UNIVERSIDAD ESTATAL A DISTANCIA

VICERRECTORÍA ACADÉMICA ESCUELA

DE CIENCIAS EXACTAS Y NATURALES
CÁTEDRA DE MATEMÁTICA PARA LA
ADMINISTRACIÓN Y COMPUTACIÓN

1 Espacios vectoriales
1.1 Definición y propiedades básicas
Espacio vectorial real: Un espacio vectorial real V es un conjunto de objetos, conocidos como
vectores, con dos operaciones binarias , suma y multiplicación por un escalar, que satisfacen los
axiomas (10) de un espacio vectorial.

Axiomas de un espacio vectorial:

i) Cerradura bajo la suma:

Si x ∈ V y y ∈ V , entonces x + y ∈ V .

ii) Ley asociativa de la suma de dos vectores:

∀ x, y, z ∈ V entonces x + (y + z) = (x + y) + z.

iii) Vector cero o idéntico aditivo:

Existe un vector 0 ∈ V , tal que, ∀ x ∈ V se cumple que x + 0 = 0 + x = x.

iv) Inverso aditivo:

Si x ∈ V , existe un vector, denotado por −x ∈ V para el cual se cumple que x + (−x) = 0.

v) Ley conmutativa de la suma de vectores:

Para todo x, y ∈ V , entonces x + y = y + x.

vi) Cerradura bajo la multiplicación por un escalar:

Si x ∈ V y α un escalar, entonces αx ∈ V .

vii) Primera ley distributiva:

Si x, y ∈ V y α un escalar, se cumple que α(x + y) = αx + αy.

viii) Segunda ley distributiva:

Sean α y β dos escalares y x ∈ V , entonces (α + β)x = αx + βx.

ix) Ley asociativa de la multiplicación por escalares:

Sean α y β dos escalares y x ∈ V , entonces α(βx) = (αβx).

x) Para cada x ∈ V se cumple que 1x = x.

1
 Algunos espacios vectoriales:

• Rn = {x1 , x2 , x3 , ..., xn } : xi ∈ Rn para i = 1, 2, 3, ..., n.

• Pn = {polinomios de grado menor o igual a n}.

• C[a, b] = {funciones reales continuas en el intervalo [a, b] }.

• Mmn = {matrices de tamaño m × n con coeficientes reales }.

• Cn = {(c1 , c2 , c3 , ..., cn ) : ci ∈ C para i = 1, 2, 3, ...n}.

Es importante acotar que si se indican condiciones se deben considerar los axiomas para asegurar su
condición de espacio vectorial.

1.2 Subespacios vectoriales

Subespacios vectoriales: H es un subespacio vectorial de V si H 6= φ y H es un subconjunto de
V, además H es un espacio vectorial con las operaciones suma de vectores y multiplicación por un
escalar que se definieron para V.

Teorema: Si H es un subconjunto no vacı́o de un espacio vectorial V para el cual se cumplen

las dos reglas de cerradura:

i) Si x, y ∈ H entonces x + y ∈ H.

ii) Si x ∈ H y α un escalar, entonces αx ∈ H.

se dice que H es un subespacio vectorial de V.

Subespacio propio: Un subespacio propio de un espacio vectorial V es un subespacio vectorial

de V siempre que este sea diferente del subespacio trivial ({0}) y del mismo espacio vectorial V.

1.3 Combinación lineal y espacio generado

Combinación lineal: Sean los vectores v1 , v2 , v3 , ..., vn en un espacio vectorial V. Se dice que
cualquier vector de la forma a1 v1 + a2 v2 + a3 v3 + · · · + an vn donde los ai , con i = 1, 2, 3, ..., n
son escalares, se denomina combinación lineal de los vectores v1 , v2 , v3 , ..., vn .

Conjunto generador: Los vectores v1 , v2 , v3 , ..., vn de un espacio vectorial V generan a V si

todo vector de este espacio vectorial se puede escribir como una combinación lineal de los mis-
mos. Dicho de otra manera, ∀v ∈ V existen escalares a1 , a2 , a3 , ..., an para los que se cumple que
v = a1 v1 + a2 v2 + a3 v3 + · · · + an vn .

Espacio generado: Sean k vectores v1 , v2 , v3 , ..., vk en un espacio vectorial V. El espacio gener-

ado por {v1 , v2 , v3 , ..., vk } es el conjunto de combinaciones lineales v1 , v2 , v3 , ..., vk . Dicho de otra
manera
gen{v1 , v2 , v3 , ..., vk } = {v : v = a1 v1 + a2 v2 + a3 v3 + · · · + ak vk }

2
donde los a1 , a2 , a3 , ..., ak son escalares arbitrarios.

Teorema: Si v1 , v2 , v3 , ..., vk son vectores en un espacio vectorial V, entonces el espacio generado por
estos gen{v1 , v2 , v3 , ..., vk } es un subespacio vectorial de V.

1.4 Independencia lineal

Dependencia e independencia lineal: Sean v1 , v2 , v3 , ..., vn , n vectores en un espacio vectorial V.
Se dice que los vectores son linealmente dependientes si existen n escalares c1 , c2 , c3 , ..., cn no todos
cero para los que se cumple que c1 v1 + c2 v2 + c3 v3 + · · · + cn vn = 0; en caso contrario se dice que los
vectores son linealmente independientes.

Teorema: Dos vectores en un espacio vectorial son linealmente dependientes si y sólo si uno de
ellos es un múltiplo escalar del otro.

Teorema: Un conjunto de n vectores en Rm es siempre linealmente dependiente si n > m.

Corolario: Un conjunto de vectores linealmente independientes en Rn contiene a lo sumo n vectores.

Teorema de resumen: Sea A una matriz cuadrada de tamaño n. Entonces las siguientes ocho
afirmaciones son equivalentes, esto es, si una es cierta, las otras siete también lo son:

i) A es invertible.

ii) La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).

iii) EL sistema Ax = b tiene una solución única para cada vector de dimensión nb.

iv) A es equivalente por filas a la matriz identidad In .

v) A es el producto de matrices elementales.

vi) La forma escalonada por filas de A tiene n pivotes.

vii) detA 6= 0.

viii) Las columnas (y filas) de A son linealmente independientes.

Teorema: Cualquier conjunto de n vectores linealmente independientes en Rn genera a Rn .

1.5 Bases y dimensión

Base: Un conjunto finito de vectores v1 , v2 , v3 , ..., vn es una base para un espacio vectorial V si se
cumple:

i) v1 , v2 , v3 , ..., vn es linealmente independiente.

ii) v1 , v2 , v3 , ..., vn genera a V.

3
Resultado: Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn . La
base canónica para R4 son los cuatro vectores:
       
1 0 0 0
 0   1   0   0 
e1 = 
 0  ; e2 =  0  ; e3 =  1  ; e4 =  0 
      

0 0 0 1

Dimensión: Si el espacio vectorial V tiene una base finita, entonces la dimensión de V, denotada
por dim V , es el número de vectores en cada base y V se denomina un espacio vectorial de dimensión
finita. En caso contrario, si V tiene una base infinita se denomina espacio vectorial de dimensión
infinita. El espacio vectorial trivial V = {0} tiene dimensión cero.

Teorema: Si H es un subespacio de un espacio vectorial de dimensión finita V, entonces H tiene

dimensión finita y dim H ≤ dim V .

Teorema: Cualquier conjunto de n vectores linealmente independientes en un espacio vectorial

V de dimensión n constituyen una base para V.

1.6 Cambio de bases

Sean B1 = {u1 , u2 , ..., un } y B2 = {v1 , v2 , ..., vn } dos bases para el espacio vectorial V. Si x ∈ V y

x = b1 u1 + b2 u2 + · · · + bn un = c1 v1 + c2 v2 + · · · + cn vn

entonces se escribe    
b1 c1
 b2   c2 
(x)B1 =  y (x)B2 = 
   
.. .. 
 .   . 
bn cn
 
a1j
 a2j 
Suponga que (uj )B2 =  . Entonces la matriz de transición de B1 a B2 es la matriz A de
 
..
 . 
anj
tamaño n × n dada por  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=
 
.. .. .. 
 . . . 
an1 an2 · · · ann
Más aún, (x)B2 = A(x)B1 .

Ahora bien, si A es la matriz de transición de B1 a B2 , entonces A−1 es la matriz de transición

de B2 a B1 .

4
  
a1j
 a2j 
Si (xj )B1 =   para j = 1, 2, ..., n, entonces x1 , x2 , ..., xn son linealmente independientes si
 
..
 . 
anj
y sólo si el det A 6= 0, donde la matriz A de transición de B1 a B2 .

1.7 Rango, nulidad, espacio renglón y espacio columna

Espacio nulo y nulidad de una matriz: NA se denomina el espacio nulo de la matriz A y
ν(A) = dim NA se denomina nulidad de la matriz A. Si NA contiene solo al vector cero, entonces
ν(A) = 0.

Teorema: Sea A una matriz de tamaño n × n. Se dice que A es invertible si y sólo si ν(A) = 0.

Imagen de una matriz: Sea A una matriz de tamaño m × n, entonces la imagen de A, deno-
tada por imA, viene dada por imA = {y ∈ Rm : Ax = y para alguna x ∈ Rm }.

Teorema: Sea A una matriz de tamaño m × n. La imA es un subespacio vectorial de Rm .

Rango de una matriz: Sea A una matriz de tamaño m × n, entonces el rango de A, denotado por
ρ(A), está dado por ρ(A) = dim imA

Espacio de las filas y espacio de las columnas de una matriz: Si A es una matriz de
tamaño m × n y {f1 , f2 , ..., fm } las filas de A y {c1 , c2 , ..., cn } las columnas de A, entonces se define
el espacio de las filas de A como RA = gen{f1 , f2 , ..., fm } y el espacio de las columnas de A como
CA = gen{c1 , c2 , ..., cn }.

Teorema: Para cualquier matriz A, se cumple que CA = imA. Esto es, la imagen de una ma-
triz es igual al espacio de las columnas de la matriz A.

Teorema: Si A es una matriz de tamaño m×n, se cumple que dim RA = dim CA = dim imA = ρ(A).

Teorema: Si A es equivalente por filas a B, entonces RA = RB , ρ(A) = ρ(B) y ν(A) = ν(A).

Teorema: El rango de una matriz es igual al número de pivotes en su forma escalonada por fi-
las.

Teorema: Sea A una matriz de tamaño m × n, entonces el rango de A más la nulidad de A es

igual al número de columnas de A, esto es: ρ(A) + ν(A) = n.

Teorema: Una matriz A de tamaño m × n es invertible si y sólo si ρ(A) = n.

Teorema: EL sistema Ax = b tiene cuando menos una solución si y sólo si b ∈ CA . Lo cuál

ocurre si y sólo si A y la matriz aumentada (A|b) tienen el mismo rango.

5
 Teorema de resumen: Sea A una matriz cuadrada de tamaño n, entonces las siguientes afir-
maciones son equivalentes, esto es, si una se cumple, las otras nueve también:

i) A es invertible.

ii) La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).

iii) El sistema Ax = b tiene una solución única para cada vector de dimensión nb.

iv) A es equivalente por filas a la matriz identidad de orden n.

v) A se puede expresar como el producto de matrices elementales.

vi) La forma escalonada por filas de A tiene n pivotes.

vii) Las columnas ( y filas) de A son linealmente independientes.

viii) det A 6= 0.

ix) ν(A) = 0.

x) ρ(A) = n.