Espacios Vectoriales

1 Defnición y ejemplos
Hablando sin precisión, un espacio vectorial es un conjunto de vectores que podemos sumar y
multiplicar por escalares de un cuerpo. Estas operaciones deben proporcionar vectores en el espacio
vectorial y deben satisfacer algunas condiciones.
Defnición 1: Un espacio vectorial sobre un cuerpo K (o un K-espacio vectorial) es un conjunto V
en el cual están denidas dos operaciones llamadas suma y multiplicación por elementos de K :

+ : V × V −→ V , · : K×V −→ V
(u, v) −→ u+v (λ, v) −→ λ·v

Esto es, a cada par de elementos u, v de V le podemos asociar un único elemento u + v ∈ V y para cada
elemento u ∈ V y cada elemento λ ∈ K existe un único elemento λ · u ∈ V tal que se verican las
siguientes condiciones:

1. u + v = v + u (conmutatividad de la suma)
2. (u + v) + w = u + (v + w) (donde w ∈ V) (asociatividad de la suma)
3. existe un vector nulo (o vector cero) 0 ∈ V tal que u + 0 = 0 + u = u para todo u ∈ V
4. cada u ∈ V tiene un inverso aditivo u opuesto v ∈ V tal que u + v = 0
5. 1 · u = u para todo u ∈ V
6. (λµ) · u = λ(µ · u) para todo u ∈ V y λ, µ ∈ K
7. λ · (u + v) = λ · u + λ · v para todo u, v ∈ V y λ ∈ K
8. (λ + µ) · u = λ · u + µ · u para todo u ∈ V y λ, µ ∈ K

Los elementos del cuerpo K se llaman escalares y los elementos del espacio vectorial V se llaman
vectores. Mientras no se diga lo contrario supondremos que K = R y evitaremos poner el punto · para
denotar la multiplicación por escalares. Además, denotaremos los vectores por letra negra fuerte.
Ejemplos 1:

1. El conjunto Rn de n-tuplas de números reales es un R-espacio vectorial con las siguientes opera-
ciones: Dados x, y ∈ Rn y r ∈ R entonces
       
x1 y1 x1 + y1 rx1
 x2   y2   x2 + y2   rx2 
       
x= .. , y =  ..  =⇒ x + y =  ..  ; rx =  .. 
 .   .   .   . 
xn yn xn + yn rxn

Mientras no se diga lo contrario, los elementos (vectores ) de Rn serán escritos en negrita fuerte
como vectores columna en vez de vectores la. Con esta notación xt = ( x1 , x2 , ... , xn ) .

1
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

2. El conjunto de los números complejos

C =  a + bi / a , b ∈ R 

es un R-espacio vectorial con las operaciones suma de números complejos y producto de un

número real por un número complejo.
3. C es también un C-espacio vectorial respecto de la suma y el producto de números complejos.
4. El conjunto de todas las matrices de orden m × n con coecientes en el cuerpo K = R es un espacio
vectorial sobre R que se denotará por Mm×n (R ), bajo las siguientes operaciones ya denidas: Si
A, B ∈ Mm×n (R ) y c ∈ R entonces

A + B = ( aij ) + (bij ) = ( aij + bij ) ; cA = c( aij ) = (caij )

Obviamente, el vector nulo es la matriz nula Om×n .

5. El conjunto de todos los polinomios en la variable x con coecientes en el cuerpo K = R es un
R-espacio vectorial que denotaremos por R [ x ]. Recuérdese que un tal polinomio es una expresión
de la forma
p( x ) = an xn + an−1 xn−1 + ... + a1 x + a0

donde n es un entero no negativo y los coecientes an , an−1 , ..., a1 , a0 son números reales. Si p( x ) =
0, esto es, si an = an−1 = ... = a1 = a0 = 0, entonces p( x ) se llama el polinomio nulo y diremos
que el grado de p( x ) es −1. En otro caso, el grado de un polinomio se dene como el exponente
más grande de la indeterminada x que tiene un coeciente no nulo. Nótese que los polinomios de
grado cero son de la forma p( x ) = c donde c es un escalar no nulo. Dos polinomios p( x ) y q( x )
son iguales si, y sólo si, tienen el mismo grado y sus coecientes son iguales. Como es bien sabido,
la suma de polinomios y el producto de un polinomio por un escalar se denen de la siguiente
manera: Si p( x ) = an xn + an−1 xn−1 + ... + a1 x + a0 y q( x ) = bn xn + bn−1 xn−1 + ... + b1 x + b0 son
dos polinomios y c ∈ R entonces

( p + q)( x) = p( x ) + q( x ) = ( an + bn ) xn + ... + ( a1 + b1 ) x + ( a0 + b0 )
(cp)( x) = cp( x) = can xn + can−1 xn−1 + ... + ca1 x + ca0

6. Sea I un subconjunto de R y denotemos por F ( I , R ) el conjunto de todas las funciones de I en

R. Entonces F ( I , R ) es un espacio vectorial bajo las operaciones de suma y multiplicación de
escalares usadas en cálculo:

( f + g)( x) = f ( x) + g( x) ; (c f )( x) = c f ( x)

El vector nulo es la aplicación nula.

Las siguientes proposiciones recogen propiedades adicionales de espacios vectoriales que se

deducen fácilmente de los axiomas de la denición.
Proposición 1: Sea V un espacio vectorial. Si u, v, w ∈ V tal que u + w = v + w, entonces u = v
Proposición 2: Si V es un espacio vectorial y v es cualquier vector de V, entonces

1) 0v = 0
2) u + v = 0 implica que v = −u, esto es, el inverso aditivo es único
3) (−1)v = −v
4) λ0 = 0 para todo λ ∈ R

Departamento de Matemáticas, 2
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

2 Subespacios Vectoriales
En pocas palabras, un subespacio de un espacio vectorial V es un subconjunto W de V que es
“cerrado” bajo las operaciones de suma de vectores y multiplicación escalar, esto es, los resultados de
estas operaciones en W permanecen en W.
Defnición 2: Un subconjunto W de un espacio vectorial V es un subespacio vectorial de V si W es
un espacio vectorial bajo las operaciones heredadas.
En cualquier espacio vectorial V, nótese que V y 0 son subespacios de V, llamados subespacios
triviales. Todos los otros subespacios se denominan subespacios propios.
Afortunadamente, para probar que W es un subespacio vectorial de V no es necesario vericar to-
dos los axiomas de la denición. La siguiente proposición nos proporciona un método simple para
determinar si un subconjunto de un espacio vectorial es un subespacio vectorial.
Proposición 3: Sea V un espacio vectorial y W un subconjunto de V. Entonces W es un subespacio
vectorial de V si, y sólo si, es cerrado por combinaciones lineales, es decir, si λu+µv ∈ W cualesquiera
que sean u , v ∈ W y λ , µ ∈ K.
Observación 1: El vector nulo 0 pertenece a todos los subespacios de un espacio vectorial ya que
0u + 0u = 0 ∈ W.
Ejemplos 2:

1. Las rectas y los planos que pasan por el origen son subespacios de R3 ya que son conjuntos
solución de sistemas lineales homogéneos. Por ejemplo, el subconjunto de R3
  
 x 
W =  y  ∈ R3 / x − 2y + z = 0
 
z

es un plano que pasa por el origen. Si se dene

  
 x 
W =  y  ∈ R3 / x − 2y + z = 1 ,
 
z

entonces W no es un subespacio vectorial pues no es cerrado bajo combinaciones lineales, ni con-

tiene el vector nulo de R3 . Como veremos más adelante, W es una subvariedad afı́n (o lineal) que
es el conjunto solución de un sistema lineal no homogéneo.
2. Una matriz t
 A es simétrica si At  = A. Claramente, tal matriz debe ser cuadrada. El conjunto
Sn (R ) = A ∈ Mn (R ) / A = A de las matrices simétricas es un subespacio vectorial de Mn (R ).
En efecto, la matriz nula es simétrica y si A, B ∈ Sn (R ) entonces A + B también es simétrica puesto
que ( A + B)t = At + Bt = A + B. Además, si r ∈ R entonces rA ∈ Sn (R ) ya que (rA)t = rAt = rA.
 
3. De igual modo, el conjunto Hn (R ) = A ∈ Mn (R ) / At = − A de las matrices hemisimétricas
de orden n es un subespacio vectorial de Mn (R ).
4. Sea n un número entero positivo y denotemos por Rn [ x ] el conjunto de todos los polinomios de
R [ x ] que tienen grado menor o igual que n. Entonces Rn [ x ] es un subespacio vectorial de R [ x ] :

Rn [ x ] =  a0 + a1 x + ... + an xn / a0 , a1 , ... , an ∈ R 

5. El conjunto C(R , R ) de todas las funciones reales continuas denidas en R es un subespacio de

F (R , R ).

Departamento de Matemáticas, 3
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

6. Si A es una matriz de orden m × n, el conjunto solución del sistema lineal homogéneo Ax = 0 es

un subespacio vectorial de Rn . En efecto, si x1 y x2 son soluciones entonces λx1 + µx2 es solución
ya que A(λx1 + µx2 ) = λAx1 + µAx2 = λ0 + µ0 = 0 donde λ y µ son escalares. En particular si
rang(A) = r, entonces el conjunto solución del sistema Ax = 0 es un subespacio vectorial de Rn
que puede ser descrito como combinación lineal de k = n − r vectores de Rn . Dicho subespacio se
llama también el espacio nulo de la matriz A ∈ Mm×n (R ) y se denotará por N ( A), esto es,

N ( A) = x ∈ Rn / Ax = 0

Sin embargo, el conjunto solución de un sistema lineal no homogéneo no es un subespacio vecto-

rial ya que ni tan siquiera contiene el vector nulo.

Subespacio engendrado o generado por un conjunto de vectores

 
Sea V un K -espacio vectorial y sea S = v1 , v2 , ... , v p un sistema o conjunto de vectores de V.
Defnición 3: Un vector v ∈ V es una combinación lineal de los vectores v1 , v2 , ... , v p con coe-
cientes λ1 , λ2 , ... , λ p ∈ K si
v = λ1 v1 +λ2 v2 + ... +λ p v p
Proposición 4: El conjunto de todas las combinaciones lineales de los vectores de S es un subespacio
vectorial de V, que se llama subespacio engendrado o generado por los vectores v1 , v2 , ... , v p de S y se
denotará por    
⟨S⟩ = v1 , v2 , ... , v p = λ1 v1 + λ2 v2 + ... + λ p v p / λi ∈ K
 
Además,
 este subespacio
 ⟨S⟩ = v1 , v2 , ... , v p es el subespacio más pequeño de V que contiene a
S = v1 , v2 , ... , v p .
Notación 1: Algunos autores denotan el subespacio engendrado ⟨S⟩ como V (S), [S] o Span(S) y le
llaman la “clausura lineal” de S. Por conveniencia se dene ⟨∅⟩ = 0 .
Sean v1 , v2 , ..., vn vectores de un espacio vectorial V. Podrı́a ocurrir que ⟨v1 , v2 , ... , vn ⟩ = V, en
cuyo caso los vectores v1 , v2 , ... , vn generan V. Por tanto, se tiene la siguiente denición:

Conjunto o sistema generador de un espacio vectorial

Defnición 4: El conjunto de vectores v1 , v2 , ... , vn  es un conjunto o sistema generador de V si
⟨v1 , v2 , ... , vn ⟩ = V, esto es, si todo vector de V se puede expresar como una combinación lineal de
los vectores v1 , v2 , ..., vn .
Defnición 5: Sea W un subespacio vectorial de V. Se dice que el conjunto de vectores v1 , v2 , ... , vk 
es un sistema generador de W si ⟨v1 , v2 , ... , vk ⟩ = W.
Observación 2: Obviamente, si un conjunto de vectores genera un espacio vectorial V y le añadimos
más vectores entonces también serán un sistema de generadores de V. Pero el problema es encontrar el
mı́nimo conjunto de vectores que genera un espacio o un subespacio vectorial. Esto nos lleva al concepto
de dependencia e independencia lineal.

3 Dependencia e independencia lineal. Bases. Dimensión

En esta sección vamos a trabajar con K-espacios vectoriales que pueden ser generados por un con-
junto nito de vectores. En particular, es deseable encontrar un conjunto generador minimal, esto es, un
conjunto en el que todos los elementos son necesarios para generar el espacio vectorial. Para encontrar
este conjunto generador minimal es necesario considerar cómo los vectores del conjunto “dependen”
unos de otros. Esto nos conduce a los conceptos de dependencia e independencia lineal, los cuales nos
servirán para entender la estructura de los espacios vectoriales.

Departamento de Matemáticas, 4
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

En primer lugar vamos a caracterizar cuándo podemos quitar un vector de un conjunto de vectores
sin que cambie el subespacio engendrado por ese conjunto.
Proposición 5: Sea S = v1 , v2 , ... , vn  un conjunto o sistema de vectores de un K-espacio vecto-
rial V. Entonces ⟨v1 , v2 , ... , vn , v⟩ = ⟨v1 , v2 , ... , vn ⟩ si, y sólo si, v ∈ ⟨S⟩ = ⟨v1 , v2 , ... , vn ⟩ para
cualquier v ∈ V.
Ejemplo 4: Si u y v son dos vectores de un espacio vectorial cualquiera, entonces se verica que

⟨u , v , u + v⟩ = ⟨u , v , 2u − v⟩ = ⟨u , v , u + v , 2u − v⟩ = ⟨u , v⟩

Observación 3: De la anterior proposición se sigue que un sistema o conjunto de vectores que genera
un subespacio vectorial es minimal si, y sólo si, no contiene vectores que se puedan expresar como
combinación lineal de los restantes vectores del sistema dado. Esta importante propiedad nos conduce
al concepto de independencia lineal de un conjunto o sistema de vectores.
Defnición 6: Un conjunto S = v1 , v2 , ... , vn  de vectores de un K-espacio vectorial V se dice
que es linealmente dependiente si, al menos uno de ellos, digamos vn , es combinación lineal de los
otros, esto es, vn = α1 v1 + ... +αn−1 vn−1 para ciertos α1 , ... , αn−1 ∈ K no todos nulos.
Defnición 7: Un conjunto S = v1 , v2 , ... , vn  de vectores de un K-espacio vectorial V se dice
que es linealmente independiente si ninguno de ellos es combinación lineal de los restantes.
Las anteriores deniciones son equivalentes a las siguientes:
Defnición 8: Un conjunto S = v1 , v2 , ... , vn  de vectores de un K-espacio vectorial V es lineal-
mente independiente si, y sólo si, la única combinación lineal de ellos que vale 0 es la que tiene todos
sus coecientes nulos, esto es, si λ1 v1 + λ2 v2 + ... +λn vn = 0 para ciertos λ1 , λ2 , ... , λn ∈ K, entonces
necesariamente λ1 = λ2 = · · · = λn = 0.
Defnición 9: Un conjunto de vectores v1 , v2 , ... , vn  es linealmente dependiente si admiten
al menos una combinación lineal igual al vector nulo λ1 v1 + λ2 v2 + ... +λn vn = 0 con al menos un
coeciente λi no nulo.

Observación 4: En efecto, supongamos que existe una combinación lineal

λ1 v1 + λ2 v2 + ...+λn vn = 0

con al menos un coeciente, digamos λn , no nulo. Entonces el vector vn se puede expresar como com-
binación lineal de los restantes ya que

λ1 λ
vn = − v − ... − n−1 vn−1
λn 1 λn
Defnición 10: Se dice que un vector depende linealmente de otros si áquel es igual a una com-
binación lineal de éstos. Un sistema de vectores S = v1 , v2 , ... , vn  es linealmente dependiente
si, y sólo si, alguno de sus vectores depende linealmente de los demás. Un sistema de vectores S =
v1 , v2 , ... , vn  es linealmente independiente si, y sólo si, ninguno de sus vectores depende lineal-
mente de los otros.
Observación 5: Desde un punto de vista geométrico, se puede pensar la dependencia lineal de la
siguiente manera:

1. Dos vectores v1 y v2 en Rn son linealmente dependientes si, y sólo si, son paralelos.
2. Tres vectores v1 , v2 y v3 en Rn son linealmente dependientes si, y sólo si, son coplanarios, esto es,
están contenidos en un mismo plano.

Departamento de Matemáticas, 5
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

Propiedades de la dependencia e independencia lineal

Proposición 6: Sea V un K-espacio vectorial. Entonces

1. El conjunto vacı́o de un espacio vectorial es linealmente independiente puesto que si no tiene

vectores no puede existir una combinación lineal no trivial entre ellos.
2. En un espacio vectorial, cualquier subconjunto S que contenga al vector nulo 0 es linealmente de-
pendiente. En efecto, puesto que 0 = 1 · 0, el vector nulo 0 es una combinación lineal de elementos
de S en la cual algún coeciente es no nulo. Por ejemplo, el subconjunto S = v1 , v2 , ..., vn , 0
es linealmente dependiente ya que se tiene 0v1 +0v2 + ... +0vn + 1 · 0 = 0.
3. Un conjunto formado por un único vector u ̸= 0 es linealmente independiente ya que si S = u
fuera linealmente dependiente entonces λu = 0 para algún escalar λ ̸= 0. Pero esto implica que
u = λ−1 (λu) = λ−1 0 = 0, lo cual nos lleva a una contradicción.
4. Un sistema o conjunto formado por dos vectores u y v es linealmente dependiente si, y sólo si, uno
de ellos es proporcional al otro, esto es, u = λv con λ ̸= 0.
5. Sea V un espacio vectorial y sea S1 ⊆ S2 ⊆ V. Entonces, si S1 es linealmente dependiente entonces
también lo es S2 y si S2 es linealmente independiente entonces también lo es S1 .
 
6. Dos sistemas de vectores S = v1 , v2 , ... , v p y T = u1 , u2 , ... , uk  son equivalentes, esto es,
⟨S⟩ = ⟨T⟩ si, y sólo si, todo vector de uno de los sistemas depende linealmente de los vectores del
otro y viceversa.
7. Sea V unespacio vectorial  generado por un número nito de k vectores v1 , v2 , ... , vk  . En-
tonces, si u1 , u2 , ... , u p es un conjunto de p vectores linealmente independiente, se verica que
p ≤ k.

Bases
Defnición 11: Un conjunto o sistema de vectores β = v1 , v2 , ... , vn  forma una base del espacio
vectorial V si generan V y son linealmente independientes.
Observación 6: Como el vector nulo o cero depende linealmente de cualesquiera vectores se sigue
que nunca puede formar parte de una base.
El siguiente teorema caracteriza una base.
Teorema 1: Los vectores β = v1 , v2 , ... , vn  forman una base del K-espacio vectorial V si, y sólo
si, cualquier vector de V se puede expresar de modo único como combinación lineal de ellos.
Demostración: Sea β = v1 , v2 , ... , vn  una base de V y se desea probar que para todo vector
v ∈ V existen escalares únicos λ1 , λ2 , ... , λn tales que v = λ1 v1 + λ2 v2 + ... +λn vn . Puesto que
⟨v1 , v2 , ... , vn ⟩ = V se sigue que cualquiera que sea v ∈ V entonces v = λ1 v1 + λ2 v2 + ... +λn vn para
ciertos λi ∈ K. Además estos escalares λ1 , λ2 , ... , λn son únicos. En efecto, supogamos que existen dos
representaciones de v:

v = λ1 v1 + λ2 v2 + ... +λn vn y v =µ1 v1 + µ2 v2 + ... +µn vn

Restando estas igualdades se obtiene

0 = (λ1 − µ1 )v1 + (λ2 − µ2 )v2 + ... +(λn − µn )vn

Puesto que β es linealmente independiente se sigue que

λ1 − µ1 = λ2 − µ2 = · · · = λ n − µ n = 0 ,

Departamento de Matemáticas, 6
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

esto es,
λ1 = µ1 ; λ2 = µ2 ; · · · ; λ n = µ n
Recı́procamente, supongamos que todo vector v ∈ V se expresa de forma única como combinación
lineal de los vectores de β = v1 , v2 , ... , vn . Entonces, por hipótesis β es un sistema generador de V.
Veamos que β es linealmente independiente. Para ello consideramos una combinación lineal del vector
nulo λ1 v1 + λ2 v2 + ... +λn vn = 0. Puesto que λ1 v1 + λ2 v2 + ... +λn vn = 0 = 0v1 + 0v2 + ... +0vn se
sigue, por hipótesis, que λ1 = λ2 = · · · = λn = 0.
Observación 7: El teorema anterior nos asegura que, dada una base cualquiera β = v1 , v2 , ... , vn ,
existe una biyección
V −→ Rn
v−→(λ1 ,...,λn )

tal que v = λ1 v1 + λ2 v2 + ... +λn vn . Claramente esta biyección depende de la base elegida en V y nos
permite asociar a todo vector una n-tupla de números reales, a los que llamaremos coordenadas.
Observación 8: Como es bien sabido, el método de Gauss nos permite describir el conjunto solución
de un sistema lineal homogéneo Am×n x = 0 como una combinación lineal de n − r vectores cuyos
coecientes o escalares son precisamente las variables libres, siendo r = rang( A) :

xh = xl1 u1 + ... + xln−r un−r

Obviamente, estos n − r vectores u1 ,...., un−r generan el conjunto solución pero, además, son siempre
linealmente independientes. Esto se debe a que, al igualar la combinación lineal precedente al vector
cero 0, las variables libres xl1 , ... , xln−r aparecen ellas solas iguales a 0. Por tanto, estos n − r vectores
que nos proporciona el método de Gauss son linealmente independientes y forman base del conjunto
solución del sistema homogéneo Am×n x = 0, o lo que es lo mismo, son una base de N ( A), el espacio
nulo de A.
Coordenadas de un vector respecto de una base
A partir de ahora consideraremos siempre “bases ordenadas” de un espacio vectorial
Defnición 12: Sea V un espacio vectorial. Una base ordenada de V es una base de V junto con un
orden especı́co.
Sea V un espacio vectorial y sea β = v1 , v2 , v3  una base de V. Entonces β′ = v2 , v1 , v3  es
también una base de V pero como bases ordenadas β ̸= β′ .
Sea β = v1 , v2 , ... , vn  una base ordenada de un espacio vectorial V. Dado un vector v ∈ V, se
sabe que v se puede escribir de forma única como
n
v = λ1 v1 + λ2 v2 + ...+λn vn = ∑ λi vi
i =1

Defnición 13: Los escalares λ1 , λ2 , ... , λn , unı́vocamente determinados por la base β y el vector
v, se denominan las coordenadas o componentes del vector v respecto de la base β y serán denotadas
por [v] β :
 
λ1
 λ2 
 
[v] β =  .. 
 . 
λn
De este modo, se tiene una representación matricial del vector v en la base β que viene dada por la
matriz columna cuyos elementos son las coordenadas de v en la base β.
Observación 9: Nótese que el problema de hallar las coordenadas de un vector dado v ∈ V respecto
de una base β = v1 , v2 , ... , vn  es equivalente a resolver el sistema lineal de ecuaciones Ax = v

Departamento de Matemáticas, 7
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

siendo A = (v1 , v2 , ... , vn ) la matriz de coecientes del sistema cuyos vectores columna son los vec-
tores vi de la base dada, xt = (λ1 , λ2 , ... , λn ) el vector de las incógnitas y v el vector de los términos
independientes. Dicho sistema es compatible determinado ya que los vectores columna de A son lineal-
mente independientes y se tiene
 
( A  v) −→ · · · −→ In  [v] β

  
5 5
Ejemplo 5: En R3 , el vector v =  −3  tiene coordenadas  −3  respecto de la base ordinaria
2 2
o usual       
 1 0 0 
β = E3 = i =  0  , j =  1  , k =  0 
 
0 0 1
ya que  
5
v =  −3  = 5i−3j+2k
2
Por otro lado, si queremos hallar las coordenadas del vector dado v respecto de la base siguiente
      
 1 1 1 
β′ = v1′ =  0  , v2′ =  1  , v3′ =  3 
 
1 2 2
 
se deberá resolver el sistema lineal compatible determinado Ax = v siendo A = v1′ , v2′ , v3′ la matriz
cuyos vectores columna son los vectores de la base β′ y las incógnitas son las coordenadas λ1 , λ2 y λ3 :
       
1 1 1 5 
λ1  0  + λ2  1  + λ3  3  =  −3  ⇐⇒ Ax = v

1 2 2 2

Si aplicamos eliminación gaussiana resulta

        
1 1 1  5 1 1 1  5
 1 1 1  5

F3 − F1 F3 − F2
 0 1 3  −3  −→  0 1 3  −3  −→  0 1 3  −3 
  
1 2 2  2 0 1 1  −3 0 0 −2  0

Si realizamos sustitución retrógada se obtiene que la única solución del sistema es Sol = (8 , − 3 , 0) .
En consecuencia, se tiene que
   
5 8
[ v ] β ′ =   −3   =  −3 
2 β′
0

Si hubiéramos reducido a forma escalonada reducida la matriz de la izquierda serı́a la matriz identi-
dad y en la columna de la derecha se obtendrı́an las coordenadas buscadas. En efecto,
           
1 1 1  5 − 12 F3
1 1 1  5 1 1 0  5 1 0 0  8
F1 − F3 F1 − F2
 0 1 3  −3  −→  0 1 3  −3  −→  0 1 0  −3  −→  0 1 0  −3 
F2 −3F3
0 0 −2  0 0 0 1  0 0 0 1  0 0 0 1  0

Un espacio vectorial V puede tener muchas bases y, en general, no podemos asociar a dicho espacio
vectorial una base que lo describa mejor. Sin embargo, las bases tienen algunas propiedades carac-
terı́sticas que estudiamos a continuación.

Departamento de Matemáticas, 8
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

Teorema 2 (Teorema de la base): Todas las bases de un K-espacio vectorial V tienen el mismo
número de elementos.
Defnición 14: Se llama dimensión del K-espacio vectorial V al número de elementos de cualquier
base de V y se denota por dimK V.
Defnición 15: Un espacio vectorial es de dimensión nita si tiene una base formada por un número
nito de elementos. El subespacio 0 tiene dimensión 0 puesto que su base es el conjunto vacı́o.
Observación 10: El teorema anterior muestra que el número de vectores de una base es una propiedad
intrı́nseca al espacio vectorial. Además, nótese que una base β es un conjunto maximal independiente
(no puede ser ampliado sin perder la independencia lineal de los vectores) y un conjunto generador
minimal (no puede reducirse y seguir generando el espacio vectorial). Por tanto, es claro que dimK V
coincide con el número de vectores de cualquier subconjunto linealmente independiente maximal de V
y con el número de vectores de cualquier subconjunto generador minimal de V. Por tanto, en un espa-
cio vectorial V de dimensión n cualesquiera n vectores linealmente independientes forman una base y
cualesquiera n vectores generadores forman una base.
Proposición 7: Si W ⊆ V es un subespacio de un espacio vectorial V, entonces dim W ≤ dim V y si
dim W = dim V entonces W = V.
Observación 12: Si dim V = n y W es un subespacio vectorial de V generado por los vectores
w1 , ... , wk , esto es, W = ⟨w1 , ... , wk ⟩ , entonces la dim W es el número máximo de vectores lineal-
mente independientes que haya entre los vectores w1 , ... , wk  .
A continuación enunciaremos el teorema de Steinitz que asegura que toda colección de vectores
linealmente independientes de un espacio vectorial se puede ampliar hasta formar una base del espacio.
Teorema 2: Sean v1 , v2 , ... , vm  vectores linealmente independientes de un espacio vectorial V
de dimensión n, con m < n. Entonces existen m − n vectores vm+1 , ... , vn tal que

v1 , v2 , ... , vm , vm+1 , ... , vn 

es una base de V.
Ahora vamos a enunciar un teorema que asegura que cualquier sistema generador de V se puede
reducir a una base, descartando vectores si fuera necesario.
Teorema 3 : Sea V un espacio vectorial de dimensión n y sea v1 , v2 , ... , vm  un sistema generador
de V. Entonces existen n vectores vi1 , .. , vin ∈ v1 , v2 , ... , vm  que forman una base de V.
Corolario 1: Sea V un espacio vectorial de dimensión n. Entonces,

1. Un conjunto de n vectores es linealmente independiente si, y sólo si, es un sistema generador de

V.
2. Ningún conjunto con menos de n vectores puede generar V.
3. Ningún conjunto con más de n vectores puede ser linealmente independiente en V.

Rango de una matriz y rango de un conjunto de vectores

Defnición 16: Si A ∈ Mm×n (K ) es una matriz de orden m × n con coecientes en un cuerpo K,

se llama rango de A, denotado por rang(A), a la dimensión del subespacio vectorial generado por los
vectores las de A, esto es, rang(A) es el número máximo de vectores la linealmente independientes
de A y coincide con el número máximo de vectores columna linealmente independientes de A.

Departamento de Matemáticas, 9
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

Defnición 17: Sea dim V = n y sea S =  v1 , v2 , ... , vk  un conjunto de vectores de V. Se dene el

rango de S, o el rango de los vectores v1 , v2 , ... , vk , como la dimensión del subespacio generado por
esos vectores, esto es,

rang(S) = rang (v1 , v2 , ... , vk ) = dim(⟨ v1 , v2 , ... , vk ⟩) = dim⟨ S ⟩

Claramente, el rango de S es el número máximo de vectores linealmente independientes de S.

Observación 13: Sea S =  v1 , v2 , ... , vk  un conjunto o sistema de vectores del espacio vectorial
V = Rn y denotemos el subespacio generado por dichos vectores por

W = ⟨ S ⟩ = ⟨ v1 , v2 , ... , vk ⟩

Entonces, rang(S) = rang (v1 , v2 , ... , vk ) = dim W y si denotamos por

 
v1
 v2 
 
A= . 
 .. 
vk k ×n

la matriz de orden k × n cuyos vectores la son los vectores vi del conjunto S, se verica que rang(S) =
dim W = rang(A). Además, una base del subespacio W = ⟨ v1 , v2 , ... , vk ⟩ viene dada por los vectores
la no nulos de cualquier forma escalonada de la matriz A y, en particular, la base más elegante de W
es la formada por los vectores la no nulos de la forma escalonada reducida de A. Por último, se tiene
que el conjunto S =  v1 , v2 , ... , vk  es linealmente independiente si, y sólo si, rang(A) = k.
Ejemplos 6:

1. En Rn el conjunto

β = En = e1 , e2 , ... , en  donde e1 = (1, 0, ..., 0)t , e2 = (0, 1, 0, ..., 0)t , ..., en = (0, 0, ..., 0, 1)t

es la base más natural y sencilla posible de entre todas las bases. Dicha base se llama la base
ordinaria o usual o estándar de Rn . Dado cualquier vector
 
v1
 v2 
 
v =  .  ∈ Rn
 .. 
vn

se tiene que v = v1 e1 +v2 e2 + ... +vn en . Por tanto, las coordenadas de v respecto de la base ordi-
naria β = En son sus mismas componentes. Por esta razón, esta base se llama base ordinaria o
usual de Rn . Evidentemente, en Rn hay otras muchas bases y dimR Rn = n.
 
1
2. En R2 el vector v = respecto de la base ordinaria o usual
2
    
1 0
β = E2 = e1 = i = , e2 = j =
0 1
     
1 1 1
tiene coordenadas , esto es, [v] β=E2 = = ya que v = 1i + 2j.
2 2 β=E
2
2

Pero si consideramos la base    

1 −1
β′ = ,
1 1

Departamento de Matemáticas, 10
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

 
1
de R2 y calculamos las coordenadas del vector v = en la base β′ se tiene que
2
      
1 −1 1 λ − λ2 = 1 λ1 = 32
λ1 + λ2 = =⇒ 1 =⇒
1 1 2 λ1 + λ2 = 2 λ2 = 12

Entonces    
1 3/2
[ v ] β′ = =
2 β′
1/2
   
1 1
3. En R3 , el vector v =  2  tiene coordenadas  2  respecto de la base ordinaria o usual
3 3
      
 1 0 0 
β = E3 = e1 = i =  0  , e2 = j =  1  , e3 = k =  0 
 
0 0 1

mientras que respecto de la base

     
 1 0 1 
β′ =  1  ,  1  ,  1 
 
0 1 1

se tiene que
        
1 0 1 1  λ1 + λ3 = 1  λ1 = −1
λ1  1  + λ2  1  + λ3  1  =  2  =⇒ λ1 + λ2 + λ3 = 2 =⇒ λ2 = 1
 
0 1 1 3 λ2 + λ3 = 3 λ3 = 2

Entonces,    
1 −1
[ v ] β′ =  2  =  1 
3 β′
2

4. Los números complejos 1, i forman una base ordinaria de C como R-espacio vectorial y se tiene
que dimR C = 2.
5. Si consideramos C como C-espacio vectorial, entonces una base para este espacio es 1 puesto
que cualquier número complejo a + bi se puede escribir como ( a + bi)1, donde a + bi se toma como
escalar y 1 como el vector base. De igual modo, i es otra base ya que a + bi = (b − ai )i. Por tanto,
dimC C = 1.
6. En el espacio vectorial Mm×n (R ) de las matrices de orden m × n con coecientes reales, si deno-
tamos por Eij la matriz cuyo único elemento no nulo es un 1 en la la i-ésima y en la columna
j-ésima, se verica que el conjunto
 
β = Eij : 1 ≤ i ≤ m ; 1 ≤ j ≤ n

es una base ordinaria o usual de Mm×n (R ) y dim Mm×n (R ) = m × n

Ası́ por ejemplo, la base ordinaria de M2×2 (R ) serı́a
        
1 0 0 1 0 0 0 0
β = E11 = , E12 = , E21 = , E22 =
0 0 0 0 1 0 0 1

Departamento de Matemáticas, 11
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

En efecto, esas matrices son linealmente independientes ya que si existiera una combinación lineal
 
0 0
λ1 E11 + λ2 E12 + λ3 E21 + λ4 E22 = 0 = O =
0 0

entonces    
λ1 λ2 0 0
= ⇐⇒ λ1 = λ2 = λ3 = λ4 = 0
λ3 λ4 0 0

Además, dada una matriz cualquiera

 
a b
A= ∈ M2×2 (R)
c d

se tiene que
A = aE11 + bE12 + cE21 + dE22

Por tanto, son sistema de generadores y forman base. Nótese que

 
  a
a b  b 
[ A] β = = c 

c d β
d

7. En el espacio
 vectorial Rn [ x ] 
de todos los polinomios de grado menor o igual que n, la base natural
es β = 1, x, x2 , ..., xn−1 , xn como el lector puede comprobar fácilmente y dimR Rn [ x ] = n + 1.
 
Por ejemplo, los polinomios β = 1, x, x2 forman una base de R2 [ x ] y las coordenadas del
polinomio 6 − 5x + 7x2 respecto de esa base son (6, −5, 7)t .
8. El espacio vectorial
 R [ x ] formado por todos los polinomios tiene una base formada por innitos
elementos β = 1, x, x2 , ..., xn−1 , xn , ...
9. Como ya hemos visto muchas veces, el espacio vectorial de soluciones de un sistema lineal ho-
mogéneo se describe, aplicando el método de Gauss, como una combinación lineal de ciertos vec-
tores. Por tanto, estos vectores generan dicho subespacio y como son linealmente independientes
forman una base del conjunto solución. Por ejemplo, se desea obtener una base del subespacio
vectorial W de R4 denido por
  

 x 

  
y 4 x + y + z = 0
W=   z 
∈R /

 2x +y +t = 0  
 
t

El subespacio W es el conjunto solución del sistema lineal homogéneo


x +y +z =0
2x +y +t = 0

Aplicando el método de Gauss se obtiene

   
1 1 1 0 F2 −2F1 1 1 1 0
−→
2 1 0 1 0 −1 −2 1

Departamento de Matemáticas, 12
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

Despejando las variables principales x e y en términos de las variables libres z y t resulta

y = −2z + t
x = z−t

Entonces     
 

 x 1 −1 

   −2   1  
y
W = Sol =   
 z  = z 1
+t
  0 
 / z,t∈R

 

 
t 0 1

Por tanto, el conjunto solución está generado por los vectores

   

 1 −1  
 
−2  
 ,  1 
β=   1   0 

 
 
0 1

Puesto que estos vectores son linealmente independientes (no son múltiplos uno de otro) se sigue
que forman una base de W y dimR W = 2.
10. Sea ahora W el subespacio de M2×2 (R ) denido por
  
a b
W= / a − b + 2c = 0 , 2a − c + d = 0
c d

Aplicando Gauss al sistema homogéneo se obtiene

   
1 −1 2 0 F2 −2F1 1 −1 2 0
−→
2 0 −1 1 0 2 −5 1

Despejando las variables principales a y b en términos de las variables libres c y d resulta

b = 52 c − 12 d
a = b − 2c = 52 c − 12 d − 2c = 12 c − 12 d

Entonces   
1 1 5 1
W= 2c − 2d 2c − 2d /c,d∈R =
c d
     
1/2 5/2 −1/2 −1/2
= c +d /c,d∈R
1 0 0 1

De esta forma, W está generado por las matrices

   
1/2 5/2 −1/2 −1/2
,
1 0 0 1

Puesto que esas matrices son linealmente independientes se sigue que forman una base de W y
dimR W = 2.

Departamento de Matemáticas, 13
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

4 Combinación de subespacios
Hay varias formas de combinar subespacios de un K-espacio vectorial V para formar nuevos subespa-
cios. Dado que los subespacios de un espacio vectorial son subconjuntos de dicho espacio, es natural
considerar la unión e intersección de subespacios. La intersección de dos subespacios vectoriales es un
espacio vectorial, pero la unión de dos subespacios podrı́a no ser un subespacio. Por ejemplo, en R2 , el
eje x (generado por e1 = (1, 0)) y el eje y (generado por e2 = (0, 1)) son dos subespacios pero su unión
no es cerrada respecto de la suma de vectores. En efecto, el vector e1 + e2 = (1, 1) no pertenece a la
unión.
Sin embargo, aparte de la unión y la intersección hay otra manera de formar un nuevo subespacio a
partir de otros.
Subespacios suma e intersección
Defnición 18: Sean U y W subespacios vectoriales de un K-espacio vectorial V. Se denen la suma
U + W y la intersección U  W por

1) U + W = v ∈ V : v = u + w donde u ∈ U y w ∈ W
2) U  W =  v ∈ V : v ∈ U y v ∈ W 

Poniendo u = 0 o w = 0, se tiene que U ⊆ U + W, W ⊆ U + W y U  W ⊆ U + W.

De igual modo, se puede denir la suma de un número nito de subespacios vectoriales, digamos
U1 , U2 , ..., Um , como

U1 +U2 +... + Um = u1 + u2 + ... + um / ui ∈ Ui , i = 1, 2, ..., m

Proposición 8: Si U y W son dos subespacios de un K-espacio vectorial V, entonces U  W y U + W

son subespacios de V. Además, por un lado, U  W es el subespacio vectorial más grande contenido en
U y en W . Por otro lado, U + W es el subespacio vectorial más pequeño que contiene a U y a W.
Corolario 2: Si U1 , U2 , ..., Un son subespacios de un K-espacio vectorial V, entonces
n
 Ui y U1 +U2 +... + Un
i =1

son subespacios de V.
Proposición 9: Si u1 , ... , ur  es una base de U y w1 , ... , ws  es una base de W, entonces los
vectores u1 , ... , ur , w1 , ... , ws  forman un sistema de generadores de U + W.
Suma directa de subespacios
Comenzaremos con dos subespacios y, después, generalizaremos este concepto a más subespacios.
Defnición 19: Si U y W son dos subespacios de un K-espacio vectorial V, entonces el subespacio
U + W se dice que es una suma directa de subespacios, la cual denotaremos por U ⊕ W, si cada elemento
de U + W se puede expresar de forma única como u + w, donde u ∈ U y w ∈ W, esto es, cualquier
vector de dicha suma se puede escribir de forma única como suma de un vector de U y otro vector de
W.
Proposición 10: La suma U + W es directa si, y sólo si, U  W = 0
Defnición 20: Si U y W son dos subespacios de un K-espacio vectorial V, entonces V es la suma
directa de U y W, denotada por V = U ⊕ W, si todo vector v ∈ V tiene una representación única v =
u + w, donde u ∈ U y w ∈ W.
Teorema 8: Si U y W son dos subespacios de un K-espacio vectorial V, entonces

1) V = U + W
V = U ⊕ W ⇐⇒
2) U  W = 0

Departamento de Matemáticas, 14
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

Defnición 21: Los subespacios U y W de un K-espacio vectorial V son suplementarios (o comple-

mentarios) si V = U ⊕ W.
Ejemplo 7: Prueba que el espacio vectorial de las matrices cuadradas de orden n es suma directa de
los subespacios dados por las matrices simétricas y las matrices hemisimétricas:

Mn (R ) = Sn (R ) ⊕ Hn (R )

En primer lugar probaremos que toda matriz cuadrada A descompone como suma de una matriz
simétrica y de una hemisimétrica. En efecto, se verica que

A + At A − At
A= +
2 
  2 
 
simétrica hemisimétrica

Puesto que
Sn (R )  Hn (R ) = O
se sigue el resultado deseado.
Proposición 11: Sean U y W subespacios de un K-espacio vectorial V. Entonces los siguientes enun-
ciados son equivalentes:

1. U y W son subespacios suplementarios.

2. Todo vector de V se expresa de forma única como suma de uno de U y otro de W.
3. Si u1 , ... , ur  es una base de U y w1 , ... , ws  es una base de W, entonces el conjunto de vectores
u1 , ... , ur , w1 , ... , ws  es una base de V.

A partir de ahora, U1 , U2 , ..., U p son subespacios de un K-espacio vectorial V.

Defnición 22: Se dice que U1 , U2 , ... , U p son subespacios independientes o que U1 +U2 +... + U p es
una suma directa de subespacios, denotada por U1 ⊕U2 ⊕... ⊕ U p , si cualquier vector de dicha suma se
puede expresar de forma única como suma de vectores de U1 , U2 , ... , U p .

Proposición 12: La suma U1 +U2 +... + U p es directa si, y sólo si,


u1 + u2 + ... + u p = 0
=⇒ ui = 0 para i = 1, 2, ..., p
ui ∈ Ui , i = 1, 2, ..., p

Observación 13: Si la suma de varios subespacios U1 , U2 , ... , U p es directa, entonces la intersección

de cada dos de ellos es nula, esto es, Ui U j = 0 para i ̸= j, pero el recı́proco no es cierto en general.

Teorema 9: Se verica que


1) V = U1 +U2 +... + U p
V = U1 ⊕U2 ⊕... ⊕ U p ⇐⇒ 2) U j  ( ∑ Ui ) = 0 para cada j (1 ≤ j ≤ p)
i̸= j

Dimensión de la suma
Teorema 10: En un espacio vectorial V de dimensión nita se verica que:

1. 
V = U1 ⊕U2 ⊕... ⊕ U p
=⇒ β = β1  · · ·  β p es una base de V
βi es una base de Ui

Departamento de Matemáticas, 15
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

2. Fórmula de las dimensiones (o de Grassmann)

Si U1 y U2 son dos subespacios de un espacio vectorial V de dimensión nita, entonces

dim(U1 +U2 ) = dim U1 + dim U2 − dim(U1 U2 )

3. Si U1 y U2 son dos subespacios de un espacio vectorial V de dimensión nita, entonces

dim(U1 ⊕U2 ) = dim U1 + dim U2

5 Hiperplanos
Sea V un espacio vectorial de dimensión nita y H un subespacio vectorial de V.

Defnición 23: Se dice que H es un hiperplano de V si dim H = dim V − 1

Ejemplo 7: En el espacio vectorial Rn el conjunto de vectores

  
 x1
 

 ..  n
H =  .  ∈ R : a1 x1 + a2 x2 + ... + an xn = 0 con algún ai ̸= 0

 

xn

es un hiperplano de Rn . En efecto, si algún ai ̸= 0, por ejemplo a1 , el conjunto H, se puede describir

como         
 a2 an 

 x 1 − a1 x 2 − · · · − a1 x n 

  x2  
  

    x2 
H=  . =  / x2 , x3 , ..., xn ∈ R =
  ..   .
..  

  


 xn 

xn

       


  − ( a2 /a1 ) − ( a3 /a1 ) − ( an /a1 ) 


 x1       


   1   0   0  

 x2       .. 
=  ..  = x2  0  + x3  1  + · · · + xn   / x2 , x3 , ..., xn ∈ R
    ..   ..   .  

 .       


 . . 0 

 xn 
0 0 1

Por tanto, H es un hiperplano de Rn puesto que dim H = n − 1 ya que los vectores

      

 − ( a2 /a1 ) − ( a3 /a1 ) − ( an /a1 ) 


  1   0   0  


      

 0   1   .
.. 
  ,   , ··· ,  

  .   ..    

 .
.   .   0  



 

0 0 1

forman una base de H.

Cuando un subespacio vectorial se corta por un hiperplano se verica que la dimensión baja “en
general” una dimensión.

Proposición 13: Sea V un espacio vectorial de dimensión nita, W un subespacio vectorial de V y H

un hiperplano de V. Las armaciones siguientes son equivalentes:

Departamento de Matemáticas, 16
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

1. W no está contenido en H
2. W + H = V
3. dim(W  H) = dim W − 1
Demostración: Nótese que W no está contenido en H si, y sólo si, W + H ̸= H, lo que a su vez
equivale a que W + H = V ya que H un hiperplano. Puesto que

dim(W + H) = dim W + dim H− dim(W  H) = dim W + dim V − 1 − dim(W  H)

resulta que las dos últimas armaciones son también equivalentes.

6 Ecuaciones paramétricas y cartesianas de un subespacio vectorial

Sea W un subespacio vectorial del espacio vectorial Rn de dimensión k, β = En la base ordinaria o
canónica de Rn y βW = w1 , w2 , . . . , wk  una base de W. Entonces, un vector x ∈ V pertenece a W
si, y sólo si,
x = λ1 w1 + λ2 w2 + ... + λk wk
para ciertos escalares λ1 , ... , λk ∈ R. La anterior igualdad se llama la ecuación paramétrico-vectorial de
W y si denotamos por x1 , x2 , ... , xn las coordenadas del vector x ∈ V respecto de la base β, equivale a
que dichas coordenadas satisfacen el sistema de ecuaciones lineales
    λ 
x1 = λ1 w11 + · · · λk w1k x1 w11 · · · w1k 1
.. .. .. ..  ..  
⇐⇒  .  =   .. 
. . . ··· .  . 
xn = λ1 wn1 + · · · λk wnk xn wn1 wnk λk

donde λ1 , ... , λk son escalares arbitrarios y la matriz (wij ) tiene rango k. El conjunto de las ecuaciones
anteriores se llaman ecuaciones paramétricas del susbespacio W en la base β.
A continuación, para obtener las ecuaciones cartesianas o implı́citas del subespacio W en la base β
se debe imponer que
rang ( w1 , w2 , . . . , wk  x) = k
De esta manera, elegido un menor de orden k no nulo, esta condición equivale a la anulación de n − k
menores de orden k + 1, lo cual proporciona el número mı́nimo de ecuaciones linealmente independi-
entes que denen las ecuaciones implı́citas de W. Nótese que

dim W + número mı́nimo ecuaciones = n

Ejemplo 8: Halla unas ecuaciones paramétricas e implı́citas (o cartesianas) del subespacio vectorial
W de R4 generado por los vectores
      

 1 −1 5  
  2     
v1 =   , v2 =  0  , v3 =  6 
  1   1   1 

 

0 −2 4

Solución: Puesto que el subespacio W = ⟨v1 , v2 , v3 ⟩ está generado por esos tres vectores dados, se
debe comprobar primero si son o no linealmente independientes:
     
1 2 1 0 1 2 1 0 1 2 1 0
F2 + F1 F3 +3F2
A =  −1 0 1 −2  −→  0 2 2 −2  −→  0 2 2 −2 
F3 −5F1
5 6 1 4 0 −4 −4 4 0 0 0 0

Departamento de Matemáticas, 17
Universidad de Las Palmas de Gran Canaria
 Espacios vectoriales de acuerdo con César Rodrı́guez Mielgo

De aquı́ se deduce que dim W = rang(A) = 2 y una base de W es

   

 1 0  
  1 
 2   
βW =  ,

 1   1  
 
0 −1

Entonces, la ecuación paramétrico-vectorial de W y las ecuaciones paramétricas de W en la base

canónica de R4 son:
      
x 1 0 
 x = λ
 y   2   1  
      y = 2λ +µ
 z  = λ  1  + µ  1  donde λ , µ ∈ R ⇐⇒W ≡  z = λ +µ
λ, µ∈R


t 0 −1 t = −µ

Para encontrar las ecuaciones implı́citas del subespacio W, se tiene que

  
1 0  x
 2 1  y 
rang  =2
 1 1  z 
0 −1  t

Puesto que
        
1 0  x 1 0  x 1 0  x
  
 2 1  y  F2 −2F1  0 1  y − 2x  F3 − F2  0 1  y − 2x 
   −→    −→   
 1 1  z  F3 − F1  0 1  z−x  F4 + F2  0 0  z − x − y + 2x 
  
0 −1  t 0 −1  t 0 0  t + y − 2x

se sigue que unas ecuaciones implı́citas de W son


x −y +z =0
W≡
−2x +y +t = 0

Otra forma de obtener las ecuaciones cartesianas o implı́citas de W es considerar en la matriz un

menor de orden 2 con rango 2 e imponer que los determinantes de orden tres sean nulos:
  
  1 0 x 

  
     2 1 y  = z+x−y = 0

1 
0  x 
  
  1 1 z 

 2 
1  y 
rang  = 2 =⇒
 1 1  z  


 1

 
  0 x 
0 −1 t 
  2

 1 y  = t − 2x + y = 0
 
0 −1 t 

Departamento de Matemáticas, 18
Universidad de Las Palmas de Gran Canaria