Tema 3 - EL ESPACIO VECTORIAL

3.1. Vectores

• Llamamos vector columna o, simplemente, vector a una

matriz con una única columna.
• Al conjunto de todos los posibles vectores con n componentes
reales se conoce como el espacio vectorial Rn.

EN NOTACIÓN MATEMÁTICA:
   


 x1 


x2
  
n
R = x= | x1, x2, . . . xn ∈ R
 
  .. 
 

 

 xn 

1
Ejemplo:

 

 0
  2/3
√
3  ν 
u= , v=  3 , w=  ∀ν ∈ R
−1  0 
π
1

~u = u ∈ R2, ~v = v ∈ R3, ~ = w ∈ R4
w

• Llamamos vector cero o vector nulo a aquel cuyas

componentes son todas cero.

Ejemplo:
 
0
0= (En R2)
0

2
 • Llamamos vector fila a una matriz con una única fila.
Ejemplo:  
3
[3 − 1 ] 6=
−1
• El transpuesto de un vector columna es un vector fila
(y viceversa).
Ejemplo:
 T  
3 T 3
= [3 −1] y [3 −1] =
−1 −1

3
OPERACIONES:
Sólo se aplican a vectores con el mismo número de componentes.

◦ Comparación. Dos vectores son iguales cuando todas sus

componentes son iguales.
Ejemplo:      
3 0 −1
6= 6=
−1 −1 0

◦ Suma. Corresponde a otro vector cuyas componentes son la

suma de las componentes de los vectores.
Ejemplo:
       
3 0 3+0 3
+ = =
−1 −1 −1 − 1 −2

4
◦ Producto por un escalar. Es otro vector cuyas componentes
son el producto del escalar por las componentes del vector.
Ejemplo:
       
3 6 0 0
2 = , λ =
−1 −2 −1 −λ

PROPIEDADES:
Dados u, v, w ∈ Rn y λ, ν ∈ R,
◦ Conmutativa: u+v =v+u
◦ Asociativa I: (u + v) + w = u + (v + w)
◦ Elemento Neutro I: u+0=u
◦ Elemento Inverso: u + (−u) = u − u = 0
◦ Distributiva I: λ(u + v) = λu + λv
◦ Distributiva II: (λ + ν)u = λu + νu
◦ Asociativa II: λ(νu) = (λν)u
◦ Elemento Neutro II: 1u = u
5
Descripción Geométrica ( R2 )
   
2 5
◦ VECTORES u= , v=
3 1

 
7
◦ ADICIÓN DE VECTORES u+v =
4

 
4
◦ MULTIPLICACIÓN POR UN ESCALAR 2u =
6

6
 3.2. Subespacios Vectoriales

• Un subconjunto V de un espacio vectorial Rn es un

subespacio vectorial (SEV) de Rn si verifica que:

1. El vector 0 de Rn está en V .

2. ∀ u, v ∈ V ⇒ u+v ∈ V .

3. ∀ u ∈ V y ∀ λ ∈ R ⇒ λu ∈ V .

EJEMPLOS:
◦ Una recta/plano que pasa por el origen es un SEV de Rn.

◦ Una recta/plano que no pasa por el origen no es un SEV de Rn.

◦ Rn es un SEV.

◦ El conjunto {0} es un SEV de Rn.

7
Ejercicio: ¿Es V un SEV de R3? Demuéstrelo.
   
 x1 
V =  x2  ∈ R3 | x1 − x2 + 2x3 = 0
x
   
0 3
1. 0 =  0  ∈ V , pues 0 − 0 + 2 · 0 = 0.
0
 0   00   0 00

x1 x1 x1 + x1
2. Sea u =  x02  ∈ V y v =  x002  ∈ V ⇒ u + v =  x02 + x002  ∈ V ,
x03 x003 x03 + x003
pues x01 +x001 −x02 −x002 +2(x03 +x003 ) = (x01 −x02 +2x03)+(x001 −x002 +2x003 ) = 0.
 0   0

x1 λx1
3. Sea u =  x02  ∈ V ⇒ λu =  λx02  ∈ V ,
x03 λx03
pues λx01 − λx02 + 2λx03 = λ(x01 − x02 + 2x03) = 0.

Ejercicio: ¿Es el semiplano W un SEV de R2? Demuéstrelo.

   
x1
W = x ∈ R2 | x = ∀ x1 ≥ 0, x2 ∈ R Sol.: No verifica 3.
x2

8
Otros subespacios vectoriales

• Hay muchos otros sistemas matemáticos que verifican las

propiedades de los subespacios vectoriales.

Ejemplo: El conjunto Pn de polinomios de grado n o menor

de la forma

p(t) = a0 + a1t + a2t2 + · · · + antn,

donde los coeficientes a0, · · · , an y la variable t son reales.

Ejercicio: Comprobar que si definimos la suma de polinomios como (p +

q)(t) = p(t) + q(t) y el múltiplo por un escalar como (λp)(t) = λp(t),
el conjunto de polinomios Pn verifica las propiedades de un subespacio
vectorial definidas en la sección 2.2

9
3.3. Combinaciones Lineales

• Decimos que el vector

b = x 1 a1 + x 2 a2 + · · · + x p ap

es una combinación lineal (CL) de los vectores a1, a2, . . . ap

con coeficientes x1, x2, . . . xp ∈ R.

Ejemplo: Los siguentes vectores son CL de x e y ?

√ 1
u= 3 x + y, v= x, w = (4 − 1) y, 0.
2
Ejemplo:
         
7 3 1 3 0
es CL de y pero no lo es de y .
2 1 0 1 0

10
      
7 1 2
Ejemplo: Sean b =  4 , a1 = −2  y a2 =  5 .
−3 −5 6

Determı́nese si b es CL de a1 y a2.

Nos piden determinar si ∃ x1 y x2 tales que

x1 a 1 + x2 a 2 = b

Es decir, nos piden resolver el sistema lineal

     
1 2 7 x1 + 2 x2 = 7
x1 −2  + x2  5  =  4  ⇔ −2 x1 + 5 x2 = 4
−5 6 −3 −5 x1 + 6 x2 = −3

11
Esto lo sabemos hacer:
   
1 2| 7 1 0 | 3
−2 5 | 4  ∼ ... ∼ 0 1 | 2 
−5 6 | −3 0 0 | 0
El sistema tiene solución. Por tanto,

◦ ∃ x1 y x2 | x1 a1 + x2 a2 = b.
◦ Es decir, b es combinación lineal de a1 y a2.
◦ Los coeficientes de la combinación lineal son las soluciones del sistema,
1
x1 = 3, x2 = 2.
◦ Podemos escribir la relación de dependencia: b = 3 a1 + 2 a2.

1
Estos valores se denominan coordenadas de b en la base formada por
a1 y a2 .

12
Teorema 3.1. La ecuación vectorial

x 1 a1 + x 2 a2 + · · · + x q a q = b

es equivalente al sistema lineal cuya matriz ampliada es

[ a1 a2 ... aq b ].

En concreto, un vector b es combinación lineal de otros vectores

a1 . . . aq si y sólo si la matriz ampliada

[ a1 a2 ... aq b ]

representa un sistema lineal compatible.

13
2.4. Subespacio generado por un conjunto
• El subespacio generado por los vectores v1, v2, . . . vp
es el conjunto de todas las combinaciones lineales de dichos
vectores. Este conjunto se denota Gen{v1, v2, . . . vp}.

EN NOTACIÓN MATEMÁTICA:
Si v1, . . . vp ∈ Rn, entonces
Gen{v1, . . . vp} =
{ x ∈ Rn | x = α1 v1 + · · · + αp vp, ∀ α1, . . . αp ∈ R }

• Los vectores v1, v2, . . . vp se denominan conjunto

generador del subespacio H si
Gen{v1, v2, . . . vp} = H.

14
 Teorema 3.2. (a) Dados los vectores v1, v2, . . . vp de un
subespacio vectorial V , el conjunto H = Gen{v1, v2, . . . , vp}
es un subespacio vectorial. (b) Además se verifica que H ⊆ V .

Demostración:
(a)
1. 0 ∈ H.

2. Dados u y v de H ⇒ u + v ∈ H.

3. Dado u de H ⇒ λ u ∈ H ∀ λ.
(b)
Sea cualquier vector u ∈ H.Como u es CL de los vectores de
V entonces u ∈ V .Luego H ⊆ V .
15
 3.5. La ecuación matricial A x = b
• Dada la matriz A = [ a1 a2 . . . an ] de dimensión (m×n),
donde a1, . . . , an ∈ Rm, y el vector x ∈ Rn de componentes
x1, . . . , xn, definimos el producto de A por x como la
combinación lineal de los vectores a1, a2, . . . an con los
coeficientes x1, . . . , xn y lo escribimos:
 
x1
 x2 
 
A x = [ a 1 a2 . . . an ]  .  = x 1 a1 + x 2 a 2 + · · · + x n a n
 . 
xn
| {z } | {z } | {z }
(m × n) (n × 1) (m × 1)

ATENCIÓN:
(m × n) (n × 1) ⇒ (m × 1)

16
 PROPIEDADES:

◦ A(u + v) = Au + Av

◦ A(λ u) = λ (Au)

Ejemplo:  
  4        
1 2 −1   1 2 −1 3
Ax =  3 =4 +3 +7 =
0 −5 3 0 −5 3 6
7

Ejercicio: Escrı́base el vector v = 3 a1 − 5 a2 − 7 a3 ∈ R4

como el producto de una matriz A por un vector w. ¿Cuántas
componentes tiene w? ¿Cuáles son las dimensiones de A?
Sol.: v = Aw tal que w ∈ R3 y A4×3 = [a1 a2 a3].
17
Teorema 3.3. Sean A = [ a1 a2 . . . an ] una matriz (m×n) y b
un vector de Rm. La ecuación matricial
Ax = b
tiene las mismas soluciones que la ecuación vectorial
x 1 a1 + x 2 a 2 + · · · + x n a n = b
que, a su vez, tiene la misma solución que el sistema lineal
cuya matriz ampliada es
[ a1 a2 ... an b ].

18
Teorema 3.4. La ecuación Ax = b tiene solución si y sólo si b
es una combinación lineal de las columnas de A.

EN NOTACIÓN MATEMÁTICA:
Sea A = [a1 . . . an], con a1, . . . an ∈ Rm, y b ∈ Rm, entonces:

∃ x ∈ Rn | Ax = b ⇔ b ∈ Gen{a1 a2 . . . an}

Surge la pregunta: ¿Qué condiciones debe cumplir la matriz A

para que la ecuación Ax = b tenga solución ∀ b ∈ Rm?

19
 Teorema 3.5. Sea la matriz A de dimensión (m × n). Las
siguientes proposiciones son equivalentes:
◦ 1.- Ax = b tiene solución ∀ b ∈ Rm

◦ 2.- Las columnas de A generan Rm

◦ 3.- A tiene un pivote en todas las filas. (Atención: A, no

[ A b ] !)

Demostración:
◦ 3 ⇒ 1. Si A tiene un elemento pivote en todas las filas, la ma-
triz ampliada [ A b ] a la que le hemos añadido una columna
no tendrá pivote en la última columna (independientemente
de b) y, por tanto, el sistema Ax = b será consistente ∀ b.
20
 1 ⇒ 3. A su vez, si el sistema Ax = b es consistente ∀ b,
es decir si la matriz ampliada [ A b ] representa un sistema
consistente independientemente de b,es porque A tiene nece-
sariamente un pivote en la última fila y, por ende, en todas las
filas.

1 ⇒ 2. Si el sistema Ax = b es consis-
tente ∀ b, es porque cualquier vector b ∈ Rm
es combinación lineal de las columnas de A.
Es decir, las columnas de A, mediante combinaciones linea-
les, dan lugar a cualquier vector de Rm (generan Rm).

2 ⇒ 1. Si las columnas de A generan Rm, cualquier vector

b ∈ Rm puede escribirse como combinación de las columnas
de A.Por tanto, siempre podremos encontrar coeficientes para
escribir b = x1 a1 + x2 a2 + · · · + xn an. Es decir, Ax = b
tendrá solución ∀ b.
21
3.6. Espacio de Columnas, Espacio de Filas y Espacio Nulo

• El espacio de columnas de una matriz A, Col A, es el

conjunto de todas las combinaciones lineales de sus columnas.

EN NOTACIÓN MATEMÁTICA:

Si A = [ a1 . . . an ], Col A = Gen{a1, a2, . . . , an}

• El espacio de filas de una matriz A, Fil A, es el conjunto

de todas las combinaciones lineales de sus filas.

EN NOTACIÓN MATEMÁTICA:
 
f1T
Si A =  ..  , Fil A = Gen{f1, f2, . . . , fm}
 
T
fm

22
Teorema 3.6. El espacio de columnas de una matriz (m × n)
es un subespacio vectorial de Rm.

Ejemplo:
         
2 1 0 2 1 0 1
A= ⇒ Col A = Gen , , = Gen
0 0 0 0 0 0 0

Teorema 3.7. El espacio de filas de una matriz (m × n) es

un subespacio vectorial de Rn.

Ejemplo:
     
   2 0   2 
2 1 0
A= ⇒ Fil A = Gen  1  ,  0  = Gen  1 
0 0 0
0 0 0
   

23
 Teorema 3.8. Si dos matrices A y B son equivalentes por
filas, entonces (⇒) Fil A = Fil B

Demostración: Cualquier fila de A podrá obtenerse a partir de

combinaciones lineales de las filas de B (y viceversa).
   
Ejemplo: 1 2 1 2
A= ∼ =B
1 2 0 0
         
1 1 1 1 0
Fil A = Gen , = Gen = Gen , = Fil B
2 2 2 2 0

ATENCIÓN: A∼B ⇒
/ Col A = Col B
     
1 2 1
Col A = Gen , = Gen
1 2 1
     
1 2 1
Col B = Gen , = Gen 6= Col A
0 0 0

24
• El espacio nulo de una matriz A (m × n), es el conjunto
de todas las soluciones de la ecuación Ax = 0.
EN NOTACIÓN MATEMÁTICA:

Nul A = { x ∈ Rn | Ax = 0 }

Teorema 3.9. El espacio nulo de una matriz (m × n) es un

subespacio vectorial de Rn.

Demostración:
1. 0 ∈ Nul A

2. Si x, y ∈ Nul A ⇒ x + y ∈ Nul A

3. Si x ∈ Nul A ⇒ µx ∈ Nul A ∀µ ∈ R
25
Ejemplo: Calcule Nul A..

 
2 4 −2 1
A =  −2 −5 7 3 
3 7 −8 6

 
1 0 9 0| 0
x ∈ R4 | Ax = 0

Nul A = ⇒ [A|0] ∼  0 1 −5 0| 0 
0 0 0 1| 0

   
x1 = −9 λ −9 
 −9 

x2 = 5 λ  5 
 ⇒ Nul A = Gen  5
 
⇒ ⇒ x = λ 
x3 = λ  1  

 1 

x4 = 0 0 0
 

26
 3.7. Estructura de las Soluciones de Sistemas Lineales
• Un sistema de ecuaciones se denomina homogéneo si
puede escribirse de la forma Ax = 0.

Teorema 3.10. Los sistemas homogéneos son compatibles.

Demostración: Basta comprobar que x = 0 es solución ∀A.

• En un sistema homogéneo, la solución x = 0 se

denomina solución trivial. Otras posibles soluciones del sistema
se denominan no triviales.

Teorema 3.11. Un sistema homogéneo Ax = 0 presenta

soluciones no triviales si y sólo si tiene alguna variable libre.

27
 SISTEMAS HOMOGÉNEOS en Rn
VARIABLES LIBRES SOLUCIÓN
0 0 (trivial)
1 Recta que pasa por 0
2 Plano que pasa por 0
3 Hiperplano (3D) que pasa por 0
.. ..

Ejemplo: Consideremos la ecuación homogénea x + 2y = 0.

 

x

  FORMA
1 2 =0 ⇒ 1 2| 0 ESCALONADA
y REDUCIDA

y libre ↑
28
    
x = −2 µ x −2
∀µ ∈ R ⇒ =µ
y= µ y 1

FORMA
FORMA
PARAMÉTRICA
PARAMÉTRICA
VECTORIAL

La solución (en R2) es una recta que pasa por el origen y es

paralela al vector v:
 
−2
x = µv ∀µ∈R y v= .
1

Ejercicio: Obtenga la solución de la ecuación x + 2y = 0 en R3 en forma

paramétrica vectorial. ¿Qué forma geométrica representan las soluciones?

29
  
   
x −2 0
Solución:  y  = µ  1  + ν 0 . Un plano
z 0 1
Cálculo de las ecuaciones de un subespacio vectorial generado por vectores
Ejercicio: Hállese la ecuación de la recta:
     
1 1
Gen = x ∈ R2 | x = λ , ∀λ∈R
−1 −1
    
x1 1 x1 = λ
⇒ =λ ⇒ ⇒ x1 = −x2
x2 −1 x2 =−λ
Es decir,      
1 x1
Gen = x= ∈ R 2 | x1 + x2 = 0
−1 x2
 
1
o bien, el vector genera la recta x1 + x2 = 0.
−1

• El subespacio generado por un vector (no nulo) de Rn es una recta

paralela a dicho vector que pasa por el origen.

30
Ejercicio: Hállese la ecuación del plano.
   
 1 3 
Π = Gen  2  ,  −1 
0 1
 

      
x 1 3  x = µ + 3ν
Solución:  y  = µ  2  + ν  −1  ⇒ y = 2µ − ν }
z 0 1 z =ν


Debemos despejar los parámetros libres y buscar una ecuación para

x, y, z.
Despejando µ de la segunda ecuación, µ = y2 + z2 ,y sustituyendo los
valores de ν y µ en la primera se tiene x = y2 + z2 + 3z = 12 y + 72 z.
Multiplicando por dos podemos reescribir la ecuación del plano como
2x − y − 7z = 0.
Nótese que los vectores anteriores (y cualquier combinación lineal de
ellos) verifican la anterior ecuación.
• El subespacio generado por dos vectores de R3 no proporcionales entre
sı́ es un plano paralelo a dichos vectores que pasa por el origen.

31
 • Un sistema de ecuaciones se denomina no homogéneo si
puede escribirse de la forma Ax = b, con b 6= 0.

La solución de éstos sistemas también puede escribirse en forma

paramétrica vectorial.

Ejemplo: Determı́nese la solución de 2 x − 3 y + z = 2

en forma paramétrica vectorial. ¿Qué forma geométrica
representa en R3? ¿Es un subespacio vectorial?

 
  3 1
2 −3 1 | 2 ∼ 1 − | 1
2 2


3 1

 x = 1 + µ − ν
2 2

y, z libres ⇒ y=µ ∀ µ, ν ∈ R


z=ν


32
Es decir,
      
x 1 3/2 −1/2
 y  =  0  + µ 1  + ν  0  ∀ µ, ν ∈ R
z 0 0 1

El conjunto de vectores de R3 cuyas componentes verifican la ecuación

del enunciado representa un plano. No es un subespacio vectorial pues el
vector 0 no pertenece a dicho conjunto.

• Los puntos en R3 de un plano que pasa por t y es paralelo

a los vectores u y v tienen la forma:

x = t + µu + ν v ∀ µ, ν ∈ R.

Ejercicio: Comprobar que el conjunto de todos los posibles vectores x no

es un subespacio vectorial.

33
Teorema 3.12. Sea p una solución particular de la ecuación
Ax = b. El conjunto de soluciones de Ax = b puede escribirse
como
x = p + xH ,
donde xH representa cualquier solución de la ecuación ho-
mogénea AxH = 0.

   
1 1 0 2
Ejercicio: Sea el sistema Ax = b con A = y b= .
  0 1 1 2
1
(a) Compruebe que p =  1  es una solución particular del sistena anterior.
1
(b) Calcule los vectores xH que verifican la ecuación homogénea AxH = 0.
(c) Demuestre que x = p + λxH , ∀λ ∈ R, es solución del sistema Ax = b.

34
 3.8. Independencia Lineal

• Un conjunto de vectores v1, v2, . . . vn es linealmente in-

dependiente si la ecuación vectorial
x1 v 1 + x 2 v 2 + · · · + xn v n = 0
sólo tiene la solución trivial.
Es decir, el sistema Ax = 0 con A = [v1, v2, · · · , vv ] es
compatible determinado.
En caso de presentar solución no trivial (compatible in-
determinado), se dice que los vectores son linealmente
dependientes.
     
1 4 2
Ejercicio: ¿Son los vectores v1 =  2 , v2 =  5  y v3 =  1 
3 6 0
linealmente dependientes? En caso afirmativo hállese una relación de de-
pendencia.

35
 Hemos de resolver: x1 v 1 + x 2 v 2 + x3 v 3 = 0
   
1 4 2 | 0 1 4 2 | 0
 2 5 1 | 0  ∼ · · · ∼  0 −3 −3 | 0 
3 6 0 | 0 0 0 0 | 0

El sistema es
⇒ Linealmente dependientes
compatible indeterminado
 
1 0 −2 | 0 x1 = 2 µ
x 3 libre
∼ 0 1 1 | 0  x2 = −µ
⇒
0 0 0 | 0 x3 = µ

2µ v1 − µ v2 + µ v3 = 0

Tomando, por ejemplo, µ = 1 se tiene la relación de dependencia:

2 v1 − v2 + v3 = 0

Ejercicio: Sean p1(t) = 1, p2(t) = t y p3(t) = 4 − t ∈ P1. ¿Es el conjunto

{p1, p2, p3} linealmente independiente? Si no es ası́ escriba una relación
de dependencia. SOL.: p3 = 4p1 − p2.

36
 Teorema 3.13. Sean las siguientes matrices (m × n),
equivalentes por filas

A = [ a1 . . . an ] ∼ [ b1 . . . bn ] = B
Si existen α1, α2, . . . αn tales que

α1 a1 + α2 a2 + · · · + αn an = 0
entonces se verifica que

α1 b1 + α2 b2 + · · · + αn bn = 0

Es decir, las relaciones de dependencia lineal son las mismas

entre las columnas de matrices equivalentes por filas.
Demostración: Las relaciones de dependencia se obtienen de la forma
escalonada reducida de las matrices y ambas matrices tienen la misma
forma escalonada reducida por ser equivalentes por filas.

37
Ejemplo:

   
2 1 3 2 1 −1 2 1 −2 1
A = [ a1 . . . a5 ] =  −1 2 1 −2 1  ∼ 0 5 5 −2 3 ∼
5 −3 2 5 −3 0 0 0 1 1

 
1 0 1 0 −1
∼ ··· ∼  0 1 1 0 1 
0 0 0 1 1
. &

c3 = c1 + c2 c5 = −c1 + c2 + c4

Ejercicio: Comprobar que esta relación de dependencia se verifica para

todas las matrices equivalentes obtenidas.

38
Teorema 3.14. Un conjunto de vectores es linealmente
independiente si y sólo si ninguno de ellos es combinación
lineal de los otros.

ATENCIÓN: Esto no implica que todos los vectores de un

conjunto linealmente dependiente sean combinación lineal de
los otros. Dentro de un conjunto linealmente dependiente
pueden existir subconjuntos linealmente independientes.

Propiedades:
• Un vector no nulo es linealmente independiente.
• Dos vectores son linealmente independientes a menos que
sean proporcionales.
• El conjunto {a1, a2, . . . an, 0} es linealmente indepen-
diente.

39
 Dados tres vectores x, y y z, se verifica que
z ∈ Gen{x, y} ⇒ {x, y, z} es LD
z∈/ Gen{x, y} ⇐ {x, y, z} es LI
Sin embargo
z ∈ Gen{x, y} ⇐/ {x, y, z} es LD
z∈/ Gen{x, y} ⇒
/ {x, y, z} es LI
Ejercicio: Dar algún ejemplo de estos dos últimos casos.

Sin embargo si {x, y} es linealmente independiente

z ∈ Gen{x, y} ⇔ {x, y, z} es LD
z∈/ Gen{x, y} ⇔ {x, y, z} es LI

Ejercicio: Dar algún ejemplo de estos dos últimos casos.

40
Teorema 3.15. Cualquier conjunto de vectores
{v1, v2, . . . vn} ∈ Rm es linealmente dependiente si se
verifica que n > m.

Ejercicio: Demuéstrese.
(Ayuda: Determı́nese si la matriz ampliada [ v1 . . . vn 0 ] tiene variables
libres cuando n > m.)

Ejercicio: ¿Significa esto que si n ≤ m el conjunto es linealmente

independiente? No.

Ejercicio: ¿Significa esto que si el conjunto es linealmente independiente

entonces, necesariamente, n ≤ m? Sı́.

41
 3.9. Base de un subespacio vectorial

• Sea V un subespacio vectorial de Rn. Un conjunto

ordenado de vectores B = {b1, . . . bp} es una base de V si:
1. B es un conjunto generador de V .
2. B es un conjunto linealmente independiente.

Ejemplo: Consideremos la matriz cuadrada In

 
1 0 ··· 0
 0 1 ··· 0 
In = [ e1 e2 ... en ] = 
 .. .. .. 

··


·
0 0 ··· 1

Las columnas de In forman una base de Rn

• En = {e1, . . . en} se denomina la base canónica de Rn.

42
 Propiedades: El subespacio vectorial {0} no tiene base
porque el vector 0 no es linealmente independiente.

Ejercicio: ¿Forman {v1, v2, v3} una base de R3?

     
3 −4 −2
v1 =  0  , v2 =  1  , v3 =  1 
−6 7 5

Consideremos
   
3 −4 −2 3 −4 −2
A = [ v1 v2 v3 ] =  0 1 1 ∼ · · · ∼  0 1 1 
−6 7 5 0 0 2

Los vectores {v1, v2, v3}: a) generan R3 y b) son L.I.

Por tanto, forman una base de R3.

43
Ejemplo: Halle una base para el subespacio vectorial formado por los
vectores x de R3 cuyas coordenadas pertenecen al plano 2 x − y + 3 z = 0.

A = [2 −1 3] tal que Ax = 0 ⇒ [2 −1 3 | 0 ] ∼ [ 1 − 1/2 3/2 | 0 ]

1 3
   
x= λ− µ
2 2 1/2 −3/2
y=λ ⇒ x=λ  1 +µ  0 
z=µ 0 1

       
 1/2 −3/2   1 −3 
Luego  1  ,  0  ó  2  ,  0  son bases.
0 1 0 2
   

Teorema 3.16. Si S = {v1, . . . vp} es un conjunto generador

de V , entonces algún subconjunto de S es una base de V
(excepto si V = {0}, que no tiene base).

44
Teorema 3.17. Si {v1, . . . vp} es una base de V , entonces:
◦ {v1, . . . vp−1} es un conjunto linealmente independiente,
pero no genera V .

◦ {v1, . . . vp, b} (b ∈ V ) genera V , pero no es un conjunto

linealmente independiente.

Ejercicio: Demuéstrese.

Una base de V tiene el mı́nimo número de vectores necesarios

para generar V y el máximo número de vectores de V que
pueden ser linealmente independientes.

Ejemplo: S = {1, t, t2, · · · , tn} es una base para Pn. Esta base
se llama base estándar de Pn.
45
 3.10. Dimensión de un Subespacio Vectorial

Teorema 3.18. Todas las bases de un mismo subespacio

vectorial V tienen el mismo número de vectores.
Este número se llama dimensión de V y se denota dim V .

PROPIEDADES:
◦ Una base de Rn tiene n vectores. Por tanto, dim Rn = n.

◦ La dimensión del subespacio vectorial {0} es cero.

◦ V es una recta que pasa por el origen ⇒ dim V = 1

◦ V es una recta que no pasa por el origen

⇒ V no es un subespacio vectorial!

◦ V es un plano que pasa por el origen ⇒ dim V = 2

46
 Teorema 3.19. Sea V un SEV de Rn con dim V = p (6= 0).
Entonces:
◦ Cualquier conjunto linealmente independiente de p vectores
de V forma una base de V .
◦ Cualquier conjunto de p vectores que genere V forma una
base de V .
Demostración: Llamemos a los vectores v1, . . . vp.
- Si Gen{v1, . . . vp} 6= V , entonces ∃ vp+1 ∈ V que no es CL de v1, . . . vp,
y podemos emplearlo para construir una base de V . Esta base tendrı́a más
de p vectores, en contradicción con dim V = p.
- Si no fueran LI, un subconjunto de ellos formarı́a base de V , pero ésta
base tendrı́a menos de p vectores, en contradicción con dim V = p.

47
3.11. Bases de Col A, Fil A y Nul A

Base de Col A Sea la matriz (m × n) A = [ a1 . . . an ]

Col A = Gen{a1, a2, . . . , an}

◦ Llevamos A a una forma escalonada:

A = [ a1 . . . an ] ∼ · · · ∼ B = [ b1 . . . bn ]

◦ Localizamos las columnas pivote que serán L. I. Por ejemplo:

{b1, b3, b5, bn}

◦ Una base de Col A será {a1, a3, a5, an} pues también serán
linealmente independientes (Teorema 2.13).
48
Base de Fil A

Teorema 3.20. Sea U una forma escalonada de A. Las filas no

nulas de U formarían una base tanto de Fil U como de Fil A.

Teorema 3.21.
La dimensión de Col A y de Fil A es el número de pivotes de A.

Ejercicio: Demuéstrese.

49
Ejemplo: Hállense bases de Col A y de Fil A:

   
1 4 0 2 −1 f1T
 3 12 1 5 5   f2T 
A=  = [ a1 . . . a5 ]= 
   
2 8 1 3 6  f3T

  
5 20 2 8 8 f4T

Llevamos A a su forma escalonada reducida:

 
g1T
 
1 4 0 2 0
 0 0 1 −1 0 
 g2T 
A ∼ ··· ∼ U =   = [ u1 . . . u5 ]=  
 0 0 0 0 1 g3T
  
 
0 0 0 0 0 g4T

u2 = 4u1, u4 = 2u1 − u3 ⇒ a2 = 4a1, a4 = 2a1 − a3 (Teor. 2.13)

50
Una base de Col A será
     

 1 0 −1 

  3   1   5 
a1 , a3 , a5 =  , , 


 2   1   6 

5 2 8
 

Una base de Fil A será

     

 1 0 0 

4   0 0

 
 
  
 
 


g1, g2, g3 = 
 0 , 1
 
,
  0 



 2  −1   0 

 
0 0 1
 

51
ATENCIÓN:
Esto no es una base de Col A:
     

 1 0 0 
0   1   0 
   
u1, u3, u5 =   0 , 0
, 
  1 

 
0 0 0
 

De hecho, obsérvese que no generan ninguna columna de A.

Esto no es una base de Fil A:

     

 1 3 2 

 4 12 8

 
   
 
 
 


f1 , f2 , f3 = 
 0 ,
  1 ,
  1 



 2   5   3 

 
−1 5 6
 

De hecho, obsérvese que f1 − f2 + f3 = 0.

52
Base de Nul A

Sea la matriz (m × n) A = [ a1 . . . an ]

Nul A = { x ∈ Rn | Ax = 0 }

◦ Resolvemos Ax = 0 (por el método habitual [ A 0 ] ∼ · · · )

◦ Expresamos la solución en forma paramétrica vectorial:

x = λ1 v 1 + λ2 v 2 + · · · + λp vp

◦ Una base de Nul A será {v1, v2, . . . , vp}

53
Teorema 3.22. La dimensión del espacio nulo de una matriz A
es el número de variables libres de la ecuación Ax = 0.

Ejemplo: Hállese la dimensión de Col A y de Nul A:

   
−3 6 −1 1 −7 1 −2 2 3 −1
A =  1 −2 2 3 −1  ∼ · · · ∼  0 0 1 2 −2 
2 −4 5 8 −4 0 0 0 0 0

◦ 2 pivotes ⇒ dim Col A = 2

◦ 3 variables libres ⇒ dim Nul A = 3

54
 3.12. Rango de una Matriz

• Definimos el rango de una matriz A como

rango A = dim Col A = dim Fil A.

Es decir, el rango de una matriz es el número de pivotes.

Teorema 3.23. El rango de una matriz (m × n) verifica:

rango A + dim Nul A = n

     
número número número
Demostración: columnas + variables = columnas
     
pivote libres total

55
 3.13. Sistemas de Coordenadas

Teorema 3.24. Sea B = {b1, b2, . . . bp} una base de un SEV

V de Rn. Por cada x ∈ V existe un único conjunto de escalares
c1, c2, . . . , cp tales que

x = c1 b1 + c2 b2 + · · · + cp bp.

• A estos escalares se los denomina coordenadas de x en la

base B y se denotan por el vector de Rp:
 
c1
c
 
[ x ] =  .2 
 
B  . 
cp

56
Demostración:

◦ Los escalares deben existir porque B es un conjunto generador

de V (porque B es base).

◦ El conjunto de escalares debe ser único porque B es un

conjunto linealmente independiente (porque B es base).

Ejemplo: Las entradas de un vector x ∈ Rn son las coordenadas de x en

la base canónica En:
       
1 1 0 1
x= =1 +6 = e1 + 6 e2 ⇒ [ x ] = x =
6 0 1 E 6

57
    
1 1
Ejemplo: Dada la base B = {b1 =  0  , b2 =  2 }, calcúlense las
0 1
coordenadas de x en la base canónica sabiendo sus coordenadas en la base
−2
B son [ x ] = .
B 3

 
−2
[x] = ⇒ x = −2 b1 + 3 b2
B 3

       
1 1 1 1
⇒ x = −2  0  + 3  2  =  6  ⇒ [x] = 6
E
0 1 3 3

58
    
2 1
Ejemplo: Sea la base B = {b1 =  1  , b2 =  −1 }, halle las coordena-
1 0  
4
das [ x ] a partir de las coordenadas en la base E, [ x ] = x =  5 .
B E
3
  
α
Buscamos α1, α2 | x = α1 b1 + α2 b2 ⇒ [x] = 1
B α2
         
4 2 1 4 2 1  
 5  = α1  1  + α2  −1  ⇒  5  =  1 −1  α1
α2
3 1 0 3 1 0
   
2 1|4 1 0| 3
 1 −1 | 5  ∼ · · · ∼  0 1 | −2 
1 0|3 0 0| 0
 
3
⇒ α1 = 3, α2 = −2 ⇒ [ x ] =
B −2

59
 • Sea S la base estándar del espacio P2 de polinomios, es
decir, S = {1, t, t2}. Un elemento p(t) ∈ P2 tiene la forma
p(t) = a0 + a1t + a2t2.

Las coordenadas de p en la base S se pueden agrupar en un

vector denotado  
a0
[ p ] =  a1 
 
S
a2

Ejemplo: Sea q(t) = 2 − t + 3t2. Dicho polinomio en la base S se escribe

como:
 
2
[q]S =  −1 
3

60
Teorema 3.25. Un conjunto de vectores {v1, · · · vm} de un
subespacio vectorial V de Rn verifica

x1v1 + x2v2 + · · · + xmvm = 0,

si y sólo si sus coordenadas verifican

x1 [ v 1 ] + x2 [ v 2 ] + · · · + xm [ v m ] = [ 0 ]
B B B B

en cualquier base B de V .

61
Demostración: Los vectores {v1, · · · vm} se podrán expresar
de manera única en cualquier base B = {b1, · · · bp} de V :
 
α11
 α12 
v1 = α11b1 + · · · + α1pbp ⇔ [ v1 ] =  .
 . 

B
. 
α1p

αm1
 αm2 
vm = αm1b1 + · · · + αmpbp ⇔ [ vm ] =  . 
B  . 
αmp

Por tanto, la ecuación

x 1 v 1 + · · · + xm v m = 0

x1(α11b1 + ... + α1pbp) + · · · + xm(αm1b1 + ... + αmpbp) = 0

62
o, reagrupando los términos,

(x1α11 + ... + xmαm1)b1 + · · · + (x1α1p + ... + xmαmp)bp = 0

B
m Como
es base

.
x1α11 + ... + xmαm1 = 0

x1α1p + ... +x m αmp =0

m En forma
vectorial
     
α11 αm1 0
 α12   αm2   0 
x1  .  + · · · + xm 
  . = . 
.  .   . 
α1p αmp 0
m

x1 [ v 1 ] + x2 [ v 2 ] + · · · + x m [ v m ] = [ 0 ]
B B B B

63
Ejemplo: Sea V un subespacio vectorial de R3 dado por la ecuación
x + y − z = 0, y sean los vectores
     
1 2 1
u= 1  v =  −2  w= 1 
2 0 1

◦ Calcúlese una base B de V .

◦ Calcúlense las coordenadas de u, v, w y u+v en B.

◦ Verifı́quese que [ u ]B + [ v ]B = [ u+v ]B.

64
 x+y−z =0 ⇒ [ 1 1 −1 0 ]

   
x = −µ + ν −1 1
y=µ ⇒ x = µ  1 + ν 0
z=ν 0 1

   
 −1 1 
Luego B = {b1, b2} =  1  ,  0  es base de V .
0 1
 

Ahora queremos resolver

α1 b1 + α2 b2 = u, v, w, u+v

65
Esto lo podemos hacer simultáneamente

 
−1 1 1 2 1 3
[ b1 b2 | u v w u+v ] =  1 0 1 −2 1 −1 
0 1 2 0 1 2

obteniendo 
1 0 1 −2 1 −1


∼ ··· ∼  0 1 2 0 2 2 
0 0 0 0 1 0

Es decir,
     
1 −2 −1
[u] = [v] = w∈
/V [ u+v ] =
B 2 B 0 B 2

66
3.14. Transformaciones Lineales

• Una transformación o aplicación o función T

de Rn en Rm es una regla que asigna a cada vector x de
Rn un vector T (x) de Rm llamado imagen de x bajo T .

T : Rn −→ Rm
x −→ T (x)

Rn se denomina espacio de partida o dominio de T .

Rm se denomina espacio de llegada o codominio de T .

El conjunto de todas las imágenes T (x) se denomina

conjunto imagen o, simplemente, imagen de T .

67
 • Una transformación T es lineal si verifica:
◦ T (x + y) = T (x) + T (y)
◦ T (µ x) = µ T (x)

para cualquier x e y del espacio de partida de T y ∀ µ ∈ R.

Ejercicio: Demuéstrese que si T es lineal, T (0) = 0.

• Llamamos transformación matricial a las aplicaciones

T : Rn −→ Rm
x −→ T (x) = Ax

donde A es una matriz de dimensiones (m×n).

PROPIEDADES: Una transformación matricial es lineal

68
 EJEMPLO:    
  1 1
4 −3 −1 3  0   4 
Sea la matriz A = , y los vectores x =   e y = 
  .
2 0 −5 1 0  1 
1 3

 
  1  
4 −3 −1 3  0 
 = 7 ,
T (x) = Ax =
2 0 −5 1  0  3
1

 
  1  
4 −3 −1 3  4  0
T (y) = Ay =  = .
2 0 −5 1  1  0
3

Podemos interpretar la matriz A como un objeto que transforma

vectores de R4 en vectores de R2.

69
Ejemplo:
     
1 −3   3 3
2
Sean A =  3 5 , u = , b =  2 , c =  2 .
−1
−1 7 −5 5

Definimos la aplicación

T : R2 −→ R3
x −→ T (x) = Ax

1. Encuéntrese la imagen de u bajo la transformación T .

2. Encuéntrese un x cuya imagen bajo T sea b.

3. ¿Hay más de un x cuya imagen bajo T sea b ?

4. Determı́nese si c está en el conjunto imagen de T .

70
    
1 −3   5
2
1. T (u) = Au =  3 5  =  1 
−1
−1 7 −9

2. Debemos resolver T (x) = b o, lo que es lo mismo, Ax = b:

   
1 −3| 3 1 0| 3/2  
 3 5| 2  ∼  0 3/2
1 | −1/2  ⇒ x= .
−1/2
−1 7| −5 0 0| 0

3. Puesto que la solución es única, no hay más.

4. ¿ ∃ x | Ax = c ?
   
1 −3| 3 1 −3| 3
 3 5| 2  ∼  0 c no pertenece a
1| 2  ⇒
la imagen de T
−1 7| 5 0 0| −35

71
La Matriz de una Transformación Lineal

Teorema 3.26. Sea la transformaci´on lineal T : Rn → Rm.

Existe una única matriz A, llamada matriz canónica o
estándar, tal que ∀ x ∈ Rn
T (x) = A x.

Es más, A es la matriz (m × n) cuya columna j-ésima es el

vector T (ej )

A = [ T (e1) T (e2) ... T (en) ]

donde {e1, e2, · · · en} es la base canónica de Rn.

72
Demostración:∗ Cualquier vector x ∈ Rn puede escribirse
       
x1 x1 0 0
 x2   0   x2   0 
       
x =  .  =  .  +  .  + · · · +  .  = x1e1 + · · · + xnen
 .   .   .   . 
xn 0 0 xn

entonces, al ser una aplicación lineal

T (x) = T (x1e1 + · · · + xnen) = T (x1e1) + · · · + T (xnen) =

 
x1
 x2 
 
= x1T (e1) + · · · + xnT (en) = [ T (e1) T (e2) . . . T (en) ]  .  = Ax.
 . 
xn

73
Ejemplo: Encuéntrese la matriz A canónica de la aplicación T definida:

T : R2 −→ R3  
  x1 − x2
x1
x= −→ T (x) =  x1 + x2 
x2
0

     
1 0
A = [ T (e1) T (e2) ] = T T
0 1
    
1 −1 1 −1
=  1   1  =  1 1 
0 0 0 0
 
1
Ejercicio: Para u = comprobar que T (u) = Au.
2

Teorema 3.27. Si A es la matriz canónica de una aplicación

lineal T , entonces la imagen de T es Col A.

74
Interpretación Geométrica de Aplicaciones Lineales ( R2 → R2 )

◦ Identidad

A=

1 0

⇒ T (x) = Ax =

x

P ⇒
P
0 1 y

◦ Proyección en el eje x

A=

1 0

⇒ T (x) = Ax =

x

P ⇒
0 0 0

◦ Proyección en el eje y

A=

0 0

⇒ T (x) = Ax =
 
0 P ⇒
0 1 y
75
 ◦ Reflexión con respecto al eje x
P
A=

1 0

⇒ T (x) =

x

P ⇒
0 −1 −y

◦ Reflexión con respecto al eje y

A=

−1 0

⇒ T (x) =

−x

P ⇒
P
0 1 y

◦ Reflexión con respecto al origen

P
A=

−1 0

⇒ T (x) =

−x

P ⇒
0 −1 −y

◦ Reflexión con respecto a la recta x + y = 0

76
 P

P
   
0 −1 −y
A= ⇒ T (x) = ⇒
−1 0 −x

◦ Dilatación/Contracción horizontal

A=

k 0

⇒ T (x) =

kx

P ⇒
P P
0 1 y

◦ Dilatación/Contracción vertical

A=

1 0
0 k

⇒ T (x) =

x
ky

P ⇒
P P

77
 ◦ Cizalladura horizontal

A=

1 k

⇒ T (x) =

x + ky

P ⇒ P P
0 1 y

◦ Cizalladura vertical

A=

1 0

⇒ T (x) =

x

P ⇒
P P
k 1 kx + y
◦ Rotación   
cos φ − sin φ x cos φ − y sin φ
A= ⇒ T (x) =
sin φ cos φ x sin φ + y cos φ

P ⇒
P
78
Interpretación de Sistemas de Ecuaciones Lineales:

Resolver un sistema lineal de m ecuaciones con n incógnitas

es equivalente a buscar el vector de Rn que se transforma, bajo
la matriz A (la matriz de coeficientes), en un cierto vector de
Rm (el vector de términos independientes).

3.15. Aplicaciones Suprayectivas, Inyectivas y Biyectivas

Aplicaciones Suprayectivas o Sobreyectivas

• Una aplicación T : Rn −→ Rm se llama suprayectiva

o sobreyectiva si cualquier vector de Rm es la imagen de
al menos un vector x ∈ Rn.

Es decir, el conjunto imagen es el espacio de llegada.

79
 A 1
B
C 2
D 3

EXISTENCIA DE LAS SOLUCIONES:

Si Ax = b tiene solución ∀ b ∈ Rm, entonces A es la matriz canónica de
una aplicación suprayectiva.

Teorema 3.28. Sea T : Rn −→ Rm una transformación lineal y

sea A la matriz canónica de la aplicación
A = [ a1 a2 . . . an ] (Notar que dicha matriz está formada
por n vectores de m componentes). T es suprayectiva si y sólo
si las columnas de A generan Rm. Esto es, si la matriz reducida
tiene tantos pivotes como filas (m).

Demostración: Se sigue del teorema 2.5: T (x) = b tiene solución

∀ b ⇔ las columnas de A generan Rm

80
Aplicaciones Inyectivas
• Una aplicación T : Rn −→ Rm se llama inyectiva si todo
vector T (x) ∈ Rm es la imagen de como máximo un vector
x ∈ Rn.
Es decir, dos vectores distintos no se transforman en el mismo.

A 1
B 2
3
C 4

UNICIDAD DE LAS SOLUCIONES:

Si Ax = b no tiene soluciones múltiples, entonces A es la matriz canónica
de una aplicación inyectiva.

Teorema 3.29. Una aplicaci´on lineal T : Rn −→ Rm es

inyectiva si y sólo si T (x) = 0 tiene sólo la solución trivial.

81
Teorema 3.30 . Sea T : Rn −→ Rm una transformación
lineal y sea A = [ a1 a2 . . . an ] su matriz canónica (Notar que
dicha matriz está formada por n vectores de m componentes).
T es inyectiva si y sólo si las columnas de A son linealmente
independientes. Esto es, si la matriz reducida tiene tantos
pivotes como columnas (n).

Demostración T es inyectiva ⇔ T (x) = 0 tiene sólo la solución trivial

⇔ x1 a1 + · · · + xn an = 0 tiene sólo la solución trivial ⇔ {a1, a2, . . . , an}
son linealmente independientes

Aplicaciones biyectivas

• Una aplicación inyectiva y suprayectiva se llama biyectiva.

Es decir, se establece una relación uno a uno entre los vectores
del espacio de partida y los del espacio de llegada.
82
Teorema 3.31. Sea T : Rn −→ Rm una transformación
lineal y sea A = [ a1 a2 . . . an ] su matriz canónica. T es
biyectiva si y sólo si las columnas de A generan Rm y son
linealmente independientes. Esto es, si la matriz reducida tiene
tantos pivotes como filas y columnas (sólo es posible si n = m).

Ejercicio: Demostrar el teorema anterior.

Ejemplo: Detérminese si la matriz A es la matriz canónica de una transfor-

mación suprayectiva, inyectiva o biyectiva.
 
1 −4 8 1
A= 0 2 −1 3 
2 −6 15 10
83
  
1 −4 8 1
A ∼ ··· ∼  0 2 −1 3 
0 0 0 5

◦ Todas las filas tienen pivote ⇒ Ax = b es consistente ∀ b

⇒ Suprayectiva

◦ Hay variables libres ⇒ Ax = b puede tener múltiples soluciones ⇒

No es inyectiva

◦ Es suprayectiva pero no es inyectiva. ⇒ No es biyectiva.

84