02 Espacios y Subespacios Vectoriales

“MatI” — 2018/3/6 — 12:59 — page 103 — #119
Capítulo 2
Espacios y subespacios
vectoriales
La mathématique est lárt de donner le même

nom à des choses différentes.a
a
Las Matemáticas son el arte de dar el mismo nombre
a cosas distintas
Jules Henri Poincaré
En el capítulo anterior hemos introducido los sistemas de ecuaciones li-

neales, un método de resolución, la eliminación gaussiana, y definido a partir
de ellos, las matrices y su estructura algebraica (operaciones). Este capítu-
lo, probablemente el más abstracto de este texto, arranca paradójicamente
con construcciones bien concretas: el espacio columna y el espacio nulo de
una matriz (sección primera) que aparecen ligados a la existencia y unici-
dad de solución de un sistema de ecuaciones lineales. Extenderemos esta
construcción para hablar de subespacios vectoriales (sección segunda) y su
descripción vía sistemas generadores. Ello nos conduce a la noción de base y
de dimensión de un subespacio. A la luz de estos nuevos resultados, y después
de establecer la relación entre rango de una matriz y dimensión de su espacio
columna, volveremos a las matrices (sección tercera) donde probaremos al-
gunas propiedades que se quedaron en el tintero en el capítulo primero. En la
siguiente sección trataremos las operaciones entre subespacios, suma e inter-
sección, y presentaremos las sumas directas de dos subespacios. En la última
sección nos permitiremos volar fuera de Rn y extender estas construcciones
a ámbitos más generales.
103
“MatI” — 2018/3/6 — 12:59 — page 104 — #120
104 2.1 Espacio nulo y columna de una matriz
2.1. Espacio nulo y columna de una matriz

Consideremos un sistema de ecuaciones lineales escrito en su forma ma-
tricial habitual
Ax = b.
Como hasta ahora, vamos a suponer que A es m × n, m y n son en principio
distintos, y por tanto x ∈ Rn , b ∈ Rm .
Tres son las cuestiones que se plantean en este problema, y que son
igualmente válidos en contextos más generales:
C1 ¿El sistema tiene solución? (existencia)
C2 ¿La solución es única? (unicidad)
C3 ¿La solución depende continuamente de los datos? (estabilidad)
Si las ecuaciones provienen, por ejemplo, de modelar un problema físico/in-

genieril, las dos primeras cuestiones plantean la condición de que el sistema
ha de devolver una y sola una solución que aproxime el problema real1 .
Aparcaremos la tercera condición C3 a pesar de su interés. Comentaremos
únicamente que viene a decir que un sistema es estable si cambios pequeños
del término independiente, b, dan lugar a pequeños cambios en x. Es lo
deseable en cualquier sistema físico aunque buena parte de ellos a pequeña o
mediana escala no son estables (veáse la discusión en la Nota Histórica con
que cerramos esta sección).
Abordaremos por tanto en este capítulo únicamente las dos primeras
condiciones. La primera tiene una respuesta sencilla: el sistema tiene solución
si y sólo si b se puede escribir como una combinación de las columnas de A:
Proposicion 2.1.1
Si {a1 , a2 , . . . , an } son las columnas de una matriz A, entonces Ax = b
tiene solución si y sólo si existen x1 , x2 , . . . , xn ∈ R tal que
b = x1 a1 + x2 a2 + . . . + xn an .
Aún es más, una solución del sistema de ecuaciones viene dada por
x = [x1 x2 . . . xn ]� .
1
Es decir, si mis ecuaciones provienen de simular numéricamente cómo se deforma
una estructura (un puente, un edificio) ante una carga de presiones, las ecuaciones deben
proponer una única forma de deformación. Es lo primero que se debe precisar porque en
caso contrario el modelo no puede ser correcto.
“MatI” — 2018/3/6 — 12:59 — page 105 — #121
CAPÍTULO 2. Espacios y subespacios vectoriales 105
Demostración. Si x = [x1 x2 . . . xn ]� , entonces

 
x1
� � 
 x2 
Ax = a1 a2 · · · an  . 

 = x1 a1 + x2 a2 + · · · + xn an .
 .. 
xn
El resultado se sigue de forma inmediata.
Ejemplo 2.1.2
Sea    
1 4 3 2 8
−1 2 0 3  7
   
A= , b =  .
 2 1 1 −1 −3
2 7 4 4 12
El sistema Ax = b tiene solución, es compatible. Por ejemplo, se
puede comprobar que x = [−3 2 1 0]� es una solución puesto que
           
8 −3 1 4 3 2
 7  2 −1 2  0  3
           
  = A   = −3 ×   + 2 ×   + 1 ×   + 0 ×   .
−3  1  2 1  1 −1
12 0 2 7 4 4
Comprobamos de esta manera que el término independiente se

puede escribir combinando de forma adecuada, combinación que se-
guidamente denominaremos “lineal” (Definición 2.2.4), las columnas
de A.
El recíproco es cierto: como
         
8 1 4 3 2
 7 −1 2  0  3
         
  = 4 ×   − 8 ×   + 6 ×   + 9 ×  ,
−3  2 1  1 −1
12 2 7 4 4
el sistema Ax = b tiene solución y además una (otra) solución del

sistema original viene dada por el vector [4 − 8 6 9]� .
El resultado anterior nos da pie a introducir el primer espacio fundamen-

tal ligado a una matriz
“MatI” — 2018/3/6 — 12:59 — page 106 — #122
Definición 2.1.3: Espacio columna

El espacio columna de una matriz A es el conjunto
R(A) := {α1 a1 + . . . αn an : α1 , . . . , αn ∈ R},
donde {a1 , a2 , . . . , an } son las columnas de A.
En cuanto a la existencia de solución, este problema queda resuelto una

vez observemos el siguiente resultado.
Proposicion 2.1.4
Si x1 y x2 son dos soluciones de Ax = b, entonces z = x2 − x1 es
también solución del sistema Ax = 0.
Recíprocamente, si x1 y z son soluciones de Ax = b y Ax = 0
respectivamente, entonces x2 = x1 + z es una solución del sistema
Ax = b.
Demostración. Este resultado es una simple vuelta de tuerca a la

propiedad distributiva. Si x1 , x2 son soluciones del sistema Ax = b,
tenemos que
A(x2 − x1 ) = Ax2 − Ax1 = b − b = 0.
Por tanto z = x2 − x1 es solución de Ax = 0. Análogamente, si x1

y z son solución de Ax = b y Ax = 0 respectivamente, entonces
x2 = x1 + z cumple
Ax2 = A(x1 + z) = Ax1 + Az = b + 0 = b,
luego x2 también es solución de Ax = b.
Definición 2.1.5: Sistemas lineales homogéneos

Los sistemas de la forma Ax = 0, esto es, con término independiente
el vector nulo, se dicen sistemas de ecuaciones lineales homogé-
neos.
A la luz de la Proposición 2.1.4, las soluciones del sistema homogéneos

tienen una relación directa con la unicidad, o falta de ella, de la solución.
“MatI” — 2018/3/6 — 12:59 — page 107 — #123
Ello nos lleva a introducir el segundo espacio fundamental de una matriz: el

espacio nulo.
Definición 2.1.6: Espacio nulo

El espacio nulo de una matriz es el conjunto formado por todas las
soluciones del sistema homogéneo asociadoa :
N (A) := {z ∈ Rn : Az = 0}.
a
léase “z ∈ Rn que cumplen Az = 0”.
Nota 2.1.7
Otras denominaciones para espacio nulo utilizadas en la literatura son
“núcleo” o “kernel”.
Proposicion 2.1.8
Si xp es una solución del sistema Ax = b, todas las soluciones del
sistema son
xp + N (A) = {xp + z : Az = 0}.
Por tanto, un sistema Ax = b tiene a lo sumo una única solución si y
sólo si N (A) = {0}.
Demostración. Es una consecuencia inmediata de la Proposición

2.1.4.
La “p” utilizada en la notación xp viene dada por “particular”. Es una

propiedad que se extiende a ecuaciones lineales en otros ámbitos: todas las
soluciones del problema se pueden expresar como una solución particular
más todas las soluciones del sistema con dato nulo (problema homogéneo).
En cualquier caso, tal descomposición nos ha surgido desde el principio,
en el capítulo anterior, aunque hasta ahora no hayamos sido conscientes de
ello.
Ejemplo 2.1.9
Retomemos el Ejemplo 2.1.2 y vamos a proceder a su resolución. Apli-
“MatI” — 2018/3/6 — 12:59 — page 108 — #124
cando el método de Gauss obtenemos
  F2 → F 2 + F 1  
1 4 3 2 8 F3 → F3 − 2F1 1 4 3 2 8
 −1 2 0 3 7  F4 → F4 − 2F1  0 6 3 5 15 
   
  ∼  
 2 1 1 −1 −3   0 −7 −5 −5 −19 
2 7 4 4 12 0 −1 −2 0 −4
 
1 4 3 2 8
F3 → F3 + 76 F2
 
F4 → F4 + 16 F2  0 6 3 5 15 
 
∼  
 0 0 −3 5
− 32 
 2 6 
0 0 − 32 5
6 − 32
 
1 4 3 2 8
 
F4 → F 4 − F 3  0 6 3 5 15 
 
∼  
 0 0 −3 5
− 32 
 2 6 
0 0 0 0 0
El sistema es, claramente, compatible indeterminado. Tenemos pivotes

en las tres primeras columnas, luego podemos tomar como parámetro
la cuarta variable. La solución viene dada por
x1 = −3 + 79 t, x2 = 2 − 10
9 t, x3 = 1 + 59 t, x4 = t, t∈R
o escrita en forma vectorial (hemos tomado α = t/9 para simplificar

la notación)
(−3, 2, 1, 0) + α(7, 10, 5, 9), α ∈ R.
Es fácil comprobar que (−3, 2, 1, 0) es solución del sistema de ecua-
ciones original, esto es, es nuestra solución particular xp . Por otro la-
do, los vectores de la forma α(7, 10, 5, 9) son (todas) las soluciones del
sistema homogéneo.
En otras palabras, el método aplicado hasta ahora para obtener
las soluciones de los sistemas de ecuaciones lineales escribe la(s) solu-
ción(es) del sistema en la forma preconizada por la Proposición 2.1.8.
A modo de resumen, tenemos que

“MatI” — 2018/3/6 — 12:59 — page 109 — #125
Teorema 2.1.10
(a) El sistema Ax = b tiene solución (sistema compatible) si y sólo

si b ∈ R(A).
(b) La solución es única (sistema compatible determinado) si ade-

más N (A) = {0}.
Demostración. Se trata de reformular, brevemente, los resultados

enunciados en las Proposiciones 2.1.1 y 2.1.8.
La unicidad por tanto depende únicamente de A y no del término inde-

pendiente. La existencia depende del término independiente excepto en los
casos en los que el rango de A es n.
Para finalizar esta primera sección, expondremos algunas propiedades del
espacio columna y nulo de una matriz
Propiedades 2.1.11
Sea A m × n. Entonces
(a) R(A) ⊂ Rm , N (A) ⊂ Rn .
(b) 0 ∈ R(A) y 0 ∈ N (A).
(c) Si b1 y b2 ∈ R(A) y α ∈ R, entonces
b1 + b2 ∈ R(A), αb1 ∈ R(A). (2.1)
(d) Si z1 y z2 ∈ N (A) y α ∈ R, entonces
z1 + z2 ∈ N (A), αz1 ∈ N (A). (2.2)
Demostración. La primera y segunda propiedad son inmediatas. Pa-

ra la tercera, observemos que b ∈ R(A) si y sólo si existe x tal que
Ax = b. Entonces, si x1 y x2 son vectores tales que Ax1 = b1
y Ax2 = b2 , necesariamente A(x1 + x2 ) = (b1 + b2 ) y por tan-
to b1 + b2 ∈ R(A). Análogamente, como A(αx1 ) = αAx1 = αb,
αb ∈ R(A).
Por otro lado, para verificar que z1 + z2 y αz1 ∈ N (A) basta
comprobar que A(z1 +z2 ) = A(αz1 ) = 0, que se siguen de la propiedad
“MatI” — 2018/3/6 — 12:59 — page 110 — #126
distributiva del producto matricial.
La primera propiedad explica dónde está cada conjunto. En otras pala-

bras, el tamaño de los vectores que lo forman que son distintos, en Rn en
el primer caso y en Rm en el segundo, salvo en el caso en que la matriz sea
cuadrada. La segunda, que ninguno de estos conjuntos puede estar vacío: el
vector nulo siempre es uno de sus elementos. Observa que a priori habla-
mos de distintos vectores nulos, diferente longitud, para el espacio nulo y el
espacio columna.
Las propiedades tercera y cuarta, van más allá y definirán lo que deno-
minaremos subespacio vectorial en la próxima sección. En simples palabras,
afirman que son conjuntos cerrados por suma y producto por escalar: estas
operaciones, realizadas sobre elementos del conjunto nos devuelven nuevos
elementos que pertenecen al mismo conjunto.
Nota Historica: Meteorología, Edward Lorenz y la

Teoría del caos
Como hemos dejado escrito antes, la estabi-
lidad de un sistema de ecuaciones lineales,
cuestión C3, no la trataremos en este capí-
tulo. Sin embargo, merece la pena discutir un
poco sobre ella por lo interesante que resul-
ta. Para ello hablaremos de un problema que
aunque relacionado, es una área mucho más
complicado y fascinante que la simple estabi-
lidad mencionada anteriormente.
Consideremos un problema tan presente
en nuestros días como modelar el tiempo at-
mosférico, es decir, predecir la meteorología
en los días siguientes. Las ecuaciones, recogi- Figura 2.1: Edward
das en una matriz de coeficientes A modelan Lorenz. Imagen de la
la física del problema: el movimiento de los wikipedia
vientos, el intercambio de calor entre las di-
ferentes capas con especial atención a la interacción entre océano y
atmósfera, el aporte de energía solar al sistema, el calor absorbido y
el reflejado al espacio, etc. El término independiente b condensa los
datos meteorológicos del momento actual o del tiempo inmediatamen-
te pasado. La resolución del sistema nos proporciona una solución x
que es una predicción del tiempo meteorológico en un tiempo futu-
“MatI” — 2018/3/6 — 12:59 — page 111 — #127
ro, de unas minutos a unas horas. Aplicando de forma sucesiva este

proceso podemos estirar la predicción hacia el futuro, días o semanas.
Evidentemente, saltos cortos en tiempo son preferibles, en los mode-
los actuales hablamos de intervalos de 15 minutos, de forma que uno
puede seguir mejor los diferentes procesos atmosféricos simplemente
resolviendo una y otra vez el mismo tipo de problema. Una aclaración
necesaria antes de continuar: esto es una versión muy simplificada,
y por tanto bastante inexacta. El problema real para empezar es no
lineal y no hay propiamente un sistema lineal porque la física del pro-
blema es no lineal, las matrices con las que se trabaja son realmente
enormes, del orden decenas de millones de ecuaciones, que han de
ser tratados en algunos de los equipos informáticos más potentes del
mundo, etc.
Las matemáticas del problema de la predicción meteorológica es-
taban relativamente bien asentadas a principios del siglo XX con los
trabajos de Richard Courant, Kurt O. Friedrichs, Hans Lewy o Carl-
Gustaf Rossby. . La resolución exacta, analítica, del problema estaba
descartada, no así su resolución aproximada por métodos numéricos,
como las diferencias finitas introducidas por L.F. Richardson a prin-
cipios del siglo XX. Richardson fue además responsable del primer
intento de predicción a 6 horas en una pequeña región. Los resulta-
dos no sólo fueron muy pobres, sino que esa predicción, insistimos, a
6 horas, ¡le llevó seis semanas de cálculos! Estimó entonces que ne-
cesitaría en torno a 64 000 personas para, calculando a mano, poder
llevar a cabo predicciones en tiempo real. La llegada de los ordena-
dores cambiaría este panorama de forma radical. Así, Jule Charney y
Ragnar Fjörtoft realizaron en 1950 la primera predicción meteoroló-
gica a 24 horas utilizando uno de los primeros ordenadores, el ENIAC
con unos resultados esperanzadores. Que los cálculos hubieron llevado
33 días no parecía ser preocupante dado el incremento de potencia de
cálculo en las computadoras que ya entonces se atisbaba. Se espera-
ba además que este incremento permitiera en las próximas décadas
utilizar modelos más complejos y resoluciones más precisas que pro-
dujeran predicciones correctas en regiones más pequeñas (los modelos
capturan mejor procesos de gran tamaño [borrascas, anticiclones] que
en pequeña escala [tormentas locales]) y en periodos de tiempo más
extensos.
A comienzo de 1960 el matemático Edward Lorenz dio con un fe-
nómeno que enfriaría primero y acabaría después con este optimismo.
“MatI” — 2018/3/6 — 12:59 — page 112 — #128
Lorenz estaba trabajaba con uno de los primeros ordenadores para

resolver, de nuevo numéricamente, un sistema de ecuaciones en deri-
vadas parciales, que lleva hoy en día el nombre de sistema de Lorenz.
El problema es apenas una ecuación juguete no lineal que correspondía
a un modelo muy simplificado de iteración atmosférica. No disponía
de un tiempo de uso muy elevado del ordenador por lo que cada cier-
to tiempo tenía que parar sus cálculos para liberar la máquina. Para
continuar sus ensayos, habitualmente al día siguiente, utilizaba para
arrancar valores obtenidos en una fase intermedia de la tanda de expe-
rimentos del día anterior en lugar de los últimos disponibles. Permitía
así controlar que los datos de cada serie de ensayos numéricos fueran
correctos pues la parte en común del experimento pasado y del nuevo
deberían coincidir. Sin embargo observó que, aunque al principio los
resultados que obtenía correspondía con los recogidos en el día ante-
rior, las gráficas producidas en la nueva tanda divergían rápidamente
de las elaboradas el día anterior. Tras descartar cualquier problema
técnico observó que en los datos con los que reiniciaba el experimen-
to estaba copiando únicamente cuatro decimales en lugar de los ocho
que usaban la máquina internamente. Esa pequeña discrepancia era
amplificada por el sistema para proporcionar una nueva solución con
un comportamiento muy distinto en el futuro próximo. Las distintas
soluciones, de todas formas, exhibían comportamientos extraños. Por
ejemplo, aparecían lo que luego se llamó atractores extraños de Lo-
renz, puntos donde las soluciones tendían a concentrarse, giraban en
torno a ellas, para moverse súbitamente de una a otra de forma súbita
e impredecible, un comportamiento caótico pero con un cierto orden
subyacente. (La Figura 2.2 recoge una gráfica de estas soluciones; que
la forma de esta gráfica recuerde a las alas de una mariposa es posible
que no sea totalmente una coincidencia).
El descubrimiento de este fenómeno se considera como uno de los
orígenes de la Teoría del Caos que estudia este tipo de comportamien-
tos. Sus hallazgos, no obstante, no fueron valorados en un principio
en su justa medida quizás porque fueron publicados en una revista
de Meteorología alejada de la corriente matemática principal. Una
década después se reconoció las consecuencias de este fenómeno: ex-
trapolando este comportamiento, bien podría suceder que el sistema
matemático subyacente a la interacción atmosférica fuera, y de hecho
lo es, inestable y la dificultad de la predicción ser algo intrínseca al
problema. En consecuencia, esta dificultad no puede ser superada por
“MatI” — 2018/3/6 — 12:59 — page 113 — #129
mayor potencia de cálculo o mejores modelos climatológicos pues éstos

tenderían a aproximar a algo que es caótico.
En resumen, estos pequeños cambios en un término independiente
b, los datos, pueden provocar, y de hecho provocan, enormes cam-
bios en x, la respuesta. Estos cambios pueden ser consecuencia de la
recogida de datos, aproximada por su propia naturaleza, errores en
la resolución numérica de esas ecuaciones, o eventualmente que una
mariposa bata o no sus alas lo que provoque una variación mínima
de la presión atmosférica local. Cualquiera de estos efectos modifica
los datos de entrada b, aun mínimamente. En cualquier caso, el siste-
ma amplifica eventualmente estos cambios en el futuro, de forma que
puede suponer la diferencia de que exista, o se prevea, una tormenta
tropical o no en las antípodas del mundo al cabo de unos meses. Éste
es el conocido efecto mariposaa . Actualmente se fija el límite de la
predicción meteorológica a 15-30 días, con 7-10 días el intervalo más
fiable, como cualquier predicción errónea de tanto en tanto nos recuer-
da. Reseñemos, finalmente, que estamos hablando de Meteorología. La
Climatología, que se encarga más bien de tendencias y valores medios
(la diferencia entre “lloverá 10 l/m2 el 15 de agosto” y “la temperatu-
ra media de los meses de agosto es 24◦ C”), es un problema diferente.
Aunque también de una complejidad extrema, sí se obtienen resulta-
dos más precisos aunque no exentos de cierta polémica, como puede
uno comprobar cuando revisa las diferentes predicciones publicadas
cuando se predice el efecto del calentamiento global a 50 o 100 años.
a
Parece ser que Lorenz utilizó como ejemplo el batir de las alas de una gaviota
para cambiarlo, posteriormente, por una mariposa, algo más poético.
2.2. Subespacios en Rn
En este capítulo extendemos los espacios nulos y columna a conjuntos
en Rn que satisfagan propiedades como las enunciadas en (2.1)-(2.2) en las
Propiedades 2.1.11.
Definición 2.2.1: Subespacio vectorial
Un conjunto U ⊂ Rn no vacío se dice subespacio vectorial si cumple
que para cualquier par de elementos u, v ∈ U y α ∈ R se tiene
u + v ∈ U, αu ∈ U.
“MatI” — 2018/3/6 — 12:59 — page 114 — #130
114 2.2 Subespacios en Rn
45
40
35
30
25
20
15
10
-10 20
0 10
10 0
-10
-20
Figura 2.2: La gráfica anterior muestra la trayectoria dibujada por las solu-
ciones del sistema de Lorenz para una elección de parámetros determinada.
La solución orbita en torno a dos puntos, pero salta de uno al otro de forma
súbita e impredecible. Es difícil saber en un momento determinado dónde
esta la solución, pero es muy probable que esté cerca de unos de estos dos
puntos, conocidos como atractores de Lorenz. La figura anterior, recuerda en
cierta forma, las alas de una mariposa.
“MatI” — 2018/3/6 — 12:59 — page 115 — #131
Figura 2.3: Subespacios en R2 y R3
Un subespacio vectorial (en Rn ) es pues un conjunto cerrado por las

operaciones suma y producto por escalar.
Ejemplo 2.2.2
En R2 y R3 podemos recurrir a imágenes geométricas de los subespa-
cios dado que estamos hablando de vectores en el plano y el espacio. De
esta forma, en R2 los subespacios son los conjuntos triviales, {(0, 0)}
y el propio R2 , y vectores con la misma dirección.
En R3 , los subespacios no triviales son, o bien vectores con la
misma dirección o un plano de direcciones (ver Figura 2.3).
Ejemplo 2.2.3
En vista de las Propiedades 2.1.11, puntos (c) y (d), podemos con-
cluir que el espacio nulo N (A) y columna R(A) de una matriz son
subespacios vectoriales. De hecho, los subespacios vectoriales en Rn
se pueden representar en cualquiera de estas dos formas. Buena parte
de esta primera sección trata de su descripción en la segunda mane-
ra. La forma primera, es decir, construir una matriz A de forma que
N (A) sea el subespacio dado, se tratará brevemente en este capítulo
y se desarrollará con mayor profundidad en el siguiente.
Observa que todo subespacio contiene al vector nulo 0 sencillamente

porque 0 = 0u para cualquier vector u de U (o porque 0 = u + (−1)u).
Además, el número de elementos de cualquier subespacio U es, o bien uno,
si U = {0} o bien infinito2 .
2
¿Por qué?
“MatI” — 2018/3/6 — 12:59 — page 116 — #132
Definición 2.2.4: Combinación lineal

Se llama combinación lineal de {u1 , u2 , . . . , ur } al vector
α1 u1 + α 2 u2 + . . . α r ur
donde α1 , α2 , . . . , αr ∈ R.
Definición 2.2.5: Clausura lineal

Dado un conjunto de vectores {u1 , . . . , ur } se denomina clausura
lineal al conjunto formado por todas las combinaciones lineales de
esos vectores:
span �u1 , u2 , . . . , ur � := {α1 u1 +α2 u2 +. . . αr ur : α1 , α2 , . . . , αr ∈ R}.
Nota 2.2.6
El término span es un anglicismo que nos permitiremos utilizar para
referirnos a la clausura lineal frente a otras alternativas en castellano
como clausura lineal o envolvente lineal. No confundir con “spam” que
tiene un significado muy diferentea .
a
span no tiene una traducción directa al castellano pero puede entenderse como
una extensión de tiempo o espacio (envergadura, lapso de tiempo, duración de,
extenderse en,...) además de su significado como longitud de una mano (un palmo).
Por contra spam es una carne de cerdo enlatada de, siendo políticamente correctos,
muy dudosa calidad. Curiosamente, fue el tema central de uno de los sketch más
populares de los Monty Python en 1970 donde este vocablo se utiliza más de 120
veces en apenas 3 minutos. Su uso machacón y absurdo, de una forma que los
Monty Python convirtieron en un arte, hizo que, 20 años después, empezase a ser
utilizado para referirse al correo (electrónico) basura.
Proposicion 2.2.7
La clausura lineal de un conjunto de vectores es siempre un subes-
pacio.
De hecho el concepto de combinación lineal y clausura lineal, span, no

es nuevo: lo hemos visto ya en la sección anterior cuando hemos hablado del
espacio columna de una matriz: Si A es m × n con
� �
A= a1 a2 . . . an
“MatI” — 2018/3/6 — 12:59 — page 117 — #133
α1 u1 + α2 u2
α2 u2
u2
α1 u1 u1
Figura 2.4: Combinación lineal de dos vectores en R2 . Es fácil comprobar

que el span de {u1 , u2 } es en este caso todo el plano R2
entonces
R(A) = span �a1 , a2 , . . . , an �.
Definición 2.2.8: Sistema generador
Sea U subespacio, {u1 , u2 , . . . , ur } tales que
U = span �u1 , u2 , . . . , ur �.
Entonces {u1 , u2 , . . . , ur } se dice sistema generador de U .
Nótese que, trivialmente3 , u1 , u2 , . . . , ur ∈ span �u1 , u2 , . . . , ur �.

Un sistema generador implica en última medida que con un número finito
de vectores sabemos cómo construir el resto del subespacio. De hecho, buena
parte de la información del subespacio está recogido en un sistema generador.
Por ejemplo,
Proposicion 2.2.9
Sea V subespacio, {u1 , . . . , ur } una familia de vectores. Entonces
span �u1 , . . . , ur � ⊂ V ⇐⇒ {u1 , . . . , ur } ⊂ V.
Demostración. Esto es un resultado de doble implicación. Para de-

mostrar que es cierto, basta ver que si una afirmación es cierta, tam-
bién lo es la otra.
⇒] Es inmediato: si span �u1 , . . . , ur � ⊂ V , en particular cada uno
de los vectores que lo generan también estará en V .
⇐] Si {u1 , . . . , ur } ⊂ V , y como V es subespacio, cualquier combi-

3
¿Ves que en efecto es trivial?
“MatI” — 2018/3/6 — 12:59 — page 118 — #134
nación lineal de estos vectores también estará en V (véase De-

finición 2.2.1). Esto es precisamente la definición de clausura
lineal.
Veamos el resultado anterior en un ejemplo concreto.
Ejemplo 2.2.10
Sean los vectores
u1 := (1, 1, −1, −1), u2 := (2, 0, 1, −1),

v1 := (−1, 1, −2, 0), v2 := (−3, 1, −3, 1), v3 = (3, 1, 0, −2)
y definamos
U := span �u1 , u2 �, V := span �v1 , v2 , v3 �.
Queremos analizar si U ⊂ V o bien V ⊂ U . Veamos el primer conte-

nido
U ⊂ V Basta comprobar si u1 , u2 ∈ V . Esto es, si es posible obtener los
dos vectores u1 y u2 como combinación lineal de {v1 , v2 , v3 }.
Por tanto, debemos ocuparnos de verificar si existen
{α1 , α2 , α3 }, {β1 , β2 , β3 } ⊂ R
tales que
(1, 1, −1, −1)

= α1 (−1, 1, −2, 0) + α2 (−3, 1, −3, 1) + α3 (3, 1, 0, −2)
(−α1 − 3α2 + 3α3 , α1 + α2 + α3 , −2α1 − 3α2 , α2 − 2α3 )
(2, 0, 1, −1)
= β1 (−1, 1, −2, 0) + β2 (−3, 1, −3, 1) + β3 (3, 1, 0, −2)
(−β1 − 3β2 + 3β3 , β1 + β2 + β3 , −2β1 − 3β2 , β2 − 2β3 ).
Los números {α1 , α2 , α3 } y {β1 , β2 , β3 } son los coeficientes que

han de utilizar para hacer la combinación lineal. Llegamos así a
“MatI” — 2018/3/6 — 12:59 — page 119 — #135
los sistemas
   
−1 −3 3  1
 1 1 1  α1  1
    
  α2  =   ,
 −2 −3 0  −1
α3
0 1 −2 −1
   
−1 −3 3   2
 1 1 1  β1  0 
    
  β2  =  .
 −2 −3 0   1 
β3
0 1 −2 −1
Dado que los sistemas de ecuaciones lineales tienen la misma

matriz de coeficientes, podemos resolver los dos sistemas en pa-
ralelo:
   
−1 −3 3 1 2 F2 → F 2 + F 1 −1 −3 3 1 2
 1 1 1 1 0 F3 → F3 − 2F1 
   0 −2 4 2 2 
  ∼  
 −2 −3 0 −1 1  0 3 −6 −3 −3 
0 1 −2 −1 −1 0 1 −2 −1 −1
 
F3 → F3 + 32 F2 −1 −3 3 1 2
F4 → F4 + 12 F2
 0 −2 4 2 2 

∼  
 0 0 0 0 0
0 0 0 0 0
(2.3)
Concluimos que {α1 , α2 , α3 } y {β1 , β2 , β3 } tendría que ser solu-

ciones de los sistemas
       
−1 −3 3   1 −1 −3 3   2
 0 −2 4 α1    0 −2 4 µ1  
   2      2
 α  =   ,  µ  =   .
 0 0 0 2 0  0 0 0 2  0
α3 µ3
0 0 0 0 0 0 0 0
Ambos dos tienen solución, aunque ésta no es única. De mo-

mento, no nos preocupa las soluciones en sí del sistema sino el
hecho de que éstas existan. En resumen, hemos probado que
{u1 , u2 } ⊂ span �v1 , v2 , v3 � = V y por tanto U ⊂ V .
U ⊃ V Los papeles se intercambian: en esta ocasión hay que estudiar si

v1 , v2 , v3 ∈ U . En otras palabras, si podemos escribir v1 , v2 y
“MatI” — 2018/3/6 — 12:59 — page 120 — #136
v3 como combinaciones lineales de {u1 , u2 }:
(−1, 1, −2, 0) = λ1 (1, 1, −1, −1) + λ2 (2, 0, 1, −1),

(−3, 1, −3, 1) = µ1 (1, 1, −1, −1) + µ2 (2, 0, 1, −1),
(3, 1, 0, −2) = ν1 (1, 1, −1, −1) + ν2 (2, 0, 1, −1),
con {λ1 , λ2 }, {µ1 , µ2 }, {ν1 , ν2 } adecuados. Tenemos ahora tres

sistemas de ecuaciones lineales, pero de menor dimensión, para
determinar estos coeficientes:
       
1 2 � � −1 1 2 � � −3
 1 0  1  1 0  1
  λ1     µ1  
  =  ,   = 
−1 1  λ2 −2 −1 1  µ2 −3
−1 −1 0 −1 −1 1
   
1 2 � � 3
 1 0  ν  1
  1  
  =  ,
−1 1 ν2  0
−1 −1 −2
que de nuevo podemos resolver en paralelo

F2 →F2 − F1
   
1 2 −1 −3 3 F3 →F3 + F1 1 2 −1 −3 3
 1 0 1 1  
1  4 4 1  0 −2
F →F + F 2 4 −2 
 
  ∼  
 −1 1 −2 −3 0 0 3 −3 −6 3
−1 −1 0 1 −2 0 1 −1 −2 1
 
F3 →F3 + 32 F2 1 2 −1 −3 3
F4 →F4 + 12 F2  0 −2 2 4 −2 
 
∼  .
0 0 0 0 0 
0 0 0 0 0
(2.4)
Los tres sistemas tienen solución que además, en este caso, es

única. Por tanto {v1 , v2 , v3 } ⊂ span �u1 , u2 � = U y en conse-
cuencia V ⊂ U .
Finalmente, si como hemos comprobado U ⊂ V ⊂ U , la única posibi-

lidad es que U = V .
En el ejemplo anterior hemos trabajado con dos subespacios, aparen-

“MatI” — 2018/3/6 — 12:59 — page 121 — #137
temente muy diferentes, que resultaron ser el mismo. Esto es típico en este
contexto, donde un conjunto infinito, el subespacio, es expresado en términos
de un conjunto finito de vectores, o de ecuaciones, de forma que en ocasiones
es difícil ver relaciones como de contenido, de uno en otro, e incluso llegado
el caso, de igualdad.
Por otro lado, hemos visto que el subespacio en cuestión se puede escri-
bir como clausura lineal de dos o de tres vectores. O equivalentemente, que
tenemos dos sistemas generadores, el primero compuesto de tres vectores
{v1 , v2 , v3 } y el segundo de dos, {u1 , u2 }. Es obvio que este último es pre-
ferible puesto que utiliza menos datos, de hecho lo mínimo necesario como
veremos más adelante, para describir el subespacio. Este proceso, conducen-
te a optimizar el número de vectores de un sistema generador, nos llevará al
concepto de base.
Definición 2.2.11: Lineal dependencia o ligado

Lineal independencia o libre
Una familia de vectores {u1 , u2 , . . . , un } se dice linealmente de-

pendiente o ligado si existe α1 , . . . , αn ∈ R, con al menos uno de los
coeficientes diferente de cero, tal que
α1 u1 + α2 u2 + . . . + αn un = 0.
Si tal combinación no existe, la familia de vectores se dice linealmen-

te independiente o libre.
Así pues, una familia de vectores es libre si no existe ninguna combinación

lineal, a parte de la trivial, que dé el vector nulo, y es ligado si podemos
construir (infinitas4 ) combinaciones lineales que nos devuelven el vector nulo.
Ejemplo 2.2.12
Retomemos los vectores del Ejemplo 2.2.10
u1 := (1, 1, −1, −1), u2 := (2, 0, 1, −1)

v1 := (−1, 1, −2, 0), v2 := (−3, 1, −3, 1), v3 = (3, 1, 0, −2).
Es fácil comprobar que {v1 , v2 , v3 } son linealmente dependientes.

Para ello, busquemos una combinación lineal que nos de el vector
4
Cuestión: ¿por qué son infinitas?
“MatI” — 2018/3/6 — 12:59 — page 122 — #138
nulo:
         
0 −1 −3 3 −1 −3 3  
 0  1  1  1  1 1 1  α1
          
  = α1   + α 2   + α 3   =    α2 
 0 −2 −3  0  −2 −3 0 
α3
0 0 1 −2 0 1 −2
Si resolvemos el sistema nos encontramos con

   
−1 −3 3 0 −1 −3 3 0
 1 1 1 0   0 −2 4 0 
   
  ∼ ··· ∼  . (2.5)
 −2 −3 0 0   0 0 0 0 
0 1 −2 0 0 0 0 0
(Omitimos las operaciones intermedias porque son exactamente las

realizadas en Ejemplo 2.3). El sistema tiene como solución
α1 = −3α3 , α2 = 2α3 , α3 ∈ R.
Así, por ejemplo,
(0, 0, 0, 0) = (−3) × (−1, 1, −2, 0) + 2 × (−3, 1, −3, 1) + 1 × (3, 1, 0, −2).
Para ver que {u1 , u2 } son libres procedemos de forma similar
(0, 0, 0, 0) = β1 (1, 1, −1, −1) + β2 (2, 0, 1, −1)
y llegamos al sistema
   
1 2 0 −1 −3 0
 1 0 0   0 −2 0 
   
  ∼ ··· ∼  . (2.6)
 1 1 0   0 0 0 
1 −1 0 0 0 0
Comprobamos así que la única combinación lineal que nos devuelve

el vector nulo es la trivial: β1 = β2 = 0.
Proposicion 2.2.13
Una familia de vectores {v1 , . . . , vr } es linealmente dependiente si y
sólo si uno de esos vectores se puede escribir como combinación lineal
de los demás.
“MatI” — 2018/3/6 — 12:59 — page 123 — #139
Figura 2.5: Los tres vectores de la izquierda son linealmente dependientes:

definen un plano que puede ser determinado por únicamente dos vectores.
Los tres vectores de la derecha son libres (linealmente independientes) pues
definen las tres direcciones del espacio.
Demostración.
⇒] Supongamos que existe una combinación no trivial que nos pro-
porciona el vector nulo
α1 v1 + α2 v2 + . . . + αr vr = 0.
Podemos asumir, sin falta de generalidad, que α1 �= 0 (si este

coeficiente fuese nulo, buscaríamos un coeficiente que no lo fuera
y repetiríamos el mismo argumento). Entonces
α2 αr
v1 = − v2 − · · · − vr ,
α1 α1
y por tanto v1 se puede escribir como combinación lineal de los
demás.
⇐] Recíprocamente, si v1 se puede escribir en función de los demás

vectores,
v1 = β 2 v2 + · · · + β r vr .
Entonces
v1 − β2 v2 − · · · − βr vr = 0.
Por tanto existe una combinación lineal no trivial de {v1 , . . . , vr }
que nos devuelve el vector nulo. En otras palabras, la familia
anterior es ligada.
La interpretación geométrica del concepto de familia libre o linealmen-

te independiente de vectores es clara: cada vector representa una dirección
esencialmente diferente a las que pueden dar lugar el resto (ver Figura 2.5).
“MatI” — 2018/3/6 — 12:59 — page 124 — #140
Corolario 2.2.14
Una familia de vectores {v1 , . . . vr } es ligado si y sólo si existe un
vector vi de forma que
v
✚i , . . . , vr � = span �v1 , . . . , vi , . . . , vr �.
span �v1 , . . . , ✚
❩
❩
Recíprocamente, una familia de vectores {v1 , . . . vr } es libre si y

sólo sia para cualquier vector vi i = 1, . . . , r,
v
❩i , . . . , vr � � span �v1 , . . . , vi , . . . , vr �.
span �v1 , . . . , ✚
❩
✚
a
� “contenido pero no igual”, es decir, “contenido estricto”.
Demostración. En el primer caso, si la familia es ligada, existe un

vector, supongamos vi , que se puede expresar como combinación lineal
del resto. Por tanto
{v1 , . . . vr } ⊂ span �v1 , . . . , ❩

v
❩i , . . . , vr �,
✚
✚
dado que todos los vectores de la izquierda son combinaciones de los

vectores que aparecen a la derecha. De la Proposición 2.2.9 se deduce
entonces
span �v1 , . . . vr � ⊂ span �v1 , . . . , ✚

v
❩i , . . . , vr �.
❩
✚
El otro contenido es trivial.

Para demostrar el recíproco, si existe vi de forma que
v
✚i , . . . , vr � = span �v1 , . . . , vi , . . . , vr �
span �v1 , . . . , ❩
✚
❩
es porque todos los vectores del subespacio de la derecha se pueden

generar vía combinaciones lineales de la familia de la izquierda. En
particular vi , que es el vector que falta, se puede escribir como combi-
nación lineal de {v1 , . . . , ✚ v
❩❩i , . . . , vr }, por lo que la familia original de
✚
vectores {v1 , . . . , vi , . . . , vr } es ligada.
Corolario 2.2.15
Si una familia de vectores {v1 , . . . , vr } es linealmente independiente
“MatI” — 2018/3/6 — 12:59 — page 125 — #141
también es libre:
(a) {v1 , . . . , vi−1 , vj , vi+1 , . . . , vj−1 , vi , vj+1 , . . . , vr } (intercambiar
dos vectores de orden).
(b) {v1 , . . . , λvi , vi+1 , . . . , vr } con λ �= 0 (multiplicar un vector por

un número distinto de cero).
(c) {v1 , . . . , vi + λvj , vi+1 , . . . , vr } (sumar a un vector otro multi-

plicado por un número).
Demostración. Probaremos a modo de ejemplo el tercer enunciado.

Dejamos los demás puntos como ejercicio. Asumamos que existe una
combinación lineal de forma que
0 = α1 v1 + . . . + αi (vi + λvj ) + αi+1 vi+1 + . . . + αr vr

= α1 v1 + . . . + (αj + λαi )vj + . . . + αi vi + . . . + αr vr .
En el último paso hemos reordenado la combinación anterior para

dejarla en términos de la familia original {v1 , . . . , vr } que sabemos es
libre. Por tanto,
0 = α1 = α2 = . . . = αj + λαi = . . . = αi = αi+1 = . . . = αr ,
de donde se sigue que
0 = α1 = . . . = α j = . . . = α i = . . . = α r .
Corolario 2.2.16
Si una familia de vectores {v1 , . . . , vr } es linealmente independiente
también lo es {v1 , . . . , vi−1 , ✚
v
✚i , . . . , vr }, esto es, la familia resultante
❩
❩
de eliminar un vector sigue siguiendo libre.
Demostración. Es inmediato.
Proposicion 2.2.17
Sea V = span �v1 , v2 , . . . , vm � y consideremos {u1 , . . . , ur } ⊂ V una
familia de vectores libre. Entonces necesariamente r ≤ m.
“MatI” — 2018/3/6 — 12:59 — page 126 — #142
Demostración. Probaremos el recíprocoa , es decir, que si r > m en-

tonces la familia de vectores {u1 , . . . , ur } ⊂ U debe ser, forzosamente,
ligada. Debemos mostrar por tanto que existe una combinación lineal
que da el vector nulo
β1 u1 + β2 u2 + . . . + βr ur = 0.
La identidad anterior escrita en forma matricial queda
 
  0
β1  0
�  
� β2   

u1 u2 . . . , ur    0
 ..  =   . (2.7)
� .   .
� ��
U
 .. 
βr
� �� 0
β ��
0
Esto es, hemos de probar que el sistema homogéneo anterior admite

una solución no nula.
Ahora bien, como cada vector uj se puede escribir en función del
sistema generador de V , tenemos
u1 = α11 v1 + · · · + αm1 vm
u2 = α12 v1 + · · · + αm2 vm
.............................
ur = α1r v1 + · · · + αmr vm
que escrito en forma matricial queda como sigue
 
α11 α12 · · · α1r
� � � �α 
 21 α22 · · · α2r 
u1 u2 . . . ur = v1 v2 . . . vm  .
� �� . . . . . . . . . . . . . . . . . . . .
U V αm1 αr2 · · · αmr
� ��
Λ
(2.8)
No obstante, Λ es una matriz con un número mayor de columnas que
de filas dado que hemos supuesto que r > m. Por tanto existe un
vectorb β �= 0 de forma que
Λβ = 0 (2.9)
(ver Corolario 1.5.12). Por tanto, utilizando (2.9) en (2.8) deducimos
U β = V Λβ = V 0 = 0
��
0
“MatI” — 2018/3/6 — 12:59 — page 127 — #143
y de ahí se sigue (2.7).

a
Lógica proposicional: para probar que “p ⇒ q”, mostraremos que “no q ⇒ no
p”.
b
De hecho, son infinitos
Definición 2.2.18: Base de un subespacio
Una familia de vectores {v1 , v2 , . . . , vr } se dice base de U si cumple

(a) U = span �v1 , v2 , . . . , vr �, es decir, {v1 , v2 , . . . , vr } es sistema
generador de U .
(b) {v1 , v2 , . . . , vr } es libre.
Una base es un sistema generado óptimo, en el sentido de que si se

elimina cualquier elemento, la familia que queda no puede generar todo el
subespacio (véase Corolario 2.2.14).
Corolario 2.2.19
Todas las bases de un subespacio tienen el mismo número de elemen-
tos.
Demostración. Supongamos que tenemos dos bases distintas, di-

gamos {u1 , u2 , . . . , ur } y {v1 , v2 , . . . , vr� }, del subespacio. Como la
segunda familia es base, en particular es linealmente independiente,
luego por la Proposición 2.2.17, r ≤ r� . El mismo razonamiento a la
inversa nos dice que r � ≤ r, luego r = r � .
Definición 2.2.20: Dimensión

La dimensión de U , que denotaremos por dim U , es el número de
elementos de cualquiera de sus bases.
Proposicion 2.2.21
Sea u ∈ U y {v1 , . . . , vr } una base de U . Entonces
u = α 1 v1 + α 2 v2 + . . . + α r vr
con {α1 , α2 , . . . , αr } únicos que depende sólo de u y la base escogida.

“MatI” — 2018/3/6 — 12:59 — page 128 — #144
Demostración. Que u se puede escribir en términos de {v1 , . . . , vr }

es consecuencia de que esta familia genera U . Supongamos que u se
puede expresar de dos formas distintas en términos de estos elementos:
u = α 1 v1 + α 2 v2 + . . . + α r vr
u = α1� v1 + α2� v2 + . . . + αr� vr .
Entonces, restando las dos identidades,
0 = (α1 − α1� )v1 + (α2 − α2� )v2 + . . . + (αr − αr� )vr .
Pero la familia de vectores {v1 , . . . , vr } es libre, por lo que la única

combinación que nos puede devolver el vector nulo es la trivial. Es
decir:
α1 − α1� = α2 − α2� = . . . = αr − αr� = 0.
El resultado está así probado.
Definición 2.2.22: Coordenadas de un vector en

una base
Se dice que {α1 , α2 , . . . , αr } ⊂ R son las coordenadas del vector u
en la base {v1 , . . . , vr } si
u = α 1 v1 + α 2 v2 + . . . + α r vr .
Ejemplo 2.2.23
Es fácil comprobar que dim Rn = n. En efecto, una base de R2 viene
dada por
{(1, 0), (0, 1)}.
Análogamente, una base de Rn es la dada por
{(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)}
que consta de n elementos.

Esta base sencilla, para la que coordenadas y componentes de cada
vector coinciden, recibe el nombre de base canónica.
“MatI” — 2018/3/6 — 12:59 — page 129 — #145
Ejemplo 2.2.24
Retomemos el Ejemplo 2.2.10. Hemos visto que
u1 := (1, 1, −1, −1), u2 := (2, 0, 1, −1)
forman una base del subespacio
U := span �(−1, 1, −2, 0), (−3, 1, −3, 1), (3, 1, 0, −2)�

� ��
v1 v2 v3
dado que generan U y además es libre. Por tanto, dim U = 2. Es más,

si seguimos el ejemplo, y en concreto la ecuación (2.4) vemos que las
coordenadas de v1 , v2 y v3 son, respectivamente, {1, −1}, {1, −2} y
{1, 1}.
Proposicion 2.2.25
Si U es subespacio con dim U = r y una familia {u1 , u2 , . . . , ur } ⊂ U
es libre, entonces {u1 , u2 , . . . , ur } es una base de U .
Demostración. Tomemos un vector cualquiera v de U . Entonces la

familia de vectores {u1 , u2 , . . . , ur , v} ha de ser necesariamente ligada
por la Proposición 2.2.17 (existe un sistema generador de U , que es
base de hecho, que consta de r elementos). Por tanto, tenemos una
combinación lineal, no trivial,
β1 u1 + β2 u2 + . . . + βr ur + βr+1 v = 0.
Ahora bien, βr+1 no puede ser cero, porque al existir al menos un co-
eficiente distinto de cero en la combinación anterior la familia original
de vectores {u1 , u2 , . . . , ur } sería linealmente dependiente. Por tanto
β1 β2 βr
v=− u1 − u2 − . . . − ur
βr+1 βr+1 βr+1
y podemos escribir v como combinación lineal de esta familia original
de vectores. En otras palabras
U = span �u1 , u2 , . . . , ur �
y por tanto {u1 , u2 , . . . , ur } es sistema generador y, por ser libre, base

de U .
“MatI” — 2018/3/6 — 12:59 — page 130 — #146
Corolario 2.2.26
Sean U, V dos subespacios, con U ⊂ V . Entonces
(a) dim U ≤ dim V.
(b) dim U = dim V ⇔ U = V.
Es decir, los subespacios estrictamente contenidos en otro han de tener

menor dimensión que el subespacio continente.
Nota 2.2.27
El conjunto {0} se considera subespacio a todos los sentidos. Es el
único subespacio que no tiene base, de forma que se toma dim{0} = 0.
¿Cómo obtener una base a partir de un sistema generador?
Mostraremos dos formas distintas de obtener una base a partir de un

sistema generador. La primera examina el sistema generador, detecta qué
vectores se pueden escribir como combinación lineal de los otros vectores
y los elimina de la familia. Seguimos así la línea marcada por el Corolario
2.2.14. Una vez eliminados esos vectores, la familia resultante es libre y por
tanto base.
Ejemplo 2.2.28: Primera forma para obtener una base

Consideremos los vectores
{(1, 2, 1, 4), (3, 1, 0, −1), (2, 0, 1, −3), (5, 4, 0, 5)} (2.10)
y denotemos por U el subespacio que generan (su clausura lineal).

Vamos a plantear si alguno de ellos es combinación lineal de los
restantes vectores. Dicho de otra manera, si
α1 (1, 2, 1, 4)+α2 (3, 1, 0, −1)+α3 (2, 0, 1, −3)+α4 (5, 4, 0, 5) = (0, 0, 0, 0)

(2.11)
con algún αi �= 0, el vector correspondiente se puede despejar y escribir
como combinación lineal de los otros. Si no es posible, entonces la
familia es linealmente independiente y por tanto es base.
“MatI” — 2018/3/6 — 12:59 — page 131 — #147
Resolver (2.11) nos lleva al sistema lineal

 
1 3 2 5
 2 1 0 4 
 
Ax = 0, A= .
 1 0 1 0 
4 −1 −3 5
Aplicando el método de Gauss obtenemos

   
1 3 2 5 0 F2 → F2 − 2F1 1 3 2 5 0
 2 1 0 4 0  F3 → F 3 − F 1  0 −5 −4 −6 0 
  F4 → F4 − 4F1  
  ∼  
 1 0 1 0 0   0 −3 −1 −5 0 
4 −1 −3 5 0 0 −13 −11 −15 0
 
1 3 2 5 0
F3 → F 3 − 3
 

5 2
 0 −5 −6 0 
F
F4 → F4 − 13 −4 
∼ 5
F2
 (2.12)
 7 
 0 0 5 − 75 0 
 
0 0 − 35 3
5 0
 
1 3 2 5 0
 

F4 → F 4 + 3F
7 3
 0 −5 −4 −6 0 

∼  
 7 
 0 0 5 − 75 0 
 
0 0 0 0 0
Deducimos por tanto que la familia de vectores es linealmente de-

pendiente (el sistema anterior es compatible indeterminado). Ahora
bien, los tres primeros sí son libres porque si nos quedamos con ellos,
ignorando el cuarto, el sistema (homogéneo) que obtendríamos sería
compatible determinado. Es más, el cuarto vector se puede escribir
en función de los tres primeros. En efecto, si deseáramos escribir el
cuarto vector en función de los tres primeros, llegaríamos al sistema
   
1 3 2 5 1 3 2 5
 2 1 0 4   0 −5 −4 −6 
   
A= ∼···∼ 7 7 
 1 0 1 0   0 0 5 −5 
4 −1 −3 5 0 0 0 0
que tiene solución única. Observa que estos cálculos están implícitos
en (2.12) (basta eliminar el término independiente original, la columna
“MatI” — 2018/3/6 — 12:59 — page 132 — #148
de ceros del principio, y tomar la cuarta columna en la matriz inicial

de (2.12) como nuevo término independiente).
Por tanto {(1, 2, 1, 4), (3, 1, 0, −1), (2, 0, 1, −3)} es linealmente in-
dependiente y
span �(1, 2, 1,4), (3, 1, 0, −1), (2, 0, 1, −3)�

= span �(1, 2, 1, 4), (3, 1, 0, −1), (2, 0, 1, −3), (5, 4, 0, 5)�.
En otras palabras, {(1, 2, 1, 4), (3, 1, 0, −1), (2, 0, 1, −3)} es base del
subespacio U .
La segunda estrategia utiliza la siguientes propiedad:
Propiedades 2.2.29: Operaciones que preservan la

clausura lineal
(a) Se cumple
span �a1 , . . . , ai ,..., aj , . . . an �

��
i−ésimo j−ésimo
= span �a1 , . . . , aj , . . . , ai , . . . an �
��
i−ésimo j−ésimo
= span �a1 , . . . , αaj , . . . an �

= span �a1 , . . . , ai , . . . , aj + βai , . . . an �
con α �= 0 y β ∈ R. Es decir, si en un sistema generador inter-

cambiamos el orden de dos vectores, multiplicamos uno por un
número distinto de cero o bien sumamos a uno otro multiplica-
do por un número, seguimos teniendo un sistema generador del
mismo subespacio.
(b) Tenemos
span �a1 , . . . , an � = span �a1 , . . . , an , 0�
esto es añadir, o eliminar, vectores nulos en un sistema generador

no cambia el subespacio que generan.
“MatI” — 2018/3/6 — 12:59 — page 133 — #149
Demostración. Se deduce de la Proposición 2.2.9. Por ejemplo, como
a1 , . . . , ai , . . . , aj + βai , . . . an ∈ span �a1 , . . . , ai , . . . , aj , . . . an �
entonces,
span �a1 , . . . , ai , . . . , aj + βai , . . . an � ⊂ span �a1 , . . . , ai , . . . , aj , . . . an �.
Además, como
aj = (aj + βai ) + (−β)ai ,
tenemos que
a1 , . . . , ai , . . . , aj , . . . an ∈ span �a1 , . . . , ai , . . . , aj + βai , . . . an �
y por tanto
span �a1 , . . . , ai , . . . , aj , . . . an � ⊂ span �a1 , . . . , ai , . . . , aj + βai , . . . an �.
En consecuencia, se dan los dos contenidos. Esto es,
span �a1 , . . . , ai , . . . , aj , . . . an � = span �a1 , . . . , ai , . . . , aj + βai , . . . an �.
La demostración del resto de contenidos es completamente análogo y

se deja como ejercicio al lector.
Ejemplo 2.2.30: Segunda forma para obtener una base

Como en el Ejemplo anterior (Ejemplo 2.2.28), vamos a obtener una
base del subespacio
U = span �(1, 2, 1, 4), (3, 1, 0, −1), (2, 0, 1, −3), (5, 4, 0, 5)�
Utilizamos para ello los resultados listados en las Propiedades 2.2.29.

Construimos en primer lugar la matriz
 
1 2 1 4
3 1 0 −1
 
 
2 0 1 −3
5 4 0 5
es decir, la matriz cuyas filas son los vectores de (2.10). Haremos esto
para llevar facilitar la lectura del proceso.
“MatI” — 2018/3/6 — 12:59 — page 134 — #150
Procedemos a hacer ceros recurriendo a las operaciones elemen-

tales, o equivalentemente apliquemos de una forma determinada las
operaciones expuestas en las Propiedades 2.2.29,
   
1 2 1 4 F2 → F2 − 3F1 1 2 1 4
3 F3 → F3 − 2F1
 1 0 −1 F4 → F4 − 5F1
0 −5 −3 −13
 
  ∼  
2 0 1 −3 0 −4 −1 −11
5 4 0 5 0 −6 −5 −15
 
1 2 1 4
 
F3 → F3 − 4/5F2 0 −5 −3 −13
F4 → F4 − 6/5F2  
∼  7

3
0 0 −5
 5
0 0 − 75 3
5
 
1 2 1 4
 
0 −5 −3 −13
F4 → F4 + F3  
∼  7
.
3
0 0 −5
 5
0 0 0 0
En cada paso tenemos una matriz cuyas filas siguen generando el
subespacio (por la primera propiedad en Propiedades 2.2.29). Por tan-
to
U = span �(1, 2, 1, 4), (0, −5, −3, −13), (0, 0, 75 , − 75 ), (0, 0, 0, 0)�
= span �(1, 2, 1, 4), (0, −5, −3, −13), (0, 0, 75 , − 75 )�.
Hemos eliminado, en el último paso, el vector nulo (ver ((b)) en Pro-
piedades 2.2.29). Claramente los tres vectores que superan la criba
son linealmente independientes porque si quisiéramos hallar una com-
binación lineal que nos diera el vector nulo nos encontraríamos con el
sistema  
1 0 0 0
 
 2 −5 0 0 
 
 7
.
 1 −3 0 
 5 
4 −13 − 75 0
Por construcción, la forma escalonada de la matriz de coeficientes tiene
pivotes en todas y cada uno de sus pivotes por lo que el sistema lineal
es compatible determinado: la única solución del sistema (homogéneo)
es el vector nulo.
“MatI” — 2018/3/6 — 12:59 — page 135 — #151
En conclusión, una base de U viene dada por

� �
(1, 2, 1, 4), (0, −5, −3, −13), (0, 0, 75 , − 75 ) .
Si se desea se puede optar por esta familia, más simple
{(1, 2, 1, 4), (0, 5, 3, 13), (0, 0, 1, −1)}.
A modo de resumen: bases a partir de un sistema generador

Para construir una base a partir de un sistema generador {a1 , . . . , am }
podemos obrar de dos formas distintas. Empezamos construyendo la matriz
� �
A= a1 a2 . . . am
(las columnas de A son los vectores ai ). Entonces:

Forma 1 Reducimos A a su forma escalonada, nos quedamos con las co-
lumnas originales de A que contienen los pivotes. El Ejemplo
2.2.28 recoge esta manera de proceder.
Forma 2 Reducimos A� a su forma escalonada, nos quedamos con las filas

de la matriz escalonada resultante que no son nulas. Como
modelo se puede consultar el Ejemplo 2.2.30.
2.3. Retorno a las matrices: espacio columna, nulo

y rango
La teoría desarrollada en la sección anterior permite demostrar algunos
resultados que dejamos enunciados en el capítulo anterior. A ello dedicaremos
esta sección. Probaremos además algunas nuevas propiedades relacionadas
con el rango de matrices.
2.3.1. Sobre la correcta definición del rango de una matriz

Retomemos el espacio nulo de una matriz: para A m × n,
N (A) = {z ∈ Rn : Az = 0}.
En el Ejemplo 2.2.3 hemos visto que N (A) es un subespacio. Es más cuando

escribimos las soluciones del sistema homogéneo asociado, estamos dando
“MatI” — 2018/3/6 — 12:59 — page 136 — #152
136 2.3 Retorno a las matrices: espacio columna, nulo y rango
de hecho una base que tiene n − rang A elementos, uno por cada parámetro
necesario para describir la solución (ver Corolario 1.5.12). Dado que hemos
probado que todos las bases de un subespacio tienen el mismo número de
elementos, acabamos de demostrar, de forma colateral, que la definición de
rango de una matriz (Definición 1.5.6) es correcta: se proceda como se pro-
ceda en la eliminación gaussiana, el número de pivotes, es el mismo.
Ejemplo 2.3.1
Consideremos la matriz
 
1 −1 2 1 3
−1 2 −1 −2 −1
 
A= .
 2 −4 2 5 4
1 −2 1 2 1
Para calcular el espacio nulo de A, debemos resolver el sistema homo-
géneo que tiene a A como matriz:
   
1 −1 2 1 3 0 F2 → F2 + F1 1 1 2 1 3 0
 −1  F3 → F3 − 2F1 0 
 2 −1 −2 −1 0  F4 → F4 − F1  1 1 −1 2 0 
  ∼  
 2 −4 2 5 4 0   0 −2 −2 3 −2 0 
1 −2 1 2 1 0 0 −1 −1 1 −2 0
 
1 1 2 1 3 0
F3 → F3 + 2F2  
F4 → F4 + F2  0 1 1 −1 2 0 
∼  .
 0 0 0 1 2 0 
0 0 0 0 0 0
Podemos ver que la solución es
x1 = −3x3 − 5x5 , x2 = −x3 − 4x5 , x4 = −2x5 , x3 , x5 ∈ R.
Recuerda: los parámetros corresponden a las columnas que no tienen
pivote (segunda y quinta columna). La solución, en cualquier caso, se
puede reescribir como sigue:
� �
N (A) = (−3x3 − 5x5 , −x3 − 4x5 , x3 , −2x5 , x5 ) : x3 , x5 ∈ R
� �
= x3 (−3, −1, 1, 0, 0) + x5 (−5, −4, 0, −2, 1) : x3 , x5 ∈ R
= span �(−3, −1, 1, 0, 0), (−5, −4, 0, −2, 1)�.
Observa que:
(a) Acabamos de reescribir N (A) como una clausura lineal al re-
solver el sistema correspondiente y describir las soluciones de
“MatI” — 2018/3/6 — 12:59 — page 137 — #153
forma adecuada. Dicho de otra forma,

 
−3 −5
 
−1 −4
 
 
N (A) = R(B), B= 1
 0
.
 
 0 −2
 
0 1
(b) Este método siempre nos devuelve una base. La razón hay que
buscarla en las entradas de los vectores de esa base correspon-
dientes a las posiciones de los parámetros, tercera y quinta, que
coincide obviamente con las columnas que no tienen pivote. Esas
entradas son, necesariamente, “1” en un único vector y “0” en
los demás:
� � � �
− 3, −1, 1, 0, 0 , − 5, −4, 0, −2, 1 .
Si combinamos estos vectores para obtener el vector nulo, en

estas entradas un único vector tiene aportación, por lo que esa
aportación debe ser nula:
       
0 −3 −5 −3α1 − 5α2
 0 −1 −4  −α − 4α 
       1 2
       
0 = α1  1 + α2  0 =  α1  .
       
 0  0 −2  −2α2 
0 0 1 α2
(Alternativamente, se puede ver que la matriz del sistema, por

construcción, tiene siempre rango máximo). El argumento es di-
rectamente generalizable y asegura que los vectores así construi-
dos son sistema generador y linealmente independientes, esto es,
base.
Por tanto, independientemente de la forma con que procedamos, al

reducir esta matriz a la forma escalonada debemos tener tres pivotes
para asegurar que todas las bases de N (A) consten de dos elementos.
“MatI” — 2018/3/6 — 12:59 — page 138 — #154
2.3.2. Rango de su matriz y traspuesta

Recapitulemos: para encontrar una base a partir de un sistema genera-
dor podíamos proceder de dos formas. La primera trabaja con una matriz
A cuyas columnas son los vectores que constituyen el sistema generador del
subespacio sobre el que se trabaja mientras que la segunda opera sobre la
traspuesta de esta matriz. Los pivotes marcan en ambos casos la base ob-
tenida, bien de forma directa (forma 2) o indirectamente (forma 1). Como
las dos bases han de tener el mismo número de elementos, hemos probado el
siguiente resultado
Teorema 2.3.2
El rango de una matriz coincide con las dimensiones del subespacio
que generan las filas y las columnas de A:
dim R(A) = rang A = rang A� = dim R(A� ).
Hemos dado más relevancia al subespacio que generan las columnas de A,

R(A). El espacio que generan sus filas, R(A� ) recibe el nombre, por razones
obvias, de espacio fila.
2.3.3. Dimensiones de espacios nulo y columna

Esquemáticamente, al reducir una matriz a su forma escalona llegamos
a algo así
↓ ↓ ↓
 ∗ ∗ ∗ ∗ ∗ ∗ ∗ 
 0 ∗ ∗ ∗ ∗ ∗ ∗ 
 
 0 0 0 ∗ ∗ ∗ ∗ 
 
 0 0 0 0 ∗ ∗ ∗ 
 
0 0 0 0 0 0 0
↑ ↑ ↑ ↑
Con el símbolo “↑” marcamos las columnas (de la matriz original) que gene-
ran el espacio columna. Con “↓” las columnas cuyas variables correspondien-
tes deben tomarse como parámetros para describir las soluciones del sistema
homogéneo, es decir N (A). Las columnas aparecen en uno u otro conjunto
pero no en ambos a la vez. Por tanto la dimensión de R(A) son el número
de columnas marcadas con “↑” mientras que el número de columnas de “↓”
corresponde con la dimensión de N (A). Esto es,
“MatI” — 2018/3/6 — 12:59 — page 139 — #155
Teorema 2.3.3
Si A es m × n, dim N (A) + dim R(A) = n.
Los Teoremas 2.3.2 y 2.3.3 se pueden resumir en este resultado

Teorema 2.3.4
Si A es m × n
rang A = dim R(A) = dim R(A� ) = rang A� ,

dim N (A) = n − rang A, dim N (A� ) = m − rang A.
La relación entre estos cuatro espacios, los espacios columna y nulo de

una matriz A y su traspuesta A� es aún más profunda, como veremos en el
capítulo siguiente (ver subsección 3.2.3).
Corolario 2.3.5
Sea A m × n. Entonces rang A < n si y sólo si se tiene que al menos
una columna de A es nula o se puede escribir como combinación lineal
del resto de columnas.
Análogamente, rang A < m si y sólo si al menos una fila de A es
nula o se puede escribir como combinación lineal del resto de filas.
Demostración. Inmediato. Se deja como ejercicio.
2.3.4. Unicidad de la forma escalonada reducida

Teorema 2.3.6
Sean dos matrices A, B, m × n1 y m × n2 y denotemos por
� �
C = c1 c2 · · · c r 0 ··· 0
� ��
Cr 0
� �
D = d1 d2 · · · d s 0 · · · 0
� ��
Ds 0
la traspuesta de dos matrices escalonadas reducidas obtenidas de A�

y B � . Entonces R(A) = R(B) si y sólo Cr = Ds , es decir, r = s y
ci = d i , i = 1, . . . , r.
“MatI” — 2018/3/6 — 12:59 — page 140 — #156
Además, las columnas de Cr (y por tanto Ds ) proporcionan una base

de R(A) (y R(B)).
Demostración. Es una simple vuelta de tuerca a la segunda forma de

obtener una base a partir de un sistema generador. Así, las columnas
de Cr y Ds forman una base de R(A) y R(B). Por tanto, si Cr = Ds ,
R(A) = R(B).
El recíproco se sigue a través de un argumento muy simple que
sin embargo una exposición rigurosa puede trastocar en algo oscuro.
Trataremos de darlo de la forma más simple. De partida, tenemos
span �c1 , c2 , . . . cr � = R(A) = R(B) = span �d1 , d2 , . . . ds �,
y ambas familias son linealmente independientes. Ello es debido a que

en el proceso de obtener C de A y D de B estamos utilizando la
forma 2 para obtener bases de los espacios columna de A y B. Como
ambos coinciden, por hipótesis, r = dim R(A) = dim R(B) = s por
el Corolario 2.2.19. Los vectores columnas de c� tienen la siguiente
forma: �
1, si i = i�
(c� )i =
0, si i = ir �= i�
donde {i1 , i2 , . . . , ir } es la posición de los pivotes en C � .
Tomemos dj , la columna j−ésima en D. Como dj ∈ span�c1 , c2 , . . . cr �,
d j = α 1 c 1 + α 2 c 2 + . . . + α r cr . (2.13)
Sea kj la posición del primer elemento no nulo del vector dj que ha de

ser necesariamente 1 (un pivote). Nótese que entonces, necesariamente
kj = i� , para algún � y que α� = 1. Como esto se debe cumplir para
todos dj deducimos que de hecho kj = ij para j = 1, . . . , r. Por tanto
�
1, si i� = ij
(cj )i� = (dj )i� =
0, si ij =
� i� ∈ {i1 , i2 , . . . , ir }.
Esto es, hemos probado que las entradas de cj y dj , para j = 1, . . . , r,

coinciden en la posición de los pivotes de C � y D� . Retomamos (2.13)
y nos concentramos en estas entradas: para i� ∈ {i1 , . . . , ir }
�
1, si i� = ij
= (dj )i� = α1 (c1 )i� + α2 (c2 )i� + . . . + αr (cr )i� = α� .
0, si i� �= ij
“MatI” — 2018/3/6 — 12:59 — page 141 — #157
Así �
1, si � = j
α� =
0, si � �= j
por lo que dj = cj . Como eso es cierto para j = 1, . . . , r, el resultado
queda demostrado.
Ejemplo 2.3.7
Ilustremos la segunda parte de la demostración del resultado anterior
con el siguiente ejemplo. Sea
 
1 0 0 0
∗
 0 0 0

 
0 1 0 0
 
0 0 1 0
 
Cr = 
∗ ∗ ∗ 0

0 0 0 1
 
 
∗ ∗ ∗ ∗
 
∗ ∗ ∗ ∗
∗ ∗ ∗ ∗
(marcamos con “∗” las posiciones que pueden ser distintas de cero).
Observemos entonces que la matriz Dr no puede, por ejemplo, adoptar
la forma siguiente  
1 0 0 0
� 0 0 0 
 
 
0 0 0 0
 
� 1 0 0 
 
Dr = � � 1 0 

0 0 0 1
 
 
� � � � 
 
� � � � 
� � � �
(en esta ocasión, “�” señala posiciones que pueden ser no nulas),
porque la segunda columna de D no se puede obtener combinando
las columnas de Cr . Ello obliga a Cr y Dr tenga el mismo perfil, esto
es, la posición de los pivotes sea la misma. Ahora, si las dos matrices
“MatI” — 2018/3/6 — 12:59 — page 142 — #158
adoptan el mismo perfil,

   
1 0 0 0 1 0 0 0
∗
 0 0 0

�
 0 0 0
   
0 1 0 0 0 1 0 0
   
0 0 1 0 0 0 1 0
   
Cr = 
∗ ∗ ∗ 0
, Dr = 
� � � 0
0 0 0 1 0 0 0 1
   
   
∗ ∗ ∗ ∗ � � � �
   
∗ ∗ ∗ ∗ � � � �
∗ ∗ ∗ ∗ � � � �
y demandamos seguidamente que las columnas de Dr se obtengan

combinando las columnas de Cr , comprobaremos que ello es posible
si y solo si una a una dichas columnas coinciden. Esto es, Dr = Cr .
Observemos que en particular el Teorema 2.3.6 implica las Proposiciones

1.5.8 y 1.5.15.
Corolario 2.3.8: Unicidad de la forma escalonada

reducida
La forma escalonada reducida de una matriz es única. Además, si
tenemos dos matrices escalonadas obtenidas a partir de una matriz
A, los pivotes ocupan las mismas posiciones.
Demostración. Tomemos B = A en el resultado anterior deducimos

que Cr = Ds , y como las matrices de partida tienen el mismo tamaño,
C = D. Por tanto, la forma escalonada reducida de A� es única.
Por otro lado, las formas escalonadas de una matriz han de com-
partir la posición de los pivotes ya que, en caso contrario, darían lugar
a matrices escalonadas reducidas distintas.
El resultado anterior nos permite dar con una nueva forma de comprobar
si dos familias de vectores generan el mismo subespacio. Basta con construir
la matriz cuyas filas son esos vectores y dar con su forma escalonada reducida.
Si las filas distintas de cero coinciden, generan el mismo subespacio. Veámoslo
con el siguiente ejemplo
“MatI” — 2018/3/6 — 12:59 — page 143 — #159
Ejemplo 2.3.9
Retomemos el Ejemplo 2.2.10, con los vectores
u1 := (1, 1, −1, −1), u2 := (2, 0, 1, −1)

v1 := (−1, 1, −2, 0), v2 := (−3, 1, −3, 1), v3 = (3, 1, 0, −2)
Construimos las matrices

 
� � −1 1 −2 0
1 1 −1 −1  
A= , B = −3 1 −3 1 .
2 0 1 −1
3 1 0 −2
Sus formas escalonadas reducidas son

� 1 �
1 0 2 − 12
A ∼ ... ∼
0 1 − 32 − 12
 1 
1 0 2 − 12
 
0 1
B ∼ ... ∼  − 32 − 12 

0 0 0 0
(omitimos los pasos intermedios). De ahí se sigue que
span �(1, 1, −1, −1),(2, 0, 1, −1)�

= span �(−1, 1, −2, 0)(−3, 1, −3, 1), (3, 1, 0, −2)�
resultado ya conocido en el Ejemplo 2.2.10.
2.3.5. Rango del producto
Proposicion 2.3.10: Rango del producto de matrices

Se tiene que
R(AB) ⊂ R(A), N (B) ⊂ N (AB).
Además,
rang AB ≤ mı́n{rang A, rang B}.
“MatI” — 2018/3/6 — 12:59 — page 144 — #160
Demostración. Supongamos A m × n y B n × p. Escribamos las

columnas de A y B como sigue {a1 , a2 , . . . , an }, {b1 , b2 , . . . , bp }. En-
tonces � �
AB = Ab1 Ab2 . . . Abp
Nuevamente,
Abi = a1 b1i + a2 b2i + . . . an bni , si bi = (b1i , b2i , . . . , bni )� .
Por tanto, las columnas de AB son combinaciones de las columnas de

A. Esto es
R(AB) ⊂ R(A).
Si z ∈ N (B), entonces
Bz ) = 0
(AB)z = A(��
=0
y como consecuencia z ∈ N (AB). Esto es, N (B) ⊂ N (AB).

Finalmente, dado que R(AB) ⊂ R(A),
rang(AB) = dim R(AB) ≤ dim R(A) = rang A.
Por otro lado, aplicando la desigualdad anterior
rang(AB) = rang((AB)� ) = rang(B � A� ) ≤ rang B � = rang B
donde hemos utilizado además que la trasposición preserva el rango

(Teorema 2.3.2).
Teorema 2.3.11
Sea A m × n y B n × p. Entonces,
(a) Si rang B = n, es decir, si las filas de B son linealmente inde-
pendientes, entonces R(AB) = R(A) y rang(AB) = rang A.
(b) Si rang A = n, esto es, si las columnas de A son linealmente in-

dependientes, entonces N (AB) = N (B) y rang(AB) = rang B.
Demostración. Probemos en primer lugar (a). Si rang B = n, n ≤ p

“MatI” — 2018/3/6 — 12:59 — page 145 — #161
necesariamente. Tenemos por tanto una elección de columnas
{bi1 , bi2 , . . . , bin }
de B linealmente independientes que generan R(B). Definamos

� �
� = bi | bi | . . . |bi
B 1 2 n
Observa que B � es una matriz n × n y de rango n. En particular, es

invertible. Además
R(AB) = span �Ab1 , Ab2 , . . . , Abp �

⊃ span �Abi1 , Abi2 , . . . , Abip � = R(AB)
�
�B
⊃ R(AB � −1 ) = R(A).
Como también tenemos el contenido R(AB) ⊂ R(A) (Proposición

2.3.10) acabamos de probar que R(AB) = R(A) y en particular,
rang(AB) = rang A.
Supongamos a continuación que rang A = n y probemos (b). Para
empezar, tenemos que
rang(AB) = rang(B � A� ) = rang B � = rang B
por (a), dado que las filas de A� , que son las columnas de A, son
linealmente independientes.
Sabemos, Proposición 2.3.10, que N (B) ⊂ N (AB). Como AB es
m × p,
dim N (AB) = p − rang(AB) = p − rang B = dim N (B),
y por tanto, Corolario 2.2.26, N (B) = N (AB).
El resultado deja de ser cierto si son las columnas de B, para (a), o las
filas de A, para (b), las que son linealmente independientes (véase el Ejercicio
2.13).
Corolario 2.3.12
Si A n × n es invertible, entonces para todo B n × p y C m × n
rang(AB) = rang B, rang(CA) = rang C.

“MatI” — 2018/3/6 — 12:59 — page 146 — #162
2.3.6. Una cuestión pendiente: cómo escribir un subespacio

en forma de espacio nulo
Dada una matriz A, encontrar un sistema generador de N (A) es simple-

mente resolver el sistema Ax = 0. De hecho, el proceso habitual nos devuelve
una base del espacio nulo. Nos planteamos a continuación si es posible de
realizar el camino opuesto, escribir un subespacio descrito vía un sistema
generador en forma de espacio nulo de una matriz. Esto es si, es posible
construir una matriz con un espacio nulo prefijado.
Así, si tenemos
U = span �u1 , . . . , um �,
¿es posible encontrar, de forma simple, una matriz A de forma que U =

N (A)?
Nuevamente la solución se reduce a resolver un sistema de ecuaciones,
pero en este caso la solución son bases de ecuaciones. Expondremos este
método vía, de nuevo, de un ejemplo ilustrativo:
Ejemplo 2.3.13
Sea
{(1, 2, 1, −1, 3), (2, 0, −1, 3, 1), (1, −6, −5, 9, −7), (−3, 2, 1, 0, 1)}
(2.14)
y consideremos U el subespacio que generan
U = span �(1, 2, 1, −1, 3), (2, 0, −1, 3, 1),

(1, −6, −5, 9, −7), (−3, 2, 1, 0, 1)�.
Nuestro objetivo, ya reseñado anteriormente, es encontrar una matriz

A tal que � �
U = N (A) = x : Ax = 0 .
Ello nos conduce a buscar un sistema lineal


 a11 x + a12 y + a13 z + a14 t + a15 u = 0

 a x + a y + a z + a t + a u = 0
21 22 23 24 25
(2.15)

 ...................................................


ar1 x + ar2 y + ar3 z + ar4 t + ar5 u = 0
que admitan a los vectores de (2.14) como solución. En otras palabras,

los coeficientes de cada ecuación (ai1 , ai2 , ai3 , ai4 , ai5 ) son solución del
“MatI” — 2018/3/6 — 12:59 — page 147 — #163
sistema


 ai1 + 2ai2 + ai3 − ai4 + 3ai5 = 0

 2a
i1 − ai3 + 3ai4 + ai5 = 0

 a i1 − 6ai2 − 5ai3 + 9ai4 − 7ai5 = 0


−3ai1 + 2ai2 + ai3 + ai5 = 0.
Así pues, para encontrar estas ecuaciones procedemos como sigue
(i) Construimos la matriz B cuyas filas sean los vectores de (2.14)

 
1 2 1 −1 3
 2 0 −1 3 1
 
B= 
 1 −6 −5 9 −7
−3 2 1 0 1
Observa por tanto que U = R(B � ).

(ii) Resolvemos el sistema Ba = 0
  F2 → F2 − 2F1  
1 2 1 −1 3 F3 → F 3 − F 1 1 2 1 −1 3
 2 0 −1 3 1 F4 → F4 + 3F1 0 −4 −3 5 −5
   
  ∼  
 1 −6 −5 9 −7 0 −8 −6 10 −10
−3 2 1 0 1 0 8 4 −3 10
 
F3 → F3 − 2F2 1 2 1 −1 3
F4 → F4 + 2F2 0 −4 −3 5 −5
 
∼  
0 0 0 0 0
0 0 −2 7 0
 
1 2 1 −1 3
 
0 −4 −3 5
F3 ↔F4  5 4
∼  
 
0 0 −2 7 0
0 0 0 0 0
Nótese que en particular hemos visto que dim U = 3.
Si a = (a1 , a2 , a3 , a4 , a5 ) entonces podemos tomar a4 , a5 como
parámetros de forma que
� �
N (B) = ( 14 a4 − 12 a5 , − 11
8 a4 − 54 a5 , 72 a4 , a4 , a5 ) : a4 , a5 ∈ R
= span �( 14 , − 11 7 1 5
8 , 2 , 1, 0), (− 2 , − 4 , 0, 0, 1)�
= span �(2, −11, 28, 8, 0), (−2, −5, 0, 0, 4)�
“MatI” — 2018/3/6 — 12:59 — page 148 — #164
Esto es, los vectores de U son solución de cualquier combinación

de las ecuaciones
2x − 11y + 28z + 8t = 0, −2x − 5y + 4u = 0.
(iii) En particular, los vectores de (2.14) son solución del sistema

�
2x − 11y + 28z + 8t = 0
(2.16)
−2x − 5y + + 4u = 0
Definamos � �
2 −11 28 8 0
A= .
−2 −5 0 0 4
Tenemos que rang A = 2. Por tanto dim N (A) = 5 − 2 = 3. Así
U ⊂ N (A), dim N (A) = dim U ⇒ U = N (A)
y A es una matriz que cumple lo requerido.
Resumen Dados {u1 , . . . , um } ⊂ Rn , para encontrar A tal que
span �u1 , . . . , um � = N (A)
se han de seguir los siguientes pasos:
(i) Se construye la matriz B cuyas filas son ui :

 
u1�
 � 
 u 
 2 
B= 
 ..  .
 . 
 
um
�
(ii) Se calcula una base de N (B):
{a1 , · · · , ap }.
Por tanto n − p = rang B = rang B � = dim U .

“MatI” — 2018/3/6 — 12:59 — page 149 — #165
(iii) Entonces la (una) matriz buscada es

 
a1�
 � 
 a 
 2 
A=
 ..
.

 . 
 
ap�
Para probar por qué funciona basta ver en primer lugar que, por construc-
ción, U ⊂ N (A). En efecto,
Baj = 0, j = 1, . . . , p ⇔ BA� = 0 ⇔ AB � = 0
⇔ Auj = 0, j = 1, . . . , m ⇒ uj ∈ N (A), j = 1, . . . , m
de donde se sigue que U ⊂ N (A). Por otro lado, tenemos que dim N (A) =
n − rang A = n − p = rang B = dim U con lo que se sigue la igualdad
U = N (A).
La resolución de este problema, la construcción de una matriz de forma
que su espacio nulo devuelva un subespacio escrito en forma de span tiene
una segunda visión aún más interesante. Volveremos a ello en el capítulo
siguiente.
2.4. Operación con subespacios

2.4.1. Suma e intersección de subespacios
Dados dos subespacios U, V podemos considerar dos nuevos subespacios
construidos a partir de éstos
� �
U +V := u + v : u ∈ U, v ∈ V ,
� �
U ∩V := u : u ∈ U, u ∈ V .
El primero se conoce como la suma de subespacios, mientras que el se-

gundo es, obviamente, la intersección de subespacios.
Teorema 2.4.1
Si U y V son subespacios, también lo son U + V y U ∩ V .
“MatI” — 2018/3/6 — 12:59 — page 150 — #166
150 2.4 Operación con subespacios
Demostración. Para el primer resultado, basta verificar que si se

toman w1 , w2 ∈ U + V y α ∈ R se cumple que αw1 , w1 + w2 ∈ U + V .
Sean w1 , w2 ∈ U + V . Ello quiere decir que w1 = u1 + v1 y w2 =
u2 + v2 con u1 , u2 ∈ U y v1 , v2 ∈ V . A continuación,
w1 + w 2 = u 1 + v 1 + u 2 + v 2 = u 1 + u 2 + v 1 + v 2
� ��
∈U ∈V
por lo que w1 + w2 también se puede escribir como suma de dos

vectores, uno en U y otro en V . Esto es, w1 + w2 ∈ U + V .
Por otro lado
αw1 = α(u1 + w1 ) = αu1 + αv1 ,

��
∈U ∈V
con lo que deducimos que αw1 ∈ U + V . Con esto concluimos que

U + V es subespacio.
Para mostrar que U ∩ V es subespacio, debemos proceder análo-
gamente. Comencemos tomando w1 , w2 ∈ U ∩ V . Esto es, w1 , w2 ∈ U
y w1 , w2 ∈ V . Entonces w1 + w2 ∈ U y w1 + w2 ∈ V porque U y V
son subespacios. Por tanto w1 + w2 ∈ U ∩ V .
De forma similar se puede probar que αw1 ∈ U ∩ V .
Nota 2.4.2
Es fácil probar U ∪ V no es subespacio, salvo en los casos triviales en
los que U ⊂ V o V ⊂ U .
Corolario 2.4.3
Se tiene que U ∩ V ⊂ U, V ⊂ U + V .
Demostración. Se deja como ejercicio (véase problema 2.14 al final

del capítulo).
Proposicion 2.4.4
Si
U = span �u1 , . . . , ur �, V = span �v1 , . . . , vr� �,
“MatI” — 2018/3/6 — 12:59 — page 151 — #167
entonces,
U + V = span �u1 , . . . , ur , v1 , . . . , vr� �.
Demostración. Claramente u1 , . . . , ur , v1 , . . . , vr� ∈ U + V . Por tan-

to,
span �u1 , . . . , ur , v1 , . . . , vr� � ⊂ U + V.
Recíprocamente, si w ∈ U + V , entonces w = u + v, con u ∈ U y
v ∈ V . En consecuencia,
u = α 1 u1 + α 2 u2 + . . . + α r ur
v = β 1 u1 + β 2 v2 + . . . + β r � vr �
w = u + v = α 1 u1 + . . . + α r ur + β 1 v1 + . . . + β r � vr �
∈ span �u1 , . . . , ur , v1 , . . . , vr� �.
Así, U + V ⊂ span �u1 , . . . , ur , v1 , . . . , vr� � y la demostración queda

completada.
Teorema 2.4.5
Sean U, V subespacios. Entonces
dim(U + V ) = dim U + dim V − dim U ∩ V.
Demostración. Supongamos que dim U = r, dim V = r � y dim U ∩

V = s. Claramente, s ≤ r, r � porque U ∩ V ⊂ U, V (Corolario 2.4.3).
Tomemos una base de U ∩ V {w1 , w2 , . . . , ws }. Podemos añadir más
vectores, u1 , . . . , ur−s ∈ U \ V , de forma que
{w1 , w2 , . . . , ws , u1 , . . . , ur−s } (2.17)
es base de U . De forma análoga, podemos construir una base de V
completando la base de U ∩ V ,
{w1 , w2 , . . . , ws , v1 , . . . , vr� −s }, (2.18)
donde v1 , . . . , vr� −s ∈ V \ U . Es sencillo comprobar que
{w1 , w2 , . . . , ws , v1 , . . . , vr� −s , u1 , . . . , ur−s }
“MatI” — 2018/3/6 — 12:59 — page 152 — #168
también es un sistema generador de U + V . Veamos que además es

linealmente independiente, luego base. Sea una combinación lineal de
estos vectores que nos proporcione el vector nulo:
0 = α1 w1 + . . . + αs ws + β1 u1 + . . . + βr−s ur−s
� ��
=w∈U ∩V =u∈U
+ γ1 v1 + . . . + γr� −s vr� −s .
� ��
=v∈V
Nótese que como w ∈ U ∩ V ⊂ U, V , se tiene además que
u = −w − v ∈ V, v = −w − u ∈ U.
Por tanto u, v ∈ U ∩ V y
U1 = span �u1 , . . . , ur−s � � u ∈ U ∩ V = span �w1 , w2 , . . . , ws �,

V1 = span �v1 , . . . , vr� −s � � v ∈ U ∩ V = span �w1 , w2 , . . . , ws �.
Pero por construcción, U1 ∩ (U ∩ V ) = {0} y V1 ∩ (U ∩ V ) = {0}, dado

que, en caso contrario, las familias (2.17) y (2.18) serían ligadas. En
consecuencia,
u=v=w=0
α1 = . . . = αs = β1 = . . . = βr−s = γ1 = . . . = γr� −s = 0
porque las familias {w1 , w2 , . . . , ws }, {u1 , . . . , ur−s } y {v1 , . . . , vr� −s }

son, por separado, linealmente independientes.
Hemos probado que
{w1 , w2 , . . . , ws , v1 , . . . , vr� −s , u1 , . . . , ur−s }
es libre y por tanto base de U + V . Así
dim(U + V ) = r + r � − s = dim U + dim V − dim U ∩ V.
El resultado queda entonces demostrado.

“MatI” — 2018/3/6 — 12:59 — page 153 — #169
2.4.2. Suma directa

Observemos que del Teorema 2.4.5 se sigue que la unión de bases de U y
V no proporciona una base de U + V aunque sí da un sistema generador. La
razón es fácil de entender: hay una parte común, U ∩ V , que se cuenta dos
veces. Algo similar sucede si se unen familias de vectores libres en U y V . En
principio, el resultado va a ser una familia ligada. Ahora bien, la situación
es distinta en el caso de que U ∩ V = {0}.
Corolario 2.4.6
Si U ∩ V = {0} y {u1 , . . . , ur } es una base de U y {v1 , . . . , vr� } es
una base de V , entonces
{u1 , u2 , . . . , ur , v1 , . . . , vr� }
es una base de U + V .
Demostración. Sabemos que
{u1 , u2 , . . . , ur , v1 , . . . , vr� } (2.19)
es un sistema generador de U + V . Por otro lado (Teorema 2.4.5)
dim(U + V ) = dim U + dim V − dim U ∩ V = r + r � − 0 = r + r � .
Por tanto la familia (2.19) es base de U + V .
Definición 2.4.7: Suma directa

Si U ∩ V = {0}, entonces U + V se dice suma directa y se denota
por U ⊕ V .
Proposicion 2.4.8
Si w ∈ U ⊕ V , existe un único par u ∈ U, v ∈ V tal que
w = u + v.
Además, si se cumple que
0=u+v con u ∈ U, v ∈ V ⇔ u=v=0 (2.20)
entonces U + V tienen suma directa, es decir, U ∩ V = {0}.

“MatI” — 2018/3/6 — 12:59 — page 154 — #170
Demostración. Supongamos que w = u1 +v1 = u2 +v2 , con u1 , u2 ∈

U , v1 , v2 ∈ V . Entonces
U � u2 − u1 = v1 − v2 ∈ V.
Por tanto u2 −u1 = v1 −v2 ∈ U ∩V = {0} lo que implica que u2 = u1

y v 2 = v1 .
Recíprocamente, asumamos que se verifica (2.20). Tomemos u ∈
U ∩ V . Entonces, en particular, u ∈ U , −u ∈ V y
u + (−u) = 0.
Por (2.20), necesariamente u = 0. Por tanto, U ∩ V = {0} y la suma

es directa.
Ejemplo 2.4.9
La hipótesis de que los subespacios tengan suma directa es indispen-
sable para que la Proposición 2.4.8 sea cierta. Por ejemplo, si
u1 := (1, 0, −1, 2), u2 := (1, 1, −1, 1),

v1 := (1, 1, 0, 1), v2 := (2, 3, 0, 1)
y definimos
U = span �u1 , u2 �, V = span �v1 , v2 �,
es fácil comprobar que
(3, 3, −2, 3) = (2, 1, −2, 3) + (1, 2, 0, 0) = (2, 0, −2, 4) + (1, 3, 0, −1) .

� ��
∈U ∈V ∈U ∈V
Lo que sucede en este ejemplo es que
U ∩ V = span {(0, 1, 0, −1)}
y por tanto la suma U + V no es directa.
En otras palabras, la suma directa de subespacios impone que un vector

en el subespacio suma admite una única expresión como suma de dos vectores
en los subespacios sumados.
“MatI” — 2018/3/6 — 12:59 — page 155 — #171
Proposicion 2.4.10
Sean F1 = {u1 , . . . , ur } ⊂ U , F2 = {v1 , . . . , vs } ⊂ V dos familias de
vectores linealmente independientes. Si U ⊕ V , es decir, si los subes-
pacios U y V tienen suma directa, entonces F1 ∪ F2 es una familia de
vectores linealmente independientes.
Recíprocamente, si la unión de familias de vectores linealmente in-
dependientes de U y V es siempre una familia independiente, entonces
U y V tienen suma directa.
Demostración. Definamos
U1 = span �F1 � ⊂ U, V1 = span �F2 � ⊂ V.
Entonces U1 y V1 son subespacios con bases F1 , F2 . Además
{0} ⊂ U1 ∩ V1 ⊂ U ∩ V = {0}.
Es decir, U1 , V1 tienen suma directa. Del Corolario 2.4.6 se sigue que

F1 ∪ F2 es base de U1 ⊕ V1 , y en particular es libre.
Recíprocamente, si la unión de familias de vectores linealmente
independientes de U y V es también libre, podemos probar, sin más
que tomar como familias sendas bases de U y V , que
dim U + V = dim U + dim V.
Entonces (Teorema 2.4.5) dim U ∩ V = 0, por lo que U ∩ V = {0} y

la suma es directa.
Nota 2.4.11: Suma y suma directa de tres o

más subespacios
La suma de subespacios se puede generalizar a más de dos subespacios
fácilmente. A modo de ejemplo, la suma de tres subespacios se define
como
U1 + U2 + U3 := U1 + (U2 + U3 ).
Es un simple ejercicio comprobar que
U1 + (U2 + U3 ) = (U1 + U2 ) + U3
y que un sistema generador está dado por la unión de sistemas gene-
radores de U1 , U2 y U3 . En particular, la suma de tres subespacios es
“MatI” — 2018/3/6 — 12:59 — page 156 — #172
también conmutativa. La generalización al caso de r subespacios,
U1 + U 2 + . . . + U r ,
ya es trivial.
La suma directa requiere, no obstante, ser un poco más cuidadoso.
Por ejemplo, se afirma que
U1 + U 2 + U 3
tienen suma directa si se verifica U2 ⊕ U3 y U1 ⊕ (U2 ⊕ U3 ) (suma

directas las dos) y en tal caso se escribe
U1 ⊕ U 2 ⊕ U 3 .
Es fácil probar que entonces la unión de bases de U1 , U2 y U3 pro-

porciona una base de U1 ⊕ U2 ⊕ U3 . El recíproco es también cierto: si
la unión de bases es una base de la suma, la suma es directa. Nueva-
mente, la extensión al caso U1 ⊕ U2 ⊕ . . . ⊕ Ur es directa.
La demostración de estas propiedades se propone en el Ejercicio
2.18, al final de este capítulo.
Operaciones entre subespacios: a modo de resumen

Suma de subespacios
Para el cálculo de la suma de subespacios, lo más apropiado es tener estos
subespacios escritos en forma de clausura lineal. El cálculo es tan sencillo
como sigue:
1. Escribir
U = span �u1 , . . . , ur �, V = span �v1 , . . . , vs �.
2. Entonces
U + V = span �u1 , . . . , ur , v1 , . . . , vs �.
Recordemos que, salvo que la suma sea directa, {u1 , . . . , ur , v1 , . . . , vs } no

es base de U + V aunque {u1 , . . . , ur } y {v1 , . . . , vs } lo fueran de U y V .
En su forma matricial, se escribe como sigue:
� �
U = R(A), V = R(B) ⇒ U + V = R(C), con C = A B .
“MatI” — 2018/3/6 — 12:59 — page 157 — #173
Ejemplo 2.4.12
Tomamos
U = span �(1, 2, 0, 1, 0), (−1, −2, 1, 3, 0)�

V = span �(0, 0, 1, 3, 0), (3, 2, −1, −1, 1), (−2, 4, 1, 3, 0)�
entonces
U + V = span �(1, 2, 0, 1, 0), (−1, −2, 1, 3, 0),
(0, 0, 1, 3, 0), (3, 2, −1, −1, 1), (−2, 4, 1, 3, 0)�.
En su versión matricial, si
     
1 −1 0 3 −2 1 −1 0 3 −2
2 −2 0 2 4   2 −2 0 2 4 
     
     
A := 0 1 , B := 1 −1 1 , C :=  0 1 1 −1 1 ,
     
1 3 3 −1 3  1 3 3 −1 3 
0 0 0 1 0 0 0 0 1 0
entonces
U = R(A), V = R(B), U + V = R(C).
Intersección de subespacios
A diferencia de la suma de subespacios, para la intersección los subespa-

cios han de estar escritos como espacios nulos de matrices. En otras palabras,
una descripción que nos permita concluir que un vector pertenece a U o V
si es solución de uno u otro conjunto de ecuaciones lineales. Por tanto, está
en la intersección si satisface todas las ecuaciones lineales simultáneamente.
Este argumento justifica el siguiente algoritmo:
1. Escribir
� � � �
U = N (A) = x : Ax = 0 , V = N (B) = x : Bx = 0 ,
con A y B matrices adecuadas. Si alguno de los subespacios está des-

crito a partir de un sistema generador se puede recurrir al método
descrito en la subsección 2.3.6 (pág 146) para reexpresar el subespacio
en esta forma.
“MatI” — 2018/3/6 — 12:59 — page 158 — #174
158 2.5 Extensiones
2. Entonces
U ∩ V = {x : Ax = 0, Bx = 0} = {x : Cx = 0} = N (C),
� �
A
donde C = .
B
Recordemos que C es la matriz resultado de apilar las matrices A y B,

esto es, el resultado de unir las ecuaciones que cumplen U y V por separado.
Ejemplo 2.4.13
Consideremos
U := {(x, y, z, t) : x + y − t = 0, x + y + z = 0},
V := {(x, y, z, t) : x − y + z − 3t = 0, 2x + 2y + z − t = 0}.
Entonces
�
U ∩V = (x, y, z, t) : x + y − t = 0, x + y + z = 0,
�
x − y + z − 3t = 0, 2x + 2y + z − t = 0 .
Dicho de otra forma
U = N (A), V = N (B) ⇒ U ∩ V = N (C),
donde
 
� � � � 1 1 0 −1
1 1 0 −1 1 −1 1 −3  1 1 1 0 
 
A= ,B= , C= .
1 1 1 0 2 2 1 −1  1 −1 1 −3 
2 2 1 −1
2.5. Extensiones
La teoría desarrollada en este capítulo se centra en Rn y subespacios
y su relación con las matrices. Sin embargo, estas construcciones se pueden
extender a ámbitos más generales que comparten la misma estructura subya-
cente. De hecho, es un ejercicio interesante repasar en las secciones anteriores
cuántas veces se utiliza que los vectores y los subespacios son elementos y
conjuntos de Rn .
“MatI” — 2018/3/6 — 12:59 — page 159 — #175
Definición 2.5.1: Espacio vectorial (abstracto)
Un conjunto X con dos operaciones internaa suma “+”, y otra externa,

producto por escalarb , “×” se dice espacio vectorial si cumple las
siguientes propiedades: para a, b, c ∈ X, α, β ∈ R (o C)
1. Asociatividad de la suma: (a + b) + c = a + (b + c).
2. Conmutatividad: a + b = b + a.
3. Elemento neutro de la suma: existe un elemento, que denotare-

mos por 0, tal que a + 0 = a.
4. Elemento opuesto de la suma: a + (−a) = 0.
5. Distributividad respecto a la suma de vectores: α × (a + b) =

α × a + α × b.
6. Distributividad respecto a la suma de escalares: (α + β) × a =

α × a + β × a.
7. Asociatividad del producto por escalar: (αβ) × a = α × (β × a).
8. Elemento neutro del producto: 1 × a = a.

a
Porque a partir de dos elementos del conjunto, define un resultado que es un
elemento del conjunto. Es más, eventualmente uno puede reemplazar R o C por
un conjunto (un cuerpo) que se comporte de forma similar (por ejemplo Q).
b
porque toma una elemento del conjunto y un número y devuelve un elemento
del conjunto.
Polinomios de grado n
Denotemos los polinomios de grado n
Pn (x) = {a0 + a1 x + . . . + an xn : ai ∈ R}.
Es fácil ver que la suma de polinomios y el producto de un polinomio por
números reales cumple las propiedades enunciadas en la definición anterior.
Por tanto es un espacio vectorial. Una base de Pn viene dada por
{1, x, x2 , . . . , xn }.
Así, dim Pn = n + 1. Se pueden considerar bases distintas. Por ejemplo, si
x0 ∈ R, la familia de polinomios
{1, x − x0 , (x − x0 )2 , . . . , (x − x0 )n }
“MatI” — 2018/3/6 — 12:59 — page 160 — #176
160 2.5 Extensiones
es linealmente independiente5 y por tanto base de Pn . En consecuencia, cual-

quier polinomio de grado n se puede escribir como sigue
α0 + α1 (x − x0 ) + α2 (x − x0 )2 + . . . + αn (x − xn )n .
(No se excluyen la posibilidad de que algún αi pueda ser 0). Ésta es la forma
en la que se escribe el polinomio de Taylor de una función f en x0 .
Existen infinidad de bases alternativas, algunas de ellas utilizan familias
de polinomios muy populares en diferentes ámbitos de la Física, Matemática
e Ingeniería. Citaremos por ejemplo los polinomios de Legendre, Laguerre o
Chebyshev, todos ellos bases de Pn .
Sobre este conjunto se pueden definir subespacios de forma muy simple.
Por ejemplo, es fácil comprobar que
V = {pn (x) ∈ Pn : pn (−1) = pn (1) = 0}
es un subespacio: si se toman dos polinomios en V , la suma y el producto por

cualquier escalar también están en V . A partir de ahí, se puede encontrar
fácilmente una base6 y deducir que dim V = n − 1.
Matrices
Las matrices de tamaño m × n son un espacio vectorial puesto que las
operaciones suma de matrices y producto por un escalar cumplen las pro-
piedades enunciadas en la Definición 2.5.1 (ver Propiedades 1.4.11).
Tomemos por simplicidad el conjunto de las matrices 2 × 3. Una base
viene dada por
� � � � � � � � � � � �
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
, , , , ,
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
por lo que la dimensión de este espacio es 6.

Podemos definir subespacios fácilmente. Por ejemplo, fijado un vector u
n × 1, y el vector nulo 0 m × 1, podemos definir el siguiente subconjunto de
las matrices m × n:
{A : Au = 0},
que resulta ser un subespacio7 . Curiosamente, los papeles se intercambian:
en lugar de considerar el subespacio de las soluciones de un sistema lineal
5
¿Por qué?
6
¿Por ejemplo?
7
Pruébalo.
“MatI” — 2018/3/6 — 12:59 — page 161 — #177
homogéneo, trabajamos con los sistemas lineales homogéneos que tienen a

un vector prefijado como solución. Observa que hemos procedido de esta
forma en la subsección 2.3.6, cuando buscamos una matriz que tuviese a un
subespacio como espacio nulo.
El espacio de polinomios
Es decir, el conjunto de polinomio P(x), sin fijar grado. En este caso es
un espacio vectorial cuya base más simple es
{1, x, x2 , x3 , . . . , }
Es, por tanto, un espacio con dimensión infinita. En este espacio, los con-
juntos Pn (x) son por ejemplo subespacios vectoriales contenidos en P(x): la
suma de polinomios de grado n y el producto por un escalar devuelve un
polinomio de grado n.
El manejo de espacios vectoriales de dimensión infinita requiere de un
cuidado especial, pero las ideas intuitivas siguen siendo esencialmente váli-
das.
Espacios de funciones
El espacio de funciones continuas en un intervalo [a, b], denotado por
C 0 [a, b], es nuevamente un espacio vectorial con las operaciones suma de
funciones y producto por escalar (ver Nota 1.3.16).
Se intuye que la dimensión de este espacio es también infinita, pero es
mucho más complicado dar con una base8 . Es decir, la cuestión de si existen
familias de funciones, con por supuesto un número infinito de elementos,
{f1 , f2 , . . . , }
de forma que cualquier función se pueda escribir
f = α 1 f1 + α 2 f2 + . . .
y con estos coeficientes además únicos dista mucho de ser trivial. Por ejemplo,
¿qué significa una suma infinita? ¿Cómo calcular esos coeficientes? ¿Es útil
en la práctica o un simple ejercicio, un juego, mental?
En el capítulo siguiente veremos una construcción así cuyas aplicaciones
se extienden a muy amplios ámbitos de la Matemáticas, Física e Ingeniería.
8
En cierta forma porque el infinito de este conjunto es mayor que el infinito de P(x),
pero esa es otra historia y debe ser contada en otra ocasión.
“MatI” — 2018/3/6 — 12:59 — page 162 — #178
162 2.6 Ejercicios
2.6. Ejercicios
Figura 2.6: Extraído de http://xkcd.com/939/
Espacio nulo y columna

2.1 Encuentra una base para el espacio nulo N (A) y el espacio columna
R(A) de las siguientes matrices
 
2 0 1
 
(a) −1 2 1 .  
3 −5 2 3 2 −1 −1
 
  (e) −1 2 −5 3 .
1 2 3 4 1 2 −3
 
(b) 4 5 6.
7 8 9 �2 2 �
  3 3 − 13
1 2 1 0 (f) 2
0 1 2 3 − 13 2
3
 1

(c)  .
1 0 1 2  
4 −2 3 −2
0 1 2 1  4 −1 −2
   8
1 −1 2 −2 (g)  .
 1 3 4 −7
 
(d)  1 0 2 1 . −2 −1 −1 0
−3 1 3 1
2.2 Determina el rango de las siguientes matrices de acuerdo a los pará-

metros implicados.
� �  
1 1 1 b 0 1 −1 1
(a) .  
2 −a 2 c (b)  1 2 3 b.
−1 0 a 3
“MatI” — 2018/3/6 — 12:59 — page 163 — #179
   
a 1 1 1 a 2
   
(c) 1 b 1. (d) a 2 1.
1 1 1 2 1 a
2.3 Halla las coordenadas de los siguientes vectores respecto a las bases (si
lo fueran) indicadas
(a) (0, 1) ∈ R2 respecto a

{(0, 2)}.
(b) (7, 1, −5) ∈ R3 respecto a
{(2, −1, 2), (−4, −1, 4)}.
(c) (0, 1, 2) ∈ R3 respecto a
{(1, 0, 1), (1, 2, 1), (1, 0, 2)}.
(d) (1, −1, 0, 2) ∈ R4 respecto a
{(2, 1, 0, −1), (1, 2, 0, 1), (1, −1, 1, −1), (1, 0, 0, 1)}.
(e) Los vectores (1, 0, 2), (2, 1, 3), (−1, 2, 0), (0, 0, 1) ∈ R3 respecto a
{(2, 1, 0), (−1, −1, 2), (0, 1, −3)}.
(f) Los vectores (−2, 1, −2, −7), (1, 1, −1, 1), (−3, −2, 2, 3) ∈ R 4 res-
pecto a
{(−2, −2, 1, −1), (1, 1, −1, −1), (0, 1, 1, 0), (−3, −1, 4, 0)}.
(Nota: ¿Cómo interpretas los resultados obtenidos en el último apartado?)
2.4 Encuentra, para los siguientes casos, una base de U , otra de V y calcula
U ∩ V y U + V dando además una base de estos subespacios:
(a) U := span �(1, 0, 1), (2, 1, 1)�, V := span�(3, 1, 2), (0, 1, −1)�
(b) U := {(x, y, z, t) ∈ R4 : x + y + z + t = 0, x − y + z − t = 0},

V := {(x, y, z, t) ∈ R4 : x + t = 0, y + t = 0}
“MatI” — 2018/3/6 — 12:59 — page 164 — #180
164 2.6 Ejercicios
(c) U := {(x, y, z, t) ∈ R4 : x+2y+t = 0, x−y+z = 0, 3y+t−z = 0�,

V := {(x, y, z, t) : x + 5y − z + 2t = 0, −2x − 10y − 4t = 0}
(d) U := span �(1, 2, 1), (1, −1, −1), (4, −1, −2)�,
V := span{(1, −2, 1), (−1, −1, 2), (1, 0, −1)�.
(e) U := span �(0, 1, 0, 1), (2, −1, 1, 2), (1, 3, 0, 1)�,

V := span �(2, −1, −1, 2), (1, 1, 2, 1), (0, −3, −5, 0)�
(f) U := span �(5, −4, −1, 1), (−5, 3, 1, 0)�

V := {(x, y, z, t) : x + y + z + t = 0, x − y + z − t = 0}.
(g) U := span �(1, −1, −5, 1, 5), (−1, 1, 3, 2, −1), (2, 1, 2, 3, 4)�,
V := span�(0, 1, −1, 2, 3), (1−1, 2, 1, 0), (1, 0, 0, 1, 2), (0, 1, 2, 1, 0)�.
(h) U := span �(1, 0, 0, 1), (1, −1, 2, 1), (2, 1, 1, 2)�,

V := {(x, y, z, t) ∈ R4 : y + 2t = 0, y + z = 0}.
(i) U = span�(−1, 0, 1, 2, 3), (−2, −1, 0, 1, 2), (1, 1, 0, 2, 3), (0, 1, 1, 4, 6),
(2, 1, 0, −1, −2)�,
V = {(x1 , x2 , x3 , x4 , x5 ) ∈ R5 : x1 + x3 + x5 = 0, x2 + x4 = 0,
x1 +x2 +x3 +x4 +x5 = 0, x1 −x2 +x3 −x4 +x5 = 0}.
2.5 Determina cuáles de estos conjuntos son espacios vectoriales
(a) {(x, y, z, t) ∈ R4 : xt = 0} .
(b) {(x, y, z, t) ∈ R4 : x + t = 1}.
(c) {(x, y, z, t) ∈ R4 : x − y + z = 0, z + t = 0}.
(d) {(x, y, z, t) ∈ R4 : x ≥ 0, y + z = 0}.
(e) {(x, y, z, t) ∈ R4 : x2 + y = 0, y 2 + x = 0}.
(f) {(x, y, z, t) ∈ R4 : x2 + 2xy + y 2 = 0, y 2 − 4ty + 4t2 = 0}.
(Nota. El último conjunto sí es subespacio, aunque está descrito de una

forma artificialmente complicada.)
2.6 Prueba que si {u, v, w} ⊂ Rn son linealmente independientes, también

lo son {u + v − w, u − v + w, −u + v + w}.
“MatI” — 2018/3/6 — 12:59 — page 165 — #181
2.7 Prueba que para cualquier familia de vectores {u, v, w} ⊂ Rn , el con-

junto {u + v + w, u − w, 2u + v} es linealmente dependiente.
2.8 Prueba que dos vectores, {u, v} ⊂ Rn , son linealmente dependientes
si y sólo si son proporcionales:
u = λv, o v = λu,
con λ ∈ R apropiado.
Ejercicios semitéoricos: subespacios en Rn
2.9 Aclara si las siguientes afirmaciones son verdaderas o falsas y por qué:
(a) Si U := N (A) y V := N (B) y A y B son matrices distintas,
entonces U =
� V.
(b) Si U := R (A) y V := R (B) y A y B son matrices distintas,
entonces U =
� V
(c) Si A es una matriz invertible n × n, entonces R (A) = Rn .
(d) Si A es n × (n + 1), entonces dim N (A) ≥ 1.
2.10 Probad que si A es una matriz m × n con rang A = n, entonces,
Ax = 0 ⇐⇒ x = 0.
2.11 Dado un vector z y un subespacio vectorial U se considera el conjunto
z + U := {z + u : u ∈ U }.
Se pide
(a) Probad que
z1 + U = z 2 + U
si y sólo si z1 − z2 ∈ U .
(b) Probad que z + U es subespacio vectorial si y sólo si z ∈ U y que
en tal caso z + U = U.
(c) Verificad que el conjunto de soluciones de un sistema lineal de
ecuaciones Ax = b
S(b) := {x ∈ Rn : Ax = b}.
tiene esta estructura.

(Ayuda. Relee la Proposición 2.1.8.)
“MatI” — 2018/3/6 — 12:59 — page 166 — #182
166 2.6 Ejercicios
(Nota. A los conjuntos de esta forma se les denomina subespacios afines

o variedades lineales).
2.12 Supongamos que U := span �u1 , u2 �, V := span �v1 , v2 �, tal que

u1 , u2 �∈ V y v1 , v2 �∈ U . ¿Es cierto entonces que U ∩ V = {0}? Si
crees que es así, pruébalo. Si no, da un contraejemplo.
2.13 Relee el Teorema 2.3.11. Prueba, con un par de ejemplos, que las si-
guientes afirmaciones no son ciertas: si A m × n y B n × p
(a) Si rang A = m, es decir, si las filas de A son linealmente indepen-
dientes, entonces R(AB) = R(A) y rang(AB) = rang A.
(b) Si rang B = p, esto es, si las columnas de B son linealmente
independientes entonces N (AB) = N (B) y rang(AB) = rang B.
Es decir, para negar la primera afirmación, construye dos matrices A,
m×n y B n×p con rang A = m de forma que rang(AB) < m. Procede
de forma similar para la segunda afirmación.
2.14 Demuestra el Corolario 2.4.3
2.15 Demostrad la siguiente la siguiente propiedad, un enunciado algo más
preciso del Corolario 2.3.5:
Si A es m × n, el rango de A es p si y sólo si existen n − p columnas de
A que son nulas o se pueden escribir como combinación lineal de las p
columnas restantes de A. ¿Sucede algo similar con las filas de A?
2.16 Ha quedado claro que si U es subespacio y u, v ∈ U , entonces u+v ∈ U .
Pero, ¿es posible que u + v ∈ U y u, v �∈ U ? ¿Y λu ∈ U con u �∈ U ?
2.17 Sea F = {u1 , . . . , ur , v1 , . . . , vs } una familia libre de vectores. Probad
que si
U = span �u1 , . . . , ur �
V = span �v1 , . . . , vs �
entonces se tiene la suma directa U ⊕ V .
2.18 La suma y la suma directa se puede extender a más de dos subespacios
tal y como discutimos en la Nota 2.4.11. Vamos a desarrollar este
concepto con un poco más de cuidado en este problema. Así, podemos
definir
U1 + U 2 + U 3 + . . . + U k
:= {u1 + u2 + . . . + uk : u1 ∈ U1 , u2 ∈ U2 , . . . uk ∈ Uk } .
“MatI” — 2018/3/6 — 12:59 — page 167 — #183
Entonces, se escribe
U1 ⊕ U 2 ⊕ U 3 ⊕ . . . ⊕ U k
si U1 ∩ (U2 + U3 + · · · + Uk ) = U2 ∩ (U1 + U3 + · · · + Uk ) = . . . =
Uk ∩ (U1 + U2 + · · · + Uk−1 ) = {0}, esto es, la intersección de cada
subespacio con la suma de los demás, es nula. Se pide:
(a) Probad que si U1 , U2 , U3 , . . . , Uk tienen suma directa, entonces
0 = u1 + u2 + · · · + u k , u 1 ∈ U 1 , u2 ∈ U 2 , . . . , u k ∈ U k
si y sólo si
u1 = u2 = . . . = uk = 0.
Recíprocamente, si la única forma de obtener el vector nulo como

suma de vectores de Uk es que todos y cada uno de los suman-
dos sea el vector nulo, entonces U1 , U2 , U3 , . . . , Uk tienen suma
directa.
(b) Probad, como consecuencia del punto anterior, que U1 ⊕U2 ⊕U3 ⊕
. . .⊕Uk si y sólo si U1 ⊕U2 , U3 ⊕(U1 +U2 ),. . . Uk ⊕(U1 +U2 +. . .+
Uk−1 ) (observa que en este caso la suma directa es dos a dos).
(c) Demostrad que si F1 ⊂ U1 , F2 ⊂ U2 ,. . . Fk ⊂ Uk son familias de
vectores linealmente independientes y U1 , U2 , U3 , . . . , Uk tienen
suma directa, entonces F1 ∪ F2 ∪ . . . , Fk es linealmente indepen-
diente (la unión de familias de vectores linealmente independien-
tes de cada subespacio es una familia nuevamente independiente).
Recíprocamente, si la unión de familias linealmente independien-
tes F1 ⊂ U1 , F2 ⊂ U2 ,. . . , Fk ⊂ Uk es linealmente independiente
entonces U1 ⊕ U2 ⊕ U3 ⊕ . . . ⊕ Uk (los subespacios tienen suma
directa).
(d) Mostrad que si F1 ⊂ U1 , F2 ⊂ U2 ,. . . , Fk ⊂ Uk son sistemas
generadores de cada uno de los subespacios sumandos, entonces
necesariamente F1 ∪ F2 ∪ . . . ∪ Fk es sistema generador de U1 +
U2 + U 3 + . . . + U k .
(e) Probad que F1 ⊂ U1 , F2 ⊂ U2 ,. . . , Fk ⊂ Uk son bases de cada
uno de los subespacios sumandos, entonces F1 ∪ F2 ∪ . . . , Fk es
una base de U1 + U2 + U3 + Uk si y sólo si U1 , U2 , U3 , . . . , Uk
tienen suma directa.
“MatI” — 2018/3/6 — 12:59 — page 168 — #184
168 2.6 Ejercicios
Ejercicios semitéoricos: espacios vectoriales abstractos
2.19 Sea V un espacio vectorial, U ⊂ V un subconjunto de V no vacío, es

decir, que contiene al menos un elemento. Entonces U es un subespacio
vectorial si satisface las propiedades que definen un espacio vectorial
(Definición 2.5.1).
Prueba entonces que U ⊂ V es un subespacio vectorial si y sólo si la
suma y el producto por escalar son operaciones internas, es decir
u, v ∈ U ⇒ u + v ∈ U, u ∈ U, λ ∈ R ⇒ λu ∈ U.
2.20 Prueba que si U es un subespacio vectorial, entonces 0 ∈ U .
2.21 Probad que los siguientes espacios son espacios vectoriales
(a) El conjunto de las matrices reales m × n, con la suma de matrices

y el producto por números reales
(b) El conjunto de los polinomios bivariados:
a0 + a10 x + a01 y + a20 x2 + a11 xy + a02 y 2 + a30 x3 + . . . + a0n y n .
Esto es,
� �
n �
P(x, y) := aij xi y j : aij ∈ R .
i,j=0
(c) El conjunto de funciones continuas que son 2π−periódicas

(d) El conjunto de las funciones derivables
(e) El conjunto de las funciones de la forma
� m
� m
� �
T := a0 + aj cos jx + bj sen jx : aj , bj ∈ R .
j=1 j=1
Demuestra que en el caso (a) el subespacio tiene dimensión mn mien-

tras que el resto tiene dimensión infinita (discute qué podríamos en-
tender por dimensión infinita).
2.22 Prueba que los subconjuntos siguientes son subespacios vectoriales de

los espacios vectoriales del ejercicio anterior:
(a) El conjunto de las matrices m × m simétricas y el de las antisi-

métricas
“MatI” — 2018/3/6 — 12:59 — page 169 — #185
(b) El conjunto de los polinomios de grado n, Pn (x, y).

(Ayuda. ¿Qué entendemos por grado n en un polinomio en x e y?)
(c) El conjunto de las funciones continuas pares y de las funciones
continuas impares.
(d) El conjunto de los polinomios trigonométricos de grado n:
� n
� n
� �
Tn := a0 + aj cos jx + bj sen jx : aj , bj ∈ R .
j=1 j=1
¿Cuáles de estos subespacios tienen dimensión finita y cuál es su di-

mensión? ¿Puedes dar una base de los espacios de dimensión finita?
2.23 Prueba que los subespacios de las matrices simétricas y el de las ma-
trices antisimétricas de tamaño m × m tienen suma directa.
2.24 Sea x0 , x1 , . . . , xn−1 ∈ R distintos. Prueba que los siguientes elementos

son base de Pn (x):
(a) {1, (x − x), (x − x0 )2 , . . . , (x − x0 )n }.

(b) {1, (x−x0 ), (x−x0 )(x−x1 ), . . . , (x−xn−1 )(x−xn−2 ) · · · (x−x0 )}.
Por tanto, todo polinomio se puede escribir como una combinación

lineal de elementos de una de estas bases y además esa forma es única.
2.25 Sea x0 , x1 y x2 números reales distintos. Probad que

� �
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )
, ,
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
es una base de P2 (x). Si de un polinomio de grado 2 sabemos que
p2 (x0 ) = α0 , p2 (x1 ) = α1 , p2 (x2 ) = α2 ,
(es decir, conocemos los valores del polinomio en los puntos {x0 , x1 , x2 }),
¿Cuáles son las coordenadas de p2 (x) en esta base?
Generaliza la base anterior a P3 (x), P4 (x) y Pn (x).
(Nota. Esta base es conocida como base de Lagrange del problema de inter-
polación y permite escribir un polinomio conocido sus valores en una serie de
puntos. En la mayoría de las ocasiones lo importante de un polinomio no es
su expresión analítica sino que sea posible trabajar con él: evaluar, derivar,
integrar,. . . )
“MatI” — 2018/3/6 — 12:59 — page 170 — #186
170 2.6 Ejercicios

02 Espacios y Subespacios Vectoriales

Cargado por

Información del documento

Descripción original:

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

02 Espacios y Subespacios Vectoriales

Cargado por

Copyright:

Formatos disponibles

“MatI” — 2018/3/6 — 12:59 — page 103 — #119

La mathématique est lárt de donner le même

Jules Henri Poincaré

En el capítulo anterior hemos introducido los sistemas de ecuaciones li-

104 2.1 Espacio nulo y columna de una matriz

2.1. Espacio nulo y columna de una matriz

C1 ¿El sistema tiene solución? (existencia)

C2 ¿La solución es única? (unicidad)

C3 ¿La solución depende continuamente de los datos? (estabilidad)

Si las ecuaciones provienen, por ejemplo, de modelar un problema físico/in-

CAPÍTULO 2. Espacios y subespacios vectoriales 105

Demostración. Si x = [x1 x2 . . . xn ]� , entonces

El resultado se sigue de forma inmediata.

Comprobamos de esta manera que el término independiente se

el sistema Ax = b tiene solución y además una (otra) solución del

El resultado anterior nos da pie a introducir el primer espacio fundamen-

106 2.1 Espacio nulo y columna de una matriz

Deﬁnición 2.1.3: Espacio columna

R(A) := {α1 a1 + . . . αn an : α1 , . . . , αn ∈ R},

donde {a1 , a2 , . . . , an } son las columnas de A.

En cuanto a la existencia de solución, este problema queda resuelto una

Demostración. Este resultado es una simple vuelta de tuerca a la

A(x2 − x1 ) = Ax2 − Ax1 = b − b = 0.

Por tanto z = x2 − x1 es solución de Ax = 0. Análogamente, si x1

Ax2 = A(x1 + z) = Ax1 + Az = b + 0 = b,

luego x2 también es solución de Ax = b.

Deﬁnición 2.1.5: Sistemas lineales homogéneos

A la luz de la Proposición 2.1.4, las soluciones del sistema homogéneos

CAPÍTULO 2. Espacios y subespacios vectoriales 107

Ello nos lleva a introducir el segundo espacio fundamental de una matriz: el

Deﬁnición 2.1.6: Espacio nulo

Demostración. Es una consecuencia inmediata de la Proposición

La “p” utilizada en la notación xp viene dada por “particular”. Es una

108 2.1 Espacio nulo y columna de una matriz

cando el método de Gauss obtenemos

El sistema es, claramente, compatible indeterminado. Tenemos pivotes

o escrita en forma vectorial (hemos tomado α = t/9 para simpliﬁcar

A modo de resumen, tenemos que

CAPÍTULO 2. Espacios y subespacios vectoriales 109

(a) El sistema Ax = b tiene solución (sistema compatible) si y sólo

(b) La solución es única (sistema compatible determinado) si ade-

Demostración. Se trata de reformular, brevemente, los resultados

La unicidad por tanto depende únicamente de A y no del término inde-

(b) 0 ∈ R(A) y 0 ∈ N (A).

(c) Si b1 y b2 ∈ R(A) y α ∈ R, entonces

b1 + b2 ∈ R(A), αb1 ∈ R(A). (2.1)

(d) Si z1 y z2 ∈ N (A) y α ∈ R, entonces

z1 + z2 ∈ N (A), αz1 ∈ N (A). (2.2)

Demostración. La primera y segunda propiedad son inmediatas. Pa-

110 2.1 Espacio nulo y columna de una matriz

distributiva del producto matricial.

La primera propiedad explica dónde está cada conjunto. En otras pala-

Nota Historica: Meteorología, Edward Lorenz y la

CAPÍTULO 2. Espacios y subespacios vectoriales 111

ro, de unas minutos a unas horas. Aplicando de forma sucesiva este

112 2.1 Espacio nulo y columna de una matriz

Lorenz estaba trabajaba con uno de los primeros ordenadores para

CAPÍTULO 2. Espacios y subespacios vectoriales 113

mayor potencia de cálculo o mejores modelos climatológicos pues éstos

114 2.2 Subespacios en Rn

CAPÍTULO 2. Espacios y subespacios vectoriales 115

Figura 2.3: Subespacios en R2 y R3