Clase 4 Espacios Vectoriales 27 10 2015

Espacios Vectoriales
DEF: Sea V 6= ∅ en el cual se han definido dos operaciones, llamadas

suma y producto por escalar. Diremos que V es un espacio vectorial real
si satisface los siguientes 10 axiomas:
(S1) u + v ∈ V .
(S2) u + v = v + u.
(S3) (u + v) + w = u + (v + w).
(S4) ∃! 0 ∈ V , tal que u + 0 = u, ∀u ∈ V .
(S5) Para cada u ∈ V , ∃! − u ∈ V , tal que u + (−u) = 0.
(E1) αu ∈ V .
(E2) α(u + v) = αu + αv.
(E3) (α + β)u = αu + βu.
(E4) α(βu) = (αβ)u.
(E5) 1u = u.
OBS: A los elementos de un espacio vectorial son llamados vectores.
Algebra lineal Básica


(S1) u + v ∈ V .
(E1) αu ∈ V .


(S4) ∃! 0 ∈ V , tal que u + 0 = u, ∀u ∈ V .



(S1) u + v ∈ V .
(S2) u + v = v + u.
(S3) (u + v) + w = u + (v + w).
(S4) ∃! 0 ∈ V , tal que u + 0 = u, ∀u ∈ V .
(E1) αu ∈ V .
(E2) α(u + v) = αu + αv.
(E3) (α + β)u = αu + βu.
(E4) α(βu) = (αβ)u.
(E5) 1u = u.


(S1) u + v ∈ V .
(S2) u + v = v + u.
(S3) (u + v) + w = u + (v + w).
(S4) ∃! 0 ∈ V , tal que u + 0 = u, ∀u ∈ V .
(E1) αu ∈ V .
(E2) α(u + v) = αu + αv.
(E3) (α + β)u = αu + βu.
(E4) α(βu) = (αβ)u.
(E5) 1u = u.
OBJETIVO En los próximos ejemplos, debemos describir o caracterizar

los elementos del conjunto V , especificar las operaciones + y α y
verificar los 10 axiomas.
Ejemplos
EJEM Sea P2 el conjunto de todos los polinomios de grado menor o igual
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .
Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

definimos la suma y el producto por escalar, de la siguiente forma
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .
(S1) p(x) + q(x) ∈ P2 .

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .
(S1) p(x) + q(x) ∈ P2 .
(E1) αp(x) ∈ P2 .

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .
(S1) p(x) + q(x) ∈ P2 .
(S4) ∃! 0 ∈ P2 , tal que p(x) + 0 = p(x), ∀p(x) ∈ P2 .
(E1) αp(x) ∈ P2 .

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .
(S1) p(x) + q(x) ∈ P2 .
(S5) Para cada p(x) ∈ P2 , ∃! − p(x) ∈ P, tal que p(x) + (−p(x)) = 0.
(E1) αp(x) ∈ P2 .

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .
(S1) p(x) + q(x) ∈ P2 .
(E1) αp(x) ∈ P2 .
(E 4) α[βp(x)] = α[β(a0 + a1 x + a2 x 2 )] = α[βa0 + βa1 x + βa2 x 2 ]
= (αβ)a0 + (αβ)a1 x + (αβ)a2 x 2 = (αβ)(a0 + a1 x + a2 x 2 )
= (αβ)p(x).

Ejemplos
a 2. Es decir,
n o
P2 = p(x) = a0 + a1 x + a2 x 2 : ai ∈ R .

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2
λp(x) = (λa0 ) + (λa1 )x + (λa2 )x 2 .
(S1) p(x) + q(x) ∈ P2 .
(E1) αp(x) ∈ P2 .
(E 4) α[βp(x)] = α[β(a0 + a1 x + a2 x 2 )] = α[βa0 + βa1 x + βa2 x 2 ]
= (αβ)a0 + (αβ)a1 x + (αβ)a2 x 2 = (αβ)(a0 + a1 x + a2 x 2 )
= (αβ)p(x).
Por tanto, P2 es un espacio vectorial
Ejemplos
EJEM Sea Gn el conjunto de todos los polinomios de grado IGUAL a n.
Es decir,
n o
Gn = p(x) = a0 + a1 x + a2 x 2 + · · · + an−1 x n−1 + x n : ai ∈ R .

Ejemplos
Es decir,
n o
Si definimos la suma y el producto por escalar, de la siguiente forma

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an−1 + bn−1 )x n−1 + 2x n
λp(x) = (λa0 ) + (λa1 )x + · · · + (λan−1 )x n−1 + λx n .

Ejemplos
Es decir,
n o

¿Por qué, Qn NO es un espacio vectorial?

Ejemplos
Es decir,
n o

1 Falla [(S4)] ∃! 0 ∈ Qn , tal que p(x) + 0 = p(x).

Ejemplos
Es decir,
n o

1 Falla [(S4)] ∃! 0 ∈ Qn , tal que p(x) + 0 = p(x).
EJEM Porque el conjunto de enteros Z no es un espacio vectorial REAL?

Ejemplos
EJEM Sea F[0, 1] el conjunto de todas funciones de valor real definidas
en el intervalo [0, 1]. Es decir,
n o
F[0, 1] = f : f : [0, 1] → R .

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .
Sea f , g ∈ F[0, 1]. Ahora, si definimos la suma y el producto por escalar,

de la siguiente forma
(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].
(S1) p(x) + q(x) ∈ F.

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].
(S1) p(x) + q(x) ∈ F.
(E1) αf (x) ∈ F.

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].
(S1) p(x) + q(x) ∈ F.

(S4) ∃! 0 ∈ F, tal que f (x) + 0 = f (x), ∀f (x) ∈ F.
(E1) αf (x) ∈ F.

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].
(S1) p(x) + q(x) ∈ F.

(S5) Para cada f (x) ∈ F, ∃! − f (x) ∈ F, tal que f (x) + (−f (x)) = 0.
(E1) αf (x) ∈ F.

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].
(S1) p(x) + q(x) ∈ F.

(E1) αf (x) ∈ F.

Ejemplos
n o
F[0, 1] = f : f : [0, 1] → R .

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].
(S1) p(x) + q(x) ∈ F.

(E1) αf (x) ∈ F.
Los demás axiomas son inmediatos. Por tanto, F[0, 1] es un espacio
vectorial

Ejemplos
EJEM Sea H el hiperplano de R4 cuya ecuación es 2x1 − x2 + 3x4 = 0.
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.
Si definimos la suma y el producto por escalar, como en R4 entonces

(H, +, λ) es un espacio vectorial,
(S1),(E1) Si p, q ∈ H entonces p + q ∈ H y λp ∈ H.

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.


Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

Para p = (p1 p2 p3 p4 )T y q = (q1 q2 q3 q4 )T tenemos que

2p1 − p2 + 3p4 = 0 y 2q1 − q2 + 3q4 = 0.

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.


2p1 − p2 + 3p4 = 0 y 2q1 − q2 + 3q4 = 0. Luego,
   
p1 + q1 λp1
p2 + q2  λp2 
p+q =  
p3 + q3  ∈ H y λp = λp3  ∈ H

p4 + q4 λp4

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

2p1 − p2 + 3p4 = 0 y 2q1 − q2 + 3q4 = 0. Luego,
   
p1 + q1 λp1
p2 + q2  λp2 
p+q =  
p3 + q3  ∈ H y λp = λp3  ∈ H

p4 + q4 λp4
2(p1 +q1 )−(p2 +q2 )+3(p4 +q4 ) = (2p1 −p2 +3p4 )+(2q1 −q2 +3q4 ) = 0+0 = 0
y
2(λp1 ) − (λp2 ) + 3(λp4 ) = λ(2p1 − p2 + 3p4 ) = λ0 = 0.
Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.


Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

(S4) Es claro que ∃! 0 ∈ H pues 2(0) − 0 + 3(0) = 0.

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

(S5) Para cada p ∈ H, ∃! − p ∈ H, pues
2(−p1 ) − (−p2 ) + 3(−p4 ) = −(2p1 − p2 + 3p4 ) = −0 = 0.

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

2(−p1 ) − (−p2 ) + 3(−p4 ) = −(2p1 − p2 + 3p4 ) = −0 = 0.
Los demás axiomas son inmediatos. Por tanto, H es un espacio vectorial

Ejemplos
Es decir, n
H = (x1 x2 x3 x4 )T : 2x1 − x2 + 3x4 = 0}.

2(−p1 ) − (−p2 ) + 3(−p4 ) = −(2p1 − p2 + 3p4 ) = −0 = 0.
Los demás axiomas son inmediatos. Por tanto, H es un espacio vectorial

OBS: H es un espacio vectorial contenido en otro espacio vectorial R4 .

Subespacios Vectoriales
DEF: Sea V un espacio vectorial y sea H un subconjunto de V . Si H es

espacio vectorial con los mismos escalares y las mismas operaciones que
V , decimos que H es un subespacio de V .


TEO Sea V un espacio vectorial y H un subconjunto no vacı́o de V .

Dados x, y ∈ H entonces x + y ∈ H y λx ∈ H, si y sólo si, H es un
subespacio de V
DEM (⇒) Supongamos que H satisface S1 y E 1. Como H ⊆ V ,

entonces H hereda propiedades de V , ( S2, S3, E 7, E 8, E 9 y E 10). Nos
queda por verificar únicamente S4 y S5.



subespacio de V

queda por verificar únicamente S4 y S5. Sea u ∈ H. Por E 1, λu ∈ H
para todo λ, en particular para λ = 0 y para λ = −1. Ası́ que el
elemento nulo, 0u = 0, y el opuesto de u, (−1)u = −u, están en H.



subespacio de V

queda por verificar únicamente S4 y S5. Sea u ∈ H. Por E 1, λu ∈ H
para todo λ, en particular para λ = 0 y para λ = −1. Ası́ que el
elemento nulo, 0u = 0, y el opuesto de u, (−1)u = −u, están en H.
(⇐) Supongamos que H es un subespacio vectorial de V , entonces H es

un espacio vectorial, lo que implica que H satisface los 10 axiomas de la
definición, en particular, el S1 y el E 1.
Ejemplos
PREG ¿Por qué Dn , el conjunto de matrices diagonales de tamaño n × n,
es un espacio vectorial?.

a 2. Demostremos que,
n o
H = p(x) = a0 + a1 x + a2 x 2 : a0 = 0, a1 , a2 ∈ R .
es un espacio vectorial.

Ejemplos

n o
H = p(x) = a0 + a1 x + a2 x 2 : a0 = 0, a1 , a2 ∈ R .
Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en H. Entonces
a0 = b0 = 0, Luego
p(x) + λq(x) = (a0 + λb0 ) + (a1 + λb1 )x + (a2 + λb2 )x 2
es un polinomio de H.

Ejemplos

n o
H = p(x) = a0 + a1 x + a2 x 2 : a0 = 0, a1 , a2 ∈ R .
a0 = b0 = 0, Luego
es un polinomio de H. Por tanto, H es un subespacio vectorial de P2 y

por lo tanto, un espacio vectorial.

Ejemplos

n o
H = p(x) = a0 + a1 x + a2 x 2 : a0 = 0, a1 , a2 ∈ R .
a0 = b0 = 0, Luego
es un polinomio de H. Por tanto, H es un subespacio vectorial de P2 y

por lo tanto, un espacio vectorial.
EJEM Veamos que K = {(0 y 0 1 + y )T : y ∈ R} no es un subespacio

vectorial de R4
Ejemplos
EJEM Demostremos que si u1 , u2 , . . . , uk son vectores de Rn , entonces
G = gen{u1 , u2 , . . . , uk } es un espacio vectorial.

Ejemplos
DEM: Sean u, v ∈ G y λ ∈ R.

Ejemplos
DEM: Sean u, v ∈ G y λ ∈ R. Luego, existen escalares αi y βi en R,

tales que
u = α 1 u 1 + α 2 u2 + · · · + α k uk v = β1 u1 + β2 u2 + · · · + βk uk ,

Ejemplos

tales que
u + λv = (α1 u1 + · · · + αk uk ) + λ(β1 u1 + · · · + βk uk )
= (α1 + λβ1 )u1 + · · · + (αk + λβk )uk
es decir, u + λv ∈ G , Por tanto, G es un subespacio de Rn y por ende,

un espacio vectorial.

Ejemplos

tales que
= (α1 + λβ1 )u1 + · · · + (αk + λβk )uk

n o
a
EJEM ¿H = : a, b ∈ R es un subespacio vectorial de R2 ?.
a − 2b

Ejemplos

tales que
= (α1 + λβ1 )u1 + · · · + (αk + λβk )uk

n o
a
EJEM ¿H = : a, b ∈ R es un subespacio vectorial de R2 ?.
a − 2b

a 1 0
SOL Observemos que =a +b ; por lo tanto,
a − 2b 1 −2
n o
1 0
H = gen , ; Luego, H es un espacio vectorial.
1 −2
Extensión de los conceptos de combinación lineal, conj
generador
EJEM Dado el espacio vectorial P2 , ¿el polinomio −3 − 6x + x 2 es una
combinación lineal de los polinomios 1 − 2x + x 2 y 3 + x 2 ?,

generador
combinación lineal de los polinomios 1 − 2x + x 2 y 3 + x 2 ?, Si, puesto
que,
−3 − 6x + x 2 = 3(1 − 2x + x 2 ) − 2(3 + x 2 ).

generador
que,
−3 − 6x + x 2 = 3(1 − 2x + x 2 ) − 2(3 + x 2 ).
PREG ¿El polinomio −2x + x 2 también es una combinación lineal de
estos polinomios?

generador
que,
−3 − 6x + x 2 = 3(1 − 2x + x 2 ) − 2(3 + x 2 ).
estos polinomios? NOOO

generador
que,
−3 − 6x + x 2 = 3(1 − 2x + x 2 ) − 2(3 + x 2 ).
estos polinomios? NOOO

EJEM Demuestre que 1 − x, x 2 , 1 + x es un conjunto generador de P2 .
Para cualquier polinomio a0 + a1 x + a2 x 2 , debemos encontrar escalares

λ1 , λ2 , λ3 ∈ R, tales que
a0 + a1 x + a2 x 2 = λ1 (1 − x) + λ2 x 2 + λ3 (1 + x)
Continuar...

Ejemplos
n o
1 0 0 1 1 0
EJEM Determine si M = , , es un conjunto
0 1 1 0 1 0
generador de M2×2 , el espacio vectorial de las matrices de tamaño 2 × 2.

Ejemplos
n o
1 0 0 1 1 0
0 1 1 0 1 0

a b
SOL:Para cualquier matriz ∈ M2×2 debemos encontrar
c d
escalares λ1 , λ2 , λ3 , tales que

a b 1 0 0 1 1 0
= λ1 + λ2 + λ3
c d 0 1 1 0 1 0

Ejemplos
n o
1 0 0 1 1 0
0 1 1 0 1 0

a b
SOL:Para cualquier matriz ∈ M2×2 debemos encontrar
c d
escalares λ1 , λ2 , λ3 , tales que

a b 1 0 0 1 1 0
= λ1 + λ2 + λ3
c d 0 1 1 0 1 0
Desarrollar...

Ejemplos
       
n 1 1 1 1 o
EJEM Determine si S = 0 , 1 , 1 , 2 genera a R3 .
0 0 1 3

Ejemplos
       
n 1 1 1 1 o
0 0 1 3
Para cualquier vector (x1 x2 x3 )T ∈ R3 debemos encontrar escalares

λ1 , λ2 , λ3 , λ4 , tales que
           
x1 1 1 1 1 λ1 + λ2 + λ3 + λ4
x2  = λ1 0+λ2 1+λ3 1+λ4 2 =  λ2 + λ3 + 2λ4 
x3 0 0 1 3 λ3 + 3λ4

Ejemplos
       
n 1 1 1 1 o
0 0 1 3

           
x1 1 1 1 1 λ1 + λ2 + λ3 + λ4
x2  = λ1 0+λ2 1+λ3 1+λ4 2 =  λ2 + λ3 + 2λ4 
x3 0 0 1 3 λ3 + 3λ4
Desarrollar...

Ejemplos
       
n 1 1 1 1 o
0 0 1 3

           
x1 1 1 1 1 λ1 + λ2 + λ3 + λ4
x2  = λ1 0+λ2 1+λ3 1+λ4 2 =  λ2 + λ3 + 2λ4 
x3 0 0 1 3 λ3 + 3λ4
Desarrollar...
EJEM Determine si el conjunto de polinomios

S = {1 − x + x 2 , 1 + x − x 2 , 1 + x + x 2 } es l.d.

Ejemplos
       
n 1 1 1 1 o
0 0 1 3

           
x1 1 1 1 1 λ1 + λ2 + λ3 + λ4
x2  = λ1 0+λ2 1+λ3 1+λ4 2 =  λ2 + λ3 + 2λ4 
x3 0 0 1 3 λ3 + 3λ4
Desarrollar...

S = {1 − x + x 2 , 1 + x − x 2 , 1 + x + x 2 } es l.d.
SOL Encontremos los escalares λ1 , λ2 y λ3 tales que

λ1 (1 − x + x 2 ) + λ2 (1 + x − x 2 ) + λ3 (1 + x + x 2 ) = 0,

Ejemplos
       
n 1 1 1 1 o
0 0 1 3

           
x1 1 1 1 1 λ1 + λ2 + λ3 + λ4
x2  = λ1 0+λ2 1+λ3 1+λ4 2 =  λ2 + λ3 + 2λ4 
x3 0 0 1 3 λ3 + 3λ4
Desarrollar...

S = {1 − x + x 2 , 1 + x − x 2 , 1 + x + x 2 } es l.d.
SOL Encontremos los escalares λ1 , λ2 y λ3 tales que

λ1 (1 − x + x 2 ) + λ2 (1 + x − x 2 ) + λ3 (1 + x + x 2 ) = 0,
Desarrollar...
EJEMPLOS
EJEM Determinemos si T = {1 − x, 2x − x 2 , −1 + 2x 2 , 1 + x + x 2 } es un
conjunto de vectores l.i.

EJEMPLOS
SOL Consideremos la combinación lineal dada por
λ1 (1 − x) + λ2 (2x − x 2 ) + λ3 (−1 + 2x 2 ) + λ4 (1 + x + x 2 ) = 0,

EJEMPLOS
λ1 (1 − x) + λ2 (2x − x 2 ) + λ3 (−1 + 2x 2 ) + λ4 (1 + x + x 2 ) = 0,
Veamos que los escalares λ1 , λ2 , λ3 y λ4 deben ser cero,

EJEMPLOS
λ1 (1 − x) + λ2 (2x − x 2 ) + λ3 (−1 + 2x 2 ) + λ4 (1 + x + x 2 ) = 0,
Veamos que los escalares λ1 , λ2 , λ3 y λ4 deben ser cero,
Desarrollar...

DEF: Diremos que el conjunto de vectores {v1 , v2 , . . . , vn } ⊂ V es
linealmente dependiente (l.d.), si existen escalares λ1 , λ2 , . . . , λn , no
todos cero, tales que
λ1 v1 + λ2 v2 + · · · + λn vn = 0.

λ1 v1 + λ2 v2 + · · · + λn vn = 0.
En caso contrario, diremos que el conjunto de vectores {v1 , v2 , . . . , vn } es

linealmente independiente (l.i.)

λ1 v1 + λ2 v2 + · · · + λn vn = 0.

linealmente independiente (l.i.) Es decir, si consideramos la combinación
lineal
λ1 v1 + λ2 v2 + · · · + λn vn = 0,
se tiene que λ1 = λ2 = · · · = λn = 0

λ1 v1 + λ2 v2 + · · · + λn vn = 0.

linealmente independiente (l.i.) Es decir, si consideramos la combinación
lineal
λ1 v1 + λ2 v2 + · · · + λn vn = 0,
se tiene que λ1 = λ2 = · · · = λn = 0
EJER Determine si los conjuntos de polinomios
S = {1 + x 2 , 1 + x − x 2 , 1 − x − x 2 }, T = {1 − x, 2x + x 2 , −1 − 2x 2 }
son conjunto de vectores l.i.

Propiedades de independencia y dependencia lineal
TEO Dado un espacio vectorial V y S un subconjunto de V .

1 Si el vector 0 ∈ S, entonces S es un conjunto l.d..


2 Si S consta de dos elementos, S es l.d, si y sólo si, uno de ellos es
un múltiplo por escalar del otro.


DEM: (⇒) Sea S = {v1 , v2 }. Si S es l.d., entonces ∃ λ1 , λ2 tales

que λ1 v1 + λ2 v2 = 0, con λi 6= 0 para algún i. SPG, supongamos
que λ1 6= 0, ası́ que v1 = λλ21 v2 .


DEM: (⇒) Sea S = {v1 , v2 }. Si S es l.d., entonces ∃ λ1 , λ2 tales

que λ1 v1 + λ2 v2 = 0, con λi 6= 0 para algún i. SPG, supongamos
que λ1 6= 0, ası́ que v1 = λλ21 v2 .
(⇐) si v1 = µv2 , entonces v1 − µv2 = 0 es un combinación no

trivial, por tanto, S es un conjunto de vectores l.d..




3 Si S contiene un subconjunto l.d, S es l.d.


DEM: Sea T = {v1 , v2 , . . . , vk } un subconjunto de

S = {v1 , v2 , . . . , vk , vk+1 , . . . , vn }. Si T es l.d., existen
λ1 , λ2 , . . . , λk no todos 0, tales que λ1 v1 + λ2 v2 + . . . + λk vk = 0.



S = {v1 , v2 , . . . , vk , vk+1 , . . . , vn }. Si T es l.d., existen
λ1 , λ2 , . . . , λk no todos 0, tales que λ1 v1 + λ2 v2 + . . . + λk vk = 0.
Ası́ que
λ1 v1 + λ2 v2 + . . . + λk vk + 0vk+1 + . . . + 0vn = 0
y por tanto S es l.d.




4 Si S es l.i, cualquier subconjunto de S es también l.i.



S = {v1 , v2 , . . . , vk , vk+1 , . . . , vn }. Si S es l.i. entonces
λ1 v1 + λ2 v2 + . . . + λk vk + λk+1 vk+1 + . . . + λn vn = 0
implica que λ1 = λ2 = . . . = λk = λk+1 = . . . = λn = 0.



S = {v1 , v2 , . . . , vk , vk+1 , . . . , vn }. Si S es l.i. entonces
λ1 v1 + λ2 v2 + . . . + λk vk + λk+1 vk+1 + . . . + λn vn = 0
implica que λ1 = λ2 = . . . = λk = λk+1 = . . . = λn = 0. En

particular, si λ1 v1 + λ2 v2 + . . . + λk vk = 0, entonces
λ1 v1 + λ2 v2 + . . . + λk vk + 0vk+1 + . . . + 0vn = 0
⇒ λ1 = λ2 = . . . = λk = 0; por lo tanto T es un conjunto l.i.

TEO Sea S = {v1 , v2 , . . . , vn } un conjunto de vectores l.i. de un espacio

vectorial V
1 Si v ∈ genS, entonces v = λ1 v1 + λ2 v2 + . . . + λn vn se escribe de
manera única.


vectorial V
manera única.
2 Si v ∈
/ genS, entonces el conjunto es {v1 , v2 , . . . , vn , v} es l.i.


vectorial V
manera única.
2 Si v ∈


vectorial V
manera única.
2 Si v ∈
DEM: (1) Si existen dos combinaciones lineales de v, es decir,

v = µ1 v1 + µ2 v2 + . . . + µn vn y v = λ1 v1 + λ2 v2 + . . . + λn vn entonces
0 = (λ1 − µ1 )v1 + (λ2 − µ2 )v2 + . . . + (λn − µn )vn por S ser l.i. tenemos
que λ1 − µ1 = λ2 − µ2 = . . . = λn − µn = 0, entonces los escalares son
únicos.


vectorial V
manera única.
2 Si v ∈
DEM: (1) Si existen dos combinaciones lineales de v, es decir,

v = µ1 v1 + µ2 v2 + . . . + µn vn y v = λ1 v1 + λ2 v2 + . . . + λn vn entonces
0 = (λ1 − µ1 )v1 + (λ2 − µ2 )v2 + . . . + (λn − µn )vn por S ser l.i. tenemos
que λ1 − µ1 = λ2 − µ2 = . . . = λn − µn = 0, entonces los escalares son
únicos.
(2) Por contradicción. Supongamos que {v1 , v2 , . . . , vn , v} es l.d.
entonces 0 = λ1 v1 + . . . + λn vn + λn+1 v con λn+1 6= 0, pues si λn+1 = 0
implicaria que todos los demás son cero pues S es l.i.
Entonces podemos despejar v = λλn+1 1
v1 + . . . + λλn+1
n
vn entonces
v ∈ Gen(S) pero esto es un absurdo por la hipótesis.

TEO Sea S = {v1 , v2 , . . . , vn } un conjunto de vectores del espacio

vectorial V . Las siguientes proposiciones son equivalentes
1 El conjunto S es l.d.
2 Existe vi ∈ S tal que vi es combinación lineal del resto de vectores
de S.


de S.
3 Existe vi ∈ S tal que genS = {v1 , . . . , vi−1 , vi+1 , . . . , vn }.


de S.
DEM: (1)⇒ (2) Si S es l.d. entonces existen escalares no todos cero

tales que 0 = λ1 v1 + λ2 v2 + . . . + λn vn supongamos que λi 6= 0 entonces
vi = − λλ1i v1 − . . . − λλi−1
i
vi−1 − λλi+1
i
vi+1 . . . − λλni vn .


de S.
DEM: (2)⇒ (3) SPG podemos suponer que vi = v1 , esto es

v1 = λ2 v2 + . . . + λn vn . Es obvio que Gen({v2 , v3 , . . . , vn }) ⊆ Gen(S)
basta demostrar que Gen(S) ⊆ Gen({v2 , v3 , . . . , vn }). Para ello, sea
v ∈ Gen(S) entonces
v = α1 v1 + α2 v2 + . . . + αn vn = α1 (λ2 v2 + . . . + λn vn ) + α2 v2 + . . . + αn vn
= (λ2 α1 + α2 )v2 + . . . + (λn α1 + αn )vn


de S.
DEM: (3)⇒ (1) SPG podemos suponer que vi = v1 , es decir,

Gen(S) = Gen({v2 , v3 , . . . , vn }). Como v1 ∈ S entonces
v1 ∈ Gen(S) = Gen({v2 , v3 , . . . , vn }) por lo tanto
v1 = α2 v2 + . . . + αn vn . Ası́ que v1 − α2 v2 − . . . − αn vn =0 luego S es
l.d.

Bases y Dimensión
DEF Sea B un subconjunto no vacı́o del espacio vectorial V. Diremos que B es

una base de V , si y sólo si, el conjunto B satisface
1 B es un conjunto linealmente independiente.
2 B es un conjunto generador de V .

Bases y Dimensión

EJEM: Determine si B = {e1 , e2 , . . . , en } es una base de Rn .

Bases y Dimensión

EJEM: Determine si B = {1, x, . . . , x n } es una base de Pn .

Bases y Dimensión

EJEM: Determine si B = {E11 , . . . , E1n , E21 , . . . , E2n , . . . , En1 , . . . , Enn } es

una base de Mn×n .

Bases y Dimensión


una base de Mn×n .
EJEM: Determine si B = {1 − x, 1 + x, x 2 } es una base de P2 .

Bases y Dimensión


una base de Mn×n .
EJEM: Determine si B = {1 − x 2 , −1 + x, x − x 2 } es una base de P2 .

Bases y Dimensión


una base de Mn×n .
EJEM: Determine si B = {1 − x 2 , −1 + x, x − x 2 } es una base de P2 .

n o
−1 0 0 −1 1 3
EJEM: Determine si B = , , es una
0 1 −2 0 2 1
base de M2×2 .

Bases y Dimensión
PROPIEDADES DE LAS BASES

1 Todo espacio vectorial, excepto V = {0}, tiene al menos una base.

Bases y Dimensión

2 Si V tiene un conjunto generador de n elementos, entonces cualquier
subconjunto de V con más de n elementos es l.d.
DEM: Sea T = {v1 , . . . , vn } un generador de V y S = {u1 , . . . , um } ⊂ V
es l.i. Veamos que m ≤ n. Construyamos el conjunto S1 = T ∪ {u1 }.
Note que es l.d (pues u1 ∈ V = Gen(T )). Entonces ∃vi que es comb.
lineal del resto de S1 . SPG supongamos vi = v1 y observe que
V = Gen(S1 ) = Gen(S1 \ {v1 }). Ahora, construyamos
S2 = {u2 , u1 , v2 , v3 , . . . , vn } y note que también es l.d. entonces ∃vi que
es comb. lineal del resto de S2 . SPG suponga que vi = v2 y note que
V = Gen(S2 ) = Gen({u2 , u1 , v3 , . . . , vn }) repitiendo el mismo proceso
podemos construir Sm = {u1 , . . . , um , vm , . . . , vn } el cual serı́a l.d.
⇒ m ≤ n pues si m > n entonces por ejemplo m = n + 1 y Sn+1 = S es
un conjunto l.d. y eso es una contradicción.

Bases y Dimensión

3 Un subconjunto de B = {v1 , . . . , vn } de V es una base ⇔ si todo
v = λ1 v1 + . . . + λn vn de forma única.

Bases y Dimensión

4 Todas las bases de un mismo espacio vectorial tienen igual número de
elementos.

Bases y Dimensión

4 Todas las bases de un mismo espacio vectorial tienen igual número de
elementos.
DEF Si las bases V tienen n elementos, diremos que la dimensión de V es n, lo

que expresaremos como dim(V ) = n.

Propiedad maximal y minimal de una base
EJEM: dim(Rn ) = n, dim(Pn ) = n + 1 y dim(Mm×n ) = mn.

EJER Determinemos la dimensión de V = gen{x − x 2 , x + x 2 , x 2 }.

TEO Sea V un espacio vectorial de dimensión n y S un subconjunto de

V con m elementos.
1 Si S es l.i., entonces m ≤ n.
2 Si S genera a V , entonces m ≥ n.


V con m elementos.

OBS: Los recı́procos son falsos. Considere S = 0, 1 + x 2 tiene 2
elementos
de P2 y dim(P 2 ) = 3 y S no es l.i. De igual manera, si
S = x + x 2 , x 2 , x, 0 tiene 4 elementos pero no genera a P2 .


V con m elementos.

OBS: Los recı́procos son falsos. Considere S = 0, 1 + x 2 tiene 2
elementos
de P2 y dim(P 2 ) = 3 y S no es l.i. De igual manera, si
S = x + x 2 , x 2 , x, 0 tiene 4 elementos pero no genera a P2 .

V con n elementos.
1 Si S es l.i., entonces S es una base de V .
2 Si S genera a V , entonces S es una base de V .

Construcción de una base

V con m elementos.
1 Si S es l.i., podemos encontrar un conjunto T que contiene a S y es
una base de V .


V con m elementos.
una base de V .
DEM: S es l.i ahora si gen{S} = V ⇒ T = S es una base de V .

Pero, si


V con m elementos.
una base de V .

Pero, si gen{S} 6= V ⇒ ∃u1 ∈ V tal que u1 ∈/ gen{S}. Luego si
gen{S, u1 } = V ⇒ T = S ∪ {u1 } es una base de V pues es l.i.;


V con m elementos.
una base de V .

Sino, ∃u2 ∈ V tal que u2 ∈/ gen{S, u1 } luego, si gen{S, u1 , u2 } = V ,
⇒ T = S ∪ {u1 , u2 } es una base de V pues es l.i.;


V con m elementos.
una base de V .

Sino, ∃u2 ∈ V tal que u2 ∈/ gen{S, u1 } luego, si gen{S, u1 , u2 } = V ,
⇒ T = S ∪ {u1 , u2 } es una base de V pues es l.i.;
Sino, continuamos hasta encontrar un conjunto
T = S ∪ {u1 , . . . , uk } que contiene a S, es l.i. y
gen{S, u1 . . . , uk } = V . Por tanto, S ∪ {u1 . . . , uk } contiene a S y
es una base de V .


V con m elementos.
una base de V .


V con m elementos.
una base de V .
2 Si V = genS, entonces podemos encontrar un conjunto T contenido
en S que es una base de V .


V con m elementos.
una base de V .
DEM: Si S es l.i., entonces S es una base de V .


V con m elementos.
una base de V .
DEM: Si S es l.i., entonces S es una base de V . Pero si S es l.d.,
⇒ ∃u1 ∈ S que es combinación lineal de los otros vectores de S de
tal manera que si S1 = S − {u1 }, genS = genS1 .


V con m elementos.
una base de V .
Si S1 es l.i., entonces S1 es una base de V .


V con m elementos.
una base de V .
Si S1 es l.i., entonces S1 es una base de V . Si S1 es l.d.,
⇒ ∃u2 ∈ S1 que es combinación lineal de los otros vectores de S1
de tal manera que si S2 = S − {u1 , u2 }, genS2 = genS1 = genS.


V con m elementos.
una base de V .
Si S1 es l.i., entonces S1 es una base de V . Si S1 es l.d.,
⇒ ∃u2 ∈ S1 que es combinación lineal de los otros vectores de S1
de tal manera que si S2 = S − {u1 , u2 }, genS2 = genS1 = genS.
y continuamos este procedimiento hasta obtener un conjunto
T = Sk que es l.i., tal que genSk = genS. Este conjunto T = Sk es
una base de V .

Bases
EJEM: Encontremos una base de P2 que contenga a S = {1 − x 2 , 1 + 2x}
Sean V un espacio vectorial de dimensión n y W un subespacio vectorial

de V . Entonces,

Bases

de V . Entonces,
1 dim W ≤ n.

Bases

de V . Entonces,
1 dim W ≤ n.
DEM: Sea B una base de W entonces B es un conjunto l.i. de V ,

pero sabemos que B tiene a lo sumo n vectores y por tanto,
dim W ≤ n.

Bases

de V . Entonces,
1 dim W ≤ n.

Bases

de V . Entonces,
1 dim W ≤ n.
2 Si dim W = n, entonces W = V .

Bases

de V . Entonces,
1 dim W ≤ n.
2 Si dim W = n, entonces W = V .
DEM Si dim W = n y B es una base de W , entonces W = genB y

B tiene n vectores l.i. de W y por tanto de V . Pero, B es una base
de V , lo que implica que genB = V y por tanto, W = V .

Vector Coordenadas
DEF: Sea B = {v1 , v2 , . . . , vn } una base (ordenada) del espacio vectorial

V. Como para todo v ∈ V , existen escalares únicos λ1 , λ2 , . . . , λn tales
que
v = λ1 v1 + λ2 v2 + . . . + λn vn

Vector Coordenadas

que
v = λ1 v1 + λ2 v2 + . . . + λn vn
Al vector de Rn  
λ1
 λ2 
 
[v]B =  . 
 .. 
λn
lo llamamos vector de coordenadas de v respecto a la base ordenada B.

Vector Coordenadas

que
v = λ1 v1 + λ2 v2 + . . . + λn vn
λ1
 λ2 
 
[v]B =  . 
 .. 
λn

1 0
OBS: Calcule el vector de coordenadas de respecto a la base
0 −1
n o
1 0 −1 1 0 1 0 0
B= , , ,
1 0 0 0 0 1 1 1

Vector Coordenadas

que
v = λ1 v1 + λ2 v2 + . . . + λn vn
λ1
 λ2 
 
[v]B =  . 
 .. 
λn

1 0
OBS: Calcule el vector de coordenadas de respecto a la base
0 −1
n o
1 0 −1 1 0 1 0 0
B= , , ,
1 0 0 0 0 1 1 1
h 1 0
i
T
SOL: = 1 0 0 −1
0 −1 B

Vector Coordenadas
 
1
−1
EJEM: Calculemos p(x), sabiendo que [p(x)]B =  
 3  y que
−2
2 2 3 3
B = {1 − x, 2x + x , x − x , x − 1} es una base de P3 .

Vector Coordenadas
 
1
−1
 3  y que
−2
2 2 3 3
SOL: por definición de vector de coordenadas,
p(x) = 1(1 − x) − 1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) = 3 − 3x + 2x 2 − 5x 3 .

Vector Coordenadas
 
1
−1
 3  y que
−2
2 2 3 3
p(x) = 1(1 − x) − 1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) = 3 − 3x + 2x 2 − 5x 3 .
CUIDADO CON EL ORDEN DE LA BASE

Vector Coordenadas
 
1
−1
 3  y que
−2
2 2 3 3
p(x) = 1(1 − x) − 1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) = 3 − 3x + 2x 2 − 5x 3 .

PREG: Sean B = {1 − x, 2x + x 2 , x 2 − x 3 , x 3 − 1} y
B ′ = {2x + x 2 , x 2 − x 3 , x 3 − 1, 1 − x} dos bases observe que,
p(x) 6= 1(2x + x 2 ) − 1(x 2 − x 3 ) + 3(x 3 − 1) − 2(1 − x). Lo correcto es
p(x) = −1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) + 1(1 − x)

Vector Coordenadas
 
1
−1
 3  y que
−2
2 2 3 3
p(x) = 1(1 − x) − 1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) = 3 − 3x + 2x 2 − 5x 3 .

p(x) = −1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) + 1(1 − x)
¿[p(x)]B = [p(x)]B′ = (−1 3 − 2 1)T ?

Vector Coordenadas
 
1
−1
 3  y que
−2
2 2 3 3
p(x) = 1(1 − x) − 1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) = 3 − 3x + 2x 2 − 5x 3 .

p(x) = −1(2x + x 2 ) + 3(x 2 − x 3 ) − 2(x 3 − 1) + 1(1 − x)
¿[p(x)]B = [p(x)]B′ = (−1 3 − 2 1)T ? NOOOOOOOOO

Vector Coordenadas
TEO: Sean {u1 , u2 , . . . , uk } vectores de un espacio vectorial V y B una

base de V . Entonces u = λ1 u1 + λ2 u2 + . . . + λk uk si y sólo si,
[u]B = λ1 [u1 ]B + . . . + λk [uk ]B .

Vector Coordenadas

[u]B = λ1 [u1 ]B + . . . + λk [uk ]B .
DEM Sea B = {v1 , v2 , . . . , vn } una base V y supongamos que

 
α1i
α2i 
 
[ui ]B =  .  es decir, ui = α1i v1 + α2i v2 + . . . + αni vn .
 .. 
αni

Vector Coordenadas

[u]B = λ1 [u1 ]B + . . . + λk [uk ]B .

 
α1i
α2i 
 
 .. 
αni
Ahora, si
u = λ1 u1 + λ2 u2 + . . . + λk uk
= λ1 (α11 v1 + α21 v2 + +αn1 vn ) + . . . + λk (α1k v1 + α2k v2 + . . . + αnk vn )

Vector Coordenadas

[u]B = λ1 [u1 ]B + . . . + λk [uk ]B .

 
α1i
α2i 
 
 .. 
αni
Ahora, si
u = λ1 u1 + λ2 u2 + . . . + λk uk
= λ1 (α11 v1 + α21 v2 + +αn1 vn ) + . . . + λk (α1k v1 + α2k v2 + . . . + αnk vn )
= (λ1 α11 + λ2 α12 + . . . + λk α1k )v1 + . . . + (λ1 αn1 + λ2 αn2 + . . . + λk αnk )vn .

Vector Coordenadas
[u]B = λ1 [u1 ]B + . . . + λk [uk ]B .

 
α1i
α2i 
 
 .. 
αni
De aquı́, que
 
λ1 α11 + λ2 α12 + . . . + λk α1k
 .. 
[u]B =  . 
λ1 αn1 + λ2 αn2 + . . . + λk αnk

Vector Coordenadas
[u]B = λ1 [u1 ]B + . . . + λk [uk ]B .

 
α1i
α2i 
 
 .. 
αni
De aquı́, que
   
  α11 α1k
λ1 α11 + λ2 α12 + . . . + λk α1k α21  α2k 
 ..     
[u]B =  .  = λ1  ..  + . . . + λk  .. 
 .   . 
λ1 αn1 + λ2 αn2 + . . . + λk αnk
αn1 αnk
= λ1 [u1 ]B + . . . + λk [uk ]B
Vector Coordenadas
EJEM: Verifiquemos el resultado del teorema, con la combinación lineal
de
2x 2 − 2x + 9 = 2(x 2 − 2x + 1) + 3(x + 2)−1(x − 1),
para las bases B = {1, x, x 2 } y B ′ = {1, 1 + x, 1 + x + x 2 } de P2 . No es
difı́cil ver que

Vector Coordenadas
de
2x 2 − 2x + 9 = 2(x 2 − 2x + 1) + 3(x + 2)−1(x − 1),
difı́cil ver que
       
9 1 2 −1
2 2
[2x −2x+9]B = −2, [x −2x+1]B = −2, [x+2]B = 1, [x−1]B =  1 
2 1 0 0

Vector Coordenadas
de
2x 2 − 2x + 9 = 2(x 2 − 2x + 1) + 3(x + 2)−1(x − 1),
difı́cil ver que
       
9 1 2 −1
2 2
[2x −2x+9]B = −2, [x −2x+1]B = −2, [x+2]B = 1, [x−1]B =  1 
2 1 0 0
       
9 1 2 −1
−2 = 2 −2 + 3 1 − 1  1 
2 1 0 0

Vector Coordenadas
de
2x 2 − 2x + 9 = 2(x 2 − 2x + 1) + 3(x + 2)−1(x − 1),
difı́cil ver que

      
9 1 2 −1
2 2
[2x −2x+9]B = −2, [x −2x+1]B = −2, [x+2]B = 1, [x−1]B =  1 
2 1 0 0
       
9 1 2 −1
−2 = 2 −2 + 3 1 − 1  1 
2 1 0 0
       
11 3 1 −2
[2x 2 −2x+9]B′ = −4, [x 2 −2x+1]B′ = −3, [x+2]B′ = 1, [x−1]B′ =  1 
2 1 0 0

Vector Coordenadas
de
2x 2 − 2x + 9 = 2(x 2 − 2x + 1) + 3(x + 2)−1(x − 1),
difı́cil ver que

      
9 1 2 −1
2 2
[2x −2x+9]B = −2, [x −2x+1]B = −2, [x+2]B = 1, [x−1]B =  1 
2 1 0 0
       
9 1 2 −1
−2 = 2 −2 + 3 1 − 1  1 
2 1 0 0
       
11 3 1 −2
[2x 2 −2x+9]B′ = −4, [x 2 −2x+1]B′ = −3, [x+2]B′ = 1, [x−1]B′ =  1 
2 1 0 0
       
11 3 1 −2
−4 = 2 −3 + 3 1 − 1  1 
2 1 0 0

Vector Coordenadas

1 0 1 1 −1 0
EJEM: Determine si S = , , es un
0 0 −1 0 0 −1
conjunto de matrices l.i.

Vector Coordenadas

1 0 1 1 −1 0
0 0 −1 0 0 −1
conjunto de matrices
l.i.
1 0 0 1 0 0 0 0
SOL: Sea B = , , , la base canónica
0 0 0 0 1 0 0 1
de M2×2 . Luego,

1 0
= ,
0 0
B

Vector Coordenadas

1 0 1 1 −1 0
0 0 −1 0 0 −1
l.i.
1 0 0 1 0 0 0 0
0 0 0 0 1 0 0 1
de M2×2 . Luego,
 
1
1 0 0 
=  , ,
0 0 0
B
0

Vector Coordenadas

1 0 1 1 −1 0
0 0 −1 0 0 −1
l.i.
1 0 0 1 0 0 0 0
0 0 0 0 1 0 0 1
de M2×2 . Luego,
   
1 1
1 0 0  1 1 1
=  , =  ,
0 0 0 −1 0 −1
B B
0 0

Vector Coordenadas

1 0 1 1 −1 0
0 0 −1 0 0 −1
l.i.
1 0 0 1 0 0 0 0
0 0 0 0 1 0 0 1
de M2×2 . Luego,
     
1 1 −1
1 0 0  1 1 1 −1 0 0
=  , =  , = 
0 0 0 −1 0 −1 0 −1 0
B B B
0 0 −1

Vector Coordenadas

1 0 1 1 −1 0
0 0 −1 0 0 −1
l.i.
1 0 0 1 0 0 0 0
0 0 0 0 1 0 0 1
de M2×2 . Luego,
     
1 1 −1
1 0 0  1 1 1 −1 0 0
=  , =  , = 
0 0 0 −1 0 −1 0 −1 0
B B B
0 0 −1
Ahora como los vectores coordenados son l.i entonces S es l.i.

Matriz de transición
TEO: Sean B = {v1 , v2 , . . . , vn } y B ′ = {u1 , u2 , . . . , un } bases de un

espacio vectorial V y sea P la matriz de tamaño n × n, cuyas columnas
son los vectores de coordenadas de v1 , v2 , . . . , vn respecto a la base B ′ es
decir, h i
P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B
Entonces, para cada vector v ∈ V , [v]B′ = P[v]B . A la matriz P la

llamamos matriz de transición de B a B ′


decir, h i
P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

DEM: Sea v ∈ V . Como B genera a V , existen escalares λ1 , λ2 , . . . , λn
tales que v = λ1 v1 + λ2 v2 + . . . + λn vn .


decir, h i
P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

tales que v = λ1 v1 + λ2 v2 + . . . + λn vn . Luego
[v]B′ = λ1 [v1 ]B′ + . . . + λn [vn ]B′


decir, h i
P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

[v]B′ = λ1 [v1 ]B′ + . . . + λn [vn ]B′

 
h i λ1
 .. 
= [v1 ] [v2 ] . . . [vn ] .
B′ B′ B′
λn


decir, h i
P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

[v]B′ = λ1 [v1 ]B′ + . . . + λn [vn ]B′

 
h i λ1
 .. 
= [v1 ] [v2 ] . . . [vn ]  .  = P [v]B
B′ B′ B′
λn

Unicidad e invertibilidad de la matriz de transición

espacio vectorial V y sea P la matriz de transición de la base B a la base
B ′ . Es decir, h i
P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B


P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B
(a) Si existe otra matriz P ′ tal que [v]B′ = P ′ [v]B , entonces P = P ′ .


P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

(b) La matriz de transición P es invertible y P −1 es la matriz de
transición de la base B ′ a la base B.


P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

DEMh(b): Sabiendo que B = {vi1 , v2 , . . . , vn } es una base de V, entonces,
P = [v1 ] ′ [v2 ] ′ · · · [vn ] ′ es invertible, pues los vectores columna
B B B
de P es una base de Rn .


P = [v1 ] ′ [v2 ] ′ . . . [vn ] ′ .
B B B

DEMh(b): Sabiendo que B = {vi1 , v2 , . . . , vn } es una base de V, entonces,
P = [v1 ] ′ [v2 ] ′ · · · [vn ] ′ es invertible, pues los vectores columna
B B B
de P es una base de Rn .
De otro lado, como [v]B′ = P[v]B , entonces
P −1 [v]B′ = [v]B
para todo v ∈ V . Por la unicidad de la matriz de transición, podemos

concluir que P −1 es la matriz de transición de la base B ′ a la base B.
EJEMPLOS
EJEM: Sean B = {1, 1 + x, 1 + x + x 2 } y B ′ = {1, x, x 2 } base de P2 .
Encontremos las matrices de transición de una base a la otra.
SOL:

EJEMPLOS
SOL:      
1 1 1
[1]B′ = 0, [1 + x]B′ = 1, [1 + x + x 2 ]B′ = 1,
0 0 1

EJEMPLOS
SOL:      
1 1 1
[1]B′ = 0, [1 + x]B′ = 1, [1 + x + x 2 ]B′ = 1,
0 0 1
!
1 1 1
′
la matriz de transición de B a B es P = 0 1 1 .
0 0 1

EJEMPLOS
SOL:      
1 1 1
[1]B′ = 0, [1 + x]B′ = 1, [1 + x + x 2 ]B′ = 1,
0 0 1
!
1 1 1
′
la matriz de transición de B a B es P = 0 1 1 . Calculemos, la
0 0 1
matriz de transición de B ′ a B,...

EJEMPLOS
SOL:      
1 1 1
[1]B′ = 0, [1 + x]B′ = 1, [1 + x + x 2 ]B′ = 1,
0 0 1
!
1 1 1
′
la matriz de transición de B a B es P = 0 1 1 . Calculemos, la
0 0 1
matriz de transición de B ′ a B,...
!
1 −1 0
P′ = 0 1 −1
0 0 1
Podemos verificar que PP ′ = I , asi que P −1 = P ′

Rango y Nulidad de una Matriz
DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )


DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )



EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
 
1 1 1
SOL:La matriz escalonada de A es U = 0 1 −1, y por tanto, el
0 0 −5
sistema Ax = b tiene solución única para todo b.




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
 
1 1 1
SOL:La matriz escalonada de A es U = 0 1 −1, y por tanto, el
0 0 −5
sistema Ax = b tiene solución única para todo b. Entonces, ν(A) = 0 y
el ρ(A) = 3.



   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
La matriz
 escalonada equivalente al sistema
 Bx = c es
1 −2 1 1 c1
U =  0 4 0 −4 c2 − 2c1 ,
0 0 0 0 c3 − 2c2 + 4c1




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
La matriz
 escalonada equivalente al sistema
 Bx = c es
1 −2 1 1 c1
U =  0 4 0 −4 c2 − 2c1 , Halle NB , CB , ν y ρ??
0 0 0 0 c3 − 2c2 + 4c1




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
OBS: Para determinar el núcleo o el rango de una matriz, podemos
observar que la nulidad de una matriz coincide con el número de variables
libres y que el rango coincide con el número de variables pivotales, Asi que
ν(A) + ρ(A) = #variables




   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
OBS: Para determinar el núcleo o el rango de una matriz, podemos
observar que la nulidad de una matriz coincide con el número de variables
libres y que el rango coincide con el número de variables pivotales, Asi que
ν(A) + ρ(A) = #variables

Base de CA
TEO: Dada una matriz A, las columnas de A correspondientes a las
columnas pivotales de una forma escalonada equivalente forman una base
de CA .

Base de CA
de CA .
DEM: Si Am×n = [a1 a2 · · · an ] y sea U = [b1 b2 · · · bn ] una matriz

equivalente, obtenida del método de eliminación de Gauss.

Base de CA
de CA .

Observe, si {bi , bi , . . . , bi } son las columnas pivotales de U, entonces

1 2 k
{bi , bi , . . . , bi } es l.i. y por tanto {ai , ai , . . . , ai } son l.i.
1 2 k 1 2 k

Base de CA
de CA .


1 2 k
1 2 k 1 2 k
Luego, si consideramos el conjunto {bi , bi , . . . , bi , bi }, con

1 2 k j
j 6= 1, 2, . . . , k, el cual es l.d. y, por tanto {ai , ai . . . , ai , ai } también
1 2 k j
es l.d.. Pero, gen{ai , ai . . . , ai , ai } = gen{ai , ai . . . , ai }.
1 2 k j 1 2 k

Base de CA
de CA .


1 2 k
1 2 k 1 2 k
Luego, si consideramos el conjunto {bi , bi , . . . , bi , bi }, con

1 2 k j
j 6= 1, 2, . . . , k, el cual es l.d. y, por tanto {ai , ai . . . , ai , ai } también
1 2 k j
es l.d.. Pero, gen{ai , ai . . . , ai , ai } = gen{ai , ai . . . , ai }.
1 2 k j 1 2 k
Ahora, si continuamos adjuntando el resto de vectores columna de A,

siempre obtenemos que gen{a1 , a2 , . . . , an } = gen{ai , ai , . . . , ai }. Ası́
1 2 k
que {ai , ai , . . . , ai } es l.i. y genera el CA es decir, es una base de CA .
1 2 k
La base de CA está formada por columnas de A y no por columnas de la
matriz escalonada U. OJO: El teorema no está diciendo que sea el único
conjunto de columnas que sea base de CA

EJEM: Encontremos
  unabase de
    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 
2 −1 1 −1 0

EJEM: Encontremos
  unabase  de    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 

2 −1 1 −1 0
   
1 −1 2 1 3 1 −1 2 1 3
−1 0 1 2 3 0 −1 3 3 6
SOL: Aquı́ A =  
 1 −2 5 4 9 y U = 0 0 0
 
0 0
2 −1 1 −1 0 0 0 0 0 0
Halle dos bases diferentes de CA

EJEM: Encontremos
  unabase  de    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 

2 −1 1 −1 0
   
1 −1 2 1 3 1 −1 2 1 3
−1 0 1 2 3 0 −1 3 3 6
 1 −2 5 4 9 y U = 0 0 0
 
0 0
2 −1 1 −1 0 0 0 0 0 0
EJEM: Encontremos una base de P2 contenida en

{1 − x, x − 2x 2 , −2 + 2x, 1 − 2x 2 , 1 + x − x 2 }.

EJEM: Encontremos
  unabase  de    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 

2 −1 1 −1 0
   
1 −1 2 1 3 1 −1 2 1 3
−1 0 1 2 3 0 −1 3 3 6
 1 −2 5 4 9 y U = 0 0 0
 
0 0
2 −1 1 −1 0 0 0 0 0 0
EJEM: Encontremos una base de P2 contenida en

{1 − x, x − 2x 2 , −2 + 2x, 1 − 2x 2 , 1 + x − x 2 }.
SOL: Si B es la base canónica de P2 , entonces [1 − x]B =??

Relación Nulidad y Rango de una matriz
TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.


EJEM: Si tenemos un sistema de 15 ecuaciones con 20 incógnitas, qué
podemos decir de las soluciones del sistema, si sabemos que el espacio
nulo tiene dimensión 5?.


nulo tiene dimensión 5?. R/ Puesto que ν(A) = 5, ρ(A) = 20 − 5 = 15.
Como, CA ⊆ R15 y ρ(A) = 15, entonces, CA = R15 .


DEF: Dada una matriz Am×n , definimos FA , el espacio fila de A, como el

espacio generado por los vectores formados por las filas de A.



 
2 −1 0 2
EJEM: Dada la matriz A = 4 −1 −3 3  encontremos una base
0 1 −3 −1
de FA y su dimensión.


 
2 −1 0 2
EJEM: Dada la matriz A = 4 −1 −3 3  encontremos una base
0 1 −3 −1
de FA y su dimensión. dim(FA ) = 2
Relación CA y FA
TEO: Dada cualquier matriz A, dim CA = dim FA .

Relación CA y FA
RESUMEN I
TEO: Dada cualquier matriz Am×n , Entonces las siguientes afirmaciones
son equivalentes.
El número de pivotes de la forma escalonada de A es n.
Los vectores columna de A forman un conjunto l.i.
ρ(A) = n
dim CA = n.
ρ(AT ) = n
dim FA = n.
ν(A) = 0.
NA = {0}.
El sistema Ax = 0 tiene sólo la solución trivial.

Relación CA y FA
RESUMEN II
TEO: Dada cualquier matriz Am×n , Entonces las siguientes afirmaciones
son equivalentes.
El número de pivotes de la forma escalonada de A es m.
Los vectores columna de A generan a Rm
ρ(A) = m
dim CA = m.
ρ(AT ) = m
dim FA = m.
Cada fila de la forma escalonada de A contiene un pivote.
ν(A) = n − m.
El sistema Ax = b tiene solución para todo b.

Relación CA y FA
RESUMEN III
TEO: Dada cualquier matriz An×n , Entonces las siguientes afirmaciones
son equivalentes.
El número de pivotes de la forma escalonada de A es n.
Los vectores columna de A generan a Rn , son l.i. y base de Rn
ρ(A) = n
dim CA = n.
dim FA = n.
Cada fila de la forma escalonada de A contiene un pivote.
ν(A) = 0.
El sistema Ax = b tiene solución única para todo b.
La matriz A es invertible.
det A 6= 0

Bases Ortonormales en Rn
DEF Un conjunto de vectores S = {v1 , v2 , . . . , vk } de Rn es ortonormal,

si y sólo si,
1 si i = j
vi · vj =
0 si i 6= j


si y sólo si,
1 si i = j
vi · vj =
0 si i 6= j
TEO: Si B = {v1 , v2 , . . . , vk } es una base ortogonal (ortonormal) de un

subespacio V de Rn y u está en V , entonces
u = λ1 v1 + λ2 v2 + . . . + λk vk , donde
u · vi
λi = para i = 1, 2, . . . , k.
vi · vi


si y sólo si,
1 si i = j
vi · vj =
0 si i 6= j
TEO: Si B = {v1 , v2 , . . . , vk } es una base ortogonal (ortonormal) de un

subespacio V de Rn y u está en V , entonces
u = λ1 v1 + λ2 v2 + . . . + λk vk , donde
u · vi
λi = para i = 1, 2, . . . , k.
vi · vi
DEF: Un vector u ∈ Rn es ortogonal a un subespacio S de Rn , si y sólo

si, el vector u es ortogonal a todos y cada uno de los vectores del
subespacio S; es decir,
u·v=0 para todo v∈S

Ortogonalidad
TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

Ortogonalidad

DEM (⇒) Si el vector u es ortogonal a S, entonces, u es ortogonal a

todos los vectores de S, y en particular, u es ortogonal a vi para
i = 1, 2, . . . k.

Ortogonalidad


i = 1, 2, . . . k.
(⇐) Si u es ortogonal a v1 , v2 , . . . , vk , entonces u · vi = 0 para

i = 1, 2 . . . k.

Ortogonalidad


i = 1, 2, . . . k.

i = 1, 2 . . . k. Ahora, si v ∈ S, ⇒ ∃αi ∈ R tales que
v = α1 v1 + α2 v2 + · · · + αk vk ,
por lo tanto,
u · v = α1 u · v1 + α2 u · v2 + · · · + αk u · vk = 0.
Es decir, u es ortogonal a todo v ∈ S.

Ortogonalidad


i = 1, 2, . . . k.

v = α1 v1 + α2 v2 + · · · + αk vk ,
por lo tanto,
u · v = α1 u · v1 + α2 u · v2 + · · · + αk u · vk = 0.

Ortogonalidad


i = 1, 2, . . . k.

v = α1 v1 + α2 v2 + · · · + αk vk ,
por lo tanto,
u · v = α1 u · v1 + α2 u · v2 + · · · + αk u · vk = 0.
EJER: Verifique que u = (−1 − 1 2)T es ortogonal al plano

P = {(x y z)T : x + y − 2z = 0, x, y , z ∈ R}.
Proyección ortogonal sobre un subespacio
TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.




DEM (a): Sean v1 , v2 , . . . , vk una base de S y A = [v1 v2 · · · vk ].


DEM (a): Sean v1 , v2 , . . . , vk una base de S y A = [v1 v2 · · · vk ].


DEM (a): Sean v1 , v2 , . . . , vk una base de S y A = [v1 v2 · · · vk ]. La

existencia de ProyS u := v ∈ S es equivalente a demostrar la existencia
de un vector x tal que Ax = v, esto equivale a que ∃αi ∈ R, tales que
v = α1 v1 + α2 v2 + ... + αk vk .



v = α1 v1 + α2 v2 + ... + αk vk .
Ahora, uc = u − v = u − Ax es ortogonal a S, si y sólo si,
vi · (u − Ax) = 0 ∀i ⇔ AT · (u − Ax) = 0 ⇔ AT Ax = AT u.



v = α1 v1 + α2 v2 + ... + αk vk .
Ahora, uc = u − v = u − Ax es ortogonal a S, si y sólo si,
vi · (u − Ax) = 0 ∀i ⇔ AT · (u − Ax) = 0 ⇔ AT Ax = AT u.
Pero, como AT A es invertible (Ejercicio 18), entonces AT Ax = AT u

tiene solución única y por tanto, v = Ax es el único vector tal que
uc = u − v es ortogonal a S.

DEM (b): Sea y un vector arbitrario de S. Como ProyS u ∈ S, entonces

ProyS u − y ∈ S.



ProyS u − y ∈ S. Ası́,
ku − yk = ku − ProyS u + ProyS u − yk = kuc + ProyS u − yk



Como uc es ortogonal a S, en particular, uc es ortogonal a ProyS u − y.

Asi que, por el Teorema de Pitágoras,
ku − yk2 = kuc k2 + kProyS u − yk2 .



Como uc es ortogonal a S, en particular, uc es ortogonal a ProyS u − y.

Asi que, por el Teorema de Pitágoras,
ku − yk2 = kuc k2 + kProyS u − yk2 .
De donde concluimos que ku − yk2 ≥ kuc k2


Si u es ortogonal a S, entonces ProyS u = 0 y uc = u;


Si u es ortogonal a S, entonces ProyS u = 0 y uc = u; y si u ∈ S,

entonces ProyS u = u y uc = 0.
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
SOL: Hallemos una base de H,

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
Por el Teorema, ProyH u = v,

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
Por el Teorema, ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es
la solución de AT Ax = AT u.

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
la solución de AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 .
1 0 2 2 0 0 −3 −3

hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 . De aquı́, obtenemos que la
1 0 2 2 0 0 −3 −3
solución de AT Ax = AT u es:
x=
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
!
2 0 1 1 2 0 1 1
1 0 2 2 0 0 −3 −3
x = (0 − 1 1)T y ProyH u = v = Ax =
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
!
2 0 1 1 2 0 1 1
1 0 2 2 0 0 −3 −3
x = (0 − 1 1)T y ProyH u = v = Ax = (0 − 1 1 1)T .
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
!
2 0 1 1 2 0 1 1
1 0 2 2 0 0 −3 −3
x = (0 − 1 1)T y ProyH u = v = Ax = (0 − 1 1 1)T .
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
!
2 0 1 1 2 0 1 1
1 0 2 2 0 0 −3 −3
x = (0 − 1 1)T y ProyH u = v = Ax = (0 − 1 1 1)T .
Proceso de ortogonalización de Gram-Schmidt
TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.


ortonormal.
Poner atención al PROFESOR...


ortonormal.


ortonormal.
CONCLUSIÓN: Dada una base B = {v1 , v2 , . . . , vk } de S. Podemos
construir un base ortogonal B ′ = {u1 , u2 , . . . , uk } de S, definiendo a ui
asi:
!
vi · u 1 vi · u 2 vi · ui−1
ui = v i − u1 + u2 + · · · + ui−1
u1 · u1 u2 · u2 ui−1 · ui−1


ortonormal.
asi:
!
vi · u 1 vi · u 2 vi · ui−1
ui = v i − u1 + u2 + · · · + ui−1
u1 · u1 u2 · u2 ui−1 · ui−1
EJEM:
n Construya una base ortogonal y otra o ortonormal de
B = (1 0 1 0)T , (0 1 0 0)T , (0 0 1 1)T


ortonormal.
asi:
!
vi · u 1 vi · u 2 vi · ui−1
ui = v i − u1 + u2 + · · · + ui−1
u1 · u1 u2 · u2 ui−1 · ui−1
EJEM:
n Construya una base ortogonal y otra o ortonormal de
B = (1 0 1 0)T , (0 1 0 0)T , (0 0 1 1)T
SOL: Claramente la base ortogonal es: u1 = v1 = (1 0 1 0)T

v 2 · u1
u2 = v 2 − u1 = (0 1 0 0)T
u 1 · u1
v3 · u1 v3 · u2 1
u3 = v3 − u1 − u2 = (−1 0 1 2)T
u1 · u 1 u2 · u 2 2
Factorización QR
TEO: Dada Am×n , con columnas l.i., existe una matriz Qm×n , cuyas
columnas son o.n, y una matriz triangular superior Rn×n tales que
A = QR

Factorización QR
A = QR
DEM: Sea A = [a1 a2 · · · an ], cuyas columnas aj son l.i. Claramente,

{a1 , a2 , · · · , an } es una base de CA .

Factorización QR
A = QR

{a1 , a2 , · · · , an } es una base de CA . Del proceso de Gram-Schmidt, existe
{u1 , u2 , . . . , un }, una base ortogonal de CA , tal que u1 = a1 y
!
ai · u1 ai · u2 ai · ui−1
ui = ai − u1 + u2 + · · · + ui−1
u ·u u ·u ui−1 · ui−1
| 1{z 1} | 2{z 2} | {z }
β1 β2 βi−1

Factorización QR
A = QR

{u1 , u2 , . . . , un }, una base ortogonal de CA , tal que u1 = a1 y
!
ai · u1 ai · u2 ai · ui−1
ui = ai − u1 + u2 + · · · + ui−1
u ·u u ·u ui−1 · ui−1
| 1{z 1} | 2{z 2} | {z }
β1 β2 βi−1  
β1
Reescribiendo esto tenemos,  .. 
 . 
 
βi−1 
 
ai = β1 u1 + β2 u2 + · · · + βi−1 ui−1 + 1ui = [u1 u2 · · · un ] 1 
 0 
 
 . 
 .. 
0

Factorización QR
A = QR

{u1 , u2 , . . . , un }, una base ortogonal de CA , tal que u1 = a1 y β1 
 . 
 
βi−1 
 
 0 
 
 . 
 .. 
0

Factorización QR
A = QR
{a1 , a2 , · · · , an } es una base de CA . Del proceso de Gram-Schmidt, existe

{u1 , u2 , . . . , un }, una base ortogonal de CA , tal que u1 = a1 y β1
 . 
 
βi−1 
 
   0 
1 β1 β1 · · · β1   . 

 0 1 β2 · · · β2   .. 
0 0 1 · · · 
[a1 · · · an ] = [u1 · · · un ]   0
| {z } | {z }   . .. β 

A b n−1
Q
··· 1

Factorización QR
A = QR

 . 
 
βi−1 
 
   0 
1 β1 β1 · · · β1   . 

 0 1 β2 · · · β2   .. 
0 0 1 · · · 
[a1 · · · an ] = [u1 · · · un ]   0
| {z } | {z }   . .. β 

A b n−1
Q
··· 1
Entonces A = Q bR.
b Las matrices que buscamos son: Q = QDb −1 ,
R = D Rb donde D = diag(ku1 k, . . . , kun k), la cual es invertible, ya que
{u1 , u2 , . . . , un } es ortogonal.
Factorización QR
A = QR

 . 
 
βi−1 
 
   0 
1 β1 β1 · · · β1   . 

 0 1 β2 · · · β2   .. 
0 0 1 · · · 
[a1 · · · an ] = [u1 · · · un ]   0
| {z } | {z }   . .. β 

A b n−1
Q
··· 1
Entonces A = Q bR.
b Las matrices que buscamos son: Q = QD b −1 ,
R = D Rb donde D = diag(ku1 k, . . . , kun k), la cual es invertible, ya que
{u1 , u2 , . . . , un } es ortogonal. Q T Q = I , R es Trian. Sup y A = QR
EJEMPLO QR
 
2 2 0
−2 0 6
EJEM: Calculemos la factorización QR de la matriz A = 
0 2 0
1 5 3

EJEMPLO QR
 
2 2 0
−2 0 6
0 2 0
1 5 3
SOl: Del Proceso Gram-Schmidt obtenemos u1 = (2 − 2 0 1)T ,
u2 = (0 2 2 4)T y u3 = (2 2 − 2 0)T base ortogonal de CA .

EJEMPLO QR
 
2 2 0
−2 0 6
0 2 0
1 5 3
u2 = (0 2 2 4)T y u3 = (2 2 − 2 0)T base ortogonal de CA . Tomando,
!
1 1 −1
b = [u1 u2 u3 ], y Rb = 0 1 1 y
Q
0 0
!  1 
ku1 k 0 0 3 0
√ 0
D= 0 ku2 k 0 = 0 2 6 0
√

0 0 ku3 k 0 0 2 3

EJEMPLO QR
 
2 2 0
−2 0 6
0 2 0
1 5 3
u2 = (0 2 2 4)T y u3 = (2 2 − 2 0)T base ortogonal de CA . Tomando,
!
1 1 −1
b = [u1 u2 u3 ], y Rb = 0 1 1 y
Q
0 0
!  1 
ku1 k 0 0 3 0 0
√
D= 0 ku2 k 0 = 0
2 6 0
√
 entonces A = QR,
0 0 ku3 k 0 02 3
 √ 
2/3 0√ 1/√3
h u3 i −2/3 1/ 6 1/ 3 
b −1 = u1
donde Q = QD
u2
= √ √ y
ku1 k ku2 k ku3 k 0 1/√6 −1/ 3
1/3 2/ 6 0
 
3 √3 −3
√
R = D Rb = 0 2 6 2√6.
0 0 2 3

Observación
Esto nos permite inferir que una forma eficiente de expresar (no de
calcular) la matriz de transición de una base a otra, diferentes a la base
canónica, es mediante el producto de la inversa de la matriz de transición
de la segunda base a la base canónica por la matriz de transición de la
primera base a la base canónica.

Clase 4 Espacios Vectoriales 27 10 2015

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

Clase 4 Espacios Vectoriales 27 10 2015

Cargado por

Copyright:

Formatos disponibles

Espacios Vectoriales

DEF: Sea V 6= ∅ en el cual se han definido dos operaciones, llamadas

Algebra lineal Básica

DEF: Sea V 6= ∅ en el cual se han definido dos operaciones, llamadas

OBS: A los elementos de un espacio vectorial son llamados vectores.

Algebra lineal Básica

DEF: Sea V 6= ∅ en el cual se han definido dos operaciones, llamadas

(S4) ∃! 0 ∈ V , tal que u + 0 = u, ∀u ∈ V .

OBS: A los elementos de un espacio vectorial son llamados vectores.

Algebra lineal Básica

DEF: Sea V 6= ∅ en el cual se han definido dos operaciones, llamadas

Algebra lineal Básica

DEF: Sea V 6= ∅ en el cual se han definido dos operaciones, llamadas

OBJETIVO En los próximos ejemplos, debemos describir o caracterizar

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Sea p(x) = a0 + a1 x + a2 x 2 y q(x) = b0 + b1 x + b2 x 2 en P2 . Ahora, si

Algebra lineal Básica

Si definimos la suma y el producto por escalar, de la siguiente forma

Algebra lineal Básica

Si definimos la suma y el producto por escalar, de la siguiente forma

¿Por qué, Qn NO es un espacio vectorial?

Algebra lineal Básica

Si definimos la suma y el producto por escalar, de la siguiente forma

1 Falla [(S4)] ∃! 0 ∈ Qn , tal que p(x) + 0 = p(x).

¿Por qué, Qn NO es un espacio vectorial?

Algebra lineal Básica

Si definimos la suma y el producto por escalar, de la siguiente forma

1 Falla [(S4)] ∃! 0 ∈ Qn , tal que p(x) + 0 = p(x).

¿Por qué, Qn NO es un espacio vectorial?

EJEM Porque el conjunto de enteros Z no es un espacio vectorial REAL?

Algebra lineal Básica

Algebra lineal Básica

Sea f , g ∈ F[0, 1]. Ahora, si definimos la suma y el producto por escalar,

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].

Algebra lineal Básica

Sea f , g ∈ F[0, 1]. Ahora, si definimos la suma y el producto por escalar,

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].

(S1) p(x) + q(x) ∈ F.

Algebra lineal Básica

Sea f , g ∈ F[0, 1]. Ahora, si definimos la suma y el producto por escalar,

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].

(S1) p(x) + q(x) ∈ F.

Algebra lineal Básica

Sea f , g ∈ F[0, 1]. Ahora, si definimos la suma y el producto por escalar,

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].

(S1) p(x) + q(x) ∈ F.

Algebra lineal Básica

Sea f , g ∈ F[0, 1]. Ahora, si definimos la suma y el producto por escalar,

(f + g )(x) = f (x) + g (x) (λf )(x) = λ[f (x)].

(S1) p(x) + q(x) ∈ F.

Algebra lineal Básica