ESPACIOS VECTORIALES

Hugo Eduardo Ramirez

 ESPACIOS VECTORIALES INDEPENDENCIA LINEAL

Seccion 1: INDEPENDENCIA LINEAL

Definicion. Dependencia e independencia lineal

Sean v1 , v2 , . . . , vn vectores en el espacio vectorial V , decimos que los vectores son linealmente dependientes si existe
mas de una combinacion lineal que satisfaga:

c1 v1 + c2 v2 + + cn vn = ~0

si los vectores no son linealmente dependientes son linealmente independientes.

Note que ningun conjunto linealmente independiente puede admitir el vector ~0.

Ejemplo. Dos vectores son linealmente dependientes si y solo si uno es multiplo escalar del otro.
Sean v1 , v2 dos vectores linealmente dependientes en V espacio vectorial, es decir que existen c1 , c2 (con alguno de los dos
diferente de 0) tales que c1 v1 + c2 v2 = ~0, supongamos que el elemento diferente de 0 es c1 , entonces

c 1 v1 + c 2 v2 = ~0
c 1 v1 = ~0 c2 v2
c 1 v1 = c2 v2 Usando que c1 6= 0
c2
v1 = v2
c1
Con lo que concluimos que v1 es multiplo de v2 .

Teorema 1.1 Tres vectores en R3 son linealmente dependientes si y solo si son coplanares.

Demostracion. Sean v1 , v2 , v3 tres vectores de R3 y supongamos que son linealmente dependientes, esto quiere decir que
existen c1 , c2 , c3 no todos 0 tales que
c1 v1 + c2 v2 + c3 v3 = 0
Supongamos que c1 es la constante diferente de 0 (no sabemos si c2 , c3 son diferentes de 0), si despejamos de la ecuacion v1 ,
de lo que resulta
c2 c3
v1 = v2 v3
c1 c1
y ahora vamos a ver que v1 (v2 v3 ) = 0, en efecto
c2 c3
v1 (v2 v3 ) = ( v2 v3 ) (v2 v3 )
c1 c1
   
c2 c3
= v2 (v2 v3 ) v3 (v2 v3 )
c1 c1
c2 c3
= (v2 (v2 v3 )) (v3 (v2 v3 ))
c1 c1
c2 c3
= 0 0
c1 c1
= 0

que es lo que se quera demostrar.

Ejemplo. Sean u = (1, 1, 1), v = (2, 1, 2) y w = (0, 2, 0) en R3 , queremos ver si estos tres vectores son linealmente
independientes o linealmente dependientes, para eso escribimos el sistema:

1 2 0 0
c1 1 + c2 1 + c3 2 = 0
1 2 0 0

1
 ESPACIOS VECTORIALES INDEPENDENCIA LINEAL

con incognitas c1 , c2 , c3 ; si el sistema tiene mas de una solucion los vectores son linealmente dependientes y si no, son
linealmente independientes. Veamos que el sistema anterior se puede escribir:

c1 + 2c2 = 0
c1 + c2 + 2c3 = 0
c2 + 2c2 = 0

este sistema tiene dos ecuaciones repetidas, sabemos que como maximo puede tener dos pivotes; dado que tiene tres incognitas,
se resume que tiene infinitas soluciones. As los vectores u, v, w son linealmente dependientes. Otra forma de verlo es analizar
la matriz asociada al sistema:
1 2 0
A = 1 1 2
1 2 0
y notar que u (v w) = det(At ) = det A = 0, por lo que los vectores son coplanares Como se relaciona esto con el teorema
anterior?

Teorema 1.2 Sean v1 , v2 , . . . vn vectores en Rm , s n > m, entonces {v1 , v2 , . . . vn } es linealmente dependiente.

Demostracion. Supongamos v1 , v2 , . . . vn vectores en Rm y que n > m, entonces cada uno de los vectores vi tienen m
componentes. Hagamos una combinacion lineal homogenea y veamos que tiene mas de una solucion:

c1 v1
+ c2 v2 + . . . cn vn = ~0
(1)
(1)
(1)
v1 v2 vn 0
(2) (2) (2) 0
v1 v2 vn
c1 . + c2 . + + cn = .

..

.. .. . ..
(m) (m) (m) 0
v1 v2 vn

Lo que nos lleva al siguiente sistema con incognitas c1 , c2 , . . . , cn

(1) (1)
c1 v1 + c2 v2 + . . . cn vn(1) = 0
(2) (2)
c1 v1 + c2 v2 + . . . cn vn(2) = 0
.. ..
. .
(m) (m)
c1 v1 + c2 v2 + . . . cn vn(m) = 0

Como es un sistema homogeneo con m ecuaciones, maximo tiene m pivotes y, como tiene mas incognitas que ecuaciones
n > m, tiene infinitas soluciones y por tanto es linealmente dependiente.

Una de las cosas que quiere decir el anterior teorema es que

El maximo numero de vectores independientes que puede tener Rn es n.

Teorema 1.3 Sean v1 , v2 , . . . vn vectores en Rn , y sea Ann la matriz cuyas columnas son precisamente los vectores vi ,
entonces {v1 , v2 , . . . vn } es linealmente independiente si y solamente si el sistema homogeneo Ax = ~0 tiene unica solucion.

Demostracion. Como ser linealmente dependiente es equivalente a que el sistema homogeneo tenga mas de una solucion,
entonces ser linealmente independiente es tener unica solucion, la solucion trivial, que es lo que se obtiene en este caso.

Note que una forma rapida de saber si tiene unica solucion en un sistema de n ecuaciones con n incognitas es hallar el
determinante, como lo expresa el siguiente teorema.
Teorema 1.4 RESUMEN Sea Ann , son equivalentes
1. A es invertible.

2
 ESPACIOS VECTORIALES BASES Y DIMENSION

2. El sistema homogeneo Ax = ~0 unicamente tiene la solucion trivial.

3. El sistema Ax = b tiene unica solucion para cada b Rn .
4. A es equivalente por renglones a la matriz identidad In .
5. La forma escalonada de A tiene n pivotes.
6. det A 6= 0.
7. Las columnas (y renglones) de la matriz A son linealmente independientes.
El estudiante debe leer detenidamente el teorema resumen para ver si entiende bien los temas vistos hasta el momento.

Teorema 1.5 Cualquier conjunto de n vectores linealmente independientes en Rn genera Rn

Demostracion. Sean v1 , v2 , . . . , vn vectores de Rn linealmente independientes. Por el teorema RESUMEN si la matriz

A es la matriz cuyas columnas coinciden con los vectores vi , entonces el sistema Ax = b tiene unica solucion para todo
b Rn lo que significa que todo elemento de Rn se puede expresar como combinacion lineal de v1 , v2 , . . . , vn y por tanto
gen{v1 , v2 , . . . , vn } = Rn

Ejemplo. Dados u = (1, 1, 0), v = (1, 2, 1) y w = (3, 2, 1), generan todo R3 , esto se verifica gracias que los vectores u, v, w
son linealmente independientes ya que, sacando el determinante por la ultima fila tenemos.
 
1 1 3    
1 3
 + det 1 1 = (2 3) + (2 1) = 2 6= 0
   
det 1 2 2 = det 
0 1 1 1 2  1 2

Ejemplo. Sea B = {x + x2 + x3 , 1 x3 , x + x2 , 1 x x2 x3 } P4 , queremos ver si B es un conjunto linealmente

dependiente o linealmente independiente, para esto queremos solucionar el siguiente sistema con incognitas , , ,

(x + x2 + x3 ) + (1 x3 ) + (x + x2 ) + (1 x x2 x3 ) = 0

Resolviendo para cada potencia:

( + ) + ( + )x + ( + )x2 + ( )x3 = 0

Lo que nos lleva al sistema:

+ =0
+ =0
+ =0
=0

que tiene infinitas soluciones pues tiene dos filas iguales, maximo tres pivotes con cuatro incognitas, por lo que el conjunto
es Linealmente Dependiente. El alumno puede verificar que B 0 = {x + x2 + x3 , 1 x3 , x + x2 } es linealmente independiente
pero B 00 = {1 x3 , x + x2 , 1 x x2 x3 } no.

Seccion 2: BASES Y DIMENSION

Definicion. Base:
Un conjunto finito de vectores {v1 , v2 , . . . , vn } de un espacio vectorial V , es una base para V , si cumple:
1. Genera todo el espacio, gen{v1 , v2 , . . . , vn } = V
2. {v1 , v2 , . . . , vn } es linealmente independiente.

3
 ESPACIOS VECTORIALES BASES Y DIMENSION

n vectores linealmente independientes en Rn es una base.

Ejemplo. Base canonica se llama a la base estandar que se identifica por su facilidad. Vamos a dar a continuacion las
bases canonicas de los espacios mas conocidos.
1. En R2 la base canonica es {i, j} donde los vectores estan dados por i = (1, 0), j = (0, 1)

2. En R3 la base canonica es {, , k} donde los vectores estan dados por = (1, 0, 0), = (0, 1, 0) y k = (0, 0, 1)
3. En Rn la base canonica es {e1 , e2 , . . . , en } donde los vectores estan dados por:

0
0
..

.
1 i-esima fila
ei =

.
..
0

es decir, ei tiene 0 en todas las componentes excepto en la i-esima que tiene un 1.

4. En Mmn la base canonica es {E11 , E12 , . . . , E1n , E21 , . . . , Emn }, donde la matriz Eij de tamano m n es la matriz
que tiene 0 en todas las posiciones excepto en la posicion, fila i columna j en la que tiene 1.
5. En Pn la base canonica es {1, x, x2 , x3 , . . . , xn }

El estudiante puede verificar facilmente que son bases.

Teorema 2.1 Si B = {v1 , v2 , , vn } es una base para V espacio vectorial, entonces para todo elemento v V existe una
unica combinacion lineal tal que
v = c1 v1 + c2 v2 + . . . cn vn
Lo que significa que la escogencia de los ci es unica.

Demostracion. Por contradiccion, supongamos que B = {v1 , v2 , . . . , vn } es una base y que el vector v V se puede
escribir como dos combinaciones lineales diferentes:

v = c1 v1 + c2 v2 + . . . cn vn
v = d1 v1 + d2 v2 + . . . dn vn

Donde alguno de los ci 6= di para algun i = 1, 2, . . . , n, o lo que es lo mismo ci di 6= 0.

Si restamos las dos ecuaciones:

v = c1 v1 + c2 v2 + + ci vi + + cn vn
v = d1 v1 + d2 v2 + + di vi + . . . dn vn

v v = ~0 = (c1 d1 )v1 + (c2 d2 )v2 + + (ci di )vi + . . . (cn dn )vn

la ultima ecuacion nos dice que hay una combinacion lineal donde no todos los coeficientes son 0 (por ejemplo ci di 6= 0)
cuyo resultado es ~0, por lo tanto se concluye que los v1 , v2 , . . . , vn no son linealmente independientes (Contradiccion)
porque B es una base.

Teorema 2.2 Si B = {v1 , v2 , , vn } y B 0 = {v10 , v20 , , vk0 } son bases para V espacio vectorial, entonces n = k (Tienen el
mismo numero de elementos)

Dejaremos este teorema sin demostracion pero usaremos el resultado que es muy importante para definir el siguiente concepto.

4
 ESPACIOS VECTORIALES BASES Y DIMENSION

Definicion. Sea V un espacio vectorial. Si B es una base para V , entonces |B|, el numero de elementos de B, se llama la
dimension de V .
Como ese numero es unico segun el teorema anterior lo notaremos dim V .

NOTA. dim{0} = 0 la dimension del espacio trivial es 0.

Ejemplo. Dimension de los espacios conocidos son:

1. dim Rn = n

2. dim Mnm = nm
3. dim Pn = n + 1

Teorema 2.3 Si dim V = n y v1 , v2 , . . . , vk son linealmente independientes entonces k n.

Demostracion. Sean v1 , v2 , . . . , vk son k vectores linealmente independientes; como gen{v1 , v2 , . . . , vk } V , quiere decir
que V es el generado de v1 , v2 , . . . , vk y posiblemente otros vectores linealmente independientes por lo que dim gen{v1 , v2 , . . . , vk } =
k n = dim V .

Una consecuencia de este teorema es que si H es subespacio de V , entonces dim H dim V .

Otra consecuencia es que cualquier conjunto con mas de dim V vectores es linealmente dependiente.
Ejemplo. En R3 los subespacios pueden ser de cuatro tipos:
1. El subespacio trivial 0 = gen{~0} con dim A0 = 0.

2. Las rectas que pasan por el origen = gen{v : v 6= ~0} con dim = 1.
3. Los planos que pasan por el origen = gen{u, v : u, v 6= ~0 y c 6= v, R} con dim = 2.
4. El espacio mismo R3 , R3 = gen{u, v, w : no son coplanares}.

Ejemplo. Dar condiciones sobre , para que { + x + x2 , x2 , 1} genere todo P2 .

Como dim P2 = 3, para generar todo el espacio los vectores deben ser linealmente independientes, o sea que el siguiente
sistema tenga unica solucion:
a( + x + x2 ) + b(x2 ) + c1 = 0
el sistema se puede escribir de la siguiente forma con incognitas a, b, c

a + c = 0
a = 0
a + b = 0

0 1
cuya representacion matricial se da por 0 0
0
Donde para saber si tiene unica solucion hallamos el determinante (que debe ser diferente de 0)

0 1
det 0 0 =
0

la condicion para que el conjunto genere todo P2 es que 6= 0 y 6= 0.

5
 ESPACIOS VECTORIALES RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

  
a b
Ejemplo. Sea H = A M22 : A = . Calcular dim H.
b c
Para calcular dimension, usamos el siguiente hecho que es parecido a la factorizacion conocida.
       
a b 1 0 0 1 0 0
=a +b +c
b c 0 0 1 0 0 1

Con lo que concluyo que      

1 0 0 1 0 0
H = gen , ,
0 0 1 0 0 1
y la dim H = 3, porque los vectores son linealmente independientes.

Ejemplo. Calcular dim gen{x + x2 , 1 + x2 , 1 + x2 }

Para resolver este problema basta con verificar si los vectores son linealmente independientes, lo que hacemos hallando
el siguiente determinante:
0 1 1    
1 0 1 0
det 1 0 0
= 1 det 1 det = 2
1 1 1 1
1 1 1
Con lo que se concluye que son linealmente independientes y dim gen{x + x2 , 1 + x2 , 1 + x2 } = 3.

Seccion 3: RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

Definicion. Sea A una matriz m n. El espacio nuloa de A denotado NA esta dado por:
n o
NA = x Rn : Ax = ~0

la dimension de este espacio se llama nulidad y se denota (A).

a El espacio nulo tambien se llama el kernell.

Si NA = {~0} entonces (A) = 0.

Teorema 3.1 Una matriz A es invertible si y solo si (A) = 0

Demostracion. A es invertible el sistema homogeneo Ax = ~0 tiene unica solucion NA = {~0} (A) = 0

Definicion. Sea A una matriz m n, la imagen de A denotada Im(A) esta dado por:

Im(A) = {y Rm : Ax = y, para alguna x Rn }

la dimension de este espacio se llama rango y se denota (A).

Teorema 3.2 Dada una matriz Amn Im(A) es un subespacio vectorial de Rm

Demostracion. Demostremos las dos condiciones para ser subespacio vectorial:

S1. Sean u, v Im(A) y queremos ver que u+v Im(A), para eso debemos encontrar un xu+v Rn tal que Axu+v = u+v,
entonces sabemos que existen xu , xv Rn tales que Axu = u y Axv = v. Si sumamos estas dos ecuaciones tenemos que
A(xu + xv ) = Axu + Axv = u + v con lo que xu+v = xu + xv es el vector deseado y concluimos que u + v Im(A).

6
 ESPACIOS VECTORIALES RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

M1. Dado un R tenemos A(xv ) = (Axv ) = v con lo que se tiene que v Im(A).

Definicion. Si A es una matriz de m n, sean c1 , c2 , . . . , cn las columnas de la matriz A vistos como vectores, se define

CA = gen{c1 , c2 , . . . , cn } (1)

Se llama el espacio de columnas de A

de manera similar definimos

Definicion. Si A es una matriz de m n, sean r1 , r2 , . . . , rm los renglones de la matriz A vistos como vectores, se define

RA = gen{r1 , r2 , . . . , rm } (2)

Se llama el espacio de renglones de A.

Teorema 3.3 Dada la matriz Amn , Im(A) = CA .

Demostracion. Sea y Im(A), esto quiere decir que existe un elemento = (1 , 2 , . . . , n ) Rn tal que A= y:

a11 a12 . . . a1n 1 y1
a21 a22 . . . a2n 2 y2
.. .. = ..

.. ..
. . . . .
am1 am2 . . . amn n yn

1 a11 + 2 a12 + + n a1n y1
1 a21 + 2 a22 + + n a2n y2
= ..

..
. .
1 am1 + 2 am2 + + n amn yn

1 a11 2 a12 n a1n y1
1 a21 2 a22 n a2n y2
.. + .. + + .. = ..

. . . .
1 am1 2 am2 n amn yn

a11 a12 a1n y1
a21 a22 a2n y2
1 . + 2 . + + n . = .

.. .. .. ..
am1 am2 amn yn

Es decir que y es una combinacion lineal de las columnas de A o lo que es lo mismo Im(A) = CA

Teorema 3.4 Dada la matriz A, dim RA = dim CA = (A).

Demostracion. Como CA = Im(A), entonces dim CA = (A), le queda al alumno verificar por que dim RA = dim CA .

Teorema 3.5 Sean A, B matrices m n, si A es equivalente por renglones a B entonces (A) = (B) y (A) = (B).

Una conclusion es que el numero de pivotes de la matriz A en su forma escalonada es igual al rango de A.
Teorema 3.6 Sea A matrices m n, entonces
(A) + (A) = n

Demostracion. Sea
a11 a12 ... a1n
a21 a22 ... a2n
A=

.. .. ..
. . .
am1 am2 ... amn

7
 ESPACIOS VECTORIALES RANGO, NULIDAD, ESPACIO DE COLUMNAS DE UNA MATRIZ

Supongamos que (A) = k n entonces mediante operaciones de columna puedo eliminar las columnas que no son linealmente
independientes y poner las k independientes primero, quedando la matriz Bmn nueva as.

a11 a12 . . . a1k 0 . . . 0
a21 a22 . . . a2k 0 . . . 0
B=

.. . . .. .. . . ..
. . . . . .
am1 am2 . . . amk 0 . . . 0
Como (B) = (A) = k y (B) = (A), tenemos que si multiplicamos cualquier elemento de la base canonica de Rn , sea ei
con i > k tenemos que Bei = ~0 y nunca sucedera con los ei , i k, por lo que B = {ek+1 , ek+2 , . . . , en } es una base para el
espacio nulo; ademas que (B) = n k y as concluimos que (A) + (A) = k + n k = n, el numero de columnas de A.

1 1 0
2 1 1
Ejemplo. Sea A = 1 2 0, encontremos primero los espacios Im(A) y NA :

1 0 1
1 1 0 0
x
2 1 1 0

Para calcular NA debemos encontrar los vectores de R3 tales que 1 2 0 y = 0 Es decir las soluciones del sistema
z
1 0 1 0

1 1 0 | 0 1 1 0 | 0 1 1 0 | 0
2 1 1 | 0
R2 R2 2R1 0 1 1 | 0 R3 R3 R1 0 1 1 | 0 R4 R4 R1


1 2 0 | 0 1 2 0 | 0 0 1 0 | 0
1 0 1 | 0 1 0 1 | 0 1 0 1 | 0

1 1 0 | 0 1 1 0 | 0 1 1 0 | 0
0 1 1 | 0 0 1 1 | 0
R R 0 1 0 | 0 R R3 + R2

R R4 R2
4 0 1 0 | 0 23 0 1 1 | 0 3

0 1 0 | 0
0 1 1 | 0 0 0 0 | 0 0 0 0 | 0

1 1 0 | 0
0 1 0 | 0

0 0 1 | 0
0 0 0 | 0

como el sistema tiene 3 pivotes y 3 incognitas tiene unica solucion, NA = {~0} y (A) = 0.
Calculemos ahora la Im(A), esto es los y tales que existe x R3 cumpliendo Ax = y, solucionar

1 1 0 | x 1 1 0 | x 1 1 0 | x
2 1 1 | y 0 1 1 | y 2x 0 1 1 | y 2x
R2 R2 2R1 R R3 R1
z 3

1 2 0 | z 1 2 0 | 0 1 0 | zx
1 0 1 | w 1 0 1 | w 1 0 1 | w

1 1 0 | x 1 1 0 | x
0 1 1 | y 2x 0 1 1 | y 2x
R4 R4 R1 R4 R4 R2 R R
0 1 0 | z x 0 1 0 |
z x 23
0 1 1 | w x 0 0 0 | xy+w

1 1 0 | x 1 1 0 | x
0 1 0 | zx R3 R3 + R2 0 1 0 | wx


0 1 1 | y 2x 0 0 1 | y + w 3x

0 0 0 | xy+w 0 0 0 | xy+w
Note que para que este sistema
tenga debe pasar que x y + w = 0, la solucion son todos los elementos ortogonales a
solucion

1 1 0

2 , , 1 (Que parecido tiene con las columnas de la matriz A?) los cuales claramente
1

(1, 1, 0, 1) y esto es gen


1 2 0


1 0 1

son linealmente independientes. Por esto tambien decimos que (A) = 3.

8
ESPACIOS VECTORIALES EJERCICIOS PROPUESTOS

Seccion 4: EJERCICIOS PROPUESTOS

1. En P3 , son 2x, x3 3, 1 + x 4x2 , x3 x2 + x linealmente independientes?

2. Encuentre una base para las matrices triangulares superiores
3. Sea S = {v1 , v2 , v3 }. donde v1 = x2 + 1, v2 = x 2, v3 = x + 3.
S es un subconjunto de P2 (x).
(a) Expresar p(x) = 4x2 + 2x 5 como una combinacion lineal de elementos de S.
(b) Es S linealmente independiente ?
(c) Es S una base para 2 (x) ? (Piense en un argumento de dimension).
4. En R3 sea L1 la recta cuya ecuacion simetrica es la siguiente:
x
L1 := = y = z.
2
y 1 el plano determinado por la ecuacion
1 := y + z.
(a) Encuentre una base para L1 .
(b) Completar la base del punto (a) para encontrar una base para 1 .
(c) Completar la base del punto (b) para encontrar una base para R3 .
5. Para que valor de el gen{1 + x + x2 , 2 + 3x x2 , x + x2 } tiene dimension 2? Reemplazando por el valor de
encuentre una combinacion lineal de 1 + x + x2 y 2 + 3x x2 que sea el tercer vector.
6. Demostrar que:
Ann es invertible ssi dim(Kernel(A)) = 0
7. Encuentre una base para gen{2x3 + 3x2 + x, x2 2x, 2x3 + x2 2, 5x + 2} y mediante un argumento de dimension diga
porque no es todo 4 .
8. Determine condiciones sobre a, b, c, d para que {c + ax, d + bx} no sea una base de 1 .
9. Demuestre que si u,v,w son tres vectores no nulos de R3 tales que son ortogonales entre s, entonces {u,v,w} son
linealmente independientes.
10. Demostrar que si {u, v} son linealmente independientes entonces tambien lo son {u + v, u v}.
11. Encuentre una base para el subespacio de R3 definido por los puntos que cumplen las ecuaciones:
xyz =0
2x y + z = 0

1 2 1
12. Dada A = 2 4 2
3 6 3
Se define NA = {x R3 |Ax = 0}
(a) Encuentre todas las soluciones del sistema Ax = 0.
(b) Pruebe que NA es un subespacio de R3 .
(c) Encuentre una base para NA y su dimension.

1 1 2 3
13. Dada A = 0 1 4 3 encontrar:
2 3 8 9
(a) Im(A), una base para Im(A) y (A)
(b) NA , una base para NA y (A)