Академический Документы
Профессиональный Документы
Культура Документы
1. Espacios vectoriales 3
1.1. Definición y ejemplos de espacios vectoriales . . . . . . . . . . . . 3
1.2. Subespacios vectoriales. . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. Conjuntos generadores y bases. . . . . . . . . . . . . . . . . . . . . 16
1.3.1. Espacios generados . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2. Conjuntos linealmente independientes . . . . . . . . . . . . 19
1.3.3. Base y dimensión de un espacio vectorial. . . . . . . . . . . 24
1.4. Producto directo y sumas directas . . . . . . . . . . . . . . . . . . 28
1.5. Espacio fila y espacio nulo asociado a una matriz. . . . . . . . . . 33
1
2 ÍNDICE GENERAL
Capı́tulo 1
Espacios vectoriales
Definición 1.1
Sean F un campo y V un conjunto. Supongamos que existen operaciones
bilineales † ∶ V × V Ð→ V, ∗ ∶ F × V Ð→ V tales que para todo v, w, u ∈ V y
α, β ∈ F se verifican las siguientes condiciones
1. †(v, w) = †(w, v).
3
4 CAPÍTULO 1. ESPACIOS VECTORIALES
respectivamente. Haciendo uso de esta escritura podemos ver facilmente que las
propiedades anteriores pueden ser reescritas en la forma
1. v†w = w†v.
2. (v†u)†w = v†(u†w).
5. (α + β) ∗ v = α ∗ v†β ∗ v.
6. α ∗ (v†w) = α ∗ v†α ∗ w.
7. (αβ) ∗ v = α ∗ (β ∗ v).
8. 1 ∗ v = v.
Fn = {(r1 , . . . , rn ), ∣ ri ∈ F }.
Pn (x) = {a0 + a1 x + ⋯ + an xn ∣ ai ∈ F }
Ejemplo 1.4
Sea V = {ex ∣ x ∈ F}. Definamos las operaciones † y ∗ de la siguiente
manera.
ex † ey = ex ⋅ ey = ex+y , α ∗ ex = eαx .
Veamos que ⟨ V, †, ∗ ⟩ es un F-espacio vectorial. Para ello vamos a probar
cada uno de los 8 axiomas.
1. ex † ey = ex+y = ey+x = ey † ex . La conmutatividad de los reales permi-
ten intercambiar de posicion x y y en las potencias de e.
6. Sean ex , ey ∈ V y α ∈ F.
7. Sean α, β ∈ F y ex ∈ V. Entonces
Ejemplo 1.5
Sea V = {ex ∣ x ∈ F⋆ }. Definamos las operaciones † y ∗ de la siguiente
manera. α
ex † ey = exy , α ∗ ex = ex .
Veamos que ⟨ V, †, ∗ ⟩ es un F-espacio vectorial. Para ello vamos a probar
cada uno de los 8 axiomas.
1. ex † ey = exy = eyx = ey † ex . La conmutatividad en el producto de los
reales permiten intercambiar de posicion x y y en las potencias de e.
6. Sean ex , ey ∈ V y α ∈ F.
α α α α α
α ∗ (ex † ey ) = α ∗ exy = e(xy) = ex y
= ex † ey = α ∗ ex † α ∗ ey .
7. Sean α, β ∈ F y ex ∈ V. Entonces
β α β (
α ∗ (β ∗ ex ) = α ∗ (ex ) = e(x )
= ex αβ)
= (αβ) ∗ ex
1
8. Finalmente tenemos que 1 ∗ ex = ex = ex .
CA (F) = {f ∶ A Ð→ F ∣f es función}
Ejemplo 1.8
Consideremos el conjunto de los vectores libres E con operaciones † y ∗
dadas respectivamente por la suma de vectores y el producto por un escalar.
8 CAPÍTULO 1. ESPACIOS VECTORIALES
Proposición 1.1
Sea ⟨V, †, ∗⟩ un F-espacio vectorial.
(1) Sı́ existen σ y ϕ en V tales que σ†v = v y ϕ†v = v para todo v ∈ V ,
entonces σ = ϕ. (Unicidad del neutro aditivo).
(2) Sı́ fijado v ∈ V existen u y w en V tales que u†v = σ y u†w = σ
entonces v = w. (Unicidad del inverso aditivo).
ϕ = σ†ϕ = ϕ†σ = σ.
Veamos ahora que dado v ∈ V existe un único w ∈ V tal que v†w = σ. Como
en el caso anterior podemos suponer que existe u tal que v†u = σ, de donde
tenemos
w = w†σ = w†(v†u) = (w†v)†u = σ†u = u.
Notación
El elemento σ es llamado elemento neutro. Una vez fijado u el elemento
w que verifica u†w = σ es llamado el inverso aditivo de u y usualmente
lo denotamos por −u, de esta forma tenemos que u†(−u) = σ.
Proposición 1.2
Sea V un F-espacio vectorial entonces:
1. 0 ∗ v = σ cualquiera sea v ∈ V.
2. α ∗ σ = σ cualquiera sea α ∈ F.
3. −1 ∗ v = −v para todo v ∈ V.
4. α ∗ v = σ implica que α = 0 o v = σ.
Demostración:
1.1. DEFINICIÓN Y EJEMPLOS DE ESPACIOS VECTORIALES 9
2. Similar al anterior.
Observación
Las operaciones † y ∗ son llamadas respectivamente operación aditiva o
suma del espacio y producto por un escalar, siendo la primera de ellas
una operación interna mientras que la segunda es una operación externa.
En adelante escribimos u + v en lugar de u † v y αv en lugar de α ∗ v.
Observamos además que aunque la operación + se llama aditiva o suma
esta no siempre representa una suma.
a) V = {(x, y) ∣ x, y ∈ F }.
b) V = {(x, y) ∣ x + y = 0, x, y ∈ F }.
c) V = {(x + 1, y + 1) ∣ x, y ∈ F }.
d ) V = {(x, y) ∣ x + y = 2, x, y ∈ F }.
e) V = {(x, y) ∣ x + y = 0 x, y ∈ F }.
f ) V = {(x, y) ∣ x + y = 0 x, y ∈ F }.
g) V = {(x, y, z) ∣ x, y, z ∈ F }.
h) V = {(et , x, y) ∣ t, x ∈ F∗ , y ∈ F}
i ) V = {(et , x, y) ∣ t ∈ F∗ , x ∈ Q∗ y ∈ F}
∗ ∶ R(Mn (F)) × F Ð→ F
Definición 1.2
Sean ⟨ V, †, ∗ ⟩ un F-espacio vectorial y W ⊆ V. Decimos que W es un
F-subespacio de V si ⟨ W, †, ∗ ⟩ es un F-espacio. En este caso denotamos
W ≤ V.
Ejemplo 1.9
Sea V = F3 el espacio afin con suma y producto por un escalar usuales, es
decir (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) y α(x1 , y1 , z1 ) =
(αx1 , αy1 , αz1 ). Es claro que ⟨ F3 , + , ⋅ ⟩ es un F-espacio vectorial. Sea W =
{(x, −x, 0) ∣ x ∈ F}. Veamos que W es un F-subespacio de V .
Para comenzar observamos que las operaciones + y ⋅ son cerradas para
elementos de W . En efecto, sean u y v elementos de W , por tanto u =
12 CAPÍTULO 1. ESPACIOS VECTORIALES
u+v = (x, −x, 0)+(y, −y, 0) = (x+y, −x+(−y), 0+0) = (x+y, −(x+y), 0) = (z, −z, 0)
α(y, −y, 0) = (αy, α(−y), 0) = (αy, α(−1 y), 0) = (αy, −αy, 0) = (t, −t, 0)
donde t = αy ∈ F.
Vemos ahora que las propiedades (1)-(8) valen para los elementos de W .
En particular tenemos que si u y v son elementos de W entonces lo son de
V , por tanto u+v = v+u. Similarmente afirmamos que u+(v+w) = (u+v)+w.
Ahora, es claro que (0, 0, 0) ∈ W y que dado u = (x, −x, 0) ∈ W , entonces
−u = (−x, −(−x), 0) también es un elemento de W , más aún (x, −x, 0) +
(−x, −(−x), 0) = (x + −x, −x + −(−x), 0 + 0) = (0, 0, 0).
Ahora, tenemos que (α + β)(x, −x, 0) = ((α + β)x, (α + β)(−x), (α + β)0) =
(αx + βx, −αx − βx, 0) = (αx, −αx, 0) + (β, −βx, 0) = α(x, −x, 0) + β(x, −x, 0).
De modo análogo se demuestran las otras propiedades.
Proposición 1.3
Sean V un F-espacio vectorial y W un F-subespacio de V. Entonces σW =
σV , donde σW denota el neutro aditivo en W y σV denota el neutro aditivo
en V.
Teorema 1.1
Sean V un F-espacio vectorial y W ⊆ V. W es un F-subespacio de V si y
solo si para todo w1 , w2 ∈ W y α ∈ F se verifica que w1 + αw2 ∈ W
Proposición 1.4
Sean U y W F-subespacios de V, entonces U ⋂ W también es un F-
subespacio de V.
Ejemplo 1.10
Consideremos el espacio 3-afin sobre F y sean U = {(x, y, z) ∈ F3 ∣ x+y−z = 0}
y W = {(x, y, z) ∈ F3 ∣ x − y + z = 0}.
(a) Verifique que U y W son subespacios de F3 .
Sean x = (x1 , x2 , x3 ) y y = (y1 , y2 , y3 ), α ∈ F. Sea z = x + αy, z = (z1 + z2 − z3 )
x + αy =(x1 , x2 , x3 ) + α(y1 , y2 , y3 ) =
(x1 , x2 , x3 ) + (αy1 , αy2 , αy3 ) =
(x1 + αy1 , x2 + αy2 , x3 + αy3 ) = (z1 , z2 , z3 ).
Sı́ x, y ∈ U, entonces x1 + x2 − x3 = y1 + y2 − y3 = 0. Veamos que z ∈ U, es
decir, vamos a probar que z1 + z2 − z3 = 0.
z1 + z2 − z3 =(x1 + αy1 ) + (x2 + αy2 ) − (x3 + αy3 ) =
(x1 + x2 − x3 ) + (αy1 + αy2 − αy3 ) =
(x1 + x2 − x3 ) + α(y1 + y2 − y3 ) = 0 + α0 = 0.
14 CAPÍTULO 1. ESPACIOS VECTORIALES
Observación
En general la unión de subespacios no es un subespacio.
Consideremos V = F2 , con suma y producto por un escalar usuales. Sean
U = {(x, y) ∣ y = −x} y W = {(x, y) ∣ x = y}. Es claro que U y W son
F-subespacios de V.
Observamos que (1, 1) y (1, −1) ∈ U ⋃ W ⊆ V, pero (1, 1) + (1, −1) = (2, 0)
no pertenece a U ⋃ W, pues (2, 0) ∉ U y (2, 0) ∉ W.
b) V = {(x, y, z, t) ∈ F4 ∣ x + y + z + t = 0} es un F-subespacio de F4 .
c) V = {(x, y, z, t) ∈ F4 ∣ x + y − z + t2 = 0} es un F-subespacio de
F4 .
d ) V = {(x, y, z, t) ∈ F4 ∣ x2 + y 2 − z 2 = 0} es un F-subespacio de F4 .
e) V = {(x, y, x + y, −x) ∈ F4 } es un F-subespacio de F4 .
f ) V = {(x, x, z, z) ∈ F4 } es un F-subespacio de F4 .
g) V = {(x, x2 , z, −z) ∈ F4 } es un F-subespacio de F4 .
h) V = {(x, y, x + y, x − y) ∈ F4 } es un F-subespacio de F4 .
3. Sea Mn (F) el conjunto de las matrices cuadradas de orden n con
entradas reales. Sabemos que Mn (F) con las operaciones de suma
y producto por un escalar es un F-espacio vectorial.
a) Sea Hn (Mn (F), t) = {A ∈ Mn (F) ∣ A − At = 0} donde At es la
matriz traspuesta de A. Demuestre que Hn (Mn (F), t) es un
F-subespacio de Mn (F).
b) Sea Sn (Mn (F), t) = {A ∈ Mn (F) ∣ A + At = 0} donde At es la
matriz traspuesta de A. Demuestre que Sn (Mn (F), t) es un
F-subespacio de Mn (F).
4. Sea Pk (x) el conjunto de todos los polinomios hasta de grado k con
operaciones usuales.
a) Sea V = {a0 + a2 x2 + ⋯ + a2n x2n } ⊆ P2n (x). Determine si V- es
un F-subespacio de P2n (x).
b) Sea V = {a0 + a1 x + ⋯ + a6 x6 ∣ a0 + a2 + a4 + a6 = 0} ⊆ P6 (x).
Determine si V- es un F-subespacio de P6 (x).
c) Sea V = {a0 + a1 x + ⋯ + a4 x4 ∣ a0 − a1 = a2 − a3 = 0} ⊆ P4 (x).
Determine si V- es un F-subespacio de P4 (x).
5. Sea CA = {f ∶ A Ð→ F ∣ f es función }. Considere el espacio CA con
las operaciones usuales. Determine:
a) Sea PA ⊆ CA , donde f ∈ PA sı́ f es una función par, es decir
f (−x) = f (x). ¿Es PA un F-subespacio de CA ?
b) Sea IA ⊆ CA , donde f ∈ PA sı́ f es una función impar, es decir
f (−x) = −f (x). ¿Es IA un F-subespacio de CA ?
c) Sea TA ⊆ CA , donde f ∈ TA sı́ f es una función lineal, es decir
f (x + αy) = f (x) + αf (y), α ∈ F. ¿Es TA un F-subespacio de
CA ?
6. Sean A ∈ Mn×m (F) y SA = {x ∈ Fm ∣ Ax = 0} ⊆ Fm . Demuestre que
SA es un F-subespacio de Fm .
16 CAPÍTULO 1. ESPACIOS VECTORIALES
Definición 1.3
Sean V un F-espacio vectorial y S ⊆ V. Definimos el conjunto de las
combinaciones lineales de S como siendo:
L(S) ={ ∑ αi ⋅ si ∣ αi ∈ F, si ∈ S } =
finitas
{α1 si1 + α2 si2 + ⋯ + αk sik ∣ αj ∈ F, sij ∈ S}
Ejemplo 1.11
Consideremos V = F3 y sea S = {(1, 0, 2), (−1, 1, 0)}. Es claro que L(S) =
{α(1, 0, 2) + β(−1, 1, 0) ∣ α, β ∈ F}.
Observamos que (0, 1, 2) ∉ S pero (0, 1, 2) ∈ L(S), pues tomando α = β = 1
obtenemos
(0, 1, 2) = (1, 0, 2) + (−1, 1, 0).
Ejemplo 1.12
Sea S = {1 + x2 , 2x − 3x3 , x + x2 − x3 , 1 + 2x + 3x2 − x3 } ⊆ P3 (x), donde P3 (x)
denota el espacio de los polinomios hasta de grado 3
Sea p = 3 + 2x − 4x2 + x3 . Determine si p ∈ L(S).
1.3. CONJUNTOS GENERADORES Y BASES. 17
Proposición 1.5
Sea V un F-espacio vectorial y S ⊆ V. Entonces L(S) es un F-subespacio
de V, más aún,
L(S) = ⋂ W
W≤V
S⊆W
Ahora, es claro que S ⊆ L(S), pues basta observar que para todo s ∈ S,
s = 1 ⋅ s, por tanto L(S) es un subespacio de V que contiene a S, luego L(S)
contiene a la intersección de todos los subespacios que contienen a S, hemos asi
probado
⋂ W ⫅ L(S).
W≤V
S⊆W
⋂ W = L(S).
W≤V
S⊆W
Definición 1.4
Sea V un F-espacio vectorial y S ⊆ V. Decimos que S es un conjunto
generador de V o que V es generado por S, si V = L(S). Esto es, para
cada v ∈ V, existen s1 , s2 , . . . , sk ∈ S y α1 , α2 , . . . , αk ∈ F tales que
v = α1 s1 + α2 s2 + ⋯ + αk sk
Observación
Observe que en general si S es un conjunto generador de V, los si y αi
de la definición anterior no son únicos.
Ejemplo 1.13
v = v1 (1, 0) + v2 (1, 0)
Definición 1.5
Sea V un F-espacio vectorial y S ⊆ V. Decimos que S es un conjun-
to linealmente independiente de V sı́ para cualquier subconjunto finito
{s1 , s2 , . . . , st }, de elementos de S la igualdad
α1 s1 + α2 s2 + ⋯ + αt st = σ
α1 s1 + α2 s2 + ⋯ + αn sn = σ
implica que α1 = α2 = ⋯ = αn = 0.
Sı́ el conjunto S no es linealmente independiente, decimos que S es lineal-
mente dependiente.
Observación
Notese que sı́ σ ∈ S, entonces S no es linealmente independiente. Basta
con observar que α ⋅ σ = σ para cualquier escalar α, por tanto 1 ⋅ σ = σ
pero 1 ≠ 0.
Ejemplo 1.14
α ⋅ (1 + x) + β ⋅ (x − x2 ) + γ ⋅ x2 = 0.
20 CAPÍTULO 1. ESPACIOS VECTORIALES
Proposición 1.6
Sea S ⊆ V, entonces:
1. Si S es linealmente independiente y S ′ ⊆ S, entonces S ′ también es
linealmente independiente.
2. Si S es linealmente dependiente y S ⊆ S ′ , entonces S ′ también es
linealmente dependiente.
3. Sı́ σ ∈ S, entonces S es linealmente dependiente.
Demostración:
1. Sea T = {t1 , t2 , . . . , tn } un subconjunto arbitrario y finito de S ′ y conside-
remos la combinación lineal
α1 t1 + α2 t2 + ⋯ + αn tn = σ (1.3)
σ = α1 s1 + α2 s2 + ⋯ + αk sk .
1.3. CONJUNTOS GENERADORES Y BASES. 21
obtenemos que
y como αi ≠ 0, entonces
α1 αi−1 αi+1 αn 1
vi = v1 + ⋯ + vi−1 + vi+1 + ⋯ + vn − w. (1.5)
−αi −αi −αi −αi −αi
1. Veamos que los espacios generados por L(B) y L(Bi ∪ {w}) son exacta-
mente los mismos. Sea x ∈ L(B), por tanto existen β1 , . . . , βn escalares, no todos
nulos tales que x = β1 v1 + ⋯ + βn vn . Sı́ βi = 0, entonces x ∈ L(Bi ) ⊆ L(Bi ∪ {w}).
Supongamos que βi ≠ 0, luego tenemos
(α1 − λ1 )v1 + ⋯ + (αi−1 − λi−1 )vi−1 + αi vi + (αi+1 − λi+1 )vi+1 + ⋯ + (αn − λn )vn = σ
α1 v1 + α2 v2 + ⋯ + αn vn = σ.
α1 v1 + α2 v2 + ⋯ + αs−1 v1 v + αs vs = σ
vs = γ1 v1 + γ2 v2 + ⋯ + γs−1 vs−1 ,
α1 v1 + α2 v2 + ⋯ + αn vn + βw = σ.
α1 v1 + α2 v2 + ⋯ + αn vn = σ,
Proposición 1.7
Sean B = {v1 , . . . , vn } y B ′ = {w1 , ⋯, wm } conjuntos ordenados de vectores
de V. Sı́ B es linealmente independiente y B ⊆ L(B ′ ), entonces n ≤ m.
Como antes podemos afirmar que existe al menos un α2j ≠ 0. Basta con observar
que sı́ α2j = 0 para j = 1, . . . , k −1, k +1, . . . , m, entonces v2 = β1 v1 , luego tenemos
que β1 v1 − 1 ⋅ v2 = σ, pero {v1 , v2 } es un conjunto linealmente independiente, por
tanto 1 = β1 = 0, lo cual es una contradicción. Como antes sea s el menor entero
en el conjunto {2, . . . , k − 1, k + 1, . . . , m} tal que α2s ≠ 0, nuevamente por el lema
1.3.2, tenemos que
Como antes afirmamos que existe un α3t ≠ 0. Basta observar que si todos los
α3j fuesen cero, entonces v3 = β1 v1 + β2 v2 , luego β1 v1 + β2 v2 − v3 = σ, pero
24 CAPÍTULO 1. ESPACIOS VECTORIALES
Definición 1.6
Sean V un espacio vectorial sobre F y B ⊆ V. Decimos que B es una base
para V sı́:
1. B es un conjunto linealmente independiente.
2. V es generado por B, es decir L(B) = V.
Teorema 1.2
Sean B y B ′ dos bases del espacio vectorial V, entonces B y B ′ son
equipotentes.
Definición 1.7
Sean V un espacio vectorial sobre F y B una base para V. Sı́ ∣B∣ es
un conjunto finito, decimos que V es un espacio vectorial de dimensión
finita sobre F, o un F-espacio vectorial finito dimensional, en cuyo caso
escribimos dimF V = ∣B∣.
Ejemplo 1.15
(0, 0, . . . , 0) = α1 e1 + ⋯ + αn en = (α1 , . . . , αn )
Teorema 1.3
Sea V un F-espacio vectorial de dimensión finita y sea B = {v1 , ⋯, vn } una
base de V. Entonces para cada v ∈ V existen únicos α1 , α2 , . . . , αn ∈ F
tales que
v = α1 v1 + α2 v2 + ⋯ + αn vn .
Teorema 1.4
Sean V un espacio vectorial de dimensión finita sobre F, dimF V = n, y
B = {v1 , v2 , . . . , vk } ⊆ V.
1. Sı́ k > n, entonces B es linealmente dependiente.
2. Sı́ k = n y B es linealmente independiente, entonces B es base de
V.
Demostración:
Teorema 1.5
Sea V un F-espacio vectorial de dimensión finita, y sea B ⊆ V un conjunto
linealmente independiente que no genera a V, entonces existe un conjunto
B ′ tal que B ⊆ B ′ y B ′ es una base para V.
4 Por eij denotamos la matriz con entradas ast donde ast = δis δjt . Las
matrices eij son llamadas matrices unitarias. Encuentre en terminos
de eij una base para los siguientes espacios vectoriales:
a) El conjunto de las matrices hermitianas de orden n con en-
tradas reales respecto de la trasposición, vista como R-espacio
vectorial.
b) El conjunto de las matrices anti hermitianas de orden n con en-
tradas reales respecto de la trasposición. vista como R-espacio
vectorial.
c) El conjunto de las matrices anti hermitianas de orden n con
entradas complejas respecto de la involución traspuesta conju-
gada vista como R-espacio vectorial.
d ) El conjunto de las matrices hermitianas de orden n con entra-
das complejas respecto de la involución traspuesta conjugada
vista como R-espacio vectorial.
e) El conjunto de las matrices idempotentes de orden 2 con en-
tradas reales y visto como R-espacio.
∏ Vi = V1 × V2 × ⋯ × Vn = {v = (v1 , v2 , v3 , ⋯, vn ) ∣ vi ∈ Vi }
i∈Jn
Veamos que el conjunto ∏i∈Jn puede ser dotado con estructura de F-espacio
vectorial. Supongamos que Vi = ⟨Vi , +i , ⋅i ⟩, donde +i denota la suma en el es-
pacio Vi mientras que ⋅i denota el producto por un escalar en Vi . Definamos
las operaciones + ∶ ∏ Vi × ∏ Vi Ð→ ∏ Vi y ⋅ ∶ F × ∏ Vi Ð→ ∏ Vi de la
i∈Jn i∈Jn i∈Jn i∈Jn i∈Jn
siguiente manera
Ejemplo 1.16
α
Sean V1 = ⟨E x , +, ⋅⟩ donde E x = {ex ∣ x ∈ R∗ }, ex + ey = exy y α ⋅ ex = ex , V2 =
⟨R3 , +, ⋅⟩ donde R3 = {(x, y, 2) ∣ x, y ∈ R}, (x, y, 2) + (z, t, 2) = (x + z, yt, 2),
α ⋅ (x, y, 2) = (αx, y α , 2), V3 = ⟨R+ , +, ⋅⟩, a + b = ab, αa = aα . Es fácil ver que
V1 , V2 , y V3 son R-espacios vectoriales. Consideremos el producto directo de
V1 , V2 y V3 dado por V = V1 × V2 × V3 = {(ex , (z, y, 2), a)}. Vemos facilmente
que σV = (e1 , (0, 1, 2), 1).
Definición 1.8
Sean W1 , W2 , . . . , Wk F-subespacios de un espacio vectorial V. Decimos
que V es la suma directa (suma directa interna) de los Wi y escribimos
V = W1 ⊕ W2 ⊕ ⋯ ⊕ Wk = {w1 + w2 + ⋯ + wk ∣ wi ∈ Wi },
v = w1 + w2 + ⋯ + wk
Observación
En particular, nosotros observamos que σV = σW1 + σW2 + ⋯ + σWk , pero
σWi = σV , asi tenemos que sı́ V es suma directa de los Wi , entonces el
único wi ∈ Wi que satisface σ = w1 + ⋯ + wk esta dado por wi = σ.
V = F ⋅ v1 ⊕ F ⋅ v2 ⊕ ⋯ ⊕ F ⋅ vn .
Teorema 1.6
Sea V es un F espacio vectorial de dimensión finita n y B = {v1 , . . . , vn }
una base de V. Entonces
V = F ⋅ v1 ⊕ F ⋅ v2 ⊕ ⋯ ⊕ F ⋅ vn .
Definición 1.9
Sean U y W F-subespacios de V. Definimos el subespacio suma U y W
como siendo el subespacio U+W = L(U ∪ W)
Teorema 1.7
Sean U y W F-subespacios de V y supongamos que dim V es finita, en-
tonces dim (U + W) = dim U + dim W − dim (U ∩ W).
w = β1 v1 + ⋯ + βk vk + βk+1 u1 + ⋯ + βk+t ut .
1.4. PRODUCTO DIRECTO Y SUMAS DIRECTAS 31
γ1 v1 + ⋯ + γk vk + β1 u1 + ⋯ + βt ut + α1 w1 + ⋯ + αm wm = σ, (1.8)
por tanto
γ1 v1 + ⋯ + γk vk + β1 u1 + ⋯ + βt ut = −(α1 w1 + ⋯ + αm wm )
γ1 v1 + ⋯ + γk vk + β1 u1 + ⋯ + βt ut + η1 v1 + ⋯ + ηk vk = σ
Teorema 1.8
Sean W1 , . . . , Wk subespacios de V. V es suma directa de W1 , . . . , Wk
si y solo sı́ para cada v ∈ V, se tiene que v ∈ L(W1 ∪ W2 ⋯ ∪ Wk ) y
Wi ∩ (⊕j=1,j≠i Wj ) = {σ}
Demostración:
Definición 1.10
Sean V un F-espacio vectorial y W un subespacio de V. Decimos que W
es un sumando directo de V si existe U subespacio de V tal que V = W ⊕U
Ejemplo 1.17
Consideremos el espacio R2 . Sabemos que el conjunto {e1 = (1, 0), e2 =
(0, 1)} es una base de R2 . Veamos ahora que W = R⋅(e1 +e2 ) es un sumando
directo de R2 . Para ello nos basta con hallar un subespacio U tal que V =
U ⊕ W. Sea U = R ⋅ (e1 − e2 ). Veamos ahora que para todo v = (x, y) existen
unicos α y β tales que v = α(e1 + e2 ) + β(e1 − e2 ). Nosotros observamos que
Definición 1.11
Sea A ∈ Mn×m (F) una matriz no nula. Denotamos la i-esima fila de A por
LA
i , asi tenemos que Li = (ai1 ai2 . . . , aim ). Definimos el espacio linea de
A
El(A) = L({LA
1 , L2 , . . . , Ln }).
A A
Ejemplo 1.18
Sea
2 −1 3
A=( )
2 1 0
por tanto
x = β1 w1 + β2 w2 + ⋯ + βk wk
pero por hipotesis, para cada wi tenemos que wi = αi1 u1 + αi2 u2 + ⋯ + αit ut , asi
sustituyendo en la igualdad arriba, obtenemos
es claro que i = 1, . . . , n LB
i ∈ L(S1 ), por tanto aplicando el lema anterior,
L(S2 ) ⊆ L(S1 ).
Teorema 1.9
Sea A una matriz escalonada. Entonces dim El(A) = s donde s es la
cantidad de filas no nulas en la matriz A.
α1 LA
1 + α2 L2 + ⋯ + αs Ls = σ.
A A
1 + α2 L2 + ⋯ + αs Ls = (c1
C = α1 LA A A
c2 ⋯ cm ) = (0 0 ⋯ 0)
espacio por el generado. Asi, tenemos que dim EL(A) = s, siendo s la cantidad
de filas no nulas de la matriz A.
Corolario 1.3 Sea A ∈ Mn×m (F). Si B es una matriz escalonada tal que A
es equivalente con B, entonces dim EL(A) = s siendo s la cantidad de filas
no nulas de la matriz B.
1.5. ESPACIO FILA Y ESPACIO NULO ASOCIADO A UNA MATRIZ. 35
Ejemplo 1.19
⎛2 −1 3 4 1⎞
⎜1 0 2 1 −1⎟
A=⎜ ⎟
⎜1 −1 3 2 2⎟
⎝2 1 0 1 −2⎠
⎛1 −1 3 2 2⎞
⎜0 1 −1 −1 −3⎟
⎜ ⎟
⎜0 0 −2 1 0⎟
⎝0 0 0 1 −2⎠
⎛ 1 0 −1⎞
A = ⎜−1 0 1 ⎟ .
⎝ 2 0 −2⎠
Definición 1.12
Sea A ∈ Mn×m (F). Definimos el espacio nulo de la matriz A como siendo
̃ ∈ Fm tales que X
el conjunto de todos los X ̃ es solución al sistema de
ecuaciones lineales AX = 0 asociado a la matriz A.
Teorema 1.10
Sea A ∈ Mn×m (F). dim Nul A = m − dim El(A).