Tema Iii - Espacios Vectoriales

Introducción.
Definición de Espacio Vectorial

Dependencia e Independencia Lineal. Propiedades
Base y Dimensión del Espacio Vectorial Rn
Subespacio Vectorial. Ecuaciones de un Subespacio
TEMA III:
ESPACIOS VECTORIALES
ÁLGEBRA LINEAL Y GEOMETRÍA

Grado en Arquitectura Naval e Ingeniería Marítima.
Escuela de Ingeniería Naval y Oceánica
Dr. Alejandro Pérez Peña

Departamento de Matemáticas
Curso 2016-2017
ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 1

Introducción. Definición de Espacio Vectorial
Contenido
1 Introducción. Definición de Espacio Vectorial
2 Dependencia e Independencia Lineal. Propiedades
3 Base y Dimensión del Espacio Vectorial Rn
4 Subespacio Vectorial. Ecuaciones de un Subespacio

Después de abordar en los temas anteriores las herramientas básicas: ma-

trices, determinantes y sistemas de ecuaciones, en este tema se presenta la
estructura básica del Álgebra Lineal: El Espacio Vectorial.
La estructura de espacio vectorial es una de las más frecuentes y de cuyo
estudio más provecho se ha obtenido en diversas ramas de la matemática.
Comenzaremos viendo algunos ejemplos conocidos para posteriormente defi-
nir dicha estructura. Posteriormente merecen una atención especial los espa-
cios vectoriales de dimensión finita ya que sus teoremas y las consecuencias
que de ellos se derivan constituyen el centro neurálgico del Álgebra Lineal, y
terminaremos viendo los subespacios vectoriales.

Ejemplos conocidos
Vectores libres en el espacio

Se define la suma de dos vectores libres →
−
x e→
−
y y lo representamos por
→
− −−−→
x +→
−
y =x+y
al vector libre definido de la siguiente manera: por un punto O arbitrario se

−→
toma un representante 0X del vector libre → −
x , con origen en el punto X y se
−
→ →
− −
→
toma un representante 0Y del vector libre y , el vector XY es un representante
−−−→
del vector libre x + y.
Definimos el producto de un número real α por un vector libre →
−
x como un
vector libre representado por
α→
−
x =−
→
αx
y que tiene por dirección la misma del vector libre →
−x , por módulo|α||→
−
x | y por
→
−
sentido el mismo de x si α > 0 y contrario si α < 0.
Â¿Qué propiedades verifica la suma de vectores y el producto de un escalar

por un vector?.
Ejemplos conocidos
El conjunto de todas las matrices de m filas y n columnas

Definimos la suma usual de matrices como la matriz de orden m × n dada por
...
 
a11 + b11 a12 + b12 a1n + b1n
 a21 + b21 a22 + b22 ... a2n + b2n 
A+B= 
 ... ... ... ... 
am1 + bm1 am2 + bm2 ... amn + bmn
Y el producto de una matriz por un número real
... ...
   
a11 a12 a1n λa11 λa12 λa1n
 a21 a22 ... a2n  =  λa21
 λa22 ... λa2n 
λA = λ 
 
... ... ... ...   ... ... ... ... 
am1 am2 ... amn λam1 λam2 ... λamn
y se puede comprobar que se verifican las misma propiedades que el anterior

conjunto.

Definición (Espacio Vectorial)

Un espacio vectorial sobre R o también un R−espacio vectorial es una terna
(V , +, ∗), donde V es un conjunto cualquiera, + es una operación interna (lla-
mada suma) sobre V , es decir, que cualesquiera que sean x, y ∈ V , x + y ∈ V
(al sumar dos elementos de V obtendremos otro elemento de V ) e ∗ es una
operación externa sobre V , es decir, que cualesquiera que sea λ ∈ R y cua-
lesquiera que sea x ∈ V , entonces λ ∗ x ∈ V
+: V ×V → V ∗: R×V → V
(x, y) → x+y (λ, x) → λ∗x
de tal manera que se verifiquen las siguientes propiedades:


Para la operación interna:
1 Asociativa: ∀ x, y, z ∈ V se verifica que
x + (y + z) = (x + y) + z
2 Conmutativa: ∀ x, y ∈ V se cumple que
x+y=y+x
3 Existencia de elemento neutro: Existe un elemento 0 ∈ V tal que par

cualquier otro elemento x ∈ V , se verifica que
0+x=x+0=x
4 Existencia de elemento opuesto: Cualquiera que sea el elemento x ∈ V ,
existe un único elemento, representado por −x ∈ V tal que
x + (−x) = (−x) + x = 0


Para la operación externa
1 Cualquiera que sea x ∈ V y cualesquiera que sean α, β ∈ R, se verifica
(α + β)x = αx + βx
2 Cualesquiera que sean x, y ∈ V y cualquiera que sea α ∈ R, se verifica
α(x + y) = αx + αy
3 Cualquiera que sea x ∈ V y cualesquiera que sean α, β ∈ R, se verifica
α(βx) = (αβ)x
4 Si 1 es el elemento unidad de R y x es un elemento cualquiera de V , se

verifica
1x = x
A los elementos de V se les llama vectores y los representaremos con letras
negritas. Los elementos del cuerpo R los llamaremos escalares y los
notaremos con letras griegas.
Ejemplo de los espacios vectoriales
El espacio vectorial Rn
En Rn definimos una operación interna, que llamaremos suma,como sigue:
x + y = (x1 , x2 , · · · , xn ) + (y1 , y2 , · · · , yn ) = (x1 + y1 , x2 + y2 , · · · , xn + yn )
Es una operación interna, ya que al sumar dos elementos de Rn obtenemos

otro elemento de Rn .
En Rn definimos una operación externa, que llamamos producto por números
reales a
α · x = α · (x1 , x2 , · · · , xn ) = (αx1 , αx2 , · · · , αxn )
El producto de un número real por un elemento de Rn es otro elemento de

Rn .
Se puede comprobar que se verifican todas las propiedades de la operación
externa e interna:

1 Asociativa: ∀ x, y, z ∈ Rn se verifica que
x + (y + z) = (x + y) + z
2 Conmutativa: ∀ x, y ∈ Rn se cumple que
x+y=y+x
3 Existencia de elemento neutro: Si 0 = (0, 0, . . . , 0), se verifica que
0+x=x+0=x
4 Existencia de elemento opuesto: ∀ x ∈ Rn existe −x perteneciente a Rn ,
cumpliendo que
x + (−x) = (−x) + x = 0

1 Cualquiera que sea x ∈ Rn y cualesquiera que sean α, β ∈ R, se verifica
(α + β)x = αx + βx
2 Cualesquiera que sean x, y ∈ Rn y cualquiera que sea α ∈ R, se verifica
α(x + y) = αx + αy
3 Cualquiera que sea x ∈ Rn y cualesquiera que sean α, β ∈ R, se verifica
α(βx) = (αβ)x
4 Si 1 es el elemento unidad de R y x es un elemento cualquiera de Rn ,

se verifica
1x = x

El conjunto de todas las matrices de m filas y n columnas

En el conjunto Mm×n (R) de todas las matrices de m filas y n columnas, defi-
nimos la suma de matrices y el producto de una matriz por un número
...
 
a11 + b11 a12 + b12 a1n + b1n
 a21 + b21 a22 + b22 ... a2n + b2n 
A+B=
 
... ... ... ... 
am1 + bm1 am2 + bm2 ... amn + bmn
... ...
   
a11 a12 a1n λa11 λa12 λa1n
 a21 a22 ... a2n   λa21 λa22 ... λa2n 
λA = λ 
 ...
= 
... ... ...   ... ... ... ... 
am1 am2 ... amn λam1 λam2 ... λamn
y se puede comprobar que se verifican todas las propiedades de la definición
de espacio vectorial.

El espacio vectorial real de los polinomios

y se puede comprobar que se verifican todas las propiedades de la definición
de espacio vectorial.

Nosotros nos vamos a centrar ahora en el espacio vectorial Rn y todo el tema

estará expresado en vectores e Rn :
Propiedades
Sea el espacio vectorial Rn , sean ~x, ~y dos vectores cualesquiera de Rn y sean
α y β dos números reales. Se verifican las siguientes propiedades:
1 0~x = ~0
2 α~0 = ~0
3 α~x = ~0 ⇒ (α = 0 ó ~x = ~0)
4 −(α~x) = (−α)~x = α(−~x)
5 α(~x − ~y) = α~x − α~y
6 (α~x = β~x y ~x 6= ~0) ⇒ α = β
7 (α~x = α~y, y α 6= 0) ⇒ ~x = ~y

Dependencia e Independencia Lineal. Propiedades Combinación lineal
Base y Dimensión del Espacio Vectorial Rn Dependencia e independencia lineal
Definición (Combinación Lineal)

Sea el espacio vectorial (Rn , +, ·). Se llama combinación lineal de los vecto-
res ~v1 , ~v2 · · · , ~vm a todo vector ~v de Rn de la forma:
~v = α1~v1 + α2~v2 + · · · + αm~vm , con α1 , α2 · · · , αm ∈ R
A los escalares α1 , α2 · · · , αm se les llama coeficientes de la combinación li-

neal.



neal.
Ejemplo
1 El vector (3,2) no es combinación lineal de los vectores (1,0) y (5,0)
2 El vector (3,4,-7) es combinación lineal de los vectores
(1,0,0),(0,1,0),(0,0,1), ya que se puede escribir
(3, 4, −7) = 3(1, 0, 0) + 4(0, 1, 0) − 7(0, 0, 1)



neal.
Ejemplo
1 El vector (3,2) no es combinación lineal de los vectores (1,0) y (5,0)
2 El vector (3,4,-7) es combinación lineal de los vectores
(1,0,0),(0,1,0),(0,0,1), ya que se puede escribir
(3, 4, −7) = 3(1, 0, 0) + 4(0, 1, 0) − 7(0, 0, 1)
Ejercicio 4.1: Â¿Puede expresarse el vector (1, 4, −2) como combinación

lineal de los vectores (1, 1, 1) y (1, 0, 2)?

Definición (Dependencia e Independencia Lineal)

Sea el espacio vectorial (Rn , +, ·)
1 Diremos que los vectores ~v1 , ~v2 · · · , ~vm ∈ Rn son linealmente
dependientes si existen α1 , α2 · · · , αm ∈ R no todos nulos, tal que se
verifica
α1~v1 + α2~v2 + · · · + αm~vm = ~0
Se dice también que el conjunto {~v1 , ~v2 · · · , ~vm } es unconjunto ligado.

2 Diremos que los vectores ~v1 , ~v2 · · · , ~vm ∈ Rn son linealmente
independientes cuando no sean linealmente dependientes, es decir,
cuando de la relación
α1~v1 + α2~v2 + · · · + αm~vm = ~0
se deduce como única solución que α1 = α2 = · · · = αm = 0 . También

se dice que el conjunto de vectores {~v1 , ~v2 · · · , ~vm } es un conjunto libre.

Ejemplo
1 {(2,1,-5),(1,-4,2),(1,2,-4)} es un conjunto de vectores linealmente
dependiente en R3 , ya que
2(2, 1, −5) + (−1)(1, −4, 2) + (−3)(1, 2, −4) = (0, 0, 0)

2 Los vectores {(1, 0, 0), (1, 1, 0), (1, 1, 1)} son linealmente independientes
o lo que es lo mismo, forman un conjunto libre de vectores, ya que si
α1 (1, 0, 0) + α2 (1, 1, 0) + α3 (1, 1, 1) = (0, 0, 0) ⇒
⇒ (α1 + α2 + α3 , α2 + α3 , α3 ) = (0, 0, 0)
se deduce que la única solución posible es α1 = α2 = α3 = 0.

Ejemplo
2(2, 1, −5) + (−1)(1, −4, 2) + (−3)(1, 2, −4) = (0, 0, 0)

α1 (1, 0, 0) + α2 (1, 1, 0) + α3 (1, 1, 1) = (0, 0, 0) ⇒
⇒ (α1 + α2 + α3 , α2 + α3 , α3 ) = (0, 0, 0)

Ejemplo
2(2, 1, −5) + (−1)(1, −4, 2) + (−3)(1, 2, −4) = (0, 0, 0)

α1 (1, 0, 0) + α2 (1, 1, 0) + α3 (1, 1, 1) = (0, 0, 0) ⇒
⇒ (α1 + α2 + α3 , α2 + α3 , α3 ) = (0, 0, 0)
Ejercicio 4.2: Estudiar la dependencia lineal de los siguientes vectores de

R3 , ~v1 = (1, 0, 1), ~v2 = (0, 2, 2), ~v3 = (3, 7, 1)

Propiedades
1 El vector nulo depende linealmente de cualquier conjunto de vectores,
es decir, todo conjunto de vectores que contenga al vector cero es un
conjunto ligado.
2 Todo conjunto unitario, formado por un único vector no nulo es libre.
3 La condición necesaria y suficiente para que un conjunto de vectores
sea ligado es que al menos uno de ellos sea combinación lineal de los
restantes, es decir
{~x1 , ~x2 · · · , ~xm } es ligado ⇔ ∃~xi tal que ~xi depende del resto
4 Si un vector w ~ depende linealmente de los vectores ~u1 , ~u2 · · · , ~uj y cada

~ui depende, a su vez, de otros vectores, ~v1 , ~v2 · · · , ~vk pertenecientes
también a Rn , se verifica que el vector w ~ depende linealmente de
~v1 , ~v2 · · · , ~vk .

Base de un espacio vectorial
Existencia de bases
Dimensión del espacio vectorial Rn
Coordenadas de un Vector
Cambio de Base en Rn
Definición (Sistema generador)

Sea el espacio vectorial (Rn , +, ·) y sea G = {u1 , u2 , . . . , um } un subconjunto
de Rn . Se dice que G es un sistema generador de Rn cuando todo vector
de Rn se puede obtener como combinación lineal de vectores de G, es decir,
cualquiera que sea el vector x de Rn , existen unos escalares α1 , α2 , . . . , αm ∈
R tales que
X
m
x = α1 u1 + α2 u2 + · · · + αm um = αi ui
i=1

Existencia de bases

R tales que
X
m
x = α1 u1 + α2 u2 + · · · + αm um = αi ui
i=1
Ejemplo
1 En el espacio Rn , un sistema generador es (e1 , e2 , . . . , en ) siendo:
e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, . . . , 1)
ya que cualquiera que sea (x1 , x2 , . . . , xn ) ∈ Rn es:
(x1 , x2 , . . . , xn ) = x1 e1 + x2 e2 + · · · + xn en

Existencia de bases

R tales que
X
m
x = α1 u1 + α2 u2 + · · · + αm um = αi ui
i=1
Definición (Espacio vectorial de tipo finito)

Se dice que Rn es un espacio vectorial de tipo finito ya que admite un sistema
generador formado por un número finito de vectores

Existencia de bases
Definición (Base de Rn )
Sea el espacio vectorial (Rn , +, ·) y sea B un subconjunto de Rn , se dice que
B es una base de Rn , si verifica:
1 B es sistema generador de Rn .
2 B es un conjunto libre de vectores.

Existencia de bases
Ejemplo
1 El conjunto {(1, 1, 1), (1, 1, 0)} ⊆ R3 no es base, ya que no es sistema
generador de R3 .
2 El conjunto {(1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 0, 1)} ⊆ R3 no es base ya que
sus vectores son linealmente dependientes.
3 El conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⊆ R3 es base de R3 .

Existencia de bases
En el espacio Rn , una base es
(e1 , e2 , . . . , en )
siendo:
e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, . . . , 1)
y se llama la base canónica.

Existencia de bases
Veamos ahora dos importantes teoremas relacionados con el concepto de

base.
Sea B = (e1 , e2 , . . . , em ) un sistema generador del espacio vectorial Rn , y

supongamos que uno de ellos, por ejemplo e1 , depende linealmente del
resto. Entonces se verifica que B 0 = (e2 , . . . , em ) es un sistema de
generadores de Rn

Existencia de bases
Veamos ahora dos importantes teoremas relacionados con el concepto de

base.
Sea B = (e1 , e2 , . . . , em ) un sistema generador del espacio vectorial Rn , y

supongamos que uno de ellos, por ejemplo e1 , depende linealmente del
resto. Entonces se verifica que B 0 = (e2 , . . . , em ) es un sistema de
generadores de Rn
Este resultado nos permite transformar un sistema generador ligado en otro

sistema generador formado por aquellos vectores que son linealmente inde-
pendientes.
Teorema (Teorema de la base)

En el espacio vectorial Rn , todas las bases tienen el mismo número de vecto-
res.
Teorema (Teorema de la existencia de bases)

Todo espacio vectorial Rn sobre un cuerpo R tiene una base.

Existencia de bases
Como consecuencia del teorema de la base podemos dar la siguiente defini-

ción:
Definición (Dimensión de Rn )
Sea el espacio vectorial (Rn , +, ·), se llama dimensión de Rn al número de
vectores que constituyen una cualquiera de sus bases y se denota por
dim(Rn )

Existencia de bases
Como consecuencia del teorema de la base podemos dar la siguiente defini-

ción:
Definición (Dimensión de Rn )
Sea el espacio vectorial (Rn , +, ·), se llama dimensión de Rn al número de
vectores que constituyen una cualquiera de sus bases y se denota por
dim(Rn )
Ejemplo
1 Rn es un espacio vectorial de dimensión n, ya que la base canónica tiene
n vectores.
2 El espacio vectorial {0} tiene dimensión 0.
3 El espacio M2×3 tiene dimensión 6.

Existencia de bases
Como consecuencia de la definición de dimensión podemos establecer los

siguientes teoremas:
Teorema
En el espacio vectorial Rn que tiene dimensión n, todo conjunto de más de n
vectores es ligado, es decir que el máximo número de vectores linealmente
independientes es n.
Teorema (Caracterización de una base del espacio vectorial Rn )

Sea B un conjunto de n vectores del espacio vectorial Rn , las condiciones
siguientes son equivalentes:
1 B es una base de Rn .
2 B es un sistema generador de Rn .
3 B es un sistema libre de Rn .

Existencia de bases
Teorema (Teorema de la base incompleta)

Si G = {~u1 , ~u2 , · · · , ~ur } es un conjunto de r vectores linealmente indepen-
dientes, siendo r < n, siempre se pueden encontrar n − r vectores de Rn ,
{~vr+1 , ~vr+2 , · · · , ~vn } tales que el conjunto
{~u1 , ~u2 , · · · , ~ur , ~vr+1 , ~vr+2 , · · · , ~vn }

n
sea una base de R

Existencia de bases
Teorema (Teorema de la base incompleta)

Si G = {~u1 , ~u2 , · · · , ~ur } es un conjunto de r vectores linealmente indepen-
dientes, siendo r < n, siempre se pueden encontrar n − r vectores de Rn ,
{~vr+1 , ~vr+2 , · · · , ~vn } tales que el conjunto
{~u1 , ~u2 , · · · , ~ur , ~vr+1 , ~vr+2 , · · · , ~vn }
sea una base de Rn
Ejemplo
Sea {(1, 1, 1)} ⊆ R3 , entonces le podemos añadir a este conjunto los vectores
{(1, 0, 0), (0, 1, 0)} de manera que el conjunto
{(1, 1, 1), (1, 0, 0), (0, 1, 0)}
constituya una base de R3 .

Existencia de bases
Coordenadas de un vector
Definición (Coordenadas de un vector)

Sea B = {~u1 , ~u2 , . . . , ~un } una base de Rn y sea ~x un vector de Rn . Se llaman
coordenadas del vector ~x a los únicos escalares
λ 1 , λ 2 , . . . , λn ∈ R
tales que
X
n
~x = λi ~ui = λ1 ~u1 + λ2 ~u2 + · · · + λn ~un
i=1

Existencia de bases
Coordenadas de un vector
Definición (Coordenadas de un vector)

Sea B = {~u1 , ~u2 , . . . , ~un } una base de Rn y sea ~x un vector de Rn . Se llaman
coordenadas del vector ~x a los únicos escalares
λ 1 , λ 2 , . . . , λn ∈ R
tales que
X
n
~x = λi ~ui = λ1 ~u1 + λ2 ~u2 + · · · + λn ~un
i=1
Ejemplo
Sean B = {(1, 0), (0, 1)} y B 0 = {(1, 1), (1, −1)} dos bases de R2 se verifica que:
(3, 5)B = (3, 5); (3, 5) = 3(1, 0) + 5(0, 1)
(3, 5)B 0 = (4, −1); (3, 5) = 4(1, 1) + (−1)(1, −1)

Existencia de bases
Rango de un sistema de vectores
Las coordenadas respecto de una base son también muy útiles cuando se
trata de determinar la dependencia o independencia lineal de un conjunto de
vectores:
Definición
Sea el espacio vectorial (Rn , +, ·) y sea S un subconjunto de un número finito
de vectores de Rn
S = {u1 , u2 , . . . , un }
se llama rango de S al máximo número de vectores linealmente independien-
tes extraidos de S. Se representa porrg(S).
Como consecuencia de la definición anterior, se puede afirmar que: Si Rn es

un espacio vectorial de dimensión n, un conjunto de n vectores de Rn será
una base de Rn si su rango es n.

Existencia de bases
Cálculo del rango de un sistema de vectores

Sea el espacio vectorial (Rn , +, ·) de dimensión n y sea B una base de Rn . Un
conjunto de q vectores, dado por
S = {x1 , x2 , . . . , xq }
Para calcular el rango de S, calcularemos el rango de los q vectores de Rn

definidos por las coordenadas respecto a una base B de los vectores de S.
Ejemplo
Calcular el rango de los vectores
{x1 , x2 , x3 , x4 }
definidos respecto a la base B = {u1 , u2 , u3 , u4 , u5 }, por
x1 = u1 + 2u2 + u3 + 2u4 + u5
x2 = u1 + 2u2 + 4u3 − 7u4 + 4u5
x3 = 2u1 + 4u2 + 5u3 − 5u4 + 5u5
x4 = 2u1 + 4u2 + 8u3 − 14u4 − 2u5

Existencia de bases
Cambio de base en Rn
Sea el espacio vectorial (Rn , +, ·) un espacio vectorial y supongamos que

tenemos dos bases diferentes:
B = {~u1 , ~u2 , · · · , ~un }, B 0 = {u~ 0 1 , u~ 0 2 , · · · , u~ 0 n }
y queremos establecer la relación entre las coordenadas de un mismo vector

en las dos bases.

Existencia de bases
Sea el espacio vectorial (Rn , +, ·) un espacio vectorial y supongamos que

tenemos dos bases diferentes:
B = {~u1 , ~u2 , · · · , ~un }, B 0 = {u~ 0 1 , u~ 0 2 , · · · , u~ 0 n }
y queremos establecer la relación entre las coordenadas de un mismo vector

en las dos bases.
Sea ∀~x ∈ Rn , entonces se puede expresar en función, tanto de los vecto-
res de B como de los vectores de B 0 . Si designamos por (x1 , x2 , · · · , xn ) y
(x10 , x20 , · · · , xn0 ) las coordenadas del vector ~x respecto de las bases B y B 0 res-
pectivamente, entonces podemos escribir:
~x = x1 ~u1 + x2 ~u2 + · · · + xn ~un (1)
y
~x = x10 u~ 0 1 + x20 u~ 0 2 + · · · + xn0 u~ 0 n (2)
La relación que exista entre estas coordenadas dependerá de la que exista
entre ambas bases, por tanto debemos tener ciertas relaciones entre ellas.
Existencia de bases
También los vectores de la base B 0 son también vectores de Rn (B 0 ⊂ Rn ) y

por tanto, también tendrán unas coordenadas respecto de la base B, es decir:


 u~ 0 1 = a11 ~u1 + a21 ~u2 + ··· + an1 ~un


 u~ 0 2 = a12 ~u1 + a22 ~u2 + ··· + an2 ~un
 .. . .. .. ..

 . . .

 ~0
un = a1n ~u1 + a2n ~u2 + ··· + ann ~un
Si sustituimos estas expresiones de u~ 0 i en la ecuación (2), tendríamos
~x = x10 u~ 0 1 + x20 u~ 0 2 + · · · + xn0 u~ 0 n =
= x10 (a11 ~u1 + a21 ~u2 + · · · + an1 ~un ) + · · · + xn0 (a1n ~u1 + a2n ~u2 + · · · + ann ~un ) =
= (x10 a11 + x20 a12 + · · · + xn0 a1n )~u1 + · · · + (x10 an1 + x20 an2 + · · · + xn0 ann )~un

Existencia de bases
Como tenemos dos expresiones del vector ~x en la misma base y sabemos que
las coordenadas de un vector respecto de una base son únicas, se verifica
que:

 x1 = a11 x10 + a12 x20 + ··· + a1n xn0


 x2 = a21 x10 + a22 x20 + ··· + a2n xn0

.. .. .. ..

 . . . .

xn = an1 x10 + an2 x20 + ··· + ann xn0
que son las ecuaciones del cambio de base. Escritas en forma matricial
 0
x1 a11 a12 ··· a1n x1
   
 x2   a21 a22 ··· a2n   x20 
 . = . .. .. ..   .. , XB = PXB 0
    
 ..   .. . . .  . 
xn an 1 an 2 ··· ann xn0

Existencia de bases
 0
x1 a11 a12 ··· a1n x1
   
 x2   a21 a22 ··· a2n   x20 
 . = . .. .. ..   ..
    
 ..   ..

. . .  . 
xn an1 an2 ··· ann xn0
| {z } | {z }| {z }
XB P XB 0
donde observamos que XB es la matriz columna formada por las coordenadas

del vector ~x respecto de la base B. XB 0 es la matriz columna formada por las
coordenadas del vector ~x respecto de la base B 0 y P es la matriz que tiene por
columnas las coordenadas de los vectores de la base B 0 respecto de la base
B.

Existencia de bases
A la matriz P se le llama matriz de cambio de base de B 0 a B y se trata de

una matriz regular, puesto que sus columnas son las coordenadas de n vec-
tores linealmente independientes y por tanto su rango es n. Por ello podemos
escribir
XB 0 = P−1 XB
que nos la matriz del cambio de base de B a B 0 .
Ejemplo
Sean las bases B= {(1, 1, 1), (1, 1, 0), (1, 0, 0)} y B 0 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
de Rn . Hallar las ecuaciones del cambio de base

Introducción. Definición de Espacio Vectorial Subespacio engendrado por un sistema de vectores
Dependencia e Independencia Lineal. Propiedades Base y Dimensión de un subespacio vectorial
Base y Dimensión del Espacio Vectorial Rn Subespacio fila y columna de una matriz
Subespacio Vectorial. Ecuaciones de un Subespacio Ecuaciones de una variedad lineal
Definiciones Generales
En este apartado, estudiaremos partes de los espacios vectoriales que tiene,

las mismas leyes que él, su misma estructura. Frecuentemente, los espacios
vectoriales más importantes surgen como subconjuntos de espacios vectoria-
les más amplios.
Definición (Subespacio Vectorial)

Sea el espacio vectorial (Rn , +, ·). Si S es un subconjunto no vacío de Rn y S
es un espacio vectorial sobre R respecto a las operaciones interna y externa
definidas en Rn , diremos que S es un subespacio vectorial de Rn .

En este apartado, estudiaremos partes de los espacios vectoriales que tiene,
las mismas leyes que él, su misma estructura. Frecuentemente, los espacios
vectoriales más importantes surgen como subconjuntos de espacios vectoria-
les más amplios.
Ejemplo
1 El conjunto F = {(x, 0)/x ∈ R} ⊆ R2 es un subespacio vectorial de
(R2 , +, ·R)
2 El subconjunto F de R3 dado por
F = {(x1 , x2 , x3 )/3x1 − 2x2 + 4x3 = 0}
es un subespacio vectorial del espacio vectorial real (R3 , +, ·R)


Teorema (Caracterización de los subespacios)

Sea el espacio vectorial (Rn , +, ·) sobre el cuerpo R. La condición necesaria y
suficiente para que un subconjunto no vacío,S ⊆ Rn , sea subespacio vectorial
de Rn , es que se verifiquen las siguientes condiciones:
1 ∀~x, ~y ∈ S ⇒ ~x + ~y ∈ S
2 ∀λ ∈ R, ∀~x ∈ S ⇒ λ~x ∈ S



Sea el espacio vectorial (Rn , +, ·) sobre el cuerpo R. La condición necesaria y
suficiente para que un subconjunto no vacío,S ⊆ Rn , sea subespacio vectorial
de Rn , es que se verifiquen las siguientes condiciones:
1 ∀~x, ~y ∈ S ⇒ ~x + ~y ∈ S
2 ∀λ ∈ R, ∀~x ∈ S ⇒ λ~x ∈ S
Estas dos propiedades que exigimos para que un subconjunto sea

subespacio pueden resumirse en una sola:
∀α, β ∈ R, ∀~x, ~y ∈ S ⇒ α~x + β~y ∈ S


Sea el espacio vectorial (Rn , +, ·). La condición necesaria y suficiente para
que un subconjunto no vacío,S ⊆ Rn , sea subespacio vectorial de Rn , es que
se verifiquen las siguientes condiciones:
1 ∀~x, ~y ∈ S ⇒ ~x + ~y ∈ S
2 ∀λ ∈ R, ∀~x ∈ S ⇒ λ~x ∈ S
Ejercicio 4.1: Comprobar que el subconjunto de R3
S = {(x1 , x2 , x3 ) : 3x1 − 2x2 + 4x3 = 0}
es un subespacio vectorial de R3

Definición
Sea el espacio vectorial (Rn , +, ·), llamaremos subespacio trivial de Rn al
formado únicamente por el vector cero, S = {0}.
También se verifica que Rn es subespacio vectorial de si mismo.
Se llama subespacio propio del espacio vectorial Rn a todo subespacio de
Rn que sea distinto de {~0} y de Rn .

Subespacio engendrado por un sistema de vectores
Sea el espacio vectorial (Rn , +, ·) y dado un subconjunto cualquiera de vecto-

res de Rn , digamos que
A = {~u1 , u~2 , . . . , ~up },
no vacío del espacio vectorial Rn , se define un nuevo conjunto formado por
todos los vectores del espacio que son combinaciones lineales de los vectores
de A y lo representamos por L(A) ó < A >:
~x ∈ L(A) ⇔ ∃α1 , α2 , . . . , αp ∈ R tal que ~x = α1 ~u1 + α2 ~u2 + · · · + αp ~up
Ejemplo
En el espacio vectorial (R2 [t], +, ∗) se considera el conjunto de vectores
A = {t2 − 1, t + 1, t2 − 7t − 10}
Es fácil comprobar que el polinomio 3t2 − 2t + 5 pertenece aL(A).

Teorema
Sea A un conjunto de vectores del espacio vectorial (Rn , +, ·) entonces L(A)
es un subespacio vectorial de Rn y además es el menor subespacio vectorial
de Rn que contiene al conjunto A.
Definición (Subespacio engendrado por un sistema de vectores)

Al subespacio vectorial L(A),
L(A) = {α1 ~u1 + α2 ~u2 + · · · + αp ~up , αi ∈ R, }
le llamamos subespacio vectorial o variedad lineal engendrado por A, ya

que A es un sistema generador de dicho subespacio vectorial.

Definición (Subespacio engendrado por un sistema de vectores)

Al subespacio vectorial L(A),
L(A) = {α1 ~u1 + α2 ~u2 + · · · + αp ~up , αi ∈ R, }
le llamamos subespacio vectorial o variedad lineal engendrado por A, ya

que A es un sistema generador de dicho subespacio vectorial.
Ejemplo
En el espacio vectorial R4 , los vectores (1, 2, 0, 0), (0, 3, −1, 0), (0, 0, 5, 4) en-
gendran al subespacio
< F >= {α(1, 2, 0, 0), β(0, 3, −1, 0) + γ(0, 0, 5, 4), ∀α, βγ ∈ R}

Definición (Ecuación vectorial de L(A))

Si L(A) es el subespacio vectorial o variedad lineal engendrada por el conjunto
A = {~u1 , u~2 , . . . , ~up }, de vectores de Rn , la igualdad
~x = α1 ~u1 + α2 ~u2 + · · · + αp ~up , αi ∈ R
que expresa un vector, ~x, cualquiera de L(A) como combinación lineal de los
vectores de A, se llama ecuación vectorial de L(A).

Base y Dimensión de un subespacio vectorial
También podemos hablar de base de un subespacio vectorial, es decir, un

sistema generador del subespacio que es linealmente independiente y por
tanto tenemos también el concepto de dimensión de un subespacio.

Definición
Sea el espacio vectorial Rn de dimensión n y sea S un subespacio de Rn ,
llamamos base de S a todo conjunto de vectores linealmente independientes
de S que sean un sistema generador de S.
Definición
Llamaremos dimensión de un subespacio vectorial al número común de vec-
tores que tienen todas sus bases.

Definición
Sea el espacio vectorial Rn de dimensión n y sea S un subespacio de Rn ,
llamamos base de S a todo conjunto de vectores linealmente independientes
de S que sean un sistema generador de S.
Definición
Llamaremos dimensión de un subespacio vectorial al número común de vec-
tores que tienen todas sus bases.
Teorema
Si S es un subespacio de Rn , S 6= {~0}, se verifica que
dimS 6 dimRn
y recíprocamente, toda parte libre {~u1 , ~u2 , . . . , ~up } de Rn engendra un subes-

pacio de Rn de dimensión p.

Teorema
Si S es un subespacio de Rn , S 6= {~0}, se verifica que
dimS 6 dimRn
y recíprocamente, toda parte libre {~u1 , ~u2 , . . . , ~up } de Rn engendra un subes-

pacio de Rn de dimensión p.
Ejemplo
Calcula una base del subespacio vectorial de R4
L(S) = {(1, 3, 4, 1), (2, 6, 8, 2), (2, 5, 7, 2)}

Subespacio fila y columna de una matriz
Dada una matriz de orden m × n, A ∈ Mm×n (R)
a11 a12 ··· a1n

 
 a21 a22 ··· a2n 
A= . .. .. .. 
 
 .. . . . 
am 1 am2 ··· amn
Cada una de las filas de A pueden ser vista como un vector de Rn :
f~1 = (a11 , a12 , . . . , a1n ), f~2 = (a21 , a22 , . . . , a2n ), . . . , f~m = (am1 , am2 , . . . , amn )
y cada una de las columnas de dicha matriz también pueden ser vistas como
un vector de Rm :
c~1 = (a11 , a21 , . . . , am1 ), c~2 = (a12 , a22 , . . . , am2 ), . . . , c~m = (a1n , a2n , . . . , amn )

Definición
Llamamos espacio fila de dicha matriz y lo representamos por SF(A) al
subespacio vectorial de Rn engendrado por los vectores fila de dicha matriz,
es decir
SF(A) =< f~1 , f~2 , · · · , f~m >= {α1 f~1 + α2 f~2 + . . . αm f~m }
Definición
Llamamos espacio columna de dicha matriz y lo representamos por SC(A)
al subespacio vectorial de Rm engendrado por los vectores columna de dicha
matriz, es decir
SC(A) =< c~1 , c~2 , · · · , c~n >

Definición
Llamamos espacio fila de dicha matriz y lo representamos por SF(A) al
subespacio vectorial de Rn engendrado por los vectores fila de dicha matriz,
es decir
SF(A) =< f~1 , f~2 , · · · , f~m >= {α1 f~1 + α2 f~2 + . . . αm f~m }
Definición
Llamamos espacio columna de dicha matriz y lo representamos por SC(A)
al subespacio vectorial de Rm engendrado por los vectores columna de dicha
matriz, es decir
SC(A) =< c~1 , c~2 , · · · , c~n >
Teorema
Se verifica que la dimensión del espacio fila de A es igual a la del espacio
columna de A igual al rango de A.
dim(SF(A)) = dim(SC(A)) = rg(A)

Ecuaciones de una variedad lineal: Paramétricas
En este apartado estudiaremos y calcularemos las ecuaciones de los subes-

pacios vectoriales y podremos interpretar cada subespacio como el conjunto
de soluciones de un sistema de ecuaciones.

En este apartado estudiaremos y calcularemos las ecuaciones de los subes-

pacios vectoriales y podremos interpretar cada subespacio como el conjunto
de soluciones de un sistema de ecuaciones.
Definición (Ecuaciones paramétricas)
Sea el espacio vectorial (Rn , +, ·) y sea B = {~u1 , ~u2 , . . . , ~un } una base de Rn .
Sea S un subconjunto de vectores de Rn
S = {~v1 , ~v2 , . . . , ~vs }
Se llaman ecuaciones paramétricas del subespacio L(S) a las ecuaciones

que existen entre las coordenadas de un vector de L(S) respecto de la base B
y las coordenadas de los vectores de S respecto de la misma base.
Veamos como obtenerlas:

Si ~x ∈ L(S) =⇒ ~x = λ1~v1 + · · · + λs~vs , pero por ser ~x ∈ Rn se verifica que
~x = x1 ~u1 + · · · + xn ~un
Como los vectores de S pertenecen a Rn , se cumple
~v1 = a11 ~u1 + a12 ~u2 + · · · + a1n ~un

~v2 = a21 ~u1 + a22 ~u2 + · · · + a2n ~un
... ... ...
~vs = as1 ~u1 + as2 ~u2 + · · · + asn ~un
Sustituyendo estas expresiones en la ecuación anterior obtenemos

X
n X
n
~x = λ1 a1i ~ui + · · · + λs asi ~ui =
i=1 i=1
X
s X
s X
s
( λi ai1 )~u1 + ( λi ai2 )~u2 + · · · + ( λi ain )~un
i=1 i=1 i=1

Y como las coordenadas de un vector respecto a una base son únicas, nos
queda: 

 x1 = a11 λ1 + a21 λ2 + · · · + as1 λs

x2 = a12 λ1 + a22 λ2 + · · · + as2 λs

 ... ... ...

xn = a1n λ1 + a2n λ2 + · · · + asn λs
Este sistema obtenido es lo que se conoce como ecuaciones paramétricas
del subespacio vectorial engendrado por los vectores {~v1 , ~v2 , . . . , ~vs }. Obser-
vando su forma matricial
x1 a11 a21 ··· as1 λ1
    
 x2   a12 a22 ··· as2   λ2 
 . = . .. ..   .. 
    
 ..   .. . .  . 
xn a1n a2n ··· asn λs
vemos que las columnas son las coordenadas de los vectores de S respecto
a la base de Rn

Y demás podemos afirmar que el rango de la matriz anterior coincide con la

dimensión del subespacio vectorial L(S):
a11 a21 ··· as1

 
 a12 a22 ··· as2 
dim(L(S)) = rg  . .. .. 
 
 .. . . 
a1n a2n ··· asn
Ejemplo
Determina las ecuaciones paramétricas del subespacio L(H) siendo H el sub-
conjunto de vectores de R5 dados por
v1 = (1, 0, 0, −1, 0), v2 = (0, −1, −1, 4, 1), v3 = (1, 1, 0, 0, −4), v4 = (3, −2, 4, −25, 20)

Ecuaciones de una variedad lineal: Implícitas
Definición (Ecuaciones Implícitas)

El conjunto de vectores de Rn , ~x = (x1 , x2 , . . . , xn ) que verifican o que son
solución del sistema
a11 x1 + a12 x2 + · · · + a1n xn = 0
a21 x1 + a22 x2 + · · · + a2n xn = 0
... ... ...
ap1 x1 + ap2 x2 + · · · + apn xn = 0
constituyen un subespacio vectorial S de Rn y las expresiones anteriores se

llaman sus ecuaciones implícitas, es lo que hemos llamado el espacio nulo
de la matriz A.

Ecuaciones de una variedad lineal: Implícitas
Si consideramos la matriz
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
A= . .. .. .. 
 
 .. . . . 
ap1 ap2 ··· apn
formada por los coeficientes de las incógnitas, se verifica que
dim(S) = n − rg(A)

Ecuaciones de una variedad lineal
Si consideramos la matriz
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
A= . .. .. .. 
 
 .. . . . 
ap1 ap2 ··· apn
formada por los coeficientes de las incógnitas, se verifica que
dim(S) = n − rg(A)
Veamos a través de sendos ejercicios como pueden obtenerse, partiendo de

las ecuaciones paramétricas de una variedad lineal, las condiciones que han
de cumplir las coordenadas de un vector cualquiera de V para pertenecer a
ella, es decir las ecuaciones implícitas y viceversa.

Tema Iii - Espacios Vectoriales

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tema Iii - Espacios Vectoriales

Uploaded by

Copyright:

Available Formats

Introducción.

Definición de Espacio Vectorial

ÁLGEBRA LINEAL Y GEOMETRÍA

Dr. Alejandro Pérez Peña

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 1

1 Introducción. Definición de Espacio Vectorial

2 Dependencia e Independencia Lineal. Propiedades

3 Base y Dimensión del Espacio Vectorial Rn

4 Subespacio Vectorial. Ecuaciones de un Subespacio

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 2

Después de abordar en los temas anteriores las herramientas básicas: ma-

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 3

Vectores libres en el espacio

al vector libre definido de la siguiente manera: por un punto O arbitrario se

Â¿Qué propiedades verifica la suma de vectores y el producto de un escalar

El conjunto de todas las matrices de m filas y n columnas

Y el producto de una matriz por un número real

y se puede comprobar que se verifican las misma propiedades que el anterior

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 5

Definición (Espacio Vectorial)

de tal manera que se verifiquen las siguientes propiedades:

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 6

Definición (Espacio Vectorial)

2 Conmutativa: ∀ x, y ∈ V se cumple que

3 Existencia de elemento neutro: Existe un elemento 0 ∈ V tal que par

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 7

Definición (Espacio Vectorial)

2 Cualesquiera que sean x, y ∈ V y cualquiera que sea α ∈ R, se verifica

3 Cualquiera que sea x ∈ V y cualesquiera que sean α, β ∈ R, se verifica

4 Si 1 es el elemento unidad de R y x es un elemento cualquiera de V , se

Ejemplo de los espacios vectoriales

x + y = (x1 , x2 , · · · , xn ) + (y1 , y2 , · · · , yn ) = (x1 + y1 , x2 + y2 , · · · , xn + yn )

Es una operación interna, ya que al sumar dos elementos de Rn obtenemos

El producto de un número real por un elemento de Rn es otro elemento de

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 9

Ejemplo de los espacios vectoriales

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 10

Ejemplo de los espacios vectoriales

2 Cualesquiera que sean x, y ∈ Rn y cualquiera que sea α ∈ R, se verifica

3 Cualquiera que sea x ∈ Rn y cualesquiera que sean α, β ∈ R, se verifica

4 Si 1 es el elemento unidad de R y x es un elemento cualquiera de Rn ,

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 11

Ejemplo de los espacios vectoriales

El conjunto de todas las matrices de m filas y n columnas

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 12

Ejemplo de los espacios vectoriales

El espacio vectorial real de los polinomios

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 13

Nosotros nos vamos a centrar ahora en el espacio vectorial Rn y todo el tema

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 14

Definición (Combinación Lineal)

~v = α1~v1 + α2~v2 + · · · + αm~vm , con α1 , α2 · · · , αm ∈ R

A los escalares α1 , α2 · · · , αm se les llama coeficientes de la combinación li-

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 15

Definición (Combinación Lineal)

~v = α1~v1 + α2~v2 + · · · + αm~vm , con α1 , α2 · · · , αm ∈ R

A los escalares α1 , α2 · · · , αm se les llama coeficientes de la combinación li-

(3, 4, −7) = 3(1, 0, 0) + 4(0, 1, 0) − 7(0, 0, 1)

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA III: Espacios Vectoriales 16

Definición (Combinación Lineal)

~v = α1~v1 + α2~v2 + · · · + αm~vm , con α1 , α2 · · · , αm ∈ R

A los escalares α1 , α2 · · · , αm se les llama coeficientes de la combinación li-

(3, 4, −7) = 3(1, 0, 0) + 4(0, 1, 0) − 7(0, 0, 1)