Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capítulo 2
Espacios y subespacios
vectoriales
103
“MatI” — 2018/3/6 — 12:59 — page 104 — #120
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
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
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.
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}.
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
x1 = −3 + 79 t, x2 = 2 − 10
9 t, x3 = 1 + 59 t, x4 = t, t∈R
Teorema 2.1.10
Propiedades 2.1.11
Sea A m × n. Entonces
(a) R(A) ⊂ Rm , N (A) ⊂ Rn .
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
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
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.
2
¿Por qué?
“MatI” — 2018/3/6 — 12:59 — page 116 — #132
α1 u1 + α 2 u2 + . . . α r ur
donde 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.
α1 u1 + α2 u2
α2 u2
u2
α1 u1 u1
entonces
R(A) = span �a1 , a2 , . . . , an �.
U = span �u1 , u2 , . . . , ur �.
Ejemplo 2.2.10
Sean los vectores
y definamos
{α1 , α2 , α3 }, {β1 , β2 , β3 } ⊂ R
tales que
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
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.
α1 u1 + α2 u2 + . . . + αn un = 0.
Ejemplo 2.2.12
Retomemos los vectores del Ejemplo 2.2.10
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
α1 = −3α3 , α2 = 2α3 , α3 ∈ R.
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
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
Demostración.
⇒] Supongamos que existe una combinación no trivial que nos pro-
porciona el vector nulo
α1 v1 + α2 v2 + . . . + αr vr = 0.
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 , . . . , ✚
❩
❩
v
❩i , . . . , vr � � span �v1 , . . . , vi , . . . , vr �.
span �v1 , . . . , ✚
❩
✚
a
� “contenido pero no igual”, es decir, “contenido estricto”.
v
✚i , . . . , vr � = span �v1 , . . . , vi , . . . , vr �
span �v1 , . . . , ❩
✚
❩
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).
0 = α1 = α2 = . . . = αj + λαi = . . . = αi = αi+1 = . . . = αr ,
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
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
u = α 1 v1 + α 2 v2 + . . . + α r vr
u = α1� v1 + α2� v2 + . . . + αr� vr .
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
Ejemplo 2.2.24
Retomemos el Ejemplo 2.2.10. Hemos visto que
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 .
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 �
Corolario 2.2.26
Sean U, V dos subespacios, con U ⊂ V . Entonces
(a) dim U ≤ dim V.
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.
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
En otras palabras, {(1, 2, 1, 4), (3, 1, 0, −1), (2, 0, 1, −3)} es base del
subespacio U .
(a) Se cumple
= span �a1 , . . . , aj , . . . , ai , . . . an �
���� ����
i−ésimo j−ésimo
(b) Tenemos
entonces,
Además, como
aj = (aj + βai ) + (−β)ai ,
tenemos que
y por tanto
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
N (A) = {z ∈ Rn : Az = 0}.
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
(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 .
↑ ↑ ↑ ↑
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.
ci = d i , i = 1, . . . , r.
“MatI” — 2018/3/6 — 12:59 — page 140 — #156
d j = α 1 c 1 + α 2 c 2 + . . . + α r cr . (2.13)
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
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
Además,
rang AB ≤ mı́n{rang A, rang B}.
“MatI” — 2018/3/6 — 12:59 — page 144 — #160
Bz ) = 0
(AB)z = A(����
=0
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.
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,
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
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
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
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
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
{a1 , · · · , 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.
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
w1 + w 2 = u 1 + v 1 + u 2 + v 2 = u 1 + u 2 + v 1 + v 2
� �� � � �� �
∈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 .
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� �.
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� �.
Teorema 2.4.5
Sean U, V subespacios. Entonces
0 = α1 w1 + . . . + αs ws + β1 u1 + . . . + βr−s ur−s
� �� � � �� �
=w∈U ∩V =u∈U
+ γ1 v1 + . . . + γr� −s vr� −s .
� �� �
=v∈V
u = −w − v ∈ V, v = −w − u ∈ U.
Por tanto u, v ∈ U ∩ V y
α1 = . . . = αs = β1 = . . . = βr−s = γ1 = . . . = γr� −s = 0
{u1 , u2 , . . . , ur , v1 , . . . , vr� }
es una base de U + V .
Proposicion 2.4.8
Si w ∈ U ⊕ V , existe un único par u ∈ U, v ∈ V tal que
w = u + v.
U � u2 − u1 = v1 − v2 ∈ V.
u + (−u) = 0.
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
y definimos
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
{0} ⊂ U1 ∩ V1 ⊂ U ∩ V = {0}.
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
U1 ⊕ U 2 ⊕ U 3 .
1. Escribir
U = span �u1 , . . . , ur �, V = span �v1 , . . . , vs �.
2. Entonces
U + V = span �u1 , . . . , ur , v1 , . . . , vs �.
Ejemplo 2.4.12
Tomamos
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
1. Escribir
� � � �
U = N (A) = x : Ax = 0 , V = N (B) = x : Bx = 0 ,
2. Entonces
U ∩ V = {x : Ax = 0, Bx = 0} = {x : Cx = 0} = N (C),
� �
A
donde C = .
B
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 .
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
2. Conmutatividad: a + b = b + a.
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
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
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
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 , . . . , }
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
2.6. Ejercicios
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
(e) Los vectores (1, 0, 2), (2, 1, 3), (−1, 2, 0), (0, 0, 1) ∈ R3 respecto a
(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)}.
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)�
(d) U := span �(1, 2, 1), (1, −1, −1), (4, −1, −2)�,
V := span{(1, −2, 1), (−1, −1, 2), (1, 0, −1)�.
(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)�.
(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}.
(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}.
u = λv, o v = λu,
con λ ∈ R apropiado.
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.
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}.
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:
0 = u1 + u2 + · · · + u k , u 1 ∈ U 1 , u2 ∈ U 2 , . . . , u k ∈ U k
si y sólo si
u1 = u2 = . . . = uk = 0.
u, v ∈ U ⇒ u + v ∈ U, u ∈ U, λ ∈ R ⇒ λu ∈ U.
Esto es,
� �
n �
P(x, y) := aij xi y j : aij ∈ R .
i,j=0
2.23 Prueba que los subespacios de las matrices simétricas y el de las ma-
trices antisimétricas de tamaño m × m tienen suma directa.
(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