Capitulo 3 Espacios Vectoriales

Capı́tulo 3
Espacios vectoriales
Además saber resolver sistemas lineales, los conocimientos y destrezas ne-

cesarios para este capı́tulo son el manejo de las aritméticas propias, tanto de
las matrices (tratada en el capı́tulo previo), como de los polinomios. En los
apuntes de álgebra lineal editados por R. Ramı́rez Ros, accesibles en [4], se puede
encontrar un breve resumen que incluye las notaciones, la terminologı́a estándar
(palabras clave para polinomios), y las propiedades básicas de las operaciones
entre polinomios.
La conceptos lineales introducidos sobre los n-espacios Rn en los capı́tulos

1 y 2 (combinación lineal, dependencia e independencia, bases, dimensión y
aplicaciones lineales) se pueden generalizar a otros conjuntos cuyos elementos
también pueden ser sumados y multiplicados por escalares tomados en un
cuerpo. Este es el caso, entre otros, de las matrices y los polinomios. Todos
estos conjuntos (n-espacios, matrices y polinomios) son ejemplos básicos de una
estructura algebraica conocida como espacio vectorial, cuyos elementos, por
alusión al nombre, se dicen vectores.
3.1. Cambios de base en n-espacios

En el espacio Rn , consideramos dos bases cualesquiera B = {u1 , . . . , un } y
0
B = {v1 , . . . , vn }. Se llaman ecuaciones de cambio de bases en Rn a las
relaciones que ligan las coordenadas de un mismo vector v ∈ Rn respecto de las
bases B y B 0 . El vector v queda determinado por:
1. Tanto sus coordenadas1 en la base B: [v]B = [x1 , . . . , xn ]B = (x1 , . . . , xn ),

1 Las coordenadas son n-tuplas de vectores. Tiene que quedar claro que no es lo mismo
coordenadas de un vector v en una base B, que componentes del vector v. Es por eso que
introducimos la notación [v]B = [x1 , . . . , xn ]B = (x1 , . . . , xn )B y, cuando no de lugar a
confusión, omitiremos el subı́ndice B en la expresión de la n-tupla que expresa las coordenadas
escribiendo solamente (x1 , . . . , xn ).
79
80 Capı́tulo 3. Espacios vectoriales
que son los pesos de la combinación lineal

 
x1
 
v = x1 · u1 + x2 · u2 + · · · + xn · un = [u1 . . . un ] ·  ...  . (3.1)
xn
2. Como por sus coordenadas en la base B 0 : [v]B0 = [x01 , . . . , x0n ]B0 = (x01 , . . . , x0n ),
que son los pesos de la combinación lineal
 0 
x1
0 0 0  .. 
v = x1 · v1 + x2 · v2 + · · · + xn · vn = [v1 . . . vn ] ·  . . (3.2)
x0n
Los cambios de coordenadas tratan de encontrar la relación que hay entre las
coordenadas (xi ) y las coordenadas (x0j ). Esta relación viene determinada por la
forma de expresar los vectores de una de las bases como combinación lineal de
los de la otra.
Como B 0 es una base podemos expresar los vectores ui como combinación
lineal de los elementos de dicha base, es decir
 
a1i
 
ui = a1i · v1 + a2i · v2 + · · · + ani · vn = [v1 , . . . , vn ] ·  ...  ,
ani B0
para ciertos aji con j = 1, . . . , n. De este modo, [ui ]B0 = (a1i , . . . , ani ) y podemos
descomponer la matriz [u1 . . . un ] como
    
a11 a12
    
[u1 . . . un ] = [v1 , . . . , vn ] ·  ...  [v1 , . . . , vn ] ·  ...  . . .
an1 B0 an2 B0
  
a1n
  
. . . [v1 . . . vn ] ·  ...   .
ann B0
Luego
[u1 . . . un ] = [v1 . . . vn ] · P, (3.3)
donde
      
a11 a1n a11 ··· a1n
 ..   ..    .. .. ..  .
P =  .  . . .  .   =  . . . 
an1 B0 ann B0 an1 ··· ann
Es decir, P es la matriz cuya primera columna es el vector de coordenadas de u1

respecto de la base B 0 , la segunda columna es el vector de coordenadas de u2
3.1. Cambios de base en n-espacios 81
respecto de la base B 0 , etc. La matriz P nos permite relacionar las coordenadas

entre ambas bases. Para el vector v genérico descrito al inicio, igualando las
ecuaciones (3.1) y (3.2), y utilizando (3.3), tenemos que
    

x1 x1 x01
    
..  .
v = [u1 , . . . , un ] ·  ...  = [v1 . . . vn ] · P ·  ...  = [v1 . . . vn ] · 
. 
xn B xn B x0n B0
(3.4)
Como la familia B 0 = {v1 , . . . , vn } es base, entonces es libre, luego la matriz
[v1 . . . vn ] es invertible. Multiplicando a izquierda los dos últimos términos de la
expresión (3.4) por [v1 . . . vn ]−1 , concluimos que
   
x01 x1
 ..   
 .  =P ·  ...  .
x0n B0 xn B
Esta es la ecuación matricial o forma matricial de cambio de base. De

((forma reducida)) la expresamos como
XB0 = P · XB
donde XBt 0 = (x01 , . . . , x0n ) y XBt = (x1 , . . . , xn ). Igualando ahora las n coordena-
das de los vectores de dicha expresión una a una, tras realizar el producto P · XB ,
nos da las ecuaciones del cambio de base. Este cambio de coordenadas lo
denotaremos como
P
B0 ←
− B.
Notar que las matrices de cambios de base son invertibles y, teniendo en cuenta
esto, si revisamos el proceso previo para obtener la matriz P , llegamos a que
P −1
B ←−−− B 0 .
Es decir, la matriz inversa de P nos da el cambio contrario.
Ejercicio 3.1.1. Demuestra este último hecho, es decir, que si P es la matriz

P
de un cambio de bases B 0 ←
− B, P es invertible y que la matriz Q = P −1 es la
0 Q
matriz del cambio B ←− B.
Esta idea que hemos expresado a lo largo de esta página nos permite expresar
el siguiente procedimiento para calcular la matriz P que nos define el cambio
entre dos bases de un subespacio vectorial.
P
Procedimiento para calcular la matriz del cambio B 0 ←
−B
Si B = {u1 , . . . , un } y B 0 = {v1 , . . . , vn }, la matriz P es aquella que tiene
por columna i-ésima las coordenadas del vector ui en la base B 0 . Es decir,
P = [[u1 ]B0 . . . [un ]B0 ].
Ası́, el cálculo de coordenadas es equivalente a la resolución de los n

sistemas de ecuaciones [v1 . . . vn ]~x = ui . Como todos estos sistemas
tienen la misma matriz de coeficientes, en la práctica, para resolverlos y
calcular ası́ la matriz del cambio, basta con aplicar el procedimiento de
Gauss-Jordan a la matriz
[v1 . . . vn | u1 . . . un ].
De esta forma llegamos a su forma escalonada reducida [In | P ]. La matriz

P del cambio es la que aparece en la parte derecha de la matriz In .
Ejemplo 3.1.1. En R3 consideramos los vectores v1 = (2, −1, 2), v2 = (1, 0, 3),
v3 = (1, −1, 1) y w1 = (1, 0, 1), w2 = (2, 3, 4), w3 = (1, 2, 2).
a) Comprueba que B1 = {v1 , v2 , v3 } y B2 = {w1 , w2 , w3 } son bases de R3 .

Solución. Basta con probar que las matrices A = [v1 v2 v3 ] y B = [w1 w2 w3 ]
tienen rango 3. Esto se puede ver pues tras escalonar aparecen exactamente
3 pivotes, o viendo que su determinante es no nulo.
P
b) Calcula la matriz del cambio B2 ←
− B1 .
Solución. La matriz pedida se obtiene por reducción gaussiana sobre la
matriz
[B | A] = [w1 w2 w3 | v1 v2 v3 ]
hasta llegar a la forma escalonada reducida [I3 | P ]. Aquı́, la matriz del
cambio queda en la parte derecha de la matriz I3 . En este caso, como
 
1 2 1 2 1 1
[B | A] =  0 3 2 −1 0 −1 
1 4 2 2 3 1
 
1 0 0 2 −1 1
−→  0 1 0 1 4 1 ,
0 0 1 −2 −6 −2
se tiene que  
2 −1 1
P = 1 4 1 .
−2 −6 −2
¿Qué estamos haciendo? Pues como ya anunciados en el cuadro donde

dábamos el procedimiento, al aplicar Gauss-Jordan sobre [B | A] hemos
resuelto de forma simultánea los sistemas lineales de matriz ampliada
[B | v1 ], [B | v2 ] y [B | v3 ], que son los que permiten calcular las coordenadas
[v1 ]B2 (primera columna de P ), [v2 ]B2 (segunda columna de P ) y [v3 ]B2
(tercera columna de P ).
Dada la matriz P que define la ecuación matricial XB2 = P ·XB1 , si ahora

escribimos XBt 2 = (x0 , y 0 , z 0 ) y XBt 1 = (x, y, z), obtenemos las ecuaciones
del cambio: 
 0
x = 2x − y + z
y 0 = x + 4y + z

 0
z = −2x − 6y − 2z
c) Calcula el vector v de R3 que satisface que [v]B1 = [1, −1, 2]B1 . Y obtén las
coordenadas de v en la base B2 .
Solución. Basta con resolver la ecuación matricial XB2 = P · [v]B1 . En este
caso la solución pasa por simplemente hacer un producto de la matriz P
por el vector [v]B1 . Luego
   
1 5
XB2 = P ·  −1  =  −1  .
2 B
0 B
1 2
Lo que nos dice que [v]B2 = [5, −1, 0]B2 .
Observa qué nos dicen las coordenadas de v en las distintas bases:
[v]B1 = [1, −1, 2]B1 ⇒ v = v1 − v2 + 2v3 = (3, −3, 1)

[v]B2 = [5, −1, 0]B1 ⇒ v = 5w1 − w2 = (3, −3, 1)
Notar que las componentes del vector v = (3, −3, 1) no coinciden con las
coordenadas en ninguna de las bases y, entre ellas, las coordenadas en cada
base del vector v también son distintas. Esto es lo más habitual.
d) Si el vector u cumple [u]B2 = (1, −1, 2), calcula [u]B1 usando la expresión
matricial del cambio.
Solución. Basta con resolver la ecuación matricial [u]B2 = P · XB1 . En este
caso tenemos que encontrar un vector XB1 = (x, y, z) tal que
   
x 1
P ·  y  =  −1  .
z B 2 B
1 2
Es decir, hay que resolver un sistema. Lo podemos hacer usando la inversa

de P o, por reducción gaussiana. Observa que, como debe ser, las ecuaciones
del cambio nos proporcionan el mismo sistema:



1 = 2x − y + z
−1 = x + 4y + z


2 = −2x − 6y − 2z
Resolviéndolo por el procedimiento que prefiramos, obtenemos que la
solución (única necesariamente al hablar de coordenadas en una base) es
[u]B1 = (2, 0, −3).
Ejemplo 3.1.2. Para las bases de R2 , B = {u1 , u2 } y B 0 = {v1 , v2 } sabemos
P
que el cambio de bases B 0 ←
− B viene dado por la matriz

3 −4
P = .
−1 1
¿Qué información proporciona la matriz P ?
Toda la que necesitamos, pues de sus columnas extraemos [u1 ]B0 y [u2 ]B0 . Ası́
podemos calcular por ejemplo:
a) Determina las ecuaciones del cambio denotando las coordenadas en cada
base de la forma [x, y]B y [x0 , y 0 ]B0 .
Solución. La ecuación matricial del cambio que nos dan es
0
x 3 −4 x
= ,
y 0 B0 −1 1 y B
y las ecuaciones del cambio son
(
x0 = 3x − 4y
.
y 0 = −x + y
b) Expresa los vectores u1 , u2 como combinación lineal de v1 , v2 y al revés.

Solución. Por construcción de la matriz P , esta nos dice que

3 −4
[u1 ]B0 = y [u2 ]B0 = .
−1 B0 1 B0
Por tanto u1 = 3v1 − v2 y u2 = −4v1 + v2 .
Para calcular ahora v1 , v2 como combinación lineal de u1 , u2 basta con
P −1
calcular P −1 que es la matriz del cambio B 0 −−−→ B, con valor

−1 −4
P −1 = .
−1 −3
Esta matriz nos informa que

−1 −4
[v1 ]B = y [v2 ]B = .
−1 B −3 B
Por tanto v1 = −u1 − u2 y v2 = −4u1 − 3u2 .
Ejercicio 3.1.2. Comprueba que el sistema de ecuaciones

 0 0 0
x = x − y + z



 2


−x0 + y 0 + z 0
y=

 2

 0 0


z = x + y − z0
2
define un cambio de base entre las bases B1 = {(2, 1, 1), (1, 2, 1), (1, 1, 2)} y
B2 = {(1, 0, 1), (0, 1, 1), (1, 1, 0)}. ¿En qué dirección está definiendo el cambio?
Los cambios entre bases no tienen por qué venir dados por una expresión
explı́cita de los vectores de cada base. Es muy habitual que aparezcan presentados
por medio de su expresión matricial, usando combinaciones lineales o, como en
el ejercicio 3.1.2, mediante las ecuaciones del cambio.
Veamos algunos ejemplos más, por ejemplo analizando el siguiente cambio de
base en R4 y observando el uso de la fórmula matricial para calcular coordenadas
en una de las bases a partir de las coordenadas en la otra.
Ejemplo 3.1.3. Considérense las bases de R4
B = {u1 , u2 , u3 , u4 } y B 0 = {v1 , v2 , v3 , v4 },
donde v1 = u1 − 2u2 + u3 , v2 = u1 − u3 , v3 = u2 + u4 , v4 = u2 + u3 . Dado que
v1 = u1 − 2u2 + u3 ⇒ v1 = (1, −2, 1, 0)B ,

v2 = u1 − u3 ⇒ v2 = (1, 0, −1, 0)B ,
v3 = u2 + u4 ⇒ v3 = (0, 1, 0, 1)B ,
v4 = u2 + u3 ⇒ v4 = (0, 1, 1, 0)B .
Ası́ la ecuación matricial del cambio de base XB = PB0 B XB0 viene dada por
    0 
x1 1 1 0 0 x1
x2  −2 0 1 1 x02 
 =  
x3   1 −1 0 1 x03  .
x4 0 0 1 0 x04
P
− B 0 donde P = PB0 B .
Esto es, B ←
Una vez obtenida la fórmula matricial, veamos cómo se calculan coordenadas.
Si x tiene de coordenadas [1, 2, 0, −1]B , sus coordenadas respecto de la base B 0
las calcularemos resolviendo el sistema
    0 
1 1 1 0 0 x1
 2  −2 0 1 1 x02 
 =  
 0   1 −1 0 1 x03  .
−1 0 0 1 0 x04
Este sistema se puede resolver aplicando escalonamiento o tomando inversas.

Tomando inversas2 , equivale a calcular
 0  −1    1 
x1 1 1 0 0 1 −2
x02  −2 0 1 1  2   3 
 0=     2 
x3   1 −1 0 1  0  =  −1  .
x04 0 0 1 0 −1 2
Es decir, las coordenadas de x respecto de la base B 0 son

1 3
x = − , , −1, 2 .
2 2 B0
Observa que no conocemos las componentes de x, tan solo sabemos que

−1 3
x = u1 + 2u2 − u4 = v1 + v2 − v3 + 2v4 .
2 2
Si ahora expresamos cada vi como combinación lineal de u1 , u2 , u3 y hacemos
esta sustitución en la parte derecha de la igualdad, debemos volver a la expresión
original de x, salvo que hayamos cometido un error.
A su vez, las coordenadas de x = [0, 0, −1, 1]B0 respecto de la base B
vendrán dadas por el producto matriz-vector
      
x1 1 1 0 0 0 0
x2  −2 0 1 1  0   0 
 =   =  .
x3   1 −1 0 1 −1  1 
x4 0 0 1 0 1 −1
Es decir, las coordenadas de x respecto de la base B son x = [0, 0, 1, −1]B .

Ejemplo 3.1.4. Sea B = {u, v, w} una base del espacio vectorial V 3 . Sean
u0 = 2u − v + w, v 0 = u + w y w0 = 3u − v + 3w.
a) Probar que B 0 = {u0 , v 0 , w0 } es una base de V.
b) Establecer las ecuaciones del cambio de base de B a B 0 .
c) Hallar las coordenadas respecto de B del vector z = −2u0 + 3v 0 + w0 .
Solución.
a) Por la definición de independencia lineal, debemos ver que cualquier combi-
nación lineal de los vectores {u0 , v 0 , w0 } igualada a cero tiene como única
solución es la trivial. En efecto, tenemos
αu0 + βv 0 + γw0 = α(2u − v + w) + β(u + w) + γ(3u − v + 3w) = 0,

2 Es esecialmente el mismo procedimiento, pues, como vimos, el método recomendado para
calcular una inversa es aplicando Gauss-Jordan.

3 Podemos pensar que V = R3 , pero también puede representar cualquier subespacio de
dimensión 3 de cualquier Rn siempre que n ≥ 3.

que, tras una reordenación de términos, equivale a

(2α + β + 3γ)u + (−α − γ)v + (α + β + 3γ)w = 0.
Dado que {u, v, w} ya sabemos que son linealmente independientes, se
tiene que la única solución de la ecuación vectorial anterior cumple que

 2α + β + 3γ = 0
−α − 3γ = 0

α + β + 3γ = 0
Esto es un sistema homogéneo de 3 ecuaciones en las variables α, β y γ.
Por reducción gaussiana, llegamos a que la matriz de coeficientes tiene
rango 3, lo que indica que el sistema es compatible determinado: tiene por
única solución la trivial, α = β = γ = 0. Por tanto B 0 es una familia libre.
Para llegar a decir que es una base, aún no sabemos si V = Gen{u0 , v 0 , w0 },

aplicamos el teorema de la base (teorema 2.6.5). Ası́, como la dimensión
del espacio V es 3, concluimos que {u0 , v 0 , w0 } es una base de V.
P
b) El cambio B ← − B 0 viene dado por la matriz que tiene por columnas los
0
vectores de B respecto de la base B, luego
 
2 1 3
P = PB0 B = −1 0 −1 .
1 1 3
Aplicando
XB = PB0 B XB0 ⇒ XB0 = (PB0 B )−1 XB
y calculando  
1 0 −1
PBB0 = (PB0 B )−1 = 2 3 −1
−1 −1 1
obtenemos que las ecuaciones del cambio de B a B 0 vienen dadas por el
sistema 
 0
x = x − z
y 0 = 2x + 3y − z

 0
z = −x − y + z
c) Dado que z tiene, respecto a la base B 0 , coordenadas [z]B0 = [−2, 3, 1]B0 ,

tenemos que  
−2
 3  = PBB0 [z]B .
1
Luego
      
−2 2 1 3 −2 2
[z]B = (PBB0 )−1  3  = −1 0 −1  3  = 1 .
1 1 1 3 1 4
Esto es que z = 2u + v + 4w.
Observamos que el cambio de una base cualquiera B = {u1 , . . . , un } de Rn a

la base canónica Bc = {e1 , . . . , en } es muy simple. El cambio
C
Bc ←
−B
viene dado por la matriz C = [u1 . . . un ]. En efecto, la columna i-ésima de C es

[ui ]Bc , que coincide con las coordenadas del vector ui en la base canónica de Rn .
La matriz C −1 nos da el cambio inverso:
C −1
B ←−−− Bc ,
donde la columna i-ésima de C −1 expresará las coordenadas del vector ei en la

base B.
Ejemplo 3.1.5. Los vectores u1 = (1, 1, 1), u2 = (1, 1, 2) y u3 = (0, 1, 1) forman

una base B de R3 . Si Bc denota a la base canónica, el cambio de base natural
C
(R3 , B) −
→ (R3 , Bc ) viene dado por la matriz
 
1 1 0
C = 1 1 1 .
1 2 1
La relación entre las componentes de un vector arbitrario v ∈ R3 , que son

sus coordenadas en la base canónica (es decir, v = (x, y, z) = [v]Bc ), y las
coordenadas (x0 , y 0 , z 0 ) = [v]B0 del vector v en la base B 0 son
     0 
x 1 1 0 x  x = x0 + y 0
y  = 1 1 1 y 0  , y = x0 + y 0 + z 0 (3.5)
0 
z 1 2 1 z z = x0 + 2y 0 + z 0
La matriz inversa de C es
 
1 1 −1
C −1 =  0 −1 1
−1 1 0
y expresa las coordenadas que los vectores e1 , e2 y e3 de la base canónica tienen

en B. Esto es
e1 = u1 − u3 , e2 = u1 − u2 + u3 , e3 = −u1 + u2 .
Ası́ podemos invertir la relación entre las componentes de los vectores, obteniendo
 0     0
x 1 1 −1 x x = x + y − z
y 0  =  0 −1 1  y  , y0 = −y+z
0  0
z −1 1 0 z z = −x + y
A vista de los ejemplos, puede darnos la sensación que la ecuación matricial es

suficiente para cualquier operación. Y por tanto que el cálculo de las ecuaciones
del cambio no tiene mucho interés. ¿Tienen alguna utilidad propia?
Utilidad de las ecuaciones en cambios de base

Las ecuaciones del cambio nos permiten transformar directamente las
ecuaciones implı́citas de un subespacio S, correspondientes a una base,
en las ecuaciones del mismo subespacio S en otra base.
En el ejemplo 3.1.5 tomemos el plano π descrito por la ecuación 2x − y + z = 0

en la base canónica Bc de R3 . Para encontrar la ecuación del plano π en la nueva
base B solo tenemos que sustituir los valores x, y y z por sus equivalentes en
términos de x0 , y 0 y z 0 dados por las ecuaciones del sistema (3.5). Ası́ tenemos,
2(x0 + y 0 ) − (x0 + y 0 + z 0 ) + (x0 + 2y 0 + z 0 ) = 0.
Simplificando llegamos a que 2x0 + 3y 0 = 0 es la ecuación de π en la base B.
Cálculo ((eficiente)) de cambios de base: triple banda a canónica

Calcular la matriz de cambio de base de B a Bc es trivial. Asimismo lo es la
matriz que lleva de B 0 a Bc . Sin embargo, el cambio de B a B 0 o el inverso no es
directo. El ((truco)) que vamos a explicar en esta sección consiste en aprovecharse
de estos cambios fáciles para obtener el cambio B ← B 0 o B ← B 0 .
P
Dadas B y B 0 bases de Rn , el cambio de bases B 0 ← − B se puede calcular
A B 0
mediante los cambios simples Bc ← − B y Bc ←− B . En efecto, para un vector
cualquiera X de Rn , denotamos por XBc , XB y XB0 sus coordenadas en las bases
canónica, B y B 0 respectivamente. Recordar que, como las componentes de un
vector X coinciden con sus coordenadas en la base canónica, X = XBc . Para
P
encontrar la matriz P que describe B 0 ←− B, procedemos como sigue:
1. Calculamos la relación entre las coordenadas de un vector X en las bases

Bc y B. Esta viene dada por la fórmula matricial
X = XBc = AXB ,
donde A es la matriz cuyas columnas son los vectores de la base B.
2. Calculamos la relación entre las coordenadas de X en las bases Bc y B 0 ,

dada por la fórmula matricial
X = XBc = BXB0 .
De forma análoga al paso anterior, la matriz B tiene por columnas los

vectores de la base B 0 .
3. Finalmente, dado que AXB = X = BXB0 y que las matrices A y B son

invertibles, la relación entre las coordenadas de X en las bases B 0 y B viene
dada por las fórmulas matriciales
XB0 = B −1 AXB , XB = A−1 BXB0
De este modo,
B −1 A A−1 B
B 0 ←−−−− B , B ←−−−− B 0
Ejemplo 3.1.6. Tomamos las bases B1 y B2 de R3 del ejemplo 3.1.1, definidas

como
B1 = {v1 = (2, −1, 2), v2 = (1, 0, 3), v3 = (1, −1, 1)},
B2 = {w1 = (1, 0, 1), w2 = (2, 3, 4), w3 = (1, 2, 2)}.
A B
Llamando A = [v1 v2 v3 ] y B = [w1 w2 w3 ], tenemos que Bc ←
− B 1 y Bc ←
− B2 .
Por tanto
B −1 A
B2 ←−−−− B1 .
El procedimiento aquı́ explicado es generalizable a tres bases cualesquiera.
Ası́ conocidas las coordenadas de dos bases respecto de una tercera fija, es posible
encontrar la relación entre las coordenadas de las bases iniciales.
A B
Dadas tres bases B, B 0 y B 00 , los cambios de bases B ← − B0 y B ←− B 00
P
permiten expresar la matriz del cambio B 00 ← − B 0 en la forma P = B −1 A.
Ejercicio 3.1.3. Escribe una demostración para este último cuadro.

Ejemplo 3.1.7. Sea B = {u1 , u2 , u3 , u4 } una base del R-espacio vectorial V.
Se consideran los conjuntos B 0 = {v1 , v2 , v3 , v4 } y B 00 = {w1 , w2 , w3 , w4 },
donde
[v1 ]B = (0, 1, 0, 3) [w1 ]B = (2, −2, 0, 1)
[v2 ]B = (−1, 1, 0, 0) [w2 ]B = (1, 1, 1, 0)
[v3 ]B = (−2, 0, −1, 2) [w3 ]B = (3, 0, 1, −1)
[v4 ]B = (−1, −1, −1, 1) [w4 ]B = (0, −2, −1, 1)
son las coordenadas respecto de la base B. Se pide:

a) Probar que B y B 0 son bases de V.
b) Hallar la matriz de cambio de base de B 0 a B 00 .
c) Determinar las coordenadas respecto de B 0 del vector x cuyas coordenadas
respecto de B 00 son [x]B00 = (2, 1, 0, −1).
Solución.
a) Observamos que el espacio V tiene dimensión 4. Para probar que los conjun-
tos dados proporcionan una base, basta con ver que son LI (estamos usamos
el Teorema de la Base). Para ver esta lineal-independencia consideremos las
matrices B1 y B2 que tienen, por columnas, los vectores {v1 , v2 , v3 , v4 }
y {w1 , w2 , w3 , w4 } respectivamente. Ası́
   
0 −1 −2 −1 2 1 3 0
1 1 0 −1 −2 1 0 −2
B1 = 
0
 B2 =  .
0 −1 −1 0 1 1 −1
3 0 2 1 1 0 −1 1
Escalonando la matriz B1 obtenemos

 
1 1 0 −1
0 −1 −2 −1
 .
0 0 −1 −1
0 0 0 −2
Dado que obtenemos 4 pivotes tenemos rango 4, rango máximo. Por lo

que los vectores {v1 , v2 , v3 , v4 } son LI y constituyen una base de V.
Procedemos de forma análoga para B2 . Al escalonar obtenemos
 
1 0 −1 1
0 1 5 −2
 ,
0 0 1 0
0 0 0 1
que, de nuevo, nos da rango B2 = 4 y por tanto {w1 , w2 , w3 , w4 } son

también base de V.
b) Sea PB 0 B 00 la matriz del cambio de base de B 0 a B 00 . Entonces, dado que

B1 XB0 = XB = B2 XB00 , se tiene que
XB00 = B2−1 B1 XB0 = PB0 B00 XB0
con  
−6 −1 −3 −1
 9 1 4 1
PB0 B00 = B2−1 B1 = 
1
.
0 0 0
10 1 5 2
c) Sea XB0 = [x]B0 el vector referido a la base B 0 . Dado que

     
2 2 0
1  1   −6 
PB0 B00 XB0 = XB00 =
0
 =⇒ XB0 = PB−1
0 B 00
  =  .
0 3
−1 −1 −5
Ejercicio 3.1.4. En R3 se considera el cambio de coordenadas dado por las

ecuaciones 
 0
x = −x + 2y + 2z,
y 0 = x − 2y − 2z,

 0
z = −x + 2y + z,
donde [u]B1 = (x, y, z) representan coordenadas en la base B1 = {v1 , v2 , v3 }
de un vector genérico u y [u]B2 = (x0 , y 0 , z 0 ) las coordenadas en la base B2 =
P
{w1 , w2 , w3 } del mismo vector. Calcula la matriz del cambio B1 ← − B2 y expresa
los vectores de B1 como combinación lineal de B2 y al revés.
3.2. Definición de espacio vectorial

En esta sección seguimos los apuntes de J. Cobos que tenemos en la obra [2,
Capı́tulo 2, sección 2.3].
Definición 3.2.1 (Espacio vectorial). Un espacio vectorial sobre un cuerpo F

A lo largo de esta asignatura mu- es un conjunto no vacı́o V 4 de objetos llamados vectores en el que tenemos
chos de los ejemplos que presen- definidas dos operaciones:
taremos usarán el cuerpo de los
números reales R como cuerpo de la suma de vectores, ~u + ~v ,
escalares.
y la multiplicación por un escalar (del cuerpo), t · ~u,
de modo que, dados dos vectores ~u, ~v ∈ V y escalares t, s ∈ F se cumplen las

siguientes propiedades:
1. La suma de vectores es una operación interna: ~u + ~v ∈ V. Además esta

cumple que es:
a) Conmutativa: ~u + ~v = ~v + ~u.
b) Asociativa: (~u + ~v ) + w
~ = ~v + (~u + w)
~
c) Tiene elemento neutro: existe un vector, denotado por ~0, de modo
que ~u + ~0 = ~u.
d ) Existe el vector opuesto: para cada ~u existe un vector, denotado por
−~u, de modo que ~u + (−~u) = ~0.
2. t · ~u ∈ V, que se dice operación externa (usando elementos del cuerpo).

Esta a su vez cumple las propiedades:
a) Distributiva respecto de suma de escalares: (t + s) · ~u = t · ~u + s · ~u

b) Distributiva respecto de suma de vectores: t · (~u + ~v ) = t · ~u + t · ~v .
c) Asociativa respecto al producto de escalares: (ts) · ~u = t · (s · ~u).
4 El conjunto V con la operación suma cumpliendo las propiedades de 1 a 5 se dice grupo
abeliano.
3.2. Definición de espacio vectorial 93
d ) Elemento neutro: el elemento 1 ∈ F, que es la identidad del producto

en el cuerpo, satisface 1 · ~u = ~u.
Al cuerpo F se le llama también cuerpo de escalares.

En general suele denotarse el espacio vectorial junto con sus operaciones en
la forma (V, +, ·F ), indicándonos ası́ quién es el campo de escalares. Como en
un espacio vectorial podemos sumar vectores y multiplicarlos por un escalar,
disponemos por tanto de una ((aritmética)). Esta cumple 10 reglas básicas (las que
acabamos de enunciar) desde las que podemos deducir una serie de propiedades
elementales.
Propiedades elementales de las operaciones

Para el espacio vectorial (V, +, ·F ) se cumplen las siguientes propiedades:
Los elementos neutro y opuesto son únicos.
Demostración. Sean ~0 y ~00 dos elementos neutros, entonces

(
~0 = ~0 + ~00 por ser ~00 neutro
~00 = ~0 + ~00 por ser ~0 neutro
por lo tanto ~0 = ~00 .

Sean ahora x0 y x00 dos opuestos de x.
(x0 + x) + x00 = x0 + (x + x00 ) ⇒ ~0 + x00 = x0 + ~0 ⇒ x00 = x0 .
α · ~0 = ~0 ∀α ∈ F
Demostración. α~x = α(~x + ~0) = α~x + α~0 ⇒ α~0 = ~0.
0 · ~x = ~0 ∀~x ∈ V
Demostración. α~x = (0 + α)~x = 0~x + α~x ⇒ 0~x = ~0.
Si α · ~x = 0 entonces o bien α = 0, o bien ~x = 0.
Demostración. Debemos probar que si αx = 0 y α 6= 0 entonces ha de ser,

necesariamente, ~x = 0.
Si α~x = ~0 y α 6= 0 entonces existe α−1 tal que α−1 α = 1. Entonces
~x = 1 · ~x = α−1 α~x = α−1~0 = ~0.

Si α 6= 0 y α · ~x = α · ~y entonces ~x = ~y .
6 0 y α~x = α~y , entonces existe α−1 . Multiplicando

Demostración. Sea α =
−1
por α a ambos lados obtenemos que
α−1 α~x = α−1 α~y .
Como α−1 α = 1, se tiene que x = y.
Si α~x = β~x y ~x 6= ~0 entonces α = β.
Demostración. Sea α~x = β~x con ~x 6= ~0, entonces, pasando todos los
términos a la izquierda tenemos que
α~x − β~x = (α − β)~x = ~0.
Aplicando ahora que ~x 6= ~0 y utilizando la cuarta propiedad aquı́ vista

tenemos que α − β = 0, luego α = β.
(−α)~x = α(−~x) = −α~x.
Demostración.
1. (−α)~x = (0 − α)~x = 0x − α~x = ~0 − α~x = −α~x.
2. ~x(−α) = ~x(0 − α) = α0 − α~x = 0 − α~x = −α~x.
3.2.1. Ejemplos
La definición formal de espacio vectorial nos permite pensar en otros objetos
como vectores, siempre y cuando tales objetos se puedan sumar y multiplicar por
escalares. Algunos conjuntos conocidos donde tenemos definidas estas operaciones
suma y producto por un escalar son las matrices, los polinomios en una o varias
variables y las funciones de variable real. Como las operaciones en dichos conjuntos
satisfacen las propiedades de la definición de espacio vectorial, podemos pensar
que una matriz es un ((vector)). Y lo mismo pasa con un polinomio o una función.
Entre los muchos ejemplos de espacios vectoriales presentamos los siguientes:
1. Los n-espacios Fn , con F cuerpo de escalares, especialmente el caso F = R,
con el que hemos trabajado en los capı́tulos previos. Aquı́ los vectores son
n-tuplas, es decir, un elemento ~v ∈ Fn es de la forma
~v = (a1 , . . . , an )
con ai ∈ F la componente i-ésima del vector. El vector nulo es ~0 =

(0, . . . , 0), esto es, la n-tupla con todas sus componentes nulas (estamos
usando el elemento neutro de la suma en el cuerpo que es el cero, 0 ∈ F).
Las operaciones suma y producto por escalar se definen componente a

componente usando la suma y el producto del cuerpo F. De forma análoga a
Rn , los subespacios se obtienen por generación y se describen implı́citamente
mediante sistemas de ecuaciones homogéneos. Cuando el cuerpo F = R, se
suele hablar de espacio vectorial real y si es C, espacio vectorial complejo.
2. El conjunto Mm×n (F) formado por todas las matrices de orden m × n.

Sus elementos son matrices con m filas y n columnas con entradas en el
cuerpo F. Las operaciones que definen la estructura de espacio vectorial
son la suma usual de matrices y el producto por un escalar. Aquı́ tenemos
matrices como vectores y el vector nulo es la matriz nula. Observa que
el ejemplo anterior se puede ver como un caso particular de este ya que
Mn×1 (F) son vectores columna (también podemos verlo como M1×n (F)
si pensamos en vectores fila).
3. El espacio F[x] de todos los polinomios con coeficientes en F con las

operaciones suma de polinomios y producto de escalar por polinomio es
también un espacio vectorial sobre el cuerpo F. Aquı́, los vectores son de
la forma
~v = a0 + a1 · x + a2 · x2 · · · + an · xn ,
esto es, un polinomio en la variable o indeterminada x de grado n ≥ 0 si
an 6= 0 con coeficientes ai ∈ F. El vector nulo es el polinomio de coeficientes
nulos,
~0 = 0 + 0 · x + 0 · x2 · · · + 0 · xn + . . .
El vector nulo es un elemento del cuerpo. En este caso podemos considerar

los elementos del cuerpo como vectores si los vemos como polinomios de
grado 0, que en efecto lo son.
4. El espacio Fn [x] con n ≥ 0 de polinomios n-truncados formado por todos

los polinomios con coeficientes en F de grado menor o igual que n. La
estructura de espacio vectorial la proporcionan las mismas operaciones que
en F[x]. Aquı́ los vectores son
~v = a0 + a1 · x + a2 · x2 · · · + am · xm
con m ≤ n, o lo que es lo mismo
~v = a0 + a1 · x + a2 · x2 · · · + an · xm + 0 · xm+1 + · · · + 0 · xn .
El vector nulo, es
~0 = 0 + 0 · x + 0 · x2 · · · + 0 · xn ,
el mismo que en el espacio vectorial F[x].
5. El espacio de funciones F(R, R) de variable real formado por las funciones

f : R → R con las operaciones suma (f + g) = f (x) + g(x) y producto por
escalar (t · f )(x) = t · f (x) es un espacio vectorial sobre el cuerpo real5 .

Observamos que las operaciones se definen usando las operaciones suma y
producto de números reales. Los vectores son simples funciones y el vector
nulo es la función nula, aquella que siempre vale cero: f (x) = 0 para todo
x ∈ R.
6. R puede ser visto como un Q-espacio vectorial. Usamos la suma de núme-
ros reales y multiplicamos racionales por reales en el producto escalar.
Asimismo el cuerpo complejo C es un R-espacio vectorial (de tipo finito).
De hecho C = {a + bi : a, b ∈ R}, luego el cuerpo de los complejos se puede
ver como el conjunto generado por los elementos 1 e i (unidad imaginaria,
i2 = −1) ya que a + bi = a · 1 + b · i (esto es lo que entendemos como
combinación lineal con coeficientes reales de los vectores 1 e i).
Ejemplo 3.2.1. El subconjunto de R3
  
 x 
S = y  x + y + z = 0
 
z
representa un plano que pasa por el origen. Este a su vez es un espacio vectorial
si ((+)) y ((·)) son interpretados de la siguiente manera:
         
x1 x2 x1 + x2 x rx
 y1  +  y2  =  y1 + y2  r · y  = ry 
z1 z2 z1 + z2 z rz
Es decir, las operaciones de suma y multiplicación propias de R3 aplicadas a los

elementos del subconjunto6 S. Diremos entonces que S hereda las operaciones
de R3 .
Si lo que buscamos es probar que S es un espacio vectorial, debemos compro-
bar que la suma de elementos y producto por un escalar no se salen de S. Es
decir, si por ejemplo tomamos dos vectores de S
     
1 −1 0
 1 + 0 = 1 
−2 1 −1
su suma también debe estar en S. Pero no vale con verlo en un caso particular,
hemos de probarlo para la suma de cualquier par de vectores. Para hacerlo
consideramos dos vectores cualquiera que viven en S
   
x1 x2
v~1 =  y1  , v~2 =  y2 
z1 z2
5 También se puede ver como espacio vectorial sobre cualquier subcuerpo de R, como por
ejemplo los racionales

6 Al decir aplicadas al subconjunto estamos diciendo que son las mismas, pero tomando
únicamente elementos de este subconjunto y sin salirnos de él.

y comprobaremos que su suma está también en S. Esta suma vale

 
x1 + x2
v~1 + v~2 =  y1 + y2  .
z1 + z2
Los dos vectores originales estaban en S, luego sus componentes cumplen las
ecuaciones que definen S. Es decir, x1 + y1 + z1 = 0 y x2 + y2 + z2 = 0. A su
vez, su suma también está en S, lo comprobamos con un simple reagrupamiento:
(x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = (x1 + y1 + z1 ) + (x2 + y2 + z2 ) = 0.
Debemos ahora probar que S es cerrado al multiplicar por escalares. Para

ello, consideramos un vector en S
 
x
y 
z
con lo que x + y + z = 0. Para r ∈ R debemos observar que la multiplicación

por escalares es    
x rx
r · y  = ry 
z rz
y el vector obtenido sigue cumpliendo las ecuaciones de S. En efecto, rx+ry+rz =
r(x + y + z) = 0. Ası́, ambas operaciones son cerradas en S, es decir, al sumar o
multiplicar por escalares nos mantenemos en el conjunto S. La verificación del
resto de condiciones en la definición de un espacio vectorial es una tarea más
sencilla. De hecho, si hemos probado ya que R3 es un espacio vectorial, como
los vectores de S están en R3 , las diez propiedades de la definición están ya
garantizadas.
Ejemplo 3.2.2. Consideramos el conjunto de los polinomios de grado tres o
menor, es decir,
R3 [x] = {a0 + a1 x + a2 x2 + a3 x3 | a0 , a1 , a2 , a3 ∈ R}.
Este conjunto contiene a los polinomios constantes, aquellos de grado cero

incluı́do el polinomio nulo. En R3 [x] tenemos estructura de espacio vectorial con
las operaciones
(a0 + a1 x + a2 x2 + a3 x3 ) + (b0 + b1 x + b2 x2 + b3 x3 )
= (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + (a3 + b3 )x3
y
r · (a0 + a1 x + a2 x2 + a3 x3 ) = (ra0 ) + (ra1 )x + (ra2 )x2 + (ra3 )x3 .
Aunque este espacio no es un subconjunto de Rn , hay una conversión que
nos permite pensar que R3 [x] es el mismo espacio que R4 . Para hacerlo debemos
establecer una relación entre los elementos de ambos. En concreto, establecemos

que  
a0
 
al vector a0 + a1 x + a2 x2 + a3 x3 le corresponde a1 
a2 
a3
y viceversa. Esta correspondencia define una aplicación f : R3 [x] → R4 en las
que las operaciones suma y producto también se corresponden. En este ejemplo
podemos ver el comportamiento de la aplicación respecto de la operación suma:
     
2 3 1 2 3
1 − 2x + 0x + 1x      
−2  +   =  1 .
3
+ 2 + 3x + 7x2 − 4x3 corresponde a       
0 7 7
3 + 1x + 7x2 − 3x3
1 −4 −3
y lo mismo ocurre con el producto por un escalar (escribe un ejemplo que lo
confirme). Acabamos de definir la aplicación f y es facil probar que, en general,
se cumple que f (~u + ~v ) = f (~u) + f (~v ) y que f (t · ~u) = t · f (~u). Además, f es
biyectiva. Este tipo de aplicación se dice isomorfismo, en este caso, entre los
espacios vectoriales R3 [x] y R4 .
Cuando se puede construir un isomorfismo entre dos espacios vectoriales los
espacios se dicen isomorfos y, salvo la forma en la que se presentan los vectores
en cada espacio, el comportamiento lineal de ambos espacios vectoriales es el
mismo. Esto permite identificar espacios isomorfos y trabajar los problemas en
el que sea más manejable.
Ejercicio 3.2.1. El conjunto de las matrices M2×2 (R) con entradas reales es
un espacio vectorial bajo las operaciones suma y multiplicación por escalares
usuales:

a b w x a+w b+x a b ra rb
+ = , r· = .
c d y z c+y d+z c d rc rd
El comportamiento lineal de este espacio es ((el mismo)) que R4 . Define una

aplicación entre ambos espacios que preserve suma y producto y sea biyectiva,
esto es: comprueba que M2×2 (R) y R4 son isomorfos.
Ejemplo 3.2.3. El conjunto F = {a cos θ + b sin θ | a, b ∈ R} de funciones reales
en la variable real θ es un espacio vectorial bajo las operaciones
(a1 cos θ + b1 sin θ) + (a2 cos θ + b2 sin θ) = (a1 + a2 ) cos θ + (b1 + b2 ) sin θ
y
r(a cos θ + b sin θ) = (ra) cos θ + (rb) sin θ.
Se puede pensar en F como ((el mismo)) espacio vectorial que R2 mediante la
correspondencia que al vector de F , a cos θ + b sin θ, le asigna el vector (a, b) de
R2 . Comprueba que la asignación define una aplicación biyectiva que es también
un isomorfismo.
Ejercicio 3.2.2. Comprueba que si en R2 consideramos las operaciones

(
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 )
α(x, y) = (α2 x, α2 y)
obtenemos un espacio vectorial sobre R. Es decir, verifica que se satisfacen las

diez propiedades de la definición de espacio vectorial.
Ejemplo 3.2.4. Si en R2 consideramos las operaciones
(
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 )
α(x, y) = (αx, 0)
podemos ver que (R2 , +, ·) no es en este caso un espacio vectorial sobre R. Esto
se debe a que 1 · x 6= x, ya que
1 · (x, y) = (1 · x, 0) = (x, 0) 6= (x, y).
Es decir, falla la última propiedad de espacios vectoriales: no hay elemento neutro

para el producto.
Continuará . . .
Bibliografı́a
[1] Amer Ramon, R. y F. Carreras Escobar: Curs d’Àlgebra Lineal. Universidad

Politécnica de Cataluña.
[2] Cobos Gavala, F. J., A. Osuna Lucena, R. Robles Arias y B. Silva Gallardo:
Apuntes de Álgebra Lineal. Universidad de Sevilla.
[3] Hefferon, J.: Linear Algebra.
[4] Ramı́rez Ros, R.: Breves Apuntes de Álgebra Lineal. Universidad Politécnica
de Cataluña. http://www.ma1.upc.edu/~rafael/al/.
101

Capitulo 3 Espacios Vectoriales

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

Capitulo 3 Espacios Vectoriales

Cargado por

Copyright:

Formatos disponibles

Capı́tulo 3

Además saber resolver sistemas lineales, los conocimientos y destrezas ne-

La conceptos lineales introducidos sobre los n-espacios Rn en los capı́tulos

3.1. Cambios de base en n-espacios

1. Tanto sus coordenadas1 en la base B: [v]B = [x1 , . . . , xn ]B = (x1 , . . . , xn ),

que son los pesos de la combinación lineal

Es decir, P es la matriz cuya primera columna es el vector de coordenadas de u1

respecto de la base B 0 , etc. La matriz P nos permite relacionar las coordenadas

Esta es la ecuación matricial o forma matricial de cambio de base. De

Es decir, la matriz inversa de P nos da el cambio contrario.

Ejercicio 3.1.1. Demuestra este último hecho, es decir, que si P es la matriz

P = [[u1 ]B0 . . . [un ]B0 ].

Ası́, el cálculo de coordenadas es equivalente a la resolución de los n

De esta forma llegamos a su forma escalonada reducida [In | P ]. La matriz

a) Comprueba que B1 = {v1 , v2 , v3 } y B2 = {w1 , w2 , w3 } son bases de R3 .

¿Qué estamos haciendo? Pues como ya anunciados en el cuadro donde

Dada la matriz P que define la ecuación matricial XB2 = P ·XB1 , si ahora

Lo que nos dice que [v]B2 = [5, −1, 0]B2 .

Observa qué nos dicen las coordenadas de v en las distintas bases:

[v]B1 = [1, −1, 2]B1 ⇒ v = v1 − v2 + 2v3 = (3, −3, 1)

Es decir, hay que resolver un sistema. Lo podemos hacer usando la inversa

del cambio nos proporcionan el mismo sistema:

b) Expresa los vectores u1 , u2 como combinación lineal de v1 , v2 y al revés.

Ejercicio 3.1.2. Comprueba que el sistema de ecuaciones

Ejemplo 3.1.3. Considérense las bases de R4

donde v1 = u1 − 2u2 + u3 , v2 = u1 − u3 , v3 = u2 + u4 , v4 = u2 + u3 . Dado que

v1 = u1 − 2u2 + u3 ⇒ v1 = (1, −2, 1, 0)B ,

Este sistema se puede resolver aplicando escalonamiento o tomando inversas.

Es decir, las coordenadas de x respecto de la base B 0 son

Observa que no conocemos las componentes de x, tan solo sabemos que

Es decir, las coordenadas de x respecto de la base B son x = [0, 0, 1, −1]B .

αu0 + βv 0 + γw0 = α(2u − v + w) + β(u + w) + γ(3u − v + 3w) = 0,

calcular una inversa es aplicando Gauss-Jordan.

dimensión 3 de cualquier Rn siempre que n ≥ 3.

que, tras una reordenación de términos, equivale a

Para llegar a decir que es una base, aún no sabemos si V = Gen{u0 , v 0 , w0 },

c) Dado que z tiene, respecto a la base B 0 , coordenadas [z]B0 = [−2, 3, 1]B0 ,

Esto es que z = 2u + v + 4w.

Observamos que el cambio de una base cualquiera B = {u1 , . . . , un } de Rn a

viene dado por la matriz C = [u1 . . . un ]. En efecto, la columna i-ésima de C es

donde la columna i-ésima de C −1 expresará las coordenadas del vector ei en la

Ejemplo 3.1.5. Los vectores u1 = (1, 1, 1), u2 = (1, 1, 2) y u3 = (0, 1, 1) forman

La relación entre las componentes de un vector arbitrario v ∈ R3 , que son

y expresa las coordenadas que los vectores e1 , e2 y e3 de la base canónica tienen

A vista de los ejemplos, puede darnos la sensación que la ecuación matricial es

Utilidad de las ecuaciones en cambios de base

En el ejemplo 3.1.5 tomemos el plano π descrito por la ecuación 2x − y + z = 0

2(x0 + y 0 ) − (x0 + y 0 + z 0 ) + (x0 + 2y 0 + z 0 ) = 0.

Simplificando llegamos a que 2x0 + 3y 0 = 0 es la ecuación de π en la base B.

Cálculo ((eficiente)) de cambios de base: triple banda a canónica

1. Calculamos la relación entre las coordenadas de un vector X en las bases

donde A es la matriz cuyas columnas son los vectores de la base B.

2. Calculamos la relación entre las coordenadas de X en las bases Bc y B 0 ,

De forma análoga al paso anterior, la matriz B tiene por columnas los

3. Finalmente, dado que AXB = X = BXB0 y que las matrices A y B son

XB0 = B −1 AXB , XB = A−1 BXB0

Ejemplo 3.1.6. Tomamos las bases B1 y B2 de R3 del ejemplo 3.1.1, definidas

Ejercicio 3.1.3. Escribe una demostración para este último cuadro.

son las coordenadas respecto de la base B. Se pide:

Escalonando la matriz B1 obtenemos

Dado que obtenemos 4 pivotes tenemos rango 4, rango máximo. Por lo

que, de nuevo, nos da rango B2 = 4 y por tanto {w1 , w2 , w3 , w4 } son

b) Sea PB 0 B 00 la matriz del cambio de base de B 0 a B 00 . Entonces, dado que