independiente
3.8.- BASE Y DIMENSION
Definición: Dado un subconjunto S de un espacio vectorial V. Se dice que S es una base de
V si y solo si
1 S es Linealmente Independiente
2 S es un conjunto generador de V
Teorema 3.12: Si S = V 1, V 2 , … , V n  es una base de V entonces cualquier vector W ∈ V
puede expresarse de una única forma como combinación lineal de los vectores de S.
 Teorema 3.13: Si B 1 = V 1, V 2 , … , V n  y B 2 = V 1, V 2 , … , V m  son bases de un mismo
espacio vectorial V, entonces m = n
Definición: Decimos que un espacio vectorial V es de dimensión finita si contiene un
conjunto finito de vectores que es una base de él y en este caso definimos como:
Dimensión de V al número de vectores que contiene una base de V
Teorema 3.14: La máxima cantidad de vectores de un conjunto Linealmente Independiente
de un espacio vectorial de dimensión finita n, es n. Es decir:
Si S = V 1, V 2 , … , V m  es Linealmente Indepemdiente y S ⊂ V y DimV = n, entonces m  n
Teorema 3.15: La mínima cantidad de vectores de un conjunto generador de un espacio
vectorial de dimensión finita n, es n. Es decir:
Si S = V 1, V 2 , … , V m  es Generador de V y DimV = n, entonces n  m
Teorema 3.16: S = V 1, V 2 , … , V n  ⊂ V y DimV = n entonces: S es Linealmente
Independiente si y solo S es un generador de V
Teorema 3.17: La dimensión de un subespacio (espacio) es el número de variables libres de
la solución general de su ecuación (elemento genérico del espacio)
n
Base canónica de R
Un vector de R n es una n − upla ordenada de números reales. Es decir X = x 1 , x 2 , … , x n  tal
que x i ∈ R ∀i = 1, 2, … , n
Si consideramos la suma usual en R n podemos demostrar por inducción que:
x 1 , x 2 , … , x n  = x 1 1, 0, … , 0 +x 2 0, 1, 0, … , 0 +⋯ + x n 0, 0, … , 1
n n n

n
Es decir podemos decir que X es combinación lineal de los n vectores:
I 1 = 1, 0, … , 0, I 2 = 0, 1, … , 0, ⋯, I n = 0, 0, … , 1 de R n
En consecuencia si aplicamos la definición de conjunto generador, podemos afirmar que el
conjunto E n = I 1, I 2 , … , I n  es un generador de R n
Además si aplicamos el Teorema 3.17 podemos afirmar que la dimensión de R n es n
(número de variables libres del vector genérico de R n 
Ahora bien aplicando el Teorema 3.16 ya que E n = I 1, I 2 , … , I n  es un conjunto de n
vectores de R n cuya dimensión es n, como E n = I 1, I 2 , … , I n  es un generador de R n será
Linealmente Independiente y en consecuencia E n = I 1, I 2 , … , I n  es una base de R n
A esta base la denominamos base canónica (o estándar) de R n
Si n = 3 tendremos que E 3 = 1, 0, 0, 0, 1, 0, 0, 0, 1 es la base canónica de R 3
Si n = 2 tendremos que E 2 = 1, 0, 0, 1 es la base canónica de R 2
3.9.- COORDENADAS DE UN VECTOR
Definición: Dado un espacio vectorial V de dimensión finita n, B =V 1, V 2 , … , V n  una base
ordenada de V y U ∈ V
Llamamos coordenadas de U respecto a la base B o representación de U en la base B a los
coeficientes de la expresión de U como combinación lineal de los vectores de B
Es decir: Si α 1 V 1 + α 2 V 2 + ⋯ + α n V n = U entonces α 1 , α 2 , … , α n son las coordenadas de U
respecto a la base B y se denota por:
α1
α2
UB =
⋮
αn

Teorema 3.18: Las coordenadas de un vector de un espacio vectorial respecto a una base de
ese espacio vectorial son únicas
 Coordenadas de un vector de R n respecto a la base canónica
Anteriormente vimos que el conjunto I 1, I 2 , … , I n  es una base de R n llamada Base
Canónica y que para todo vector X = x 1 , x 2 , … , x n  es:
X = x 1 I 1 + x 2 I 2 + ⋯ + x n In, por lo que de acuerdo a la definición de coordenadas de un
vector respecto a una base x 1 , x 2 , … , x n  son las coordenadas del vector X respecto a la base
canónica de R n
Si B =V 1, V 2 , … , V n  es una base cualquiera de R n distinta de la canónica, y queremos
determinar las coordenadas del vector X = x 1 , x 2 , … , x n  ∈ R n respecto a la base B según la
definición de coordenadas de un vector serán:
α1
α2
XB =
⋮
αn
Siendo α 1 , α 2 , … , α n los coeficientes que resultan de expresar a X como combinación lineal
de los vectores de la base B. Es decir:
X = α1V1 + α2V2 + ⋯ + αnVn
Esta última ecuación es equivalente a un sistema de ecuaciones lineales consistente y por el
Teorema 3.18 esta combinación lineal es única
Este sistema de ecuaciones lineales puede escribirse en forma matricial como:
X = PX B
x1 α1
x2 α2
Donde X = , XB = y P nxn = V 1 /V 2 /… /V n  (matriz cuyas columnas son
⋮ ⋮
xn αn
los vectores V i de la base B
X: coordenadas de cualquier vector de R n respecto a la base canónica
X B : coordenadas de cualquier vector de R n respecto a la base B
P nxn matriz de cambio de coordenadas (cambio de base)
3.10.- ESPACIO FILA, ESPACIO COLUMNA, ESPACIO SOLUCION y RANGO DE
UNA MATRIZ
Dada una matriz A ∈ R mxn definimos:
Espacio fila de A: Es el subespacio generado por las filas de A consideradas como vectores
de R n y lo simbolizamos por E f A. Es decir si llamamos F i i = 1, 2, … , m a las filas de A será:
E f A = LF 1 , F 2 , … , F m  ⊂ R n
Espacio Columna de A: Es el subespacio generado por las columnas de A consideradas
como vectores de R m y lo simbolizamos por E c A. Es decir si llamamos C i i = 1, 2, … , n a las
columnas de A será:
E c A = LC 1 , C 2 ; … , C n  ⊂ R m
Espacio solución de A : o espacio nulo de A Es el conjunto solución del sistema AX = ⊙ y
lo simbolizamos por E s A
E s A = X ∈ R n / AX = ⊙
Teorema 3.19: Si A, B son matrices semejantes por filas entonces el espacio fila de A es
igual al espacio fila de B
Teorema 3.20: Si A ∈ R mxn entonces el espacio fila de A es igual al espacio columna de A T
Teorema 3.21: Las filas no nulas de una matriz escalonada y sus correspondientes en la
matriz original constituyen un conjunto Linealmente Independiente
Teorema 3.22: La dimensión del espacio fila y del espacio columna de cualquier matriz son
iguales
Rango de A : Se denomina rango de una matriz A a la dimensión del espacio fila o del
espacio columna de la matriz A (que son iguales) lo simbolizamos por RangoA
Teorema 3.23: (De Rouche Frobenius)
Un sistema de m ecuaciones lineales con n incógnitas AX = B, tiene solución si y solo si el
rango de la matriz de coeficientes y el rango de la matriz ampliada son iguales
Si RangoA = RangoA⋮B = n, el sistema tiene solución única
Corolario:
Si RangoA = RangoA⋮B = r < n, el sistema tiene infinitas soluciones
Ing Augusto A. Estrada V./2015