Capı́tulo 1

Espacios vectoriales.

Un conjunto es una colección de entidades; los números forman un

conjunto. Ahora bién un conjunto de ladrillos no constituye una casa;
es necesario dotar a estos conjuntos de una estructura definida mediante
diferentes reglas o axiomas. De nuestros cursos de Geometrı́a Analı́tica
sabemos operar a los vectores en R2 o en R3 . En esta sección vamos
a generalizar este concepto extrayendo las propiedades básicas de los
vectores y poniendolas como axiomas. De esta forma que cualquier conjunto
de objetos que satisfaga estas axiones, de manera automática tendran
las propiedades básicas de los vectores, y de esta forma serán un tipo
especial de vectores.

1
 2

Definición 1.0.1: Espacio vectorial.

Un espacio vectorial sobre un campo F (o un F-espacio vectorial) es

conjunto no vacı́o V junto con dos operaciones binarias llamadas suma
⊕ : V × V → V y multiplicación por escalar ∗ : F × V → V las cuales
satisfacen:

(a) Cerradura de la suma Si u, v ∈ V, entonces u ⊕ v ∈ V.

(b) (u ⊕ v) ⊕ w = u ⊕ (v ⊕ w) para todos los u, v, w ∈ V.
(c) Existe un elemento 0 ∈ V tal que v ⊕ 0 = v = 0 ⊕ v para todo
v ∈ V.

(d) Para cada v ∈ V, existe −v ∈ V tal que v ⊕ (−v) = 0.

(e) u ⊕ v = v ⊕ u para todos los u, v ∈ V.
(f) Cerradura de la multiplicación por escalar λ ∗ v ∈ V para todo
escalar λ ∈ F y todo v ∈ V.

(g) λ ∗ (u ⊕ v) = λ ∗ u ⊕ λ ∗ v para cualquier λ ∈ F y cualesquiera

u, v ∈ V.
(h) (λ + µ) ∗ v = λ ∗ v ⊕ µ ∗ v para cualesquiera λ, µ ∈ R, v ∈ V.
(i) (λ · µ) ∗ v = λ ∗ (µ ∗ v) para cualesquiera λ, µ ∈ R, v ∈ V.

(j) El escalar 1 ∈ R cumple 1 ∗ v = v para todo v ∈ V.

A los elementos de un espacio vectorial se les llama vectores. En este
contexto, la palabra “vector” no necesariamente está haciendo referencia
a los vectores de R2 o R3 .

Nota 1.0.1:
En algunos libros de álgebra, el hecho de tener definida una operación
binaria implica que ésta es cerrada, y por tanto ya no es necesario ve-
rificar las condiciones (a) y (f ) de la definición de espacio vectorial. En
éste curso ası́ lo consideraremos.

Nota 1.0.2:
Es importante enfatizar que un espacio vectorial no es únicamente un
conjunto V. Es como dice la definición una terna (V, ⊕, ∗), donde V
es un conjunto no vacı́o junto con las operaciones binarias ⊕ y ∗ que
satisfacen las propiedades de espacio vectorial.
 3

Nota 1.0.3:
Diremos que un conjunto no vacı́o V es un F espacio vectorial, si V es
un grupo abeliano y cumple las condiciones (g)-(j). En otras palabras
podemos definir a los F espacios vectoriales como: Un espacio vectorial
sobre un campo F es un conjunto no vacı́o V junto con las siguientes
operaciones binarias:
(1) ⊕ : V × V → V definida como ⊕(u, v) := u ⊕ v.

(2) ∗ : F × V → V definida como ∗(λ, v) := λ ∗ v

tal que V con ⊕ es un grupo abeliano y con la operación ∗ satisface las
condiciones (g) − (i)

Ejemplos 1.0.1:

El conjunto L de todas las rectas en R2 que pasan por el origen

forman un R-espacio vectorial con las operaciones suma y multi-
plicación por escalar del plano.
R2 con la suma usual de vectores y la multiplicación por escalar es
un R-espacio vectorial.

El conjunto V = {0} con la suma 0 + 0 := 0 y la multiplicación

por escalar λ · 0 := 0 satisface todas las condiciones de la definición
de espacio vectorial. A este espacio se le conoce como el espacio
trivial.

Ejercicio 1.0.1:

Sea V = {x ∈ R|x > 0} un conjunto no vacı́o con las siguientes

operacines binarias, x + y := xy y λ · x := xλ . Compruebe que V con
estas operaciones es un espacio vectorial.
Solución
 4

Teorema 1.0.1: Propiedades de un espacio vectorial

En un espacio vectorial V se cumple lo siguiente:

1. Si u, v, w ∈ V son tales que v + u = w + u, entonces v = w.

2. Existe un único elemento 0 ∈ V tal que v + 0 = v para todo v ∈ V.
3. Para cada v ∈ V, existe un único elemento w ∈ V tal que v +w = 0.

4. −(−v) = v para todo v ∈ V.

5. 0 · v = 0 para todo v ∈ V (el cero en el lado izquierdo es un escalar
y el cero en el lado derecho es el vector cero).
6. (−1)v = −v para todo v ∈ V.

7. λ · 0 = 0 para todo escalar λ.

8. Si λ ∈ R, v ∈ V y λv = 0, entonces λ = 0 ó v = 0.
 5

Ejercicios 1.0.1:

1. Determine si el conjunto dado, junto con las operaciones usuales

es un espacio vectorial.
(a) El conjunto de vectores (x, y)T en R2 con y = 2x.
(b) El conjunto de vectores (x, y)T en R2 con y = 2x3
(c) V = {(x, y)T ∈ R3 |2x + 3y = 2}.
(d) V = {(x, y, z)T ∈ R3 |2x − 3y + z = 0}.
 
a b
(e) El conjunto de todas las matrices de la forma
0 d
(f) El conjunto de todas las matrices invertibles de orden dos.
 
a b
(g) El conjunto de todas las matrices de la forma
c d
2. Determine si el conjunto de todas las ternas ordenadas de números
reales (x, y, z)T con las operaciones

(a, b, c)T ⊕ (x, y, z)T := (x, b + y, z)

λ (x, y, z)T := (λx, λy, λz)T

es o no un espacio vectorial.

3. Sea V un espacio vectorial. Muestre que λ0 = 0 para cada escalar

λ ∈ R.
4. Considere el siguiente conjunto V = {1} y al campo R. ¿Es V un
espacio vectorial sobre R?

5. Si V = {(x, y) ∈ R2 | y = mx, con m ∈ R fijo }. Demuestre que V

es un R espacio vectorial.
6. Considere al F-espacio vectorial V. Entonces se cumple:
(i) Si u, v, w ∈ V son tales que u + v = w + v, entonces u = w.
(ii) Existe un único elemento 0 ∈ V tal que v + 0 = 0 para todo
v ∈ V.
(iii) Para cada v ∈ V, existe un único elemento w ∈ V tal que
v + w = 0.
(iv) Para todo v ∈ V se cumple que −(−v) = v.
  
a 1
7. Determine si el conjunto V = a, b ∈ R junto
1 b
   
a 1 c 1
con las siguientes operaciones suma + :=
1 b 1 d
   
a+c 1 a 1
y multiplicación por escalar λ :=
 1 b +
 d 1 b
λa 1
es o no un espacio vectorial, donde λ ∈ R.
1 λb
 6

Ejercicios 1.0.2:

8. Considere a A ∈ Mm×n (K). El conjunto de todas las soluciones del

sistema homogéneo Ax = 0, junto con las operaciones usuales de
suma de vectores y multiplicación de un vector por escalar es un
K-espacio vectorial.

9. Demuestre que el conjunto de todos los puntos de R3 que viven

en un plano que pasa por el origen, con las operaciones usuales de
suma y multiplicación por escalar de R3 es un R-espacio vectorial.
10. Sea K un campo arbitrario y V un K-espacio vectorial. ¿El elemento
neutro de V es único?.

11. ¿Crees que es posible tener un espacio vectorial V , sobre algún

campo K, con exactamente dos vectores distintos?. Explica tu res-
puesta.
12. Sea V el conjunto de todas las funciones reales de variable real
definidas en el intervalo [0, 1]. ¿Es V un R-espacio vectorial
13. Show that the solution set of y = 2x + 1 fails to be a vector space.
14. El conjunto de R[x] que consiste de todos los polinomios con coefi-
cientes reales junto con la suma de polinomios y la multiplicación
de un escalar por un polinomio es un espacio vectorial.

15. Sea A := {A ∈ M3 (F)|AT = −A}. Demuestre que A es un espacio

vectorial sobre F.
16. Every vector space contains the origin.
17. Let A be a given mxn matrix. Show that the solution set of Ax = 0
is a vector space, but that the solution set of Ax = b for b 6= 0 is
not.

1.0.1. Subespacio vectorial.

Los espacios vectoriales pueden contener subconjuntos que con las
mismas operaciones del espacio original sean a su vez espacios vectoriales.
Dado un espacio vectorial V, un subespacio vectorial es un subconjunto
W de V tal que W es un espacio vectorial con las operaciones de suma
y producto por escalar definidas en V. Para determinar si un conjunto
dado es un subespacio vectorial, no es necesario verificar todas las
propiedades que definen a un espacio vectorial; de hecho basta con
verificar que el conjunto sea no vacı́o y que se cumplan las propiedades
de cerradura para la suma y para la multiplicación por escalar. Con
la siguiente propiedad se puede determinar si un subconjunto no vacı́o
es un subespacio.
 7

Teorema 1.0.2:
Un subconjunto W de un espacio vectorial V es un subespacio si y sólo
W no es vacı́o y se cumplen las dos propiedades de cerradura:

(a) Si w1 , w2 ∈ W entonces w1 + w2 ∈ W,
(b) Si λ ∈ R y w ∈ W entonces λw ∈ W.
Demostración
⇒
Por la definición de espacio vectorial, tenemos que se cumplen de
manera trivial los tres incisos.
⇐
Ahora supongamos que se satisfacen los tres axiomas, veamos que
W es un subespacio vectorial de V . Para ellos tendremos que probar
que (W, +) es un grupo abeliano y que se cumplen los axiomas de
un grupo abeliano. Efectivamente ya que el inciso (ii) nos dice que
la operación binaria + de V restringida a W es cerrada, es decir
tenemos que + : W × W → W es una operación binaria en el
conjunto W que satisface:
(i) Asociatividad. Sean w1 , w2 , w3 ∈ W ⊂ V , entonces se tiene
que (w1 + w2 ) + w3 = w1 + (w2 + w3 ) en V , pero por el inciso
(ii) tenemos que (w1 + w2 ) + w3 , w1 + (w2 + w3 ) ∈ W y por
tanto (w1 + w2 ) + w3 = w1 + (w2 + w3 ) se cumple en W .
(ii) Neutro Aditivo. Sea w ∈ W ⊂ V , como V es un K-espacio
vectorial tenemos que existe el vector 0 ∈ V tal que w + 0 =
w. Note que 0 ∈ W ya que por el inciso (iii) tenemos que
(−1)w ∈ W y por (ii) se tiene que 0 = w + (−w) ∈ W .
(iii) Inverso Aditivo. Sea w ∈ W por (iii) tenemos que (−1)w ∈
W.
(iv) Conmutatividad. Sean u, w ∈ W , como W ⊂ V entonces en V
tenemos que u + v = v + u y por (ii) tenemos que la igualdad
anterior también es válida en W .

Ası́ hemos comprobado que (W, +) es un grupo abeliano. En lo que

sigue verificaremos que se satisfacen los demas axiomas.
(2.1) Sean λ ∈ K y u, w ∈ W , entonces λ(u + w) = λu + λw en el
K-espacio vectorial V pero por los incisos (ii) y (iii) tenemos
que λ(u + w), λu + λw ∈ W ası́ que se cumple la igualdad en
W.
(2.2) Sean λ, µ ∈ K y w ∈ W , luego tenemos que (λ + µ)w = λw +
µw en el K-espacio vectorial V . Pero la igual que en el inciso
[(2,2)] por las hipótesis tenemos que (λ + µ)w, λw + µw ∈ W ,
por tanto la igualdad es válida en W .
(2.3) Sean λ, µ ∈ K y w ∈ W , sabemos que se cumple (λµ)w =
λ(µw) en V , pero al igual que en los incisos anteriores tenemos
que (λµ)w, λ(µw) ∈ W , ası́ que la igualdad es válida en W .
(2.4) Sea 1 ∈ K y w ∈ W , entonces (1)w = w en V y claramente se
cumple en W .

Luego hemos comprobado que W es un subespacio vectorial de V .

2
 8

Ejercicio 1.0.2:

Si W es un subespacio de V, entonces necesariamente 0 ∈ W.

Nota 1.0.4:
Sea V un R-espacio vectorial, si W es un subespacio vectorial de V ,
entonces lo denotaremos como W < V .

Ejercicio 1.0.3:

Sean a, b ∈ R. Verifique que el subconjunto W = {(x, y)T ∈ R2 |ax + by =

0} de R2 es un un subespacio vectorial.
Solución
Primero veamos que W 6= ∅. Como a(0) + b(0) = 0, el vector cero perte-
nece a W, ası́ que W 6= ∅.
Ahora veamos si se cumple la cerradura de la suma.
Sean w1 = (x1 , y1 ), w2 = (x2 , y2 ) ∈ W. Como w1 y w2 pertenecen
a W se cumple que ax1 + by1 = 0 y ax2 + by2 = 0. Para ver que
w1 + w2 = (x1 + x2 , y1 + y2 ) ∈ W se tiene que verificar que

a(x1 + x2 ) + b(y1 + y2 ) = 0

Se tiene que
a(x1 + x2 ) + b(y1 + y2 ) = ax1 + ax2 + by1 + by2 , Propiedad distributiva
= (ax1 + by1 ) + (ax2 + by2 ) Prop. conmutativa y asociativa
= 0 + 0 Hipótesis
=0
Se cumple entonces que w1 + w2 ∈ W. Finalmente, note que
a(λx1 ) + b(λy1 ) = λ(ax1 ) + λ(by1 ) = λ(ax1 + by1 ) = λ · 0 = 0, lo que
muestra que λw1 ∈ W.
2

Teorema 1.0.3:

Sea A ∈ Mm×n (R). El espacio nulo de A que consiste de todas las solu-
ciones del sistema homogéneo Ax = 0 es un subespacio de Rn .

Ejemplo 1.0.1:

Describa el espacio nulo de la matriz A = (2 − 3).

Solución
El espacio nulo de A consiste de todas las soluciones del sistema ho-
mogéneo 2x − 3y = 0. Como x = 3y/2, el vector solución se escribe en
la forma x = (3y/2, y)T . Por lo tanto,
 3 
N (A) = y 2 |y ∈ R
1
 9

Ejercicio 1.0.4:
 
1 0 5
Describa el espacio nulo de la matriz A =
2 1 6

Teorema 1.0.4:

El espacio columna R(A) de una matriz A ∈ Rm×n es un subespacio de

Rm .

Ejemplo 1.0.2:
 
1 −5 −7
Describa el espacio columna de la matriz A = 1 1 5 .
1 0 3
Solución
Para describir el espacio columna de A se necesita determinar bajo que
con- diciones el sistema de ecuaciones:
x − 5y − 7z = b1 ,
x + y + 5z = b2 ,
x + 3z = b3 .

tiene solución. Se aplica el método de Gauss para llevar la matriz au-

mentada
 (A|b) a unaforma escalonada:
1 −5 −7 b1
 1 1 5 b2 
1 0 3 b3

Teorema 1.0.5: Subespacio generado

Dado cualquier colección de vectores {v1 , . . . , vn },

< v1 , . . . , vn >= {λ1 v1 + λ2 v2 + · · · + λn vn |λ1 , . . . , λn ∈ R}

es un subespacio de V al que se le llama el subespacio generado por los

vectores v1 , . . . , vn .
 10

Ejemplo 1.0.3:
3
Describa analı́ticay geométricamente
  el subespacio de R generado por
1 −1
los vectores v1 = 1 y v2 =  2 .
1 0
Solución  
b1
Sea W =< v1 , v2 >. Ası́ un vector b = b2  ∈ W si y solamente si
b3
existen escalares λ, µ ∈ R tales que
 
1 1  
λ
b = λv1 + µv2 = −1 2
µ
1 0

La forma escalonada
  reducida de la matriz aumentada
1 1 |b1
−1 2 |b2  es
1 0 |b3
 
1 0 b3
 0 1 b1 − b3  Se sigue que el sistema tiene solución si y
0 0 2b1 − b2 − 3b3
solamente si   
 b1 
2b1 −b2 −3b3 z = 0. Por lo tanto W = b2  ∈ R3 |2b1 + b2 − 3b3 = 0 .
b3
 
Geométricamente W es el plano que pasa por el origen determinado por
los vectores v1 y v2 .

Ejercicios 1.0.3:

1. Determinar el valor de la variable x para que el vector (1, x, 5)t ∈

R3 pertenezca a al subespacio h(1, 2, 3)t , (1, 1, 1)t i

2. Considere al K-espacio vectorial V, y sean U, W ≤ V. Demuestre

que U + W = {u + w | u ∈ U, w ∈ W } es un subespacio vectorial
de V.
 
3 3
3. Considere la siguiente matriz A = y al siguiente con-
2 8
junto W = {B ∈ M2 (k) | AB = 2B}. Demuestre que W es un
subespacio vectorial de M2 (K).

4. Sea V = R[x]n . Determinar cuál de los siguientes subconjuntos de

V son subespacios vectoriales V :
(i) A = {p(x) ∈ V | p(7) = 0}.
(ii) B = {p(x) ∈ V | p(−5) = 2 + p(3)}.
 11

Ejercicio 1.0.5:

1. Sea V un espacio y sean v1 , v2 y v3 elementos de V. Suponga que

v3 ∈ R(A) donde A := (v1 |v2 ). Pruebe que < v1 , v2 , v3 >=<
v1 , v2 >.
2. Determine si (2, 1, −2)T pertenece al subespacio generado por v1 =
(3, −1, 2)T , v2 = (1, 2, −1)T y v3 = (4, 1, 1)T .

3. Sea W el subespacio de R3 generado por los vectores

v1 = (1, 1, 1)T , v2 = (3, −1, 2)T y v3 = (3, −5, 1)T .
Determine cuál de los siguientes vectores pertenece a W,
(−2, 10, 1)T , (0, 1, 1)T , (−5, 11, −1)T .
4. Describa analı́tica y geométricamente el subespacio de R3 generado
por v1 = (3, −1, 2)T , v2 = (1, 2, −1)T y v3 = (4, 1, 1)T .
2×2
5. 
Describa
 el subespacio
  de R generado
 por las matrices v1 =
1 0 0 1 0 0
, v2 = , v3 =
0 0 1 0 0 1

6. Determine si alguno de los vectores (5, 4, 1)T , (1,1, 1)T , (9, 3, −1)

T

1 4 −5
pertenece al espacio columna de la matriz A = −1 −1 −1
−1 −2 1

1.0.2. Dependencia e independencia lineal

Definición 1.0.2:
Un vector v ∈ V depende linealmente de los vectores v1 , . . . , vn si
existen escalares λ1 , . . . , λn tales que

v = λ1 v1 + · · · + λn vn

Un subespacio W de un espacio V está generado por un conjunto

de vectores {v1 , . . . , vn } si

W =< v1 , . . . , vn >

Equivalentemente, W está generado por los vectores v1 , . . . , vn si

cada vector en W depende linealmente de v1 , . . . , vn .

Ejemplo 1.0.4:

Determine si W, el plano determinado por 2x − y − 3z = 0, está generado

por algún conjunto de vectores.
 12

Ejemplo 1.0.5:

Considere el conjunto de polinomios S = {v1 = 3 + x + 2x2 , v2 =

1 − 2x + x2 , v3 = −2 − 17x + x2 }. Determine si el polinomio
f (x) = −7 − 77x + 6x2 depende linealmente de S.
Solución
Veamos si la ecuación f (x) = λ1 v1 + λ2 v2 + λ3 v3 tiene solución. Se tiene
7 − 77x + 6x2 = λ1 (3 + x + 2x2 ) + λ2 (1 − 2x + x2 ) + λ3 (−2 − 17xt + x2 )
= 3λ1 + λ2 − 2λ3 + (λ1 − 2λ2 − 17λ3 )x + (2λ1 + λ2 + λ3 )x2
Para que la igualdad de polinomios se de, es necesario y suficiente que

3λ1 + λ2 − 2λ3 = −7
λ1 − 2λ2 − 17λ3 = −77
2λ1 + λ2 λ3 = 6

La forma escalonada reducida de la matriz aumentada asociada a este

sistema es  
1 0 −3 −13
 0 1 7 32 
0 0 0 0
de donde se sigue que el sistema tiene infinitas soluciones. Una solución
a este sistema es λ1 = 2, λ2 = −3 y λ3 = 5. Otra solución es λ1 =
−13, λ2 = 32, λ3 = 0, por lo que también f = −13v1 + 32v2 + 0v3 .
2

Teorema 1.0.6:
El espacio columna de una matriz A está generado por sus columnas.

Definición 1.0.3: Dependencia lineal.

Sean v1 , v2 , . . . , vn vectores de un espacio vectorial V. Se dice que el

vector 0 depende no trivialmente de los vectores v1 , . . . , vn si el vector
se puede escribir en la forma 0 = λ1 v1 + · · · + λn vn , en donde al menos
uno de los números λi es distinto de cero.

Ejemplo 1.0.6:

Pruebe que el vector cero de R3 depende de manera no trivial de los

vectores v1 = (2, 1, 1)T , v2 = (−1, 1, 1)T y v3 = (1, 5, 5)T .
 13

Definición 1.0.4:

Sea V un espacio vectorial. Un conjunto no vacı́o S = {v1 , · · · , vn } de

vectores de V es linealmente dependiente si existen escalares λ1 , . . . , λn
no todos cero tales que

λ1 v1 + · · · + λn vn = 0

Se dice que S es linealmente independiente si no es linealmente depen-

diente.

Ejemplo 1.0.7:

Pruebe que los vectores v1 = (1, 2)T y v2 = (3, 7)T son linealmente
independientes.

Ejemplo 1.0.8:

Sea V un F-espacio vectorial y S = {v1 , v2 , . . . , vn } ⊂ V, con v1 = 0,

entonces S es un conjunto ld.

Teorema 1.0.7:

Sea V un F-espacio vectorial. Si S = {v} con v = 0 entonces el conjunto

S es li.

Ejemplo 1.0.9:

Determine si el conjunto de polinomios {1+x, 1−x, 2+3x} es linealmente

independiente.

Teorema 1.0.8:

Sea V un espacio vectorial y sea S = {v1 , . . . , vn } ⊂ V. Entonces S

es linealmente dependiente si y solamente si al menos un vector de S
depende linealmente de los otros.

Ejemplo 1.0.10:
 
1 0 2 3
Determine si las columnas de la matriz A = −3 1 −11 −7 son
1 1 −3 5
linealmente independientes.
 14

Teorema 1.0.9:
Sea A una matriz de m × n.

1. Las siguientes afirmaciones son equivalentes:

(a) Las columnas de A son linealmente independientes.
(b) N (A) = {0}.
(c) rango(A) = n.

2. Si n > m, entonces las columnas de A son linealmente dependien-

tes.

Teorema 1.0.10:
Sea A una matriz cuadrada de orden n. Entonces, las columnas de A son
linealmente independientes en Rn si y solamente si |A| =
6 0.

Definición 1.0.5: Base para un espacio vectorial.

Una colección β de vectores es una base para un espacio vectorial V si:

(a) β es linealmente independiente y
(b) β genera a V.

Ejemplo 1.0.11:

Las columnas de la matriz identidad de orden n forman una base para Rn ,

la llamada base estándar. Como el determinante de I es 1, sus columnas
son linealmente independientes y claramente cada elemento de Rn se
escribe fácilmente en términos de esas columnas, ya que Ix = x. Por
ejemplo si n = 2:      
x 1 0
=x +y
y 0 1

Ejemplo 1.0.12:

El conjunto {(1, 2)T , (2, 1)T } es una base para R2 ya que este conjunto
genera a R2 y también es linealmente independiente.

Ejemplo 1.0.13:

El conjunto {(1, 2)T } es linealmente independiente, ya que λ(1, 2)T =

(0, 0)T implica λ = 0 y 2λ = 0, cuya única solución es λ = 0. Este
conjunto no genera a R2 . Por ejemplo, el vector (1, 0)T no se puede
generar con (1, 2)T , es decir, la ecuación (1, 0)T = λ(1, 2)T no tiene
solución.
 15

Ejemplo 1.0.14:

Los vectores v1 = (1, 0)T , v2 = (0, 1)T y v3 = (1, 1)T generan a R2 pues
(x, y)T = xv1 + yv2 + 0v3 ; sin embargo estos vectores no constituyen una
base ya que no son linealmente independientes: 1v1 + 1v2 + (−1)v3 = 0.

Ejemplo 1.0.15:

El conjunto {v1 = (1, 1, 0)T , v2 = (0, 1, 0)T } es linealmente independiente

ya que a(1, 1, 0)T + b(0, 1, 0)T = (0, 0, 0)T implica a = 0 y a + b = 0, y
de aquı́ que a = b = 0. Este conjunto no es una base,ya que el vector
(0, 0, 1)T de R3 no se puede escribir como combinación lineal de v1 y v2 .

Ejemplo 1.0.16:

Pruebe que β = {1 + 3x2 , 2 + 6x + 6x2 , 1 + 3x + 5x2 } es una base para

el espacio R[x]3 .
solución

Teorema 1.0.11:
Cualesquiera dos bases en un espacio vectorial no nulo tienen la misma
cantidad de elementos. En otras palabras, si {u1 , . . . , um } y {v1 , . . . , vn }
son dos bases para el espacio vectorial V, entonces m = n.
Demostración Sea V un F espacio vectorial con dos bases, digamos β =
{u1 , u2 , . . . , um } y γ = {v1 , . . . , vn }.
2

Nota 1.0.5:
Como consecuencia del resultado anterior, es posible hablar del concepto
de dimensión de un espacio vectorial. El espacio nulo no tiene base, pues
su único elemento que es el cero es linealmente dependiente.

Definición 1.0.6:

La dimensión de un espacio V se denota por dim(V). Si V es el espacio

vectorial trivial, se dice que tiene dimensión cero. Si el espacio vectorial
tiene una base β con un número finito de vectores, entonces la dimensión
de V es el número de elementos en esa base. Finalmente, si V no tiene
una base finita, se dice que V es de dimensión infinita.
( 0 si V = {0}
dim(V) = |β| si β es una base finita para V
∞ en cualquier otro caso

Un espacio V es de dimensión finita si tiene una base finita o V = {0}.

 16

Ejemplo 1.0.17:

Demuestre que β = {1 + x, x + x2 , 1 + x2 } es una base para F[x]3

Ejemplo 1.0.18:

Determine la dimensión del subespacio W = {(x, y)T ∈ R2 |x + y =

0, x − y = 0}.

Ejemplo 1.0.19:

La dimensión de Rn es n. ya que Rn tiene una base con n elementos.

Ejemplo 1.0.20:
 
1 0 3
Determine la dimensión del espacio nulo de la matriz A = .
0 1 −2
Solución
Primero hallemos un conjunto finito que genere a N (A), para ello resol-
veresmo el sistema de ecuaciones
x + 3z = 0
y − 2z = 0
   
x −3z
de donde tenemos que el vector solución es de la forma =
(  ) y 2z
 
−3 −3
Entonces N (A) = z|z ∈ R y claramente el vector es
2 2
linealmente independiente y genera a N (A), por lo tanto la dimensión es
1, i.e. dim(N (a)) = 1.
 17

Ejemplo 1.0.21:
 
1 −5 −7
Sea A la matriz 1 1 5 . Encuentre una base para R(A).
1 0 3
Solución
Sabemos que R(A) está generado por las columnas de la matriz, dada es
decir
R(A) =< A∗1 , A∗2 , A∗3 >
Solo nos falta saber si las columnas de A son linealmente independientes.
Para ello hallamos su forma escalonada reducida la cual es
 
1 0 3
E = 0 1 2
0 0 0

de donde se puede concluir, que las primeras dos columnas son básicas
y la terera no, de hecho tenemos que
→
−
A∗1 + A∗2 + A∗3 = 0

tiene una solución no trivial, (3, 2, −1)T , lo cual nos dice que las columnas
son linealmente dependientes. Notamos que las dos primeras columnas
son li, luego una base para R(A) es β{A∗1 , A∗2 }

Ejemplo 1.0.22:

Sean U y W los subespacios de R2 generados por u = (1, 1)T y

w = (−1, 2)T , respectivamente. Calcule la dimensión de U ∩ W y U + W
Solución
Primero calcularemos el subespacio intersección. Si v ∈ U ∩ W, entonces
∃λ, µ ∈ R tales que v = λu y v = µw, es decir
   
1 −1
λ =µ
1 2
     
1 −1 0
λ −µ =
1 2 0
    
1 −1 λ 0
=
1 2 −µ 0
→
−
cuya única solución es la trivial. Luego U ∩ W = { 0 } Por otro lado,
por definición de suma, cada elemento de U + W es de la forma u1 + w1 ,
donde u1 ∈ U y w1 ∈ W. Cada elemento de U es de la forma λu, donde
λ es un escalar; similarmente, cada elemento de W es de la forma µw;
ası́ u1 + w1 = λu + µw es decir U + W =< u, w >; los vectores u y w
son linealmente independientes ya que el correspondiente determinante
es distinto de cero. Luego dim(U + W ) = 2.
 18

Teorema 1.0.12:
Sea V un espacio vectorial no nulo de dimensión finita n. Entonces:
(1) Todo subconjunto de V con más de n vectores es linealmente de-
pendiente.
(2) Ningún subconjunto de V con menos de n vectores puede generar
a V.
(3) Todo conjunto linealmente independiente con exactamente n vec-
tores de V, es una base para V.
(4) Todo conjunto generador de V compuesto de exactamente n vec-
tores, es una base para V.

Ejemplo 1.0.23:

Determine si los vectores (1, 2)T , (2, 1)T , (5, −2T ) son linealmente inde-
pendientes.
Solución.
Sabemos que dimR2 = 2, ası́ que cualquier colección de vectores que
tenga más de dos vectores tiene que ser linealmente dependiente.

Teorema 1.0.13:
Si U y W son subespacios de un espacio vectorial V de dimensión finita,
y U ⊆ W, entonces:
(1) W es de dimensión finita y dim(W) ≤ dim(V).
(2) Si dim(U) = dim(W), entonces U = W.

Ejemplo 1.0.24:

Calcule las dimensiones de los cuatro espacios fundamentales asociados

con la matriz escalonada reducida
 
1 2 4 0 3
U = 0 0 0 1 7
0 0 0 0 0

Escriba las dimensiones en términos del rango y el número de renglones

o columnas de U .
 19

Teorema 1.0.14:

Sea A ∈ Mm×n (F) tal que rang(A) = r. Sea U la forma escalonada de

A y sea P una matriz invertible tal que P A = U . Entonces:
(a) Las r columnas básicas de A forman una base para R(A). Además
R(A) = N (P2 ), donde P2 es la matriz formada por los últimos
m − r renglones de P .
(b) Las r columnas diferentes de cero de U T forman una base para
R(AT ) y además R(AT ) = R(U T ).
(c) Las m − r columnas de P2T forman una base para N (AT ) y además
N (AT ) = R(P2T ).

(d) Los n − r vectores que aparecen cuando se descompone la solu-

→
−
ción general de Ax = 0 como una combinación lineal de vectores
forman una base para el espacio nulo.

Nota 1.0.6:

Como consecuencia del teorema anterior, se tiene que dimR(A) =

dimR(AT ) = r, dimN (AT ) = m − r, y dimN (A) = n − r.