Resumen 2: Espacios vectoriales

1 Definición y ejemplos
Un espacio vectorial V sobre K, un cuerpo, está formado por elementos denominados vectores, los
cuales pueden sumarse internamente y también multiplicarse por escalares del cuerpo K (obteniendo
de esta multiplicación de nuevo vectores). De hecho para que se denomine espacio vectorial tienen
que cumplirse todos los axiomas correspondientes: por un lado los de grupo abeliano para V con la
suma ”+”, y además las propiedades pseudodistributivas, pseudoasociativa y pseudoelemento neutro.
Así los v ∈ V son vectores; y los λ ∈ K son escalares.
Propiedad: λv = 0 si y sólo si λ = 0 ó v = 0.
Ejemplos:

1. Sea K = R el cuerpo de los números reales y consideremos el conjunto

V = R2 = {(x, y) : x, y ∈ R}

Se define la suma interna ”+” y la multiplicación externa ”·” en V coordenada a coordenada:

Dados u = (x, y), v = (z, t) ∈ V definimos

u + v = (x, y) + (z, t) = (x + z, y + t)

Dados u = (x, y) ∈ V y λ ∈ R definimos

λ · u = λ · (x, y) = (λ · x, λ · y).

R2 , con estas operaciones anteriormente definidas, es un R-espacio vectorial. El vector cero es

(0, 0). Igual con (R3 , +, ·), (R4 , +, ·)........, (Rn , +, ·)

2. Consideremos V = P2 [R], el conjunto de todos los polinomios de grado menor o igual que dos
con coeficientes reales, es decir,

V = {ax2 + bx + c : a, b, c ∈ R}

Definimos una suma interna ”+” y una multiplicación por escalares ”·” del siguiente modo:

Dados ax2 + bx + c, dx2 + ex + f ∈ V definimos

(ax2 + bx + c) + (dx2 + ex + f ) = (a + d)x2 + (b + e)x + (c + f )

y dados ax2 + bx + c ∈ V y λ ∈ R definimos

1
 λ · (ax2 + bx + c) = λax2 + λbx + λc

En definitiva se define la suma y la multiplicación en cada coeficiente. P2 [R], con estas ope-
raciones anteriormente definidas, es un R-espacio vectorial. En este espacio vectorial el vector
nulo es el polinomio
0 = 0 + 0x + 0x2
De modo análogo se definen P3 [R], P4 [R]....., Pn [R].

2 Subespacios vectoriales
Definición: W ≤ V si:

1. Para todo par de vectores u, v ∈ W se tiene que u + v ∈ W ; y

2. Para todo vector u ∈ W y todo escalar λ ∈ K se tiene que λu ∈ W .

O equivalentemente si:

3. (Caracterización de subespacio) Dado un subconjunto W de V , se tiene que W es un

subespacio de V si y sólo si para cada par de vectores u, v ∈ W y cada par de escalares
λ, μ ∈ K, se tiene que λu + μv ∈ W .

Propiedades:

1. Si W ≤ V . Entonces 0 ∈ W .

2. Si W ≤ V , entonces (W, +, ·) (con las operaciones suma y multiplicación externa heredadas de

V ) es un espacio vectorial.

Asociados a un espacio vectorial V siempre aparecen al menos el subespacio total V y el subes-

pacio nulo {0}.

3 Sistemas de vectores
Un sistema de vectores de un espacio vectorial V es una colección (finita) de vectores v1 , v2 , ..., vn
de V

2
3.1 Combinaciones lineales. Subespacio generado. Sistema generador
v es CL de los vectores v1 , v2 , ..., vn si v = λ1 v1 + λ2 v2 + ... + λn vn para algunos λ1 , λ2 , ...λn ∈ K.
El vector nulo es siempre CL de cualquier sistema de vectores.
< v1 , v2 , ..., vn >= {λ1 v1 + λ2 v2 + ... + λn vn : λ1 , λ2 , ...λn ∈ K} es el subespacio generado por
los vectores v1 , v2 , ..., vn .
Se dice que el sistema {v1 , v2 , ..., vn } es un SG de V si V =< v1 , v2 , ..., vn > (si todo vector de V
es CL de los vectores v1 , v2 , ..., vn ).
Si sobre un SG de V realizamos alguna de las siguientes manipulaciones el sistema resultante es
de nuevo SG de V :

1. Trasformaciones elementales de Gauss.

2. Eliminar vectores del sistema que sean CL de los demás.

3.2 Dependencia e independencia lineal

Los vectores v1 , v2 , ..., vn son LI, cuando la única CL de ellos que da como resultado el vector 0 es la
CL en la que todos los escalares son nulos. En caso contrario son LD.
Propiedades: En un espacio vectorial V se tiene que:

1. Un sistema escalonado es LI si y sólo si no tiene filas (vectores) nulas.

2. Las transformaciones de Gauss conservan la dependencia o independencia lineal de un sistema.

3. Todo sistema de vectores que contenga al vector nulo es LD.

4. Todo sistema de vectores que tenga algún vector repetido es LD.

5. Un sistema formado por un sólo vector es un sistema LD si y sólo si el vector es nulo.

6. Los vectores u, v son LD si y sólo si son proporcionales.

7. Los vectores u1 , u2 , ..., un son LD si y sólo si alguno de ellos es CL del resto.

8. Todo sistema de vectores que contenga a un sistema LD es LD.

9. Todo sistema de vectores contenido en un sistema LI es LI.

10. Si un sistema de vectores es LI entonces las CL lineales del sistema no se repiten, es decir, cada
vector que es CL del sistema puede ponerse sólo de una forma como CL del sistema.

Propiedad: En un sistema de vectores de Rn , si al escalonar nos aparece el vector nulo el sistema

será LD. Por contra si conseguimos escalonar hasta el final el sistema sin que aparezca el vector nulo,
será un sistema LI.

3
4 Bases y dimensión de un espacio vectorial
Definición: Base de V = SG de V y LI.

Base canónica. Por ejemplo la de R3 es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Para cualquier vector se tiene
que
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)

Teorema de la base: Todo espacio vectorial (no nulo) tiene alguna base. Además, todas las
bases de un espacio vectorial tienen el mismo número de elementos.
dim V = no de vectores de las bases de V . dim Rn = n. dim 0 = 0
Propiedades: Sea V un espacio vectorial no nulo de dimensión n, y X = {v1 , v2 , ..., vk } un
sistema de vectores de V .

1. De todo SG de V se puede extraer una base de V . El número de vectores de un SG de V es

siempre mayor o igual que la dimensión de V .

2. Todo sistema LI de V se puede extender a una base de V . El número de vectores LI de V es

siempre menor o igual que la dimensión de V .

3. Si el número de vectores de un sistema coincide con la dimensión de V , entonces es una base

de V ⇔ es un SG de V ⇔ es un sistema LI de vectores de V .

Propiedad: Si U ≤ V entonces dim U ≤ dim V y se da la igualdad si y sólo si U = V .

4.1 Rango de un sistema de vectores

Definición: Rango(v1 , v2 , ..., vk ) = dim < v1 , v2 , ..., vk >. Si estamos en Rn esto es lo mismo que el
rango de la matriz cuyas filas (o columnas) son los vectores.
Propiedades
El rango se conserva al:

1. Quitar algún vector que sea CL de los restantes.

2. Aplicar las transformaciones de Gauss.

Además, dado un sistema formado por k vectores de un espacio vectorial V se tiene que:

1. El sistema es LI si y sólo si su rango es k.

2. Es un SG de V si y sólo si su rango es dim V .

4
4.2 Coordenadas respecto de una base
B = {v1 , ..., vn }=base de V , u ∈ V ; las coordenadas del vector u en la base B son los escalares
(únicos) x1 , ....., xn tales que u = x1 v1 + ..... + xn vn . Las denotaremos por uB = (x1 , ....., xn ).
Ejemplos:

En cualquier base las coordenadas del vector nulo son todas cero.

Si estamos en los espacios vectoriales de la forma Rn y tomamos como base la canónica, las coor-
denadas de un vector (x1 , ..., xn ) ∈ Rn en esta base son x1 , ..., xn :

(x1 , ..., xn ) = x1 (1, 0, ..., 0) + x2 (0, 1, ..., 0) + ... + xn (0, 0, ..., 1)

4.3 Cambio de base

La matriz cambio de base de B a B 0 , MB→B0 , está formada, por columnas, por las coordenadas
respecto de B 0 de los vectores de B. Además, para cualquier u ∈ V se cumple que uB0 = MB→B0 · uB .
Esa fórmula puede verse de otro modo, igualando cada coordenada en lo constituyen las ecuaciones
cambio de base de B a B 0 .
Propiedades:

1. La matriz MB→B0 es invertible y su inversa es MB0 →B .

2. Si C es la base canónica entonces las columnas de MB→C son los vectores de la base B.

3. MB1 →B3 = MB2 →B3 · MB1 →B2 para bases cualesquiera B1 , B2 y B3 .

−1
4. Tomando en la fórmula anterior B2 = C entonces MB1 →B3 = (MB3 →C ) · MB1 →C para bases
cualesquiera B1 y B2 .

5 Ecuaciones de los subespacios

A partir de un SG (si puede ser, mejor que sea una base) de un subespacio U de Rn se pueden obtener
tanto ecuaciones ecuaciones paramétricas como implícitas de U. Las primeras se caracterizan
porque aparecen x1 , ....., xn , las incógnitas del espacio Rn , como CL de parámetros. Las segundas
son de la forma CL de x1 , ....., xn igual a 0.
Observaciones:

1. Un mismo subespacio puede estar representado por diferentes bases, y por lo tanto por diferentes
ecuaciones paramétricas o diferentes ecuaciones implícitas.

2. Dado U ≤ K n , si llamamos A a la matriz de coeficientes del sistema de ecuaciones implícitas

de U debe cumplirse que U + r(A) = n.

5
6 Suma e intersección de subespacios
Suma: U + W = {u + w|u ∈ U, w ∈ W }
Intersección U ∩ W = {v ∈ V |v ∈ U, v ∈ W }
Propiedad: La suma y la intersección de subespacios nos da en cada caso de nuevo un subespacio.
Propiedad:Uniendo sendos SG de U y W obtenemos un SG de U + W .
Propiedad: Las ecuaciones implícitas de U junto con las de W constituyen unas ecuaciones
implícitas de U ∩ W .
Fórmula de las dimensiones:

dim(U + W ) + dim(U ∩ W ) = dim U + dim W

Suma directa:

1. La suma es directa si y sólo si la dimensión de la suma es la suma de las dimensiones si y sólo

si la unión de bases de cada subespacio es una base de la unión.

2. Para 2 subespacios equivale a que la intersección dé 0.