FACULTAD DE CIENCIAS SOCIALES EDUCACIÓN

COMERCIAL Y DERECHO

ECONOMÍA EN LINEA
MODALIDAD EN LÍNEA

ASIGNATURA:
ALGEBRA LINEAL

DOCENTE:
MGTR. ROBERTO IVAN BAZURTO QUILLIGANA

INTEGRANTES:

TEMA:
ESPACIOS VECTORIALES, SUBESPACIOS VECTORIALES Y
COMBINANCIÓN LINEAL, CONJUNTO GENERADOR E
INDEPENDENCIA LINEAL, TRASNFORMACIONES LINEALES

CURSO:
SEGUNDO SEMESTRE PARALELO C
Fecha de entrega:
17/12/2023

PERIODO LECTIVO
2023 - 2024
 CONTENIDOS

- ESPACIOS VECTORIALES
- Introducción. Vectores en el plano y en el espacio.

- Estructura de espacio vectorial.

- Subespacios vectoriales.

- Dependencia e independencia lineal.

- Conjunto Generador e

- Independencia Lineal

- Transformaciones Lineales

- Propiedades.

- Ejercicios y soluciones.
 ESPACIOS VECTORIALES

INTRODUCCION. VECTORES EN EL PLANO Y EN EL ESPACIO.

Definición. Se llama vector geométrico a todo segmento orientado.

Puesto que un segmento viene determinado por dos puntos A y B, el vector quedará
perfectamente definido si nos dan estos dos puntos y un cierto orden. El primer punto
se llama origen y el segundo recibe el nombre de extremo.

Notación: Normalmente ⃗v = AB representa un vector geométrico de origen A y

extremo B.

Definición. Definida una unidad de medida, se llama módulo del vector AB, a la
longitud del vector AB, lo cual se representa por | AB|.

Definición. Se dice que dos vectores tienen la misma dirección si están situados
sobre la misma recta o en rectas paralelas.

Definición. Se define como sentido del vector AB el que determinan sobre la recta r AB
los puntos A y B tomados en este orden.

Definición. Equipolencia de vectores. Se dice que dos vectores u y v son

equipolentes si tienen igual módulo dirección y sentido. Se representa u⃗ <> ⃗v .

Proposición. La equipolencia de vectores es una relación de equivalencia.

Esta relación de equivalencia efectúa en el conjunto de todos los vectores una

partición en clases de equivalencia. Como representante de cada clase de
equivalencia se elige el vector con origen en el origen de coordenadas, el cual recibe
el nombre de vector libre. A partir de ahora trabajaremos con el conjunto de los
vectores libres, que se denota por V.

Antes de definir axiomáticamente el concepto de espacio vectorial, se trabaja con el

conjunto de los vectores libres (del plano o del espacio). Se definen las operaciones:
“suma de vectores (+)”, “resta de vectores (-)” y “producto de un vector por un escalar
λ de R ”, cuyas interpretaciones geométricas son las siguientes:

Algunas propiedades de estas operaciones son:

1.- ∀ ⃗u , ⃗v ∈V , ( ⃗u +⃗v ) ∈V (ley de composición interna).

w ∈V , ( ⃗u + ⃗v )+ ⃗
2.- ∀ ⃗u , ⃗v , ⃗ w =⃗u + ( ⃗v + ⃗
w )=⃗u + ⃗v +⃗
w (propiedad asociativa).
3.- Denotando por 0⃗ (vector nulo) el vector 00, se tiene de inmediato
∀ ⃗u ∈V , ∃! ⃗0 ∈V /⃗u + ⃗0=0⃗ + ⃗u=⃗u

4.- Denotando por −⃗

u =BA al vector opuesto o simétrico del u⃗ =BA , es fácil deducir
que
∀ ⃗u ∈V , ∃(−⃗u )∈V /⃗u +(−⃗u )=(−⃗u )+⃗u= ⃗0

5.- ∀ ⃗u , ⃗v ∈V , ⃗u +⃗v =⃗v + u⃗ .

De donde se concluye que (V,+) tiene estructura de grupo abeliano o conmutativo.

Con respecto la operación externa se cumple:

1.- ∀ ⃗u , ⃗v ∈V ∧ ∀ α ∈ R α ( ⃗u + ⃗v )+ α ∙ u⃗ + α ∙ ⃗v .

2.- ∀ ⃗u ∈V ∧ ∀ α , β ∈ R ( α + β ) ∙ u⃗ =α ∙ u⃗ + β ∙ ⃗v .

3.- ∀ ⃗u ∈V ∧ ∀ α , β ∈ R ( α + β ) ∙ u⃗ =α ∙ (β ∙ ⃗u ).

4.- ∀ ⃗u ∈V 1∈ R/1∙ u⃗ =⃗u .

Con estas propiedades se puede afirmar que ¿ tiene estructura de espacio vectorial
real.

ESTRUCTURA DE ESPACIO VECTORIAL.

Las propiedades que acabamos de ver no sólo las cumplen los vectores geométricos,
hay una familia muy numerosa de conjuntos que las verifican, denominándose a éstos
espacios vectoriales.

Definición. Sea E un conjunto no vacío cuyos elementos se llaman vectores (x, y,

z,...), y K un cuerpo (por ejemplo R o C ) cuyos elementos se denominan escalares (α,
β, γ,...). Definimos en E dos leyes de composición: una interna, que denotaremos por
(+) y denominaremos “Suma o adición de vectores de E”, y otra externa, a la que
llamaremos “Producto de un vector por un escalar”. En estas condiciones, se dice que
E es un espacio vectorial sobre K si se verifican las siguientes condiciones:

I) Para la ley interna “Suma de vectores de E”, el par (E,+) es un Grupo Abeliano, por
lo que cumple las propiedades siguientes:

1. ∀ x , y ∈ Ε x + y= y + x Conmutatividad
2. ∀ x , y , z ∈ Ε ( x + y ) + z=x +( y+ z) Asociatividad
3. ∀ x ∈ Ε∃ ! 0 ∈ Ε /x +0=0+ x=x Elemento neutro
4. ∀ x ∈ Ε∃ (−x ) ∈ Ε/ x + (−x )=(−x ) + x=0 Elemento opuesto

II) Para la ley de composición externa, “Producto de un vector por un escalar”, que
asocia a cada escalar α, y a cada vector x de E un vector único, llamado producto de
α y x, y que se representa por αx o xα, se satisfacen las siguientes propiedades:

1. ∀ x , y ∈ Ε ∧ ∀ α ∈ K α ( x + y )=αx+αy
 2. ∀ x ∈ Ε∧ ∀ α , β ∈ K ( α + β ) + x=αx+ βy
3. ∀ x ∈ Ε∧ ∀ α , β ∈ K ( αβ ) x =α ( βx)
4. ∀ x ∈ Ε1 x=x ( siendo 1 el elemento neutro del producto en K ) .

Un espacio vectorial real es un espacio vectorial en el que los escalares pertenecen al

cuerpo ℝ de los números reales, y un espacio vectorial complejo es un espacio
vectorial en el que los escalares pertenecen al cuerpo C de los números complejos
(en nuestro caso, trabajaremos preferentemente sobre espacios vectoriales reales).

Ejemplos de Espacios Vectoriales.

Cada uno de los siguientes ejemplos es un espacio vectorial con el conjunto

apropiado de escalares (ℝ oC ), con las apropiadas definiciones de suma de vectores
y de producto de un vector por un escalar.

a) El espacio vectorial real de todos los vectores geométricos V en el espacio físico de

tres dimensiones con las operaciones suma de vectores y producto por un escalar.

b) El conjunto ℝ de los números reales es un espacio vectorial sobre sí mismo.

c) Rn es el espacio vectorial real de todas las matrices columna nx1 reales, siendo la
suma de vectores en este caso la suma de matrices, y el producto el producto por un
escalar el usual para matrices.

d) C n es el espacio vectorial complejo de todas las matrices columna nx1 complejas,

con las operaciones definidas como en Rn .

e) El conjunto de funciones E={f : R → R }, es decir, las funciones reales de variable

real, dotado de las operaciones:
Suma de funciones: ( f +g ) ( x ) =f ( x )+ g ( x ) ∀ x ∈ R

Producto por un escalar: ( λf ) ( x )=λf ( x ) ∀ x ∈ R ∧ λ ∈ R

tiene estructura de espacio vectorial sobre R . El elemento neutro de la suma es la

función nula.

f) El conjunto de polinomios de grado menor o igual que n, de variable real x, Pn:

n n−1
Pn={ p ( x ) =an x + an−1 x + ⋯ +a1 x+ a0 /a 1 ∈ R }, con las operaciones:

suma de polinomios:
n n−1
p ( x )=a n x +an −1 x + ⋯ +a 1 x +a0
n n−1
q ( x )=bn x + bn−1 x + ⋯ + b1 x +b 0
n n−1
p ( x )+ q ( x )=( a n+ bn ) x + ( a n−1 +b n−1 ) x + ⋯ + ( a1 +b 1 ) x +( a0 +b 0)∈ Pn

producto de un polinomio por un escalar:

n n−1
p ( x )=a n x +an −1 x + ⋯ +a 1 x +a0
λ∈R
 n n−1
λp ( x )=( λ an ) x + ( λ a n−1) x + ⋯ + ( λ a1 ) x + λ a 0 ∈ P n

Es espacio vectorial

g) El conjunto de matrices Εm × n (R) es espacio vectorial real; Εm × n (C) es espacio

vectorial complejo

Consecuencias de la definición de Espacio Vectorial

Veamos algunas de las consecuencias que se deducen de la definición de espacio

vectorial:
1) ∀x ∈ E 0x = 0 (vector nulo).
Demostración. αx=( α +0 ) x=αx+ 0 x de donde se deduce que 0 x=0 (vector
nulo).

2) ∀x ∈E y ∀α ∈ K se tiene que (-α)x = -αx.

Demostración. Como [(-α)+α] x = 0x = 0 ⇒ (-α)x + αx = 0 ⇒ (-α)x = -αx.
En particular (-1)x = -(1x) = -x.

3) ∀α ∈ K α0 = 0.
Demostración. α0 + α0 = α(0+0) = α0, sumando -α0 en las dos partes de la
igualdad, se obtiene que α0 = 0.

4) La igualdad αx = 0 sólo se verifica si α = 0 ó si x = 0.

Demostración. Supongamos que αx = 0, pueden pasar dos cosas, que α =0 o
que α≠0.
Si α ≠ 0 existirá ∝−1 ∈ K /α α −1 =1. Multiplicando en αx=0 por α −1 se obtiene:

−1 −1
α αx=a 0=0⟹ x=0.

De donde se deduce que, ó α =0 ó x = 0.

5) i) ∀α ≠ 0 αx = αy ⇒ x=y
ii) ∀x ≠ 0 αx = βx ⇒ α=β

Demostración. i) De la igualdad αx = αy ⇒ αx - αy = 0 ⇒ α(x-y) = 0, y de

4) se tiene que α = 0 ó x-y = 0. Pero como estamos suponiendo que α≠0, debe
verificarse que x-y = 0; luego x = y.

ii) De la igualdad αx = βx ⇒ αx - βx = 0, y de 4) α - β = 0 ó x = 0, pero como

estamos
suponiendo x ≠ 0, debe cumplirse α - β = 0, luego α= β.

SUBESPACIOS VECTORIALES

Muchos espacios vectoriales están relacionados entre sí, por ejemplo cada polinomio
de grado ≤3 es a su vez un polinomio de grado ≤4, ≤5,..., y a la vez una función
continua definida sobre R , siendo las operaciones de cada uno de estos espacios
vectoriales las mismas. Esta situación es muy común y muy importante en nuestro
estudio de los espacios vectoriales.
Definición. Sean E y F espacios vectoriales sobre K , si F es un subconjunto no vacío
de E y las operaciones que hacen de F un espacio vectorial son las mismas que las
que hacen a E espacio vectorial, se dice que F es un subespacio vectorial de E.

Para establecer si un subconjunto F de un espacio vectorial E es subespacio vectorial

o no no es necesario comprobar que se cumplen los axiomas de espacio vectorial
como nos indica el siguiente teorema:

Teorema. Sea E espacio vectorial sobre K . La condición necesaria y suficiente para

que un subconjunto F (no vacío) de E sea subespacio vectorial sobre K es que
contenga al vector nulo de E y sea estable para las operaciones suma de vectores y
producto por un escalar; es decir

I) ∀ x,y ∈ F x+y ∈ F (⇒ F estable para la suma).

II) ∀x∈ F ∧ ∀α ∈ K αx ∈ F (⇒ F estable para el producto por un escalar).

Demostración. Tenemos que demostrar que F ⊂ E, F ≠ ∅, es subespacio vectorial

sobre K ⇔ [0 ∈ F (por tanto, F ≠ ∅) y se cumplen las propiedades I) y II)].
⇒) Esta implicación es evidente.
⇐) Supongamos que 0 ∈ F y se cumplen I) y II), y veamos que entonces también se
cumplen el resto de las propiedades para que F sea espacio vectorial.
Para la suma:

1) Por I) la ley de composición es interna en F, pues ∀ x,y ∈ F x+y ∈ F.

2) Asociatividad: se cumple por cumplirse en E.
3) Conmutatividad: se cumple por cumplirse en E.
4) ∀ x ∈ F ∃ !0 ∈ F / x + 0 = x ( se cumple pues el 0 ∈ F, ya que se ha exigido)
5) Comprobemos si ∀ x ∈ F ∃ -x ∈ F / x + (-x) = 0
si x ∈ F ⇒ como -x = (-1) x ∈ F, por ser (-1) ∈ K y por verificarse II).

El resto de los axiomas correspondientes a las propiedades del producto por un

escalar se cumplen siempre en F por cumplirse en E y F ⊂ E.

Observaciones:

1. La condición exigida a un subespacio vectorial F de contener al vector 0, es

equivalente a exigir que F ≠ ∅.

2. El vector nulo 0 pertenece a todos los subespacios vectoriales de E.

3. En todo espacio vectorial E, el conjunto {0} es subespacio vectorial de E.

Ejemplos.

1.- Consideremos un sistema de ecuaciones lineales homogéneo y real, que

en forma matricial se expresa como Ax = 0, siendo A una matriz de orden mxn,
y tanto x como 0 matrices columna de órdenes respectivos nx1 y mx1.

Sea S el conjunto de soluciones del sistema, que serán vectores de n Rn , es

decir,
 { () }
x1
S= x= x 2 / A ∙ x=0 ⊂ Rn
⋯
xn

Veamos que S es un subespacio vectorial real de n Rn . Para demostrarlo

hacemos uso del teorema anterior:
Si x = 0, Ax = A0 = 0, luego 0 ∈ F.

I) ∀x,y ∈ S ⇒ x+y ∈ S ?.
Sean x,y ∈ S ⇒ A (x+y) = Ax + Ay = 0 + 0 = 0 ⇒ x+y ∈ S.

II) ∀ x ∈ S y ∀ α ∈ R ⇒ αx ∈ S ?.
Sean x ∈ S y α ∈ R ⇒ A(αx) = αAx = α0= 0 ⇒ αx ∈ S.

Luego S es subespacio vectorial de Rn ..

{( ) }
x
2.-El conjunto F= 0 / x , z ∈ R es un subespacio vectorial del espacio
z

vectorial real R3 .

t
3.- Sea F={ A ∈ Ε3 X 3 ( R ) / A=A } es un subespacio vectorial del

espacio vectorial real Ε3 X 3 ( R ) .

DEPENDENCIA E INDEPENDENCIA LINEAL.

En las aplicaciones necesitamos ser capaces de calcular y manipular vectores; esto

requiere algún tipo de representación concreta de vectores. Por ejemplo, el
subespacio F de P3 formado por los polinomios que cumplen

p ¿,

es un subespacio vectorial que no puede manejarse fácilmente con esa

caracterización; los cálculos con F se simplifican cuando se sabe que cada elemento
de F se puede escribir como λ ( 1−2 x + x 2−x 3 ) / λ ∈ R . Por esta razón es importante
poder expresar el elemento general de un espacio vectorial como combinación lineal
de vectores especiales del espacio.

Definición. Sea E espacio vectorial sobre K . Sea S={e 1 , e 2 , ⋯ , eq }* un sistema finito

de vectores de E, se dice que el vector x ∈ Ε es combinación lineal de los vectores de
S si existen q escalares α 1 , α 2 , ⋯ , α q ∈ K tales que:
x=α 1 e1 +α 2 e2 + ⋯ + α q eq .

Proposición. Sea S={e 1 , e 2 , ⋯ , eq }⊂ Ε . Todos los vectores que se pueden formar por
combinación lineal de los vectores e 1 ,e 2 , ⋯ , eq pertenecen a E y, además, forman un
subespacio vectorial de E denominado subespacio generado por S, y se representa
como Span ( S )
Span ( S )= { x=α 1 e1 +α 2 e2 + ⋯ + α q eq /α 1 ∈ K ,i=1, 2 , ⋯ , q }⊂ Ε

También se dice que S es un sistema generador de Span ( S )y es el menor subespacio

vectorial de E que contiene a S.

Demostración. E es espacio vectorial y Span ( S )E, veamos que Span(S) cumple la

condición necesaria y suficiente para ser subespacio vectorial de E.
0 ∈ Span ( S )pues el vector nulo puede escribirse como la combinación lineal:
0=0e + 0e + ⋯ + 0e
1 2 q

I) ∀ x , y ∈ Span ( S ) ⟹ x + y ∈ Span ( S ) ?

Sean x,y ∈ Span ( S ) ⇒

{ x=α 1 e 1+ α 2 e2 + ⋯ +α q e q
y=β 1 e1 + β 2 e2 + ⋯ + β q eq
⟹

⟹ x+ y=( α 1 + β 1) e 1 + ( α 2+ β2 ) e 2+ ⋯ +(α q + β q )e q ∈ Span ( S )

II ¿ ∀ x ∈ Span ( S ) ∧ ∀ α ∈ K ⟹ αx ∈ Span ( S )?
Sea x ∈ Span ( S )y sea α ∈ K ⇒ x=α 1 e1 +α 2 e2 + ⋯ + α q eq ⇒

⇒ αx=( α α 1 ) e 1+ ( α α 2 ) e2 + ⋯ +(α α q )e q ⇒ αx ∈ Span ( S ) ).

Además, todo subespacio que incluya a S ha de contener a las combinaciones

lineales de los vectores de S, esto es, ha de incluir a Span ( S )Como, además, Span ( S )
es subespacio vectorial e incluye a S, se concluye de todo ello que Span ( S )es el
menor subespacio vectorial que incluye a S.

Cuando S engendra a todo el espacio vectorial E se dice que S es una familia total de
vectores para E.

Ejemplo.

En el espacio vectorial real de las matrices cuadradas reales de orden 2,

Ε2 x2 ( R )consideremos el conjunto

{ ( ) ( ) ( )}
S= e 1= 1 0 , e 1= 0 1 , e 3= 0 0 ⊂ Ε2 x 2 ( R ) .
0 0 1 0 0 1

El subespacio vectorial F=Span ( S )engendrado por el sistema de generadores

S es el conjunto de matrices de Ε2 x2 ( R ) que se pueden escribir como
combinación lineal de las matrices de S, es decir

{ ( ) }
F=Span ( S )= A= α β /α , β , λ ∈ R , es decir, F es el subespacio vectorial
β λ
 de Ε2 x2 ( R ) formado por las matrices simétricas reales de orden 2.

Observación. Cuando S es un sistema con infinitos vectores de un espacio Ε , se

llama Span ( S )al conjunto de todas las combinaciones lineales de cualquier cantidad
finita de vectores de S. Se verifica que Span ( S )es un subespacio vectorial de Ε ;
Span(S) es el menor subespacio vectorial de Ε que contiene a S y se le llama
subespacio generado por S.

Definición. Sean S= { e 1 , e 2 , ⋯ ,e q } y T ={u1 , u2 , ⋯ ,u q } dos sistemas de vectores del

espacio vectorial Ε , se dice que S y T son sistemas equivalentes si engendran el
mismo subespacio, o sea, si Span ( S )= Span (T )

Ejemplo.

En el espacio vectorial real de las matrices cuadradas reales de orden 2,

Ε2 x2 ( R )), consideremos el conjunto S= e 1=

{ ( ) ( ) ( )}
1 0
,e =
0 1
,e =
0 0 2 1 0 3 0 1
0 0
y el

conjunto T ={u 1= ( 10 02) , u =(1011 110 ) , u =(00 01)}. El subespacio vectorial

2 3

engendrado por el sistema de generadores S y el engendrado por T es el

subespacio vectorial de Ε2 x2 ( R ) formado por las matrices simétricas reales de
orden 2. Por tanto S y T son sistemas equivalentes.

Definiciones. Sea Ε un espacio vectorial sobre K y sea S={e 1 , e 2 , ⋯ , en }un sistema

finito de vectores de Ε . Se dice que S es una familia o sistema libre de vectores o
también que los vectores e 1 ,e 2 , ⋯ , en , en son linealmente independientes si la relación
α 1 e1 +α 2 e 2 + ⋯ + α n e n=0
se cumple sólo cuando α 1=α 2=⋯ =α n=0.

En el caso de que existan n escalares α 1 , α 2 , ⋯ , α n no todos nulos, tales que

α 1 e1 +α 2 e 2 + ⋯ + α n e n=0
se dice que los vectores e 1 ,e 2 , ⋯ , en son linealmente dependientes o que S es un
sistema ligado.

Se dice que un vector depende linealmente de otros si aquél es igual a una

combinación lineal de éstos.

Observación. Sea S una familia de infinitos vectores de un espacio vectorial Ε . Se

dice que S es libre, si toda subfamilia finita extraída de ella es libre.

Los conceptos de dependencia e independencia lineal son cruciales en álgebra lineal,

ya que conducen a nuevas formas de estudiar los conceptos de rango de matrices y
de existencia y unicidad de soluciones de sistemas de ecuaciones, constituyen la
clave para entender cómo representar elementos de espacios vectoriales de una
manera simple, nos ayudan a entender las dificultades numéricas que pueden
aparecer en el cálculo de soluciones a problemas aplicados, etc. Así, es
absolutamente esencial manejar estos conceptos y ser capaces de determinar si un
conjunto de vectores es linealmente independiente.

{ ( ) ( ) ( ) ( )}
1 0 0 1
0 2 1 0
Ejemplo. Estudiar si S= e 1= , e2= , e3 = , e 4= , es o no familia libre de
0 0 1 −2
0 6 3 0

vectores en R4 .

Solución. Para ver si la familia S es libre hay que considerar la combinación lineal
α 1 e1 +α 2 e 2 +α 3 e 3 +α 4 e 4=0

Ésta da lugar al sistema homogéneo de cuatro incógnitas siguiente:

α 1+ α 4=0
2 α 2+ α 3=0
α 3−2 α 4=0
6 α 2 +3 α 3 =0

[ ]
1 0 0 1
0 2 1 0
cuya matriz de coeficientes A= tiene rango tres. Por lo tanto, al
0 0 1 −2
0 6 3 0
tratarse de un sistema homogéneo y ser el rango de la matriz de coeficientes menor
que el número de incógnitas (que es cuatro), existe solución distinta de la nula.
Resolviendo el sistema resultante de eliminar la última ecuación obtenemos como
soluciones:
α 1=−α 4 , α 2=−α 4 , α 3 =2 α 4 , α 4 ∈ R .
Así por ejemplo, si α 4 =1 entonces α 1=−1 , α 2=−1 y α 3=2, con lo cual resulta:
 −e 1+ (−1 ) e2 +2 e 3+ e 4=0
es decir, estos vectores son linealmente dependientes.

En general, si se forma una matriz cuyas columnas son las componentes de los q
vectores de un sistema S de vectores de Rn ., el rango r de dicha matriz nos indica el
número de vectores independientes del conjunto S. Si r =q, entonces S es una familia
libre de vectores. Mientras que si r < q, entonces existen q−r vectores dependientes
de los r y el conjunto S no es libre. Esta propiedad es válida utilizando componentes
de los vectores de Rn . o “coordenadas” de vectores de cualquier otro espacio vectorial
de dimensión finita (concepto que se definirá más adelante).

Ejemplo. Sea el espacio vectorial real Ε={f : R ⟶ R/ f continua } , y considérense las

siguientes familias finitas de vectores de Ε :

a ¿ S={ 1 , x , x2 } b ¿ U ={ 1 , x , x2 , ⋯ , x n−1 } c ¿ T ={ 1 , x , x 2 , x 2−2 x } .

Estudiar si S, T y U son o no libres.

a) Supongamos que
2
α 1 1+ α 2 x + α 3 x =0,

donde 0 es la función que vale cero cualquiera que sea x. Esta igualdad se ha de
cumplir para todo x real, en particular se ha de cumplir para x = 0, x = 1 y para x = -1,
de donde se obtienen las ecuaciones:

{
α 1=0
¿ ⟹ α 1 + α 2 +α 3=0
α 1−α 2 +α 3=0

este sistema admite como solución única α 1=α 2=α 3=0 , es decir, la familia S es libre.
b) La familia U ={1 , x , x 2 , ⋯ , x n−1 } también es libre, ya que si suponemos que
2 n−1
α 1 1+ α 2 x + α 3 x + ⋯ +α n x =0
donde 0 es la función que vale cero cualquiera que sea x. Esta igualdad se ha de
verificar para todo x real, lo cual implica que α 1=α 2=⋯ =α n=0 (esto se puede
demostrar cogiendo puntos y resolviendo el sistema, ó teniendo en cuenta que el
único polinomio de grado n-1 que vale cero en todo R es el polinomio nulo). Luego U
es libre.
 c) Por el contrario, si consideramos la familia finita de T ={1 , x , x 2 , x 2−2 x }, y
suponemos que

α 1 1+ α 2 x + α 3 x2 +α 4 ( x 2−2 x )=0
α 1 1+ ( α 2−2 α 1 ) x +¿

Esta relación se verifica cuando α 1=0 , α 2=2 α 4 y α 3=−α 4 , α 4=−1∈ R (por ejemplo,
para α 4 =1, α 1=0 , α 2=2 y α 3=−1 , escalares no todos nulos). Luego T es un conjunto
de vectores de Ε linealmente dependientes.

Observaciones:

• Si uno de los vectores de un sistema es el vector nulo, entonces el sistema

es linealmente dependiente.
• Si u ≠ 0, entonces el sistema S = {u} es linealmente independiente. Un
sistema {u,v, } , formado por dos vectores, es linealmente dependiente sí y sólo
si uno de ellos es proporcional al otro.
• Si un sistema de vectores S es linealmente dependiente, entonces también lo
es cualquier sistema que resulte de añadir algún vector a S.
• Si un sistema de vectores S es linealmente independiente, entonces también
lo es cualquier sistema que resulte de prescindir de alguno de los vectores de
S.

Propiedades de la dependencia e independencia.

Sea Ε espacio vectorial sobre K :

1. Un sistema de vectores S= { e 1 , e 2 , ⋯ ,e p }es linealmente dependiente sí y
solo si alguno de sus vectores depende linealmente de los demás.
2. Si un vector w depende linealmente de los vectores e 1 ,e 2 , ⋯ , e p , y éstos
dependen a su vez de v 1 , v 2 , ⋯ , v q , entonces w depende de éstos últimos.

3. Dos sistemas de vectores S= { e 1 , e 2 , ⋯ ,e p } y T ={v 1 , v 2 , ⋯ , v P} son

equivalentes, o sea Span (S) = Span (T), sí y sólo si todo vector de uno de los
sistemas depende linealmente de los vectores del otro y recíprocamente.
4. Si S es un sistema linealmente independiente de vectores y v es un vector
que no depende de los vectores de S, entonces el sistema S ∪ {v } también es
 linealmente independiente.

Demostración.

1. ⇐) Supongamos que en el conjunto { e 1 , e2 , ⋯ , e p } hay un vector, digamos el e1,

combinación lineal de los demás. Entonces se tiene
e 1=α 2 e2 + ⋯ + α p e p
(−1)e1 +α 2 e2 + ⋯ + α p e p=0

o equivalentemente

por tanto { e 1 , e2 , ⋯ , e p } es linealmente dependiente, pues los coeficientes no son todos

nulos.
⇒) Recíprocamente, si { e 1 , e2 , ⋯ , e p } es linealmente dependiente, la combinación lineal

nula α 1 e1 +α 2 e 2 + ⋯ + α p e p=0 se cumple con algún coeficiente diferente de cero.

Supongamos que el coeficiente no nulo es α 1.

Entonces
−1
e 1= (α e + ⋯ +α p e p )
α1 2 2

2. Supongamos que un vector w depende linealmente de los vectores e 1 ,e 2 , ⋯ , e p y

éstos dependen a su vez de v 1 , v 2 , ⋯ , v q , entonces existen unos escalares
α 1 , α 2 , ⋯ , α p , μ11 , μ12 , ⋯ , μ 1 p , μ21 , μ22 , ⋯ , μ 2 p , ⋯ , μq 1 , μ q 2 , ⋯ , μ qp en K tales que
p q
w=α 1 e1 +α 2 e2 + ⋯ + α q e p=∑ α i e i y e j=∑ μ jk v k para j=1 , 2, ⋯ , p ,
i=1 k=1

de donde

[∑ ] ∑ ∑ [∑ ]
p q p p q q
w=α 1 e1 +α 2 e2 + ⋯ + α q e p=∑ α i μik v k = α i μ jk v k =∑ α i μ ik v k .
i=1 k=1 i=1 k=1 k=1 i=1

3. Si Span(S) = Span(T), entonces todo vector de cualquiera de estos dos

subespacios, en particular los vectores que lo engendran, pertenecen también al otro
subespacio, o sea, dependen linealmente de los vectores que engendran a este
último, que es lo que se quería comprobar. Recíprocamente, si los vectores de S
dependen linealmente de los de T, como todo vector de Span(S) depende linealmente
de los vectores de S, según la propiedad anterior resulta que los vectores de Span(S)
dependen linealmente de los vectores de T, es decir, Span(S) ⊂ Span(T). Como
además, se sabe que los vectores de T dependen linealmente de los de S, nos
encontramos con que también se verifica que Span(T) ⊂ Span(S). Por lo tanto,
Span(S) = Span(T), como había que probar.

Sea S= { u1 ,u2 , ⋯ , u p } linealmente independiente y sea v un vector que no depende de

u1 ,u 2 , ⋯ ,u p . Suponiendo que
av +b 1 u1 +b 2 u2 + ⋯ +b p u p =0
hay que probar que todos los coeficientes son nulos. Si alguno fuera distinto de cero,
por ejemplo a, resultaría

v= ( ) ( )
−b 1
a
u 1+
−b2
a
u2 + ⋯ +
−b p
a ( )
u p ⟹ v ∈ Span {S }

lo que es falso, ya que v no depende linealmente de u1 ,u 2 , ⋯ ,u p , y por tanto, a ha de

ser cero, y en consecuencia, se verifica que
b 1 u1 +b 2 u2 + ⋯ + b p u p=0
Ahora bien, como { u1 , u2 , ⋯ ,u p } es linealmente independiente de esta última relación

se deduce que b 1=b2= ⋯=b p=0 , con lo que se concluye la demostración.

Teorema (fundamental de la independencia lineal). Sea E un espacio vectorial que

está engendrado por un cierto sistema S={e 1 , e 2 , ⋯ , e p } de un número finito p de

vectores. Si G= { u1 , u2 , ⋯ , uh }es un sistema independiente, formado por h vectores,

entonces se verifica que h ≤ p.

Existen dos tipos de espacios vectoriales:

1) Espacios vectoriales en los que no es posible formar una familia que sea infinita y
libre como, por ejemplo, el formado por los vectores usuales (pues una familia libre no
n
puede contener más de tres vectores), R , Εmxn,⋯

2) Espacios vectoriales, como el de las funciones continuas sobre R , donde es posible

formar familias que son a la vez libres e infinitas.
Por ejemplo:
2 n−1 n
S1={1 , x , x , ⋯ , x , x .⋯}
 S2={1 ,cos x , cos 2 x , ⋯ , cos nx , ⋯ }.
S3= { e x ,e 2 x , ⋯ , e nx , ⋯ } .

Espacios Vectoriales y Subespacios Vectoriales

En las unidades anteriores vimos que el álgebra de vectores y el álgebra de
matrices presentan similitudes. Pudimos observar que las propiedades de la suma (de
vectores o de matrices) y del producto por un escalar son idénticas en ambos
conjuntos.
En esta unidad, generalizaremos el concepto de vector a partir de estas propiedades
en común que hemos señalado para vectores geométricos y matrices.

Definición de espacio vectorial

Un espacio vectorial es un conjunto no vacío V de objetos, llamados vectores, en el

que se han definido dos operaciones: la suma y el producto por un escalar (número
real) sujetas a los diez axiomas que se dan a continuación. Los axiomas deben ser
válidos para todos los vectores u , v y w en V y todos los escalares α y β reales.
Llamamos u+ v a la suma de vectores en V , y αv al producto de un número real α por
un vector v ∈ V .
1. u+ v ∈ V
2. u+ v=v+ u
3. ( u+ v ) +w=u+(v +w)
4. Existe un vector nulo 0V ∈ V tal que v+ 0V =v
5. Para cada v en V , existe un opuesto (−v ) ∈ V tal que v + (−v )=0 V
6. αv ∈ V
7. α (u+ v )=αu+ αv
8. ( α + β ) v=αv + βv
9. α ( βv )=( αβ) v
10. 1 v=v

Observación: En la definición anterior, cuando decimos ≪ escalares ≫nos estamos

refiriendo a números reales. En este caso, se dice que V es un espacio vectorial
real.
También es posible que los escalares pertenezcan a otro conjunto numérico, por
ejemplo los números complejos con los cuales trabajaremos en la última unidad.

Ejemplo 1

De acuerdo con las propiedades que vimos en la primera unidad, podemos afirmar
que R3 es un espacio vectorial.
Los espacios Rn , con n ≥ 1, son los ejemplos principales de espacios vectoriales. La
intuición geométrica desarrollada para R3 nos ayudará a entender y visualizar muchos
conceptos de esta unidad.
Los vectores de Rn son n-uplas de números reales, o sea:

n
R ={( x 1 , x 2 , ⋯ , x n ) , con xi ∈ R }
En Rn , la suma de vectores y el producto por un escalar se define así:

Sean u=( u1 ,u 2 , ⋯ , un ) y v= ( v 1 , v 2 , ⋯ , v n ) ∈ Rn

n
u+ v=( u1 + v 1 , u2 + v 2 ⋯ ,un + v n ) ∈ R

n
αv=( α v 1 , α v 2 , ⋯ , α v n ) ∈ R

Puede comprobarse que las operaciones definidas verifican los axiomas de espacio
vectorial.

Ejemplo 2

De acuerdo con las propiedades enunciadas en la segunda unidad, para cada m y n

mxn
R es un espacio vectorial.
Tenemos por ejemplo R2 x3, espacio vectorial cuyos vectores son las matrices de 2×3.

Ejemplo 3

Llamemos P2 al conjunto de polinomios de grado menor o igual que 2, incluyendo el

polinomio nulo.
Recordemos la suma de polinomios y la multiplicación por un escalar:
2 2
Dados p ( x )=a 0+ a1 x +a 2 x ∈ P2 y q ( x )=b0 +b 1 x +b2 x ∈ P2

Definimos las operaciones:

( p+q ) ( x ) =p ( x ) +q ( x )= ( a0 +b 0 ) + ( a 1+ b1 ) x+(a2 +b 2) x 2 ∈ P 2
( αp ) ( x )=αp ( x ) =( α a0 ) + ( α a1 ) x+(α a2 )x 2 ∈ P2

Puede demostrarse que estas operaciones verifican todos los axiomas de espacio
vectorial.
En particular, el vector nulo en este espacio es el polinomio nulo, es decir el polinomio
cuyos coeficientes son todos iguales a cero.

Generalizando, para cualquier n ≥ 0, el conjunto Pn de todos los polinomios de

grado menor o igual que n (incluyendo el polinomio nulo) es un espacio vectorial.

Observación:

¿Por qué no definimos Pncomo el conjunto de polinomios de grado exactamente igual

a n? Si lo definiéramos así, no sería un espacio vectorial como se muestra en el
siguiente ejemplo:
2 2
p ( x )=x y q ( x )=−x +1son polinomios de grado 2, pero la suma es un polinomio de
grado cero. Entonces no se verificaría el primer axioma de espacio vectorial (la suma
de vectores de un espacio vectorial V debe estar en V).

Propiedades de los espacios vectoriales

A partir de los axiomas de espacios vectoriales, pueden demostrarse estas
propiedades que resultan «naturales»:

Propiedad 1
0 u=0V
Propiedad 2
α 0V =0V
Propiedad 3
(−α ) u=−(αu)

En particular, para α =1 : (−1 ) u=−u

Propiedad 4
αu=0V ⟹ α=0∨ u=0V

Veamos cómo puede demostrarse esta última propiedad:

Si α =0 , se cumple la proposición.
1
Si α ≠ 0 , podemos multiplicar por :
α
1 1
αu=0V ⟹ αu= 0V ⟹ u=0V
α α

¡Demostrado!

Subespacios vectoriales
Definición
Sea V un espacio vectorial y W un subconjunto no vacío de V.
W es un subespacio de V si W es en sí mismo un espacio vectorial con las mismas
operaciones (suma de vectores y producto por un escalar) definidas en V.

Ejemplo

W ={( x 1 , x 2 ) ∈ R : x 2=3 x 1 }¿es un subespacio de R2?

2

Primero analicemos el conjunto W. Son todos vectores de R2tales que la segunda

componente es el triple de la primera:
( x 1 ,3 x 1 )=x 1 (1 ,3)
W es la recta que pasa por el origen y tiene vector director (1,3), o sea la recta de
ecuación y = 3x.
Para decidir si W es un subespacio de R2?habría que verificar que se cumplen los
axiomas del 1 al 10. El lector puede comprobar que todos se cumplen en este caso.
Pero en general no es necesario verificar los axiomas porque existe un criterio sencillo
para determinar si un subconjunto W de un espacio vectorial V es un subespacio, es
el que sigue.

Condiciones necesarias y suficientes para caracterizar

subespacios
Sea W un subconjunto de un espacio vectorial V (W ⊆V ).
W es subespacio de V si y sólo si se cumplen las siguientes condiciones:

a. 0V está en W.
b. Si u y v están en W ,entonces u+ v está enW .
c. Si u está en W y k es un escalar, ku está en W .

Observaciones:

1. La condición (a) asegura que W no es vacío. La mejor manera de comprobar si W

es un subespacio es buscar primero si contiene al vector nulo. Si 0V está en W ,
entonces deben verificarse las propiedades (b) y (c). Si 0V no está en W , W no puede
ser un subespacio y no hace falta verificar las otras propiedades.

2. Las propiedades a, b y c corresponden a los axiomas 4, 1 y 6 de espacios

vectoriales.

3. Los axiomas 2, 3, 7, 8, 9 y 10 de espacio vectorial se cumplen para W porque éste

es un subconjunto de V. Puede decirse que W «hereda» esas propiedades de V.

4. Faltaría comprobar que cada vector de W tiene su opuesto enW (axioma 5 de

espacios vectoriales):
Teniendo en cuenta la condición (c) de subespacios,
c. Si u está en W y k es un escalar, ku está en W .
Si tomamos k=–1, resulta:
Para cada u ∈W , (−1 ) U=−u ∈ W .
Y por lo tanto cada vector de W tiene su opuesto en W .
De las observaciones anteriores se deduce que las condiciones (a), (b) y (c) son
suficientes para demostrar que W es un espacio vectorial, y por lo tanto subespacio
de V.

Subespacios triviales
Si V es un espacio vectorial, entonces V es un subespacio de sí mismo.

0V + 0V =0V y k 0V =0V para cualquier k real

Los subespacios { 0 V ] y V se denominan subespacios triviales de V.

Ejercitación sobre subespacios

Ejemplo 1
Consideremos el conjunto W ={(x , y )∈ R 2| xy =0 }, ¿Es un subespacio de R2?
Se cumple (a) pues (0 , 0)∈ W .

No se cumple (b) porque la suma de dos vectores deW puede no estar en W , por
ejemplo:

(1 , 0)+(0 , 1)=(1 , 1)∉W (1 , 0)+(0 , 1)=(1 , 1)∉W

 Entonces W no es un
subespacio de R2.

Ejemplo 2
Consideremos el conjunto W ={( x , y ) ∈ R 2| x=0 } . Es decir, la recta de ecuación x=0.
¿Es un subespacio de R2?
Se cumple (a) pues (0 , 0)∈ W
Se cumple (b) pues la suma de dos vectores de W , está en W :
( 0 , y 1 ) + ( 0 , y 2 )=(0 , y 1 + y 2)
Se cumple (c) pues el producto de un vector de W por un número real está en W :
k ( 0 , y )=(0 , ky )

Luego W es subespacio de R2.

Ejemplo 3
Consideremos el conjunto W ={( x , y ) ∈ R 2| x 2− y 2=0 }. ¿Es un subespacio de R2?
2 2
x − y =0 ⟺ y =x ∨ x=− y

Se cumple (a) pues (0 , 0)∈ W

No se cumple (b) porque la suma de dos vectores de W puede no estar en W , por
ejemplo:
( 1 ,1 )+ (1 ,−1 )=(2 ,0)∉W
Entonces W no es un subespacio de R2.

Ejemplo 4

Consideremos el conjuntoW ={( x , y , z ) ∈ R 3| x + y +2 z=0 }. Es decir un plano que pasa

por el origen. ¿Es un subespacio de R3?

De la ecuación del plano se deduce que: x=− y −2 z

Por lo tanto los vectores que pertenecen a W responden a la forma (− y −2 z , y , z )
con y , z ∈ R . .
Se cumple (a) pues (0 , 0 , 0)∈ W

Se cumple (b) pues la suma de dos vectores del plano, sigue estando en ese plano:
(− y−2 z , y , z ) + (− y ' – 2 z' , y ' , z ' ) =(−( y+ y ' ) −2(z + z ' ), y + y ' , z + z ')

Se cumple (c) pues k k (− y −2 z , y , z )=(−ky −2 kz , ky , kz )∈ W

Entonces W es subespacio de R3 .

Ejemplo 5

Consideremos el conjunto W ={ p ∈ P2| p (0)=0 } . Es decir, los polinomios de grado

menor o igual que 2 (incluyendo el polinomio nulo) tales que evaluados en 00 dan por
resultado 00. ¿Es un subespacio de P2 ?

Se cumple (a) pues el polinomio nulo pertenece a W .

Recordemos la definición de suma de funciones y de producto de un real por una
función:

( f +g ) ( x ) =f ( x )+ g ( x ) ,para todo x perteneciente al dominio de f y de g ( kf )( x )=k f (x )

para todo x perteneciente al dominio de f.

Los polinomios son funciones, por lo tanto si consideramos p , q ∈W , resulta:

( p+q ) ( 0 )= p ( 0 ) +q ( 0 )=0+ 0=0⟹ p+q ∈ W

( kp ) ( 0 )=k . p ( 0 )=k 0=0 ⟹ kp ∈ W

Demostramos que W es un subespacio de P2 .

Ejemplo 6

Consideremos el conjunto W ={ A ∈ R 2 x 2| A=A t }. Es decir, el conjunto de matrices

simétricas de 2×2.
Se cumple (a) porque la matriz nula pertenece a W .

Se cumple (b) pues si A , B ∈ W entonces ¿, luego ( A+ B ) ∈W .

Se cumple (c) pues si A ∈W entonces ¿, luego ( kA ) ∈W .

Demostramos que el conjunto de matrices simétricas de 2×2es un subespacio de R2 x2

Observación: En la comprobación de las condiciones (a), (b) y (c) no fue necesario

hacer referencia al tamaño de las matrices. Esto significa que es válido para matrices
simétricas de n×n.

Ejemplo 7
Consideremos el conjunto W ={ A ∈ R2 x2|det ⁡( A)=0 }. }. ¿Es un subespacio de R2 x2?
Se cumple (a) porque la matriz nula pertenece a W .

En generaldet ( A + B ) ≠ det ( A ) +det ( B ) , entonces podría ocurrir que A , B ∈ W pero

que A+ B no esté en W . Por ejemplo
A= (−11 −3
3 ) (
, B=
0 0
−2 5 )
, A+ B
1 −3
−3 8 ( )
Entonces no se cumple (b).

W no es un subespacio de R2 x2.

Resumen de los subespacios de R2y R3

Después de estos ejemplos podemos resumir cuales son los diferentes tipos de
subespacios de R2y R3 :

No hay ninguna otra clase de subespacios en R2y R3 .

Conjunto Generador
Combinación lineal
Definición

Sea {v 1 , v 2 , ⋯ v r }un conjunto de vectores de un espacio vectorial V.

Si todo vector de V puede expresarse como combinación lineal de v 1 , v 2 , ⋯ v r ,

entonces se dice que {v 1 , v 2 , ⋯ v r } es un conjunto generador de V o también
que v 1 , v 2 , ⋯ v r generan V.

Ejemplo 1

¿Es el conjunto {(1,1),(1,–1)} generador de R2?

Siguiendo la definición, debemos ver si cualquier vector de R2puede expresarse como
combinación lineal de (1,1),(1,–1):

{
( x , y ) =α ( 1 , 1 )+ β ( 1 ,−1 ) ⟹ x=α + β ⟹ α =
y =α −β
x+ y
2
,β=
x− y
2

Hemos llegado a un sistema compatible determinado. Para cada x e y se obtendrá un

valor para α y para β.

Entonces, como cualquier vector (x,y) de R2puede expresarse como combinación

lineal de (1,1),(1,–1) decimos que {(1,1),(1,–1)} es un conjunto generador de R2.

Ejemplo 2

¿Es el conjunto {(1,1),(1,–1),(2,0)} generador de R2?

Otra vez planteamos un sistema de ecuaciones. Nos interesa saber si tiene solución o
no:

{
( x , y ) =α ( 1 , 1 )+ β ( 1 ,−1 ) + γ (2 , 0)⟹ x=α + β+ 2 y
y =α −β

Veamos cómo es la resolución por el método de Gauss:

( )
→
1 1 2 x
( ) ( )
→
1 1 2 x 1 1 2 x 1
F 2 → F2−F 1 F 2 →− ∙ F 2 x− y
1 −1 0 y 0 −2 −2 y−x 2 0 1 1
2

Para cada (x,y) en R2 , el sistema es compatible (indeterminado).

Entonces {(1,1),(1,-1),(2,0)} también genera R2.

Ejemplo 3

¿Es el conjunto (1,0,0),(0,1,0),(1,1,1) generador de R3 ?

( x , y , z )=α (1 , 0 , 0 ) + β ¿

Como el sistema es compatible (determinado), podemos afirmar que el

conjunto {(1,0,0),(0,1,0),(1,1,1)} genera R3.
Ejemplo 4

¿Qué vectores pueden expresarse como combinación lineal del (1,0)?

Los vectores de la forma (x,0). Entonces el vector (1,0) no genera todo R2, pero
genera la recta y=0.

Ejemplo 5

¿Qué vectores pueden expresarse como combinación lineal de (1,0,0) y (0,1,0)?

( x , y , z )=α (1 , 0 , 0 ) + β ( 0 ,1 , 0 )=(α , β , 0)

Es decir todos los vectores con componente z=0. Entonces (1,0,0) y (0,1,0) no
generan R3 sino el plano z=0.
Subespacio generado

Sean v 1 , v 2 , ⋯ v r , vectores de un espacio vectorial V.

1. El vector nulo puede expresarse como combinación lineal de dichos vectores:

0V =0 v1 +0 v 2+ ⋯ +0 v r

2. Si sumamos dos combinaciones lineales de los vectores dados, obtenemos otra

combinación lineal:
( a 1 v 1+ ⋯ +a r v r ) + ( b1 v r + ⋯ +b r v r ) =( a 1+ b1 ) v 1 + ⋯ +(a r +b r) v r
3. Si multiplicamos un escalar k por una combinación lineal de los vectores dados,
obtenemos una combinación lineal de dichos vectores:
k ( a1 v 1+ ⋯ + ar v r )=( k a1 ) v 1 + ⋯ +(k a r )v r

Estas tres condiciones permiten afirmar que el conjunto de todas las combinaciones
lineales de v 1 , v 2 , ⋯ v r , es un subespacio de V.
Entonces:

Dados los vectores v 1 , v 2 , ⋯ v r , en V, llamamos subespacio generado por v 1 , v 2 , ⋯ v r

, al conjunto de todas las combinaciones lineales de estos vectores. Lo denotamos
con la expresión gen {v 1 , v 2 , ⋯ v r}
gen { v 1 , v 2 , ⋯ v r }={v ∈V :v =α 1 v 1 +α 2 v 2+ ⋯ + α r v r , ,, con α i ∈ R }

subespacio de V.

Ejemplo 1

Las combinaciones lineales del vector (2,1) son todos los vectores de la
forma (2k,k) con k ∈ R . .
Geométricamente el subespacio generado por (2,1)(2,1) es la recta que pasa por el
origen y tiene la dirección de dicho vector.

Ejemplo 2
Las combinaciones lineales de los vectores (1,0,2),(0,0,1) son los vectores coplanares

con (1,0,2) y (0,0,1):

Veamos, analíticamente, cual es el espacio generado por (1,0,2),(0,0,1):

( x , y , z )=α (1 , 0 , 2 ) + β ( 0 , 0 , 1 )=( α , 0 ,2 α + β ) α , β ∈ R

Son todos los vectores con segunda componente nula. Es decir que el subespacio
generado es el plano y=0.
O sea gen { ( 1 , 0 ,2 ) , ( 0 , 0 ,1 ) }={(x , y , z)∈ R3 : y=0 }

Ejemplo 3

Tomemos los vectores del ejemplo anterior: (1,0,2),(0,0,1)(1,0,2),(0,0,1) y además el

vector(–1,0,1)(–1,0,1).
¿Qué espacio generan?
( x , y , z )=α (1 , 0 , 2 ) + β ( 0 , 0 , 1 ) +γ (−1 , 0 ,1)

Son vectores con segunda componente nula. Se genera el mismo subespacio que en
el ejemplo anterior. Esto se explica porque el tercer vector es coplanar con los
primeros dos.
Independencia lineal y dependencia lineal

En los ejemplos 1 y 2 (de Conjunto generador) vimos que los conjuntos {(1,1),(1,–1)} y
{(1,1),(1,–1),(2,0)} generan R2.
Si tuviéramos que elegir uno de ellos como generador de R2. ¿por cuál nos
inclinaríamos?
El problema de encontrar los conjuntos generadores más «pequeños» para un
espacio vectorial depende de la noción de independencia lineal, que presentamos en
esta sección.

Si A={v 1 , v 2 , ⋯ v r } es un conjunto de vectores de un espacio vectorial V, entonces la

ecuación vectorial
α 1 v 1+ α 2 v 2 + ⋯ +α r v r =0V
tiene al menos la solución trivial:
α 1=α 2=⋯ =α r =0

Si ésta es la única solución, entonces se dice que A es un conjunto linealmente

independiente.
Si hay otras soluciones (además de la trivial) entonces A es un conjunto linealmente
dependiente.
Una forma alternativa de caracterizar la dependencia lineal es la siguiente:

Un conjunto de vectores {v 1 , v 2 , ⋯ v r } de un espacio vectorial V es linealmente

dependiente si y sólo si al menos uno de los vectores puede expresarse como
combinación lineal de los demás. [1]

Demostración:
⇒ Si el conjunto {v 1 , v 2 , ⋯ v r } es linealmente dependiente, la ecuación
α 1 v 1+ α 2 v 2 + ⋯ +α r v r =0V

admite otras soluciones además de la trivial. O sea, existe una combinación lineal
donde al menos uno de los escalares es distinto de cero, que da el vector nulo.

Supongamos que α 1 ≠ 0 . Entonces resulta:

v 1=
( )
−α 2
α1
v 2 +⋯ +
−α r
( )
α1 r
v

Por lo tanto, el vector v 1 es combinación lineal de los demás.

⇐ Sabemos que uno de los vectores puede expresarse como combinación de los
demás. Sin perder generalidad, supongamos que:
v 1=k 2 v 2 + ⋯ + k r v r

Entonces:
−1 v 1 +k 2 v 2 + ⋯ +k r v r=0V
Existe una combinación lineal no trivial (al menos uno de los escalares es distinto de
cero) que es igual al vector nulo. Por lo tanto, el conjunto {v 1 , v 2 , ⋯ v r } es linealmente
dependiente, como queríamos demostrar.

Ejemplo 1

¿Es el conjunto {(1,1),(1,–1)} linealmente independiente (LI) o linealmente

dependiente (LD)?
Planteamos la ecuación:
α 1 ( 1 , 1 )+ α 2 ( 1 ,−1 )=(0 , 0)

{ α 1+ α 2=0
α 1 −α 2=0
⟹ α 1=0∧ α 2 =0

Luego el conjunto es linealmente independiente (LI).

Ejemplo 2

¿Es el conjunto {(1,1),(1,–1),(2,0)} LI o LD?

Planteamos un sistema de ecuaciones. Nos interesa saber si tiene solución única o
infinitas soluciones:

{
α (1 , 1 ) + β ( 1 ,−1 )+ γ ( 2 , 0 )=( 0 ,0 ) ⟹ 0=α + β +2 γ
0=α −β
Veamos cómo es la resolución por el método de Gauss:
→

( ) ( ) ( )
→
1 1 2 x 1 1 2 x 1 1 1 2 0
F 2 → F1−F 2 F 2 →− ∙ F 2
1 −1 0 y 0 −2 −2 y−x 2 0 1 1 0

{
α + β+2 γ =0 ⟹
β +γ =0 { α =−γ
β=−γ

El sistema de ecuaciones es compatible indeterminado, o sea tiene infinitas

soluciones. Luego, el conjunto es LD.

Notemos que también se cumple la forma alternativa de caracterizar la dependencia

lineal, pues es posible escribir (2,0) como combinación lineal de (1,1) y (1,–1)
( 1 ,1 )+ (1 ,−1 )=(2 ,0)

Ejemplo 3

¿Es el conjunto {(1,0,0),(0,1,0),(1,1,1)} LI o LD?

α (1 , 0 , 0 ) , ( 0 ,1 , 0 ) , ( 1 ,1 , 1 )=(0 , 0 ,0)

Como el sistema es compatible determinado, el conjunto es LI.

Ejemplo 4

¿Es el conjunto {(1,0,0),(0,1,0)} LI o LD?

{
α (1 , 0 , 0 ) + β ( 0 ,1 , 0 )= ( 0 , 0.0 ) ⟹ α =0
β=0

Como el sistema tiene solución única el conjunto es LI.

Ejemplo 5

¿Es el conjunto {x ,−x 2 , 4 x 2−x }LI o LD?

α 1 ( x ) +α 2 (−x 2 ) + α 3 ( 4 x 2−x ) =0 x 2+ 0 x

{ {
−α 2+ 4 α 3=0 ⟹ α 2=4 α 3
α 1−α 3=0 α 1=α 3

El sistema es compatible indeterminado. Luego el conjunto es LD.

Notemos que es posible escribir 4 x 2−x cómo combinación lineal de x y de −x 2.
(−1 ) ( x )+ (−4 ) (−x 2 ) =4 x 2−x

Propiedades
Propiedad 1

Un conjunto formado por un solo vector, ¿es linealmente independiente (LI) o

dependiente (LD)?
Planteamos la combinación lineal:

αv=0V
Si v=0V puede tomar cualquier valor. Por lo tanto: {0V } es LD.
Si v ≠ 0V , la única solución es α =0 . Por lo tanto: {v} es LI.

Propiedad 2

Si un conjunto de vectores contiene al vector nulo, entonces es linealmente

dependiente (LD).

Demostración:

Sea A={v 1 , v 2 , ⋯ v r ,0 V }⊂ V
Entonces se tiene que:
 0 v1 +0 v 2+ ⋯ +0 v r +10 V =0 V

Probamos que existe una combinación lineal con escalares no todos nulos, que da el
vector nulo. Por lo tanto, A es linealmente dependiente.

Transformaciones lineales

¿Qué son las transformaciones lineales?

En primer lugar, una transformación lineal es una función. Por ser función, tiene
su dominio y su codominio, con la particularidad de que éstos son espacios
vectoriales. Tenemos dos espacios vectoriales V y W, y una función que va de V a W.
O sea una regla de asignación que transforma vectores de V en vectores de W. Pero
no toda función que transforme vectores de V en vectores de W es una transformación
lineal. Debe cumplir ciertas condiciones:
F:V→Wes una transformación lineal si y sólo si:

1. F ( u+ v )=F (u )+ F ( v ) ∀ u , v ∈ V
2. F ( k , v )=k , F ( v ) ∀ v ∈V , ∀ k ∈ R

Propiedades de una transformación lineal

Propiedad 1

La imagen del vector nulo del dominio 0V es el vector nulo del codominio 0W :
T ( 0V ) =0W

Demostración:

T ( 0V ) =T ( 0. v )=0.T ( v )=0. w=0W

Donde hemos expresado a 0V como el producto del escalar 00 por cualquier vector del
espacio vectorial V, hemos usado la segunda condición que debe cumplir una
transformación lineal, y finalmente hemos vuelto a usar la propiedad de espacios
vectoriales sobre el producto del escalar 0 por cualquier vector.

Propiedad 2

La imagen del vector –v es igual al opuesto de la imagen de v:

 T (−v )=−T (v)

Demostración:

T (−v )=−T (−1. v )=−1. T ( v )=−T (v )

La justificación de los pasos dados en la demostración es similar a la anterior.

Propiedad 3

Consideremos r vectores del espacio vectorial V:

v 1 , v 2 , ⋯ v r ,∈ V

Tomemos una combinación lineal en el dominio:

α 1 v 1+ α 2 v 2 + ⋯ +α r v r
Donde α 1 ∈ R.

Si aplicamos la transformación lineal F de V a W, teniendo en cuenta las propiedades

enunciadas en la definición, resulta:
F=( α 1 v 1+ α 2 v 2 + ⋯ +α r v r ) =α 1 F ( v 1 ) +α 2 F ( v 2 ) + ⋯ +α r F ( v r )

Es decir que una transformación lineal «transporta» combinaciones lineales de V a W,

conservando los escalares de la combinación lineal.

Ejemplo 1

Analizar si la siguiente función es una transformación lineal:

Resolución

Controlemos primero que el transformado del 0V sea el 0W . Ésta es una condición

necesaria: si no se cumpliera, no sería transformación lineal. Como T((0,0,0))=(0,0) la
función dada es «candidata» a ser transformación lineal. Para demostrar que es una
transformación lineal tenemos que comprobar las condiciones dadas en la definición.

Condición 1:
T ( u+ v )=T ( u ) +T ( v ) ∀ u , v ∈V

Tomemos dos vectores de R3

 u=(u1 , u2 ,u3 )
v=(v 1 , v 2 , v3 )

Veamos si

T ( u+ v )=T ( u ) +T ( v )
Primero hacemos la suma de u y v:
T ( u+ v )= u⏟
(⏟
1+ v1u ⏟
2+ v2u
x
3+ v 3
y z
)
Y ahora aplicamos T:
T ( u+ v )=(u1 +u2 +u3 + v 1+ v 2+ v 3−2 u3−2 v 3)

T ( u+ v )=T ( u ) +T ( v )
En conclusión: se cumple la primera de las condiciones.
Nos faltaría la otra propiedad.

Condición 2:
T ( k . v )=k . T ( v ) ∀ v ∈V , ∀ k ∈ R
T ( k . v )=T ( ( kv 1 , k v 2 , k v 3 ) ) =¿)
¿ k .(v ¿ ¿ 1+v 3 , v 2−v 3)=k .T (v)¿
Como T cumple las dos condiciones, es una transformación lineal.

Ejemplo 2

Analizar si la siguiente función es una transformación lineal:

F : P2 → R| F ( p )= p ( 0 )

Observación: con P2 se designa al conjunto de todos los polinomios de grado menor o

igual que dos, con el polinomio nulo.
Resolución

Entonces a un polinomio p de grado menor o igual que dos, le aplicamos la

función F y obtenemos un número real que proviene de evaluar el polinomio en x=0.
p ∈ P2 → p(0) ∈ R

Por ejemplo evaluemos la transformación en x 2−1:

(
F x⏟
)
2
−1 =−1 ∈ R
p
Veamos si el vector nulo del espacio vectorial P2 va al 0 ∈ R (es condición necesaria).
El polinomio cero es:
2
0 P =0 x +0 x+ 0
2

¿Cuánto vale el polinomio nulo evaluado en 0? 0

0 P ( 0 )=0. 02 +0.0+ 0=0
2

Entonces la condición necesaria para este ejercicio se cumple, porque F ( 0P ) =0 2

Primera condición
F ( u+ v )=F (u )+ F ( v ) ∀ u , v ∈ V

Para que sea transformación lineal se debe cumplir la primera condición. Veamos qué
pasa con el transformado de la suma:
( p+q )∈ P 2
F ( p+ q )=( p+ q ) ( 0 )= p ( 0 )+ q( 0)
Observación: evaluar una suma de funciones en 0, es evaluar cada una en 0 y
sumarlas. Esto no es una particularidad de los polinomios, sino que se corresponde
con la definición de suma de funciones:

Para cualquier función:

( f +g ) ( x ) =f ( x )+ g ( x ) , para todo x perteneciente al dominio de f y de g.
Otra forma de pensar la misma propiedad. Si consideramos

2 2
p ( x )=a x + bx+ c y q ( x )=d x +ex + f
2
p+q=( a +d ) x + ( b+ e ) x +(c+ f )
F ( p+ q )=c+ f =F ( p )+ F(q)
Por los dos caminos arribamos a la misma conclusión.

Segunda condición
F ( k . v )=k . F ( v ) ∀ v ∈V , ∀ k ∈ R

Veamos si se cumple la segunda condición. Para esto podemos recordar que dada
una función f ( x ) y un escalar k la función ( k . f )( x ) se define como k . f ( x ) De esta
forma podemos decir:
 p ∈ P2 ,∈ R
 F ( k . p )= ( k . p )( 0 )=k . p ( 0 )=k . F (p)

Otra forma de verlo es escribir a un polinomio p ∈ P2 de forma genérica y aplicar la

transformación sobre k . p:
2
p ( x )=a x + bx+ c
F ( k . p )=F ( k ( a x +bx +c ) ) =F ( ka x + kbx+ kc )=k . c=k . F ( p)
2 2

Ejemplo 3

Consideremos la transformación lineal:

 3 3
T : R → R ,T ( v )=v × w 0
Siendo w 0 un vector fijo y v un vector cualquiera de R3 . Veamos que se trata de una
transformación lineal.
Condición 1:
T ( u+ v )=T ( u ) +T ( v ) ∀ u , v ∈V
Para ver que se cumple esta condición usaremos la propiedad distributiva del
producto vectorial respecto de la suma de vectores:

3
v 1 v 2 ∈ R , T ( v 1+ v 2 )=( v 1 +v 2 ) × w0=v 1 × w 0+ v 2 × w 0=T ( v 1 ) +T (v 2 )

Condición 2:
T ( k . v )=k . T ( v ) ∀ v ∈V , ∀ k ∈ R
Para ver que se cumple esta condición podemos extraer el escalar:

T ( k . v )=( kv ) × w0=k . ( v ×w 0 )=k . T (v )

Ejemplo 4

Consideremos las siguientes transformaciones:

T 1 : R → R , T 1 ( ( x , y )) =(2 x−1 , y)
2 2

T 2 : R → R , T 2 ( ( a ,b ) )=(a , b)
2 2 2

¿Cómo analizamos si son o no son transformaciones lineales?

Para la primera transformación basta con ver que la imagen de (0,0) es (–1,0). No se
cumple una de las propiedades de las transformaciones lineales, entonces no es una
transformación lineal. La segunda transformación no cumple con la segunda condición
ya que:

T 2 ( k . ( a ,b ) )=(k , a , kb)
2 2

2
 k . T 2 ( a , b )=(k , a , kb)

Luego, como no se cumple que T ( k . v )=k . T (v ) podemos afirmar que T 2 no es una

transformación lineal.
Ejercicios de Espacios Vectoriales

1.- Determinar el valor de x para que el vector (1 , x 5)∈ R3pertenezca al

subespacio ¿ ( 1 ,2 , 3 ) , ( 1 ,1 , 1 )> ¿.

Solución.
(1 , x , 5) pertenece al subespacio ¿ ( 1 ,2 , 3 ) , ( 1 ,1 , 1 )> ¿ si y solo si (1 , x , 5) es
combinación lineal de (1, 2, 3) y (1, 1, 1), o sea, si existen α , β ∈ R tales que
( 1 , x , 5 )=α ( 1 ,2 , 3 ) + β (1 ,1 , 1)
Pero entonces,
1=α + β
x=2 α + β
5=3 α + β
y resolviendo el sistema anterior, tenemos α =2 , β=−1 y x=3

2.- Calcular bases de los subespacios de R4 S , T , S+T y S ∩T , siendo

S={(x 1 , x2 , x3 , x 4 )|x 1−x 2=0 } y T =¿ ( 1 ,1 , 2 ,1 ) , ( 2 ,3 ,−1 ,1 ) >¿

Solución. Tenemos
S={( x 1 , x 2 , x 3 , x 4 )| x1− x2=0 }={( x 1 , x 1 , x 3 , x 4 ) ¿

luego un sistema generados de S es

{ ( 1 , 1 ,0 , 0 ) , ( 0 , 0 ,1 , 0 ) , ( 0 , 0 , 0 ,1 ) } .Ahora
( 0 , 0 , 0 , 0 )=α ( 1 ,1 , 0 , 0 ) + β ( 0 , 0 , 1 , 0 ) +γ (0 , 0 , 0 ,1)}⟹ α =β=γ =0 ,
osea que es libre, resulta que
BS ={( 1 , 1, 0 , 0 ) , ( 0 , 0 ,1 , 0 ) , ( 0 , 0 , 0 ,1 ) }
Es una base de S.
Un sistema generador de T es ( 1 ,1 , 2 ,1 ) , ( 2 ,3 ,−1 ,1 ) . Pero es también libre, ya que
0=⋋ +2 β
( 0 , 0 , 0 , 0 )= ⋋ ( 1, 1 , 2, 1 ) + β (2 , 3 ,−1 ,1) → 0=⋋ +3 β
0=2 ⋋ −β
0=⋋ + β
Y la única solución al sistema anterior es ⋋ =β=0 . Por lo tanto,
BT ={( 1 ,1 , 2 ,1 ) , ( 2 , 3 ,−1 ,1 ) } es una base de T.

Por definición,
S+T ={s +t |s ∈ S y t ∈T }
¿ {( x 1 , x1 , x2 , x 3) +(α +2 β , α + 3 β , 2 α −β , α + β)|x 1 , x 2 , x 3, α , β ∈ R }
¿< (1 , 1 , 0 ,0 ) , ( 0 , 0 , 1 ,0 ) , ( 0 , 0 , 0 , 1 ) , ( 1 ,1 , 2 ,1 ) ,(2, 3 ,−1 , 1)> ¿

Por tanto, un sistema generador de S+T es

{ (1 , 1 ,0 ,0 ) , ( 0 , 0 , 1 ,0 ) , ( 0 , 0 , 0 ,1 ) , ( 1 ,1 , 2 ,1 ) , ( 2 ,3 ,−1 ,1 ) }. Pero
( 1 ,1 , 2 ,1 )=( 1 ,1 , 0 , 0 ) + ( 0 , 0 , 1, 0 )+ ( 0 ,0 ,0 , 1 ) luego
{ (1 , 1 ,0 ,0 ) , ( 0 , 0 , 1 ,0 ) , ( 0 , 0 , 0 ,1 ) , ( 2 , 3 ,−1 ,1 ) } es sistema generador de S+T. Además,
este sistema es libre luego es una base de S+T.
Por último, sabemos que S ∩T es un subespacio vectorial de dimension1 porque
dim ( S ∩T )=dim ( S+T )−dim ( S )−dim ⁡( T )
Ahora, ( 1 ,1 , 2 ,1 ) ∈ S ∪ T , luego como dim ( S ∩T ) es 1, se tiene que ¿ ( 1 ,1 , 2 ,1 )≥S ∩T
y una base de S ∩T es BS ∩ T ={ ( 1 , 1, 2 , 1 ) } .

3.- Encontrar una base y la dimensión del subespacio vectorial

S =< (1, 2, −1, 3),(2, 1, 0, −2),(0, 1, 2, 1),(3, 4, 1, 2) > .
Solución.
Un sistema generador de S es A = {(1, 2, −1, 3),(2, 1, 0, −2),(0, 1, 2, 1),(3, 4, 1, 2)}.
Pero A no es libre ya que
( 0 , 0 , 0 , 0 )=α 1 (1 , 2 ,−1 , 3 ) +α 2 ( 2 , 1 ,0 ,−2 ) +α 3 ( 0 , 1 ,2 , 1 ) +α 4 (3 , 4 ,1 , 2)

{
0=α 1 +2 α 2+3 α 3 +3 α 4
0=2 α 1+ α 2 + α 3 +α 4
0=−α 1 +2 α 3 + α 4
0=3 α 2−2 α 2+ α 3 +2 α 4

y el sistema anterior tiene por solución

α 1=α 2=α 3=−α 4
Observamos que (3, 4, 1, 2) es combinación lineal de los anteriores, luego
A−{ ( 3 , 4 , 1 , 2 ) }={ ( 1, 2 ,−1 , 3 ) , ( 2, 1 , 0 ,−2 ) , ( 0 ,1 , 2 ,1 ) }
es también sistema generador de S. Pero
( 0 , 0 , 0 , 0 )=β 1 (1 , 2 ,−1 , 3 ) + β 2 ( 2 , 1 ,0 ,−2 ) + β 3 ( 0 , 1 ,2 , 1 ) ⟹

{
0=β1 +2 β 2+ 3 β 3
0=2 β 1 + β 2+ β3
0=−β 1 +2 β 3
0=3 β 2−2 β 2+ β3

y el sistema anterior sólo tiene por solución a β 1=β 2=β 3=0 , es decir, {(1, 2, −1, 3),(2,
1, 0, −2),(0, 1, 2, 1)} es libre. Por consiguiente una base de S es {(1, 2, −1, 3),(2, 1, 0,
−2),(0, 1, 2, 1)} y la dimensión de S es 3.

Ejercicios de Subespacios Vectoriales

1) Calcular la dimensión y una base del siguiente subespacio vectorial de

M 2X 2 (R ):

{( }
a−b−c=0
U=
a b
c d )
∈ M 2 x 2 ( R ) / a+ 2 b+d=0
3 b+ c+ d=0

Solución.
Realizando operaciones elementales sobre las filas de la matriz de coeficientes del
sistema, tenemos:

( ) ( ) ( )
1 −1 −1 0 1 −1 −1 0 1 −1 −1 0
A= 1 2 0 1 F21 (−1) 0 3 1 1 F 32(−1) 0 3 1 1
→ →
0 3 1 1 0 3 1 1 0 0 0 0

Por tanto, el sistema equivalente es

a−b−c=0
3 b+c +d =0
⟺ } {
a=b+c
d=−3 b−c }
Así,

U=
{( b+c b
c−3 b−c) } {( ) ( )
c,d ∈R = b
1 1
0 −3
+c
1 0
1 −1
c , d ∈ R =¿
1 1 1 0
,
0 −3 1 −1
>¿
} {( )( )}
La dimensión de U es 2 es B= {( ) ( )}1 1 , 1 0
0 −3 1 −1

2) Se considera la matriz

B= (−12 −12 )
Hallar una base y la dimensión del subespacio vectorial
U ={X ∈ M 2 X 2 ( R ) / BX=3 X }
Solución.
Denotando X = ( xz yt ) , tenemos

{ }
2 x−z=3 x
X ∈U ⟺
2 −1 x
−1 2 z ( )( ) ( ) y
t
=3
x
z
y
t
⇔
−x+ 2 z=3 z
2 y−t=3 y
⟺
z=−x
t=− y {
− y+ 2t=3 t
Por tanto:

U= x
z ({ yt )/∈ M 2 X2
} {(
( R ) z =−x = x
t=− y ) }
y / x , y ∈ R =¿
−x − y

({ −11 00)+ y (00 −11 )/x , y ∈ R =¿ −11 00) ,(00 −11

¿
} {( )}>¿

El conjunto B={(
−1 0 ) (0 −1 )}
1 0 , 0 1 es una base de U y dim ( U )=2

3) Calcular la dimensión de los siguientes subespacios vectoriales

¿ U 1= { X ∈ M 2 X 2 ( R ) X t =−X } ¿ b ¿ U 2={ x 1 , x 2 , ⋯ , x 10 ) ∈ R10 / x 1+ x 2=x 9 + x 10=0 }¿

Solución.
a) Si X ∈ M 2 X 2 ( R ) ,

( )
X = a b ∈U 1 ⟺ X t =−X ⟺ a c = −a −b ⟺ a=d=0
c d b d −c d c=−b ( )( ) {
Por tanto

U 1=
{( 0 b
−b 0 )
/b ∈ R =¿
0 1
−1 0 } {( )}
>⟹ dim ( U 1 ) =1

Ejercicios de Conjunto Generador e Independencia

Lineal

1) Dado S= { ( 1 ,1 , 0 ) , ( 0 ,2 , 3 ) ,(1 , 2 ,3) } . Determinar si S es LI o LD

( 0 , 0 , 0 )=α ( 1 ,1 , 0 ) + β ( 0 ,2 , 3 ) + γ (1 , 2 ,3)
( 0 , 0 , 0 )= ( α , α , 0 ) + ( 0 ,2 β ,3 β ) +(γ , 2 γ , 3 γ )
( 0 , 0 , 0 )= ( α + γ , α +2 β +2 γ , 3 β+ 3 γ )
α +γ =0
α +2 β+2 γ =0
3 β+ 3 γ =0

( |)
≈ 1 0 1

( |) ( |)
1 0 10 1 0 10 F 0
≈ 2 1
1 2 2 0 F2= −F 1 0 2 1 0 F 2= 0 1 0
F2 2 2
0 3 30 0 3 30 0
3 3 3

( |) ( |)
1 0 1
1 0 1
10 0
≈ 0 1 2 3 1
F 3= −3 F 2 2 0 F3 = F 0 1 0 ∋! solución
F3 3 2
30 0
0 0 0 0 1
2

Como existe única solución (la trivial), entonces S es linealmente independiente (LI)

2) Dado B= { (1 , 1 ,3 ) , ( 3 , 5 ,5 ) ,(2 ,1 , 8) } . Determinar si B es LI o LD .

( 0 , 0 , 0 )=α ( 1 ,1 , 3 ) + β (3 , 5 , 5 ) +γ (2 , 1, 8)
( 0 , 0 , 0 )= ( α , α , 3 α )+ ( 3 β , 5 β , 5 β )+(2 γ , γ , 8 γ )
( 0 , 0 , 0 )= ( α +3 β +2 γ , α ,5 β +γ ,3 α +5 β+ 8 γ )
α +3 β+2 γ=0
α +5 β+ γ =0
3 α + 5 β +8 γ=0

( |)
1 3 20
F
1 5 10 2
¿
3 5 80

∋ ∞ soluciones
Como existen soluciones, entonces B es linealmente dependiente (LD)

3) Dado A={ 2 t 2 +t ,t 2+ 3 ,t } . Determinar si A es LI o LD .

( 0 , 0 , 0 )=α ( 2 t 2 +t ) + β ( t 2 +3 ) + γ (t)
( 0 , 0 , 0 )=( 2 α t 2 +αt )+ ( β t 2 ,3 β ) +(γt )
( 0 , 0 , 0 )=( 3 β , αt +γt , 2 α t 2+ β t 2 )
3 β=0
α +γ =0
2 α + β=0
 ≈

( |) ( |) ( |)
0 3 00 1 0 1 0 F 3= F −2 F 1 0 1 0
≈ 3 1
1 0 1 0 F2 F 1 3 00 0 1 0 0
⟶ 1 1
2 1 00 2 1 0 0 F2 = F 2 0 1 −2 0
3

( |) ( |)
1 0 1 0 1 0 10
≈ −1
F 3= 0 1 0 0 F3 = F 0 1 0 0 ∋! solución
F3 −F2 0 0 −2 0 2 3
0 0 10
Como existe única solución (la trivial), entonces A es linealmente independiente (LI)

Ejercicios de Transformaciones Lineales

1) Si V 1=( 1 ,−1 ) , V 2=( 2 , 1 ) ,V 3 =(−3 , 2 ) y W 1=( 1 , 0 ) , W 2 ( 0 ,−1 ) , W 3=( 1 , 1 ) .
¿Existe una transformación lineal
2
T : R → R ,tal que T ( v i )=W i para i=1 ,2 , 3 ?
Solución.
Si { v 1 , v2 , v 3 } es base de R2, entonces existe una única transformación lineal
2
T :R →R
Pero:
(−3 , 2 )=−( 1 ,−1 )−( 2,−1)
⟹ { v1 , v 2 , v 3 } no es linealmente independiente
⟹ { v1 , v 2 , v 3 } no es base de R2
⟹ { v1 , v 2 , v 3 } no existe tal transformación lineal

2) Sea T : R 3 → R 3 ,transformación lineal, tal que:

T ( 1 , 1 ,1 )= ( 1, 0 , 2 ) ; T ( 1 ,0 , 1 )=(0 , 1 ,1)
Encontrar T (x , y , z)

Solución.
Por demostrar que el conjunto { ( 1 , 1 ,1 ) , ( 1, 0 , 1 ) ,(0 , 1 ,1) }es a base de R3
a ( 1 , 1, 1 ) +b ( 1 , 0 ,1 )+ c ( 0 , 1 ,1 )=( 0 ,0 , 0)
 a+ b=0
a+ c=0 ⇒ a=b=c=0
a+b+ c=0

Luego { ( 1 , 1 ,1 ) , ( 0 ,1 , 1 ) ,(0 , 1 ,1) } es linealmente Independiente

Sea ( x , y , z ) ∈ R 3 , existen escalares a , b , c ∈ R tal que :

a ( 1 , 1, 1 ) +b ( 1 , 0 ,1 )+ c ( 0 , 1 ,1 )=( x , y , z )

a +b=x
a+ c= y ⇒ a=x+ y−z ; b=z− y ; c=z −x
a +b+c =z

Luego { ( 1 , 1 ,1 ) , ( 1, 0 , 1 ) ,(0 , 1 ,1) } es base de R3

Existe una única T transformación lineal de R3 en R3tal que:

T ( 1 , 1 ,1 )= ( 1, 0 , 2 ) ,T ( 1, 0 , 1 )=( 0 ,1 , 1 ) , T ( 0 ,1 , 1, )=(1 , 0 , 1)
T ( x , y , z )=T (a ( 1 , 1 ,1 ) +b ( 1 , 0 , 1 )+ c ( 0 , 1 ,1 ))
T ( x , y , z )=aT ( 1 ,1 , 1 ) +bT ( 1 , 0 ,1 )+ cT ( 0 , 1 ,1 )
T ( x , y , z )=( x+ y−z)T ( 1 , 1 ,1 ) + ( z− y ) T ( 1 , 0 ,1 )+ ( z −x ) T ( 0 ,1 , 1 )
T ( x , y , z )=( x+ y−z) ( 1 , 0 ,2 ) + ( z− y )( 0 , 1 ,1 )+ ( z −x ) T ( 1 , 0 , 1 )
T ( x , y , z )=( y , z− y , x + y )

3) Sea T : R 2 → R transformación lineal definida por

T ( x , y , z )=2 x−3 y + z
a) Encontrar [ T ] β donde β= { (1 , 0 , 0 ) , ( 1, 1 , 0 ) , ( 1 , 1 ,1 ) } y α ={2 }
α

b) Encontrar kernel(T), Imagen(T),Nulidad(T) y Rango(T)

Solución:
a)
T ( 1 , 0 , 0 )=2=1 ( 2 )
−1
T ( 1 , 0 , 0 )=2−3=−1= ( 2)
2
T ( 1 , 1 ,1 )=2−3+1=0=0 ( 2 )
Luego

[
[ T ]αβ= 1− 1 0
2 ]
b)
3
Kernel ( T ) ={( x , y , z ) ∈ R /T ( x , y , z )=0 }
3
Kernel ( T ) ={( x , y , z ) ∈ R /2 x−3 y + z =0 }
3
Kernel ( T ) ={( x , y , z ) ∈ R /−2 x +3 y=z }
 3 2
Kernel ( T ) ={( x , y ,−2 x +3 y ) ∈ R / ( x , y ) ∈ R }
Kernel ( T ) =⟨ (1 , 0 ,−2 ) ,( 0 ,1 , 3) ⟩ es base de Kernel (T)
⟹ Nulidad(T )=2
3
Imagen ( T ) ={T ( x , y , z ) /( x , y , z )∈ R }
3
Imagen ( T ) ={2 x−3 y + z /(x , y , z)∈ R }
Imagen ( T ) =2
⟹ Rango ( T )=1