Chapter 6 

Real Vector Spaces
 Objective: 
l  Study many important properties of 
n 
vectors in  R 
l  A carefully constructed generalization of 
R n 
to many other important vector space. 
l  Application of vector space to the linear 
system and matrix.
 6.1. Vector Spaces 
Definition of Vector Space 
Definition: 
A real vector space V is a set of elements 
together with two operations, addition “+＂ and 

scalar multiplication “.＂, satisfying the 
following properties: 
Let u, v, and w be vectors in V, and let c and d be 
scalars.
 Addition: 
( a  ) If u and v are any elements of V, then  u + v 

is in V(closed). 
1.  u + v  = v + u . 

2.  u + ( v + w ) = ( u + v ) + w . 

3.    V has a zero vector 0 such that for every u 

in V,  u + 0 = 0 + u  = u . 

4.    For every u in V, there is an element  - u in 

V,  u + (-u ) = 0 .
 Scalar multiplication: 
( b  ) If u is any element of V and c is any real 
number, then  cu  is in V(closed). 
5.  c (du ) = ( cd ) u . 

6.  ( c + d ) u = cu + du . 

7.  c( u + v ) = cu + cv . 

8.  1 × u = u .

 Example : 
V1  º  R n  together  with  standard  vector  addition  and  scalar 

multiplication. Then,  V 1 
is  a  vector  space  since  for  any  two  vectors  u  and  v  in  R n 
and  scalar  c,  both  u + v  and  cu  are  in  R n .  Therefore, 
conditions  ( a  )  and  ( b  )  are  satisfied.  In  addition,  the 
conditions  (1)  to  (8)  are  satisfied  (see  the  previous 
subsection).
 Example :
V 2  º  the set consisting of all  m ´ n  matrices together with 
standard  matrix  addition  and  scalar  multiplication.  V 2  is  a 
vector  space  since  for  any  two  m ´ n  matrices  u  and  v 
and  scalar  c,  both  u + v  and  cu  are  m ´ n  matrices. 
That is, both  u + v  and  cu  are still in  V 2  . Therefore, 
conditions  ( a  )  and  ( b  )  are  satisfied.  In  addition,  the 
conditions (1) to (8) are satisfied (see section 2).
 Example:
V 3  º  the set consisting of all polynomials of degree 2 or less with 
the form together with standard polynomial addition and scalar 

multiplication. Is  V 3  a vector space? 

We  need  to  examine  whether  the  conditions  ( a  ),  ( b  ),  and  the 
conditions (1) to (8) are satisfied. Let 
u =  a 2  x 2  + a 1 x  + a 0  , 

v =  b 2 x 2  + b 1 x  + b 0  , 

w =  c 2 x 2  + c 1 x  + c 0 
and let c and d be scalars. Then,
 Solution: 
Addition: 
( a  ): 
u + v = ( a 2 x 2  + a 1 x + a 0 ) + ( b 2 x 2  + b 1 x + b 0 ) 
= ( a 2  + b 2 ) x 2  + ( a 1  + b 1 ) x + ( a 0  + b 0 ) Î V 3 

since  u + v  is a polynomial of degree 2 or less.

 Solution: 
(1): 
u + v = ( a 2 x 2  + a 1 x + a 0 ) + ( b 2 x 2  + b 1 x + b 0 ) 
= ( a 2  + b 2 ) x 2  + ( a 1  + b 1 ) x + ( a 0  + b 0 ) 
2 
= ( b 2  + a 2 ) x  + ( b 1  + a 1 ) x + ( b 0  + a 0 ) 
= ( b 2 x 2  + b 1 x + b 0 ) + ( a 2 x 2  + a 1 x + a 0 ) = v + u 
 Solution: 
(2): 
u + ( v + w ) = ( a 2 x 2 + a 1 x + a 0 ) +[( b 2  + c 2 ) x 2  + ( b 1 + c 1 ) x + ( b 0  + c 0 )] 
= ( a 2  + b 2  + c 2 ) x 2  + ( a 1 + b 1 + c 1 ) x + ( a 0  + b 0  + c 0 ) 
2  2 
=[( a 2  + b 2 ) x  + ( a 1 + b 1 ) x + ( a 0  + b 0 )] + c 2 x  + c 1 x + c 0 
= ( u + v ) + w 
 Solution: 
(3): 
Let  0 = 0 x 2 + 0 x + 0 . Then, 
u+ 0 =( a 2 +0 ) x 2 +( a 1 +0 ) x +( a 0 +0 ) =( 0 +a 2 ) x 2 +( 0 +a 1 ) x +( 0 +a 0 ) =0 +u 
=a 2 x 2 +a 1 x +a 0 =u 
(4): 
Let  - u = ( -a 2 ) x 2  + ( -a 1 ) x + ( - a 0 ).  Then, 
u + -u =[ a 2 + ( -a 2 )] x 2  +[ a 1 + ( -a 1 )] x +[ a 0  + ( -a 0 )] = 0 x 2  + 0 x + 0 = 0 
 Solution: 
Scalar multiplication: 
( b  ): 
2 
cu = ( ca 2 ) x  + ( ca 1 ) x + ( ca 0 ) Î V 3 
since  cu  is a polynomial of degree 2 or less. 
(5): 
c( u + v ) = [ c ( a 2 + b 2 )] x 2  + [ c ( a 1  + b 1 )] x + [ c ( a 0  + b 0 )] 
= ( ca 2  + cb 2 ) x 2  + ( ca 1  + cb 1 ) x + ( ca 0  + cb 0 ) = cu + cv 
 Solution: 
(6): 
( c + d ) u = [( c + d ) a 2 ] x 2  + [( c + d ) a 1 ] x + [( c + d ) a 0 ] 
= [( ca 2 ) x 2  + ( ca 1 ) x + ( ca 0 )] + [( da 2 ) x 2  + ( da 1 ) x + ( da 0 )] = cu + du 
(7): 
c ( du ) = c [( da 2 ) x 2  + ( da 1 ) x + ( da 0 )] = c ( da 2 ) x 2  + c ( da 1 ) x + c ( da 0 ) 
= ( cd ) a 2 x 2  + ( cd ) a 1 x + ( cd ) a 0  = ( cd ) u 

(8): 
2  2 
1u = 1 a 2 x  + 1 a 1 x + 1 a 0  = a 2 x  + a 1 x + a 0  = u 
 Note:
P n  º  the set consisting of all polynomials of degree n 
or less with the form together with standard 
polynomial addition and scalar multiplication. Then, 
P n  is a vector space. In addition, P º  the set 
consisting of all polynomials with the form together 
with standard polynomial addition and scalar 
multiplication. Then,  P  is also a vector space.
 Example:
V 4  º  the set consisting of all real­valued continuous 
functions defined on the entire real line together with 
standard addition and scalar multiplication. Is  V 4  a vector 
space? 

We need to examine whether the conditions ( a  ), ( b  ), and 

the conditions (1) to (8) are satisfied. Let 
u =  f (x ) , v =  g (x ) , w =  h (x ) 
and let c and d be scalars. Then,
 Solution: 
Addition: 
( a  ): 
u + v = f ( x ) + g ( x ) Î V 4 
since  f ( x ) + g ( x )  is still a continuous function. 
(1): 
u + v = f ( x ) + g ( x ) = g ( x ) + f ( x ) = v + u 
(2):
u + (v + w ) = f ( x ) + [g ( x ) + h ( x ) ] = [ f ( x ) + g ( x ) ] + h ( x ) 
= ( u + v ) + w 
 Solution: 
(3): 
Let the zero vector  0 =  0  . Then, 
u + 0 = f ( x ) + 0 = f ( x ) = u 

(4): 
Let  - u = - f (x ) . Then,
u + (-u ) = f ( x ) + [- f ( x ) ] = f ( x ) - f ( x ) = 0 
 Solution: 
( b  ): 
cu = cf ( x ) Î V 4 
since  cf (x )  is still a continuous function. 
(5):
c( u + v ) = c [ f ( x ) + g ( x ) ] = cf ( x ) + cg ( x ) = cu + cv 
(6): 
(c + d ) u = ( c + d ) f ( x ) = cf ( x ) + df ( x ) = cu + du 
 Solution: 

(7):
c (du ) = c [df ( x ) ] = cdf ( x ) = ( cd ) f ( x ) = ( cd ) u 
(8):
1( u) = 1 [ f ( x ) ] = f ( x ) = u 
 Note: 
Let V 4 *  º  the  set  of  all  differentiable  functions 
defined on the entire real line and V 4 * *  º the set of 

all integrable functions defined on the entire real 
*  * * 
V  V 
line.  Both  4  and  4  are  vector  space  under 
standard addition and scalar multiplication.
 Example:
V 5  º  the  set  consisting  of  all  integers  with  standard 

addition  and  scalar  multiplication.  Is  V 5  a  vector 

space? 

V 5  is  not  a  real  vector  space  since  for  u = 1 Î V 5 ,  and 
c = 0. 7 , 
cu =  0 . 7 × 1 = 0 . 7 Ï V 5  , 

condition ( b  ) is not satisfied.
 Example:
V 6  º  the  set  consisting  of  all  vectors  in  R 2  with 

standard  addition  and  nonstandard  scalar 

multiplication defined by
é x 1  ù écx 1 ù
c ê ú = ê ú
ë x 2 û ë 0  û

. Is  V 6  a vector space?

 Solution: 
é c 1 ù
V 6  is  not  a  real  vector  space  since  for  u = ê ú Î R 2 
ëc 2 û , 
c 1 , c 2  ΠR , c 2  ¹ 0 , 
é c 1  ù é c 1 ù é c 1  ù
1 × u = 1 ê ú = ê ú ¹ ê ú = u 
ë c 2  û ë 0 û ë c 2  û , 
condition (8) is not satisfied.
 Example:
V 7  º  the  set  consisting  of  only  second  degree 
polynomials  with  standard  addition  and  scalar 
multiplication. Is  V 7  a vector space? 

V 7  is not a real vector space since for  u =  x 2  and 

v = -x 2 
u +  v  = x 2  + ( - x 2  )  = 0 Ï V 7  , 

condition ( a  ) is not satisfied.
 Example:
V 8  º  the  set  consisting  of  all  real­valued  continuous 
functions  such  that  f (1 ) = 3 .  Suppose  the  operations  are 
standard addition and scalar multiplication. Is  V 8  a vector 
space?
 Solution: 
V 8  is not a real vector space since for 
u =  f  ( x ) Î V 8  ,  v = g ( x ) ÎV 8 
f ( 1 ) +  g ( 1 )  = 3 + 3 = 6  ¹ 3 
Þ u + v  = f  ( x ) + g ( x ) Ï V 8  , 

condition ( a  ) is not satisfied. 

Example 1 – 9 Page 273 –276
Example1        p273 

n  Consider the set R n  together with the 
operations of vector addition and 
scalar multiplication as defined in 
Section 4.2. Theorem 4.2 in Section 
4.2 established the fact that R n  is a 
vector space under the operations of 
addition and scalar multiplications of n­ 
vector.
Example2        p273 

n  Consider the set V of all ordered triples 
of real number of the form (x,yx,0)and 
define the operations ♁ and ☉ by 

(x,y,0) ♁(x’,y’,0)=(x+x’,y+y’,0) 
c ☉(x,y,0)=(cx,cy,0)
Example3        p273 
n  Consider the set V of all ordered triples of 
real numbers (x,y,z) and define the 
operations ♁ and ☉ by 
1.(x,y,z)♁(x’,y’,z’) = (x+x’,y+y’,z+z’). 
2.c ☉(x,y,z)=(cx,y,z). 
3.c ☉[(x,y,z)♁(x’,y’,z’)]=(c(x+x’), y+y’,z+z’). 
4.c☉ (x,y,z)♁d ☉(x’,y’,z’)= ((c+d)x,2y,2z).
Example4        p274 

n  Consider the set M 23 of all 2×3 
matrices. 
n  Similarly the ser of all m×n matrices 
under the usual operations of matrix 
addition and scalar multiplication is a 
vector space will be denoted by M mn .
Example5        p274 
n  Let F[a,b] be the set of all real­valued 
functions that are defined on the interval 
[a,b]. If f and g are in V, we define f♁g and 
c☉f by 
(f♁g)(t)＝f(t)+g(t). 
(c☉f)(t)＝cf(t). 
n  A polynomial (in t) is a function that is 
expressible as 
p(t)＝a n t n + a n­1 t n­1 +…+a 1 t+a 0 
a≧0,a 0 ,a 1 ,…are real numbers.
Example6        p274 

n  The follow functions are polynomials 
n  p 1 (t)＝3t 4－2t 2＋5t－1. 
n  p 2 (t)＝2t＋1. 
n  p 3 (t)＝4. 
n  f 4 (t) ＝2 t －6  and  f 5 (t) ＝1/t 2－2t＋1 are 
not polynomials. 
Example7        p275 

n  p 1 (t) : degree 4 
n  p 2 (t) : degree 1 
n  p 3 (t) : degree 0
Example8        p275 

n  If p(t)＝a n t n + a n­1 t n­1 +…+a 1 t+a 0 . 
n  q(t)＝b n t n + b n­1 t n­1 +…+b 1 t+b 0  . 
n  p(t)♁ q(t)
＝(a n +b n )t n +(a n­1 +b n­1 )t n­1 +…+(a 1 +b 1 )t+a 0 +b 0 
n  c☉p(t)＝ ca n t n + ca n­1 t n­1 +…+ca 1 t+ca 0 . 

n  (c+d)☉p(t)＝c☉p(t) ♁d☉p(t).
Example9        p276 

n  Let u♁v ＝u­v , c☉u＝cu , 
n  If u＝3,v＝2 , 
u♁v＝­1. v♁u＝1 
n  If u＝4,c＝2,d＝3 
(c+d) ☉＝(2+3) ☉4＝20 
c ☉u ♁d ☉v＝8 ♁12＝­4
 Theorem 6.1: 
(Important Result) 

If V is a vector space and let u be any element of a 
real vector space V. Then, 
(a)  0 u  =  0 . 
(b)  c 0  =  0 , c Î R ,  0 Î V . 
(c)  cu  = 0.  Þ c  = 0  or  u  = 0 . 
(d)  ( -1 ) u = -u . 
 6.2. Subspace 
Definition of subspace: 
W is called a subspace of a real vector space V if 
1.  W is a subset of the vector space V. 
2.  W  is  a  vector  space  with  respect  to  the 
operations in V. 
Example 1(Page 279) 
Example 2(Page 279)
Example1        p279 

n  Every vector space has at least two 
subspaces, itself and subspace{0}. 
n  The subspace {0} is called the zero 
subspace.
Example2        p279 

n  Let u＝(a 1 ,b 1 ,0), v＝ (a 2 ,b 2 ,0) 
u＋v＝(a 1 +a 2 ,b 1 +b 2 ,0) 
cu＝(ca 1 ,cb 1 ,0)
 Theorem 6.2: (Important 
Result) 

W is a subspace of a real vector space V Û 
1.If u and v are any vectors in W, then  u + v Î W  . 
2.If  c is any real number and  u  is  any  vector in  W, 
then  cu ΠW  .
 Example:
3 
W 1  º the  subset  of  R  consisting  of  all  vectors  of  the 
form, 
é a ù
ê 0 ú ,  a  Î R 
ê ú
êë 0 úû , 

together with standard addition and scalar multiplication. 
W  3 
Is  1  a subspace of  R  ?
 Solution: 
We need to check if the conditions (1) and (2) are satisfied. 
Let 
éa 1 ù éa 2 ù
u = êê 0 úú,  v = êê 0 úú,  c Î R 
êë 0 úû êë 0 úû . 
Then, 
(1): 
.
é a 1 ù é a 2  ù é a 1  + a 2  ù
u +  v  = êê 0  úú + êê 0  úú = êê 0  úú Î W 1 
êë 0  úû êë 0  úû êë 0  úû
. 
 Solution: 
(2): 
é ca 1 ù
cu =  êê 0  úú Î W 1 
êë 0  úû .

Þ  W 1  is a subspace of  . R 3 

 Example: 
Let the real vector space V be the set consisting of all 
n ´ n  matrices together with the standard addition and 
scalar multiplication. Let
W 2  º the subset of V consisting of all  n ´ n  diagonal 
matrices. 
Is  W 2  a subspace of V? 
Let 
é a 11  0  L  0  ù éb 11  0  L  0  ù
ê 0  a  ê 0  b  L 0  úú
L 0  úú
u  = ê 22 
Î W 2  v = ê 22 
Î W 2 
ê M M O M ú êM M O M ú
ê ú ,  ê ú , and 
ë 0  0  L a nn û ë 0  0  L b nn û

c ΠR .
 Solution: 
(1): 
éa 11  + b 11  0  L  0  ù
ê 0  a 22  + b 22  L 0  úú
u + v  = ê Î W 2 
ê M M O M ú
ê ú
ë 0  0  L a nn + b nn û
since  u + v  is still a diagonal matrix.
 Solution: 
(2): 
éca 11  0  L  0  ù
ê 0  ca  L 0  úú
cu = ê 22 
Î W 2 
ê M M O M ú
ê ú
ë 0  0  L ca nn û

since  cu  is still a diagonal matrix.

Þ  W 2  is a subspace of V.
 Example:
P n  º  the set consisting of all polynomials of degree n or 
less  with  the  form  together  with  standard  polynomial 
addition  and  scalar  multiplication.  P n  is  a  vector 
space. P  º  the  set  consisting  of  all  polynomials  with 
the  form  together  with  standard  polynomial  addition  and 
scalar  multiplication.  Then,  P  is  also  a  vector  space. 
Then,  P n  is a subspace of  P .
 Example:
V 4  º  the  set  consisting  of  all  real­valued  continuous 
functions  defined  on  the  entire  real  line  together  with 
* 
V 
standard  addition  and  scalar  multiplication.  Let 4  º the 
set of all differentiable functions defined on the entire real 
line together with standard 
addition  and  scalar  multiplication.  Then,  V 4  is  a  real 
vector space. Also.  V 4 *  is a subspace of  V 4 .
 Example:
W 3  º the subset of  R 3  consisting of all vectors of the form, 
é  a ù
ê a  2  ú ,  a ,  b  Î R 
ê ú
êë b  úû , 

together with standard addition and scalar multiplication. Is 
3 
W 3  a subspace of  R  ?
 Solution: 
(1):
é a 1  ù é a 2  ù é a 1  + a 2  ù é a 1  + a 2  ù
u + v  = êê a 1 2  úú + ê a 2  ú = ê a 2  + a 2  ú ¹ ê (a  + a  ) 2  ú Î W 
ê 2  ú ê 1  2  ú ê 1  2  ú 3 

êë b 1  úû êë b 2  úû êë b 1  + b 2  úû êë b 1  + b 2  úû . 

Therefore,  u + v Ï W 3 .

3 
Þ  W 3  is not a subspace of  R  .
 Example:
V 3  º  the set consisting of all polynomials of degree 2 or less 
with  the  form  together  with  standard  polynomial  addition 
and scalar multiplication.  V 3  is a vector space. Let
W 4  º the subset of  V 3  consisting of all polynomials of the 
form 
2
ax  + bx + c ,  a + b + c = 2 . 
Is  W 4  a subspace of  V 3 ?
 Solution: 
Let 
u = a 2 x 2  + a 1 x + a 0  Î W 4 
and 
v = b 2 x 2  + b 1 x + b 0  Î W 4 . 

Then,  a 2 + a 1  + a 0  = 2  and  b 2 + b 1  + b 0  = 2 . Thus, 

u + v = ( a 2 x 2  + a 1 x + a 0 ) + ( b 2 x 2  + b 1 x + b 0 ) 
= ( a 2  + b 2 ) x 2  + ( a 1  + b 1 ) x + ( a 0  + b 0 ) Ï W 4 
 Solution: 
since
(a 2 + b 2 ) +(a 1 +b 1 ) +(a 0 +b 0 ) =( a 2 +a 1 +a 0 ) +(b 2 +b 1 +b 0 ) =2 +2 =4 .

Þ  W 4  is not a subspace of  V 3 . 

Example 3­­10(Page 280­­282)
Example3        p280
éa 1 b 1  0 ù é a 2 b 2  0 ù
u = ê ú v = ê ú
ë 0  c 1  d 1 û ë 0  c 2  d 2 û

éa 1  + a 2  b 1  + b 2  0  ù

u + v = ê ú
ë 0  c 1  + c 2  d 1  + d 2 û

éka 1  kb 1  0 ù
ku = ê ú
ë 0  kc 1  kd 1 û
Example5        p282 

n  Let u＝(a 1 ,b 1 ,1), v＝ (a 2 ,b 2 ,1) 
u＋v＝(a 1 +a 2 ,b 1 +b 2 ,2)
Example6        p282

n  We let P n  denote the vector space 
consisting of all polynomials of defree
≦n and the zero polynomial. And let P 
denote the vector space of akk 
polynomials. It is easy to verify that P 2 
is  a subspace of P 3  and in general 
that P n is a subspaces of P n+1 . P n  is a 
subspace of P. 
Example7        p282 

n  Let V be the set all polynomials of 
degree exactly ＝2.V is a subset P 2  but 
it is not a subspace of P 2  , since the 
sum of polynomials 2t 2 +3t+1 and 
­2t 2 +t+2 , a polynomial of degree 1, is 
not in V.
Example8        p282 

n  Let C[a,b] denote the set of all real­ 
values continuous functions that are 
defined on the interval [a,b]. If f and g 
are in C[a,b] then f+g is in C[a,b].
Example9        p282 
n  Consider the homogeneous system 
Ax=0, A is an m×n matrix.A solution consists of a 
vector x in R n . Let W be the subset of R n  consisting 
of all solutions to the homogeneous system. Since 
A0=0, we conclude that W is not empty. To check 
that W us a subspace of R n , we verify properties (α) 
and (β) of Them 6.2. Thus let x and y be solutions. 
Ax=0 and Ay=0 
A(x+y)=Ax+Ay=0 
A(cx)=c(Ax)=0
Example10        p282 

n  Let v 1  and v 2 be fixed vectors in a 
vector space V and let W be the set of 
all linear combinations of v 1  and v 2 . 
w 1 =a 1 v 1 +a 2 v 2 
w 2 =b 1 v 1 +b 2 v 2 
w 1 +w 2 = (a 1 +b 1 )v 1 + (a 2 +b 2 )v 2 
cw 1 =(ca 1 )v 1 + (ca 2 )v 2
 Definition of linear combination: 
Let  v 1 , v 2 , K , v k  be vectors in a real vector space V. A 
vector  v  in  V  is  called  a  linear  combination  of 
v 1 , v 2 , K 
, v k  if 
v = c 1 v 1  + c 2 v 2  +L + c k v k , 
where  c 1 , c 2 , K , c k  are real numbers.
 Example: 
Let
é0  2 ù é- 1  3 ù é- 2  0 ù é0  8 ù
v 1  = ê ú ,  v 2  = ê ú ,  v 3  = ê ú ,  v = ê ú
ë1  0 
û ë 1  2 
û ë 1  3 
û ë2  1 
û

be vectors in the vector space consisting of all  2 ´ 2 

matrices. Then, 
é0  8 ù é0  2 ù é-1  3 ù é- 2  0 ù
v = ê ú = 1 × ê ú + 2 × ê ú + ( -1 ) × ê ú = v 1  + 2 v 2  - v 3 
ë2  1 û ë1  0 û ë 1  2 û ë 1  3 û . 
That is,  v  is a linear combination of  v 1 , v 2 , v 3 .
 Example: 
For linear system 
é1  0  - 1 ù é x 1 ù é1 ù
Ax =  êê2  1  0  úú êê x 2 úú = êê1 úú = b 
êë3  2  1  úû êë x 3 úû êë1 úû .

é 2  ù
Þ  x  = êê - 3 úú
êë 1  úû is a solution for the above linear system. 

Thus,
 Example: 
é 2  ù é1  0  - 1 ù é 2  ù é1 ù é0 ù é- 1 ù
A êê- 3 úú = êê2  1  0  úú êê- 3 úú = 2 × êê2 úú - 3 × êê1 úú + 1 × êê 0  úú
êë 1  úû êë3  2  1  úû êë 1  úû êë3 úû êë2 úû êë 1  úû
é1 ù
= 2 col 1 ( A ) - 3 col 2 ( A ) + col 1 ( A ) = êê1 úú = b 
êë1 úû

That is,  b  is a linear combination of the column vectors 
of A, 
col 1 ( A ), col 2  ( A ), col 3 ( A ) .
 Note: 
For  a  linear  system  A m ´ n  x n ´ 1 =  b m ´ 1  ,  the  linear 
system  has  solution  or  solutions Û  b  is  a  linear 
combination of the column vectors of A, 
col 1 ( A ), col 2 ( A ), L , col n  ( A ) . 
é c 1  ù
ê c  ú
c  =  ê ú
2 

For example, if ê M  ú is a solution of 
ê ú
ë c n  û

A m ´ n  x n ´ 1 =  b m ´ 1  ,

 Note: 
then 
c 1 col 1 ( A ) + c 2 col 2 ( A ) + L + c n col n ( A ) = b . 
On the other hand, the linear system has no solution
Û  b  is not a linear combination of the column 
vectors of A
 Example: 
é4 ù
v =  êê5 úú
Is the vector êë5 úû a linear combination of the vectors

é1 ù é-1 ù é3 ù

ê ú ê ú ê ú
v 1  = ê2 ú, v 2  = ê 1 ú, v 3  = ê3 ú
êë3 úû êë 4 úû êë2 úû .
 Solution: 
We need to find the constants  c 1 , c 2 , c 3  such that 
é4 ù é1 ù é- 1 ù é3 ù
v = êê5 úú = c 1 êê2 úú + c 2 êê 1 úú + c 3 êê3 úú = c 1 v 1  + c 2 v 2  + c 3 v 3 
êë5 úû êë3 úû êë 4 úû êë2 úû .

Û  we need to solve for the linear system
é c 1  ù é1  - 1  3 ù é c 1  ù é 4 ù
A êêc 2  úú = êê 2  1  3 úú êêc 2  úú = êê 5 úú
êë c 3  úû êë 3  4  2 úû êë c 3  úû êë 5 úû .
 Solution: 

The solutions are 
c1  = -2 t + 3 ,  c 2  = t -1 ,  c 3  = t ,  t Î R . 
Thus,
v = (- 2 t + 3 )v 1  + (t -1 ) v 2  + tv 3 ,  t Î R 
v  is a linear combination of  v , v  , v 
1  2  3  with infinite number 
of expressions.
 Example: 

é 3  ù
v  =  êê - 4 úú
Is the vector êë - 6 úû a linear combination of the vectors

é1 ù é -1 ù é1 ù

ê ú ê ú ê ú
v 1  = ê2 ú, v 2  = ê -1 ú, v 3  = ê4 ú
êë3 úû êë- 2 úû êë5 úû .
 Solution: 
We need to find the constants  c 1 , c 2 , c 3  such that 
é 3  ù é1 ù é - 1 ù é1 ù
v = êê- 4 úú = c 1 êê2 úú + c 2 êê - 1 úú + c 3 êê4 úú = c 1 v 1  + c 2 v 2  + c 3 v 3 
êë- 6 úû êë3 úû êë- 2 úû êë5 úû .
 Solution:
Û  we need to solve for the linear system
é c 1  ù é1  - 1  1 ù é c 1  ù é 3  ù
A êêc 2 úú = êê 2  - 1  4 úú êêc 2 úú = êê - 4 úú
êë c 3 úû êë 3  - 2  5 úû êë c 3 úû êë - 6 úû .

Û  The linear system has no solution.
Û  v  is not a linear combination of  v1 , v 2 , v 3 
 Note: 

Let  v 1 , v 2 , K 
, v n  and  v  be  vectors  in  R m  and  let  Am*n  be 
the  matrix  with  column  vectors  col j ( A ) = v j , j =1 , 2 , K, n . 
Thus, 
Ax = v  has  solution  or  solutions Û  v  is  a  linear 
combination of  v 1 , v 2 , K 
, v n . 
Ax = v  has  no  solution Û  v  is  not  a  linear 
combination of  v 1 , v 2 , K 
, v n .
 Definition of spanning set: 
Let S = {v 1 , v 2 , K, v k }  be  a  set  of  vectors  in  a  real  vector 
space  V. Then, the span  of  S,  denoted  by  span  ( S )  , is 
the  set  consisting  of  all  the  vectors  that  are  linear 
combinations of  v 1 , v 2 , K 
, v k . That is,
span ( S ) = {c 1 v 1  + c 2 v 2  + L + c k v k  | c 1 , c 2 , K, c k  Î R } . 

If  span ( S )  = V  , it is said that V is spanned by S or S 

spans V.
 Example: 
Let
é 1 ù é 0 ù é 0 ù
e1  =  êê 0 úú ,  e 2  = êê 1 úú ,  e 3  = ê 0 ú ,  and  S  = {e  , e  , e  } 
ê ú 1  2  3 

êë 0 úû êë 0 úû êë 1 úû . 

Then, 

ì é c 1 ù ü
ï ê ú ï
span( S ) = íc 1 e 1  + c 2 e 2  + c 3 e 3  = êc 2 ú | c 1 , c 2 , c 3  Î R ý = R 3 
ï ê c  ú ï ,
î ë 3 û þ
 Example:  Example 1(Page 292) 

Let
é 1 ù é 1 ù é 1 ù
v1  =  êê 2 úú ,  v 2  = ê 0 ú ,  v  =
ê ú 3 
ê 1 ú ,  and  S  = {v  , v  , v  } 
ê ú
êë 1 úû êë 2 úû êë 0 úû
1  2  3 
. 
3 
Does  span S 
(  )  =  R  ?
 Solution: 
éa ù
span ( S )  = R 3  Û  For any vector  v =  êêb úú Î R 3 
êë c úû
, there 

exist real numbers  c 1 , c 2 , c 3  such that 

é a ù é1 ù é1 ù é1 ù
v =  êêb úú = c 1 êê 2 úú + c 2  êê 0 úú + c 3 êê1 úú = c 1 v 1  + c 2 v 2  + c 3 v 3 
êë c úû êë1 úû êë 2 úû êë0 úû
.

Û  we need to solve for the linear system
 Solution:
é 1  1  1 ùéc 1 ù éa ù
ê2  0  1 úêc  ú = êb ú
ê úê 2 ú ê ú
êë1  2  0 úûêëc 3 úû êëc úû . 
The solution is 
- 2 a + 2 b + c  a -b + c  4 a -b - 2 c 
c1  =  ,  c 2  = ,  c 3  =
3  3  3  . 

æ - 2 a + 2 b + c ö æ a - b + c ö æ 4 a - b - 2 c ö

v = ç v  +
÷ 1  ç v  +
÷ 2  ç ÷v 3 
è 3  ø è 3  ø è 3  ø . 
That is, every vector in  R 3  can be a linear combination of 
v1 , v 2 , v 3 
Example 10(Page 282) 
Example 11(Page 283) 
Example 12(Page 284) 
Theorem 6.3: (Important result) 
Let S = {v 1 , v 2 , K, v k }  be a set of vectors in a real vector 
space V. Then,  span  ( S )  is a subspace of V. 

Example 13(Page 285)
Example11        p283 

n  v 1 =(1,2,1), v 2 =(1,0,2), v 3 =(1,1,0), v=(2,1,5) 
n  If c 1 v 1 +c 2 v 2 +c 3 v 3 =v ,find c 1 c 2 c 3 ? 

n  c 1 (1,2,1) + c 2 (1,0,2) + c 3 (1,1,0) =(2,1,5) 

c 1 +c 2 +c 3 =2 
2c 1 +0c 2 +c 3 =1 
c 1 +2c 2 +0c 3 =5 
So c 1 =1,c 2 =2,c 3 =­1
 Example12        p284

ìé1  0  0 ù é0  1  0 ù é0  0  0 ù é0  0  0 ù ü

S = íê ú , ê ú , ê ú , ê ú ý
îë0  0  0 û ë0  0  0 û ë0  1  0 û ë0  0  1 û þ

é 1  0  0 ù é0  1  0 ù é0  0  0 ù é0  0  0 ù éa  b  0 ù
a ê ú + b ê ú + c ê ú + d ê ú =ê ú
ë 0  0  0 û ë 0  0  0 
û ë 0  1  0 
û ë 0  0  1 
û ë 0  c  d û

Where a,b,c ,and d are real number
 Section 6.3 

Linear Independence
 Definition: 

The vectors v1, v2, …, vk  in a vector space V are said to span V if 

every vector in V is a linear combination of v1, v2,…, vk.    Moreover, 
if S={v1, v2, …, vk}, then we also say that the set S spans V, or that 
{v1, v2, …, vk} spans V, or that V is spanned by S, or in the 
language of Section 6.2, span S = V. 
The procedure to check if the vectors v1, v2, …, vk  span the vector 
space V is as follows.
 Definition: 
Step 1. Choose an arbitrary vector v in V. 

Step 2. Determine if v is a linear combination of the given 
vectors. If it is, then the given vectors span V.    If it is not, 
they do not span V.
 Example 2­­6(Page 292­­294) 

Question: 

Let S = {v 1 , v 2 , K, v k }  and  span ( S )  = W  .  Is  it  possible  to 
find  a  smaller  (or  even  smallest)  set,  for  example,
S  = {v 1 ,v 2 , K , v k -1 }, such that 
*

*
span  ( S )  = W  = span  ( S  )  ? 
To answer this question, we need to introduce the concept of 
linear independence and linear dependence.
 Linear Independence 
Definition  of  linear  dependence  and  linear 
independence: 
The  vectors  v 1 , v 2 , K , v k  in  a  vector  space  V  are 
called linearly dependent if there exist constants, 
c 1 , c 2 , K , c k , not all 0, such that 
c 1v 1  + c 2 v 2  + L + c k v k  = 0 .
 Definition of linear dependence 
and linear independence: 
v 1 , v 2 , K , v k  are linearly independent if 

c 1v 1  + c 2 v 2  + L + c k v k  = 0  Þ c 1  = c 2  = L = c k  = 0 

The procedure to determine if  v 1 , v 2 , K 
, v k  are 
linearly dependent or linearly independent:
 Definition of linear dependence 
and linear independence: 

1. Form  equation  c 1v 1 + c 2 v 2  +L + c k v k  = 0 ,  which  lead  to  a 

homogeneous system. 
2. If the homogeneous system has only the trivial solution, 
then  the  given  vectors  are  linearly  independent;  if  it 
has  a  nontrivial  solution,  then  the  vectors  are  linearly 
dependent.
 Example:

é 1 ù é 0 ù é 0 ù

e1  =  êê 0 úú ,  e 2  = êê 1 úú ,  e 3  = ê 0 ú ,  and  S  = {e  , e  , e  } 
ê ú 1  2  3 

êë 0 úû êë 0 úû êë 1 úû .  Are 

e 1 , e 2  and  e 3  linearly independent?

 Solution: 
é1 ù é0 ù é0 ù é1  0  0 ù é c 1 ù
c1e 1  + c 2 e 2  + c 3 e 3  = c 1 êê0 úú + c 2 êê1 úú + c 3 êê0 úú = êê0  1  0 úú êêc 2 úú = 0 
êë0 úû êë0 úû êë1 úû êë0  0  1 úû êëc 3 úû

é c  1  ù é 0  ù
Þ  ê c  ú = ê 0  ú
ê 2  ú ê ú
êë c  3  úû êë 0  úû . 

Therefore,  e 1 , e 2  and  e 3  are  linearly 

independent.
 Example: 

é 1 ù é - 2 ù é 8  ù
v 1 =  êê 2 úú ,  v 2  = ê 1  ú ,  v  = ê 6  ú . 
êë 3 úû
ê ú 3 
êë 1  úû
ê ú
êë10 úû .  Are  v 1 , v 2  and  v 3 
linearly independent?
 Solution: 
é1 ù é- 2 ù é 8 ù é1  - 2  8 ù é c 1 ù
c 1v 1  + c 2 v 2  + c 3 v 3  = c 1 êê2 úú + c 2 êê 1  úú + c 3 êê 6 úú = êê2  1  6 úú êêc 2 úú = 0 
êë3 úû êë 1  úû êë10 úû êë3  1  10 úû êëc 3 úû

é c 1  ù é 4  ù
Þ  ê c  ú = t  ê - 2  ú ,  t  Î R 
ê 2  ú ê ú
êë c  3  úû êë - 1  úû . 

Therefore,  v 1 , v 2  and  v 3  are linearly dependent.

 Example: 

Determine  whether  the  following  set  of  vectors  in 

the  vector  space  consisting  of  all  2 ´ 2  matrices  is 
linearly independent or linearly dependent.
ìé2  1 ù é3  0 ù é1  0 ù ü
S  = {v 1 , v 2 , v 3 } = íê ú , ê ú , ê ú ý
îë0  1 û ë2  1 û ë2  0 û þ .
 Solution:

é2  1 ù é3  0 ù é1  0 ù é0  0 ù

c 1 v 1  + c 2 v 2  + c 3 v 3  = c 1 ê ú + c 2 ê ú + c 3 ê ú =ê
ë0  1 û ë2  1 û ë2  0 û ë0  0 úû . 

Thus, 
2 c1 + 3 c 2  + c 3  = 0  é 2 ù é3 ù é1 ù é0 ù
ê1 ú ê0 ú ê0 ú ê0 ú
c 1  = 0 
c 1 ê ú + c 2 ê ú + c 3 ê ú = ê ú
2 c 2  + 2 c 3  = 0  Û ê0 ú
ê ú
ê2 ú
ê ú
ê2 ú ê0 ú
ê ú ê ú.
c 1  + c 2  = 0  ë1 û ë1 û ë0 û ë0 û
 Solution: 
The homogeneous system is
é  2  3  1 ù é 0 ù
é
ê 1  0  0  ú 1  c  ù ê 0 ú
ê ú ê c 2  ú = ê ú
ê 0  2  2 ú ê ú ê 0 ú . 
ê ê c 
ú ë 3  û ú ê ú
ë 1  1  0  û ë 0 û

The associated homogeneous system has only the trivial 
solution
é c 1  ù é 0 ù
ê c  ú = ê 0 ú
ê 2  ú ê ú . 
êë c 3  úû êë 0 úû

Therefore,  v 1 , v 2  and  v 3  are linearly independent.

 Example: 
Determine  whether  the  following  set  of  vectors  in 
the  vector  space  consisting  of  all  polynomials  of 
degree  £ n is  linearly  independent  or  linearly 
dependent.
{ } 
S  = {v 1 , v 2 , v 3 } = x 2  + x + 2 , 2 x 2  + x , 3 x 2  + 2 x + 2  .
 Solution:

( ) ( ) ( ) 
c 1v 1 + c 2 v 2  +c 3 v 3  = c 1  x 2 + x +2 +c 2  2 x 2 + x +c 3  3 x 2 + 2 x + 2 = 0 . 

Thus, 
c 1 +  2 c 2  + 3 c 3  = 0  é 1 ù é 2 ù é 3 ù é0 ù
c 1  + c 2  + 2 c 3  = 0  c 1 êê1 úú + c 2 êê1 úú + c 3 êê 2 úú = êê0 úú
Û êë 2 úû êë0 úû êë 2 úû êë0 úû .
2 c 1  + + 2 c 3  = 0 
 Solution: 
The associated homogeneous system is
é 1  2  3 ù é c 1  ù é 0 ù
ê 1  1  2 úú êê c 2  úú = êê 0 úú
ê . 
êë 2  0  2 úû êë c 3  úû êë 0 úû

The homogeneous system has infinite number of solutions, 
é c 1  ù é 1  ù
ê c  ú = t ê 1  ú ,  t  Î R . 
ê 2  ú ê ú
êë c 3  úû êë - 1 úû

Therefore,  v 1 , v 2  and  v 3  are linearly dependent since 

tv1  + tv 2  - tv 3  = 0 ,  t Î R . 
Example 7­­12(Page 295­­296)
 Example7        p295
é- 1 ù é- 2 ù é- 1 ù é- 2 ù é0 ù
ê 1  ú ê 0  ú ê 1  ú ê 0  ú ê0 ú
ê ú and ê ú c 1 ê ú + c 2 ê ú = ê ú
ê 0  ú ê 1  ú ê 0  ú ê 1  ú ê0 ú
ê ú ê ú ê ú ê ú ê ú
ë 0  û ë 1  û ë 0  û ë 1  û ë0 û

c 1 =c 2 =0. the vectors are 
linear independent.
Example8        p295 

n  Are the vectors v 1 =(1,0,1,2), 
v 2 =(0,1,1,2) , v 3 =(1,1,1,3) independent? 
c 1 +c 3 =0  The only 
c 2 +c 3 =0  solutions 
c 1 + c 2 +c 3 =0  c 1 =c 2 =c 3  =0. the 
2 c 1 +2 c 2 +3c 3 =0  vectors are 
linear 
independent.
Example9        p295 

n  Are the vectors v 1 =(1,2,­1), v 2 =(1,­2,1) , 
v 3 =(­3,2,­1), v 4 =(2,0,0), independent? 
The only solutions 
c 1 + c 2 +­3c 3 +2c 4 =0  c 1 =1,c 2 =2, c 3  =1. 
2c 1 +­2c 2 +2c 3 =0  c 4  =0 or 
c1=1,c2=1, c3 =0. 
­c 1 + c 2 ­c 3 =0  c4 =­1 so  the 
vectors are linear 
dependent.
Example10        p296 
n  The vector e 1  and e 2  in R 2  , defined in EX4, are 
linearly independent since 
c 1 (1,0)+c 2 (0,1)=(0,0) 
only if c1=c2=0 
é1  0 ù
A = ê ú
ë0  1 û
n  We form the matrix A, whose columns are the 
given n vectors. Then the given vectors are 
linearly independent if and only if det(A) ≠0.
Example11        p296 

n  Consider the vectors 
n  p 1 (t)=t 2 +t+2, p 2 (t)=2t 2 +t, p 3 (t)=3t 2 +2t+2 
n  c 1 +2 c 2 +3c 3 =0 
c 1 =1,c 2 =1, c 3 =­1. 
n  c 1 + c 2 +2c 3 =0 
Linear dependent
n  2 c 1 +2c 3 =0 
Example12        p296 

n  If v 1 , v 2 , v 3 ,… v k  are k vectors in andy 
vector space and v i  is the zero vector. 
n  Then S={v 1 , v 2 , v 3 ,… v k  } is linearly 
dependent.
 Note: 
é 1 ù é - 2 ù é 8  ù
v 1 =  êê 2 úú ,  v 2  = ê 1  ú ,  v  =
ê ú 3 
ê 6  ú , 
ê ú
In  the  examples  with  êë 3 úû êë 1  úû êë10 úû
or  with

S  = {v 1 , v 2 , v 3 } = {x 2  + x + 2 , 2 x 2  + x , 3 x 2  + 2 x + 2 } ,  v 1 , v 2  and 

v 3  are  linearly  dependent.  Observe  that  v 3  in  both 

examples are linear combinations of  v 1 , v 2  ,
 Note: 
é 8 ù é 1 ù é - 2 ù
v 3  =  êê 6 úú = 4 êê 2 úú - 2 êê 1  úú = 4 v 3  - 2 v 2 
êë10 úû êë 3 úû êë 1  úû

and
2 
( 2 
) (
v3  = 3 x  + 2 x + 2 = x  + x + 2 + 2 x  + x  = v 1 + v 2 .  2 
) 
As a matter of fact, we have the following general 
result.
 Theorem 6.4: (Important 
result) 

The  nonzero  vectors  v 1 , v 2 , K , v k  in  a  vector  space  V 

are  linearly  dependent  if  and  only  if  one  of  the 
vectors  v j , j ³ 2 ,  is  a  linear  combination  of  the 
preceding vectors  v 1 ,v 2 , K , v j - 1 .
 Note: 

Every  set  of  vectors  containing  the  zero  vector  is 

linearly  dependent.  That  is,  v 1 , v 2 , K , v k  are  k  vectors 
in any vector space and  v i  is the zero vector, then 
v 1 , v 2 , K , v k  are linearly dependent. 

•Example 13 on page 298 
•Example 14 on page 299
Example13        p298 

n  If v 1 , v 2 , v 3 , v 4  are as in Ex9,then we 
find that v 1 + v 2 + 0v 3 ­ v 4 =0 
n  So v 1 , v 2 , v 3 , v 4  are linear dependent. 
We then hace v 4 = v 1 + v 2
 Example14        p299 
é 1 ù é 1 ù é 0 ù é 2 ù
ê 1 ú ê 0 ú ê 1 ú ê 1 ú
v1  = ê ú ,  v 2  = ê ú ,  v 3  = ê ú , v 4  = ê ú let w  = span  S. Since  v 4  = v 1  + v 2 
ê 0 ú ê 1 ú ê 1 ú ê 1 ú
ê ú ê ú ê ú ê ú
ë 0 û ë 0 û ë 0 û ë 0 û

We conclude thar W=span S 1  where 
S 1 ={ v 1 ,v 2 ,v 3  }
 6.4. Basis and Dimension 
The vectors  v 1 , v 2 , K , v k  in a vector space V are said to 
form a basis of V if 
(a)  v 1 , v 2 , K , v k  span V (i.e.,  span ( v 1 , v 2 , K , v k ) = V  ). 
(b)  v 1 , v 2 , K , v k  are linearly independent. 
Example 1(Page 303) 
Natural basis or standard basis
Example1        p303 

n  The vector e 1 =(1,0) and e 2 =(0,1) from 
a basis for R 2 .Each of these set of 
vectors is called the natural basis or 
standard basis.
 Example:
é 1 ù é 0 ù é 0 ù
e1  =  êê 0 úú ,  e 2  = êê 1 úú ,  e 3  = ê 0 ú ,  and  S  = {e  , e  , e  } 
ê ú 1  2  3 

êë 0 úû êë 0 úû êë 1 úû .  Are  e 1 , e 2 

and  e 3  a basis in  R 3 ?

 Solution: 

e 1 , e 2  and  e 3  form a basis in  R 3  since 

3 
(a)  span( S ) =  span ( e 1 , e 2 , e 3 ) = R  (see the example  in the 
previous section). 
(b)  e 1 , e 2  and  e 3  are  linearly  independent  (also  see  the 
example in the previous section).
 Example:
é 1 ù é 0 ù é 3 ù
v 1  =  ê ú ,  v 2  =
ë 0 û
ê 1 ú ,  v 3  =
ë û
ê 4 ú . Are  v 1 , v 2 
ë û
and  v 3  a basis in  R 2 ? 

[solution:] 

and  v 3  are not a basis of 

v 1 , v 2  R 2  since  v 1 , v 2  and  v 3  are 
linearly dependent, 
3 v 1 +  4 v 2  - v 3  = 0 . 
2 
Note that  span ( v 
1  , v 2  , v 
3  )  =  R  .
 Example: 
é 1 ù é - 2 ù é 8  ù
v 1 =  êê 2 úú ,  v 2  = ê 1  ú ,  v  =
ê ú 3 
ê 6  ú . 
ê ú
êë 3 úû êë 1  úû êë10 úû .  Are  v 1 , v 2  and  v 3  a 
3 
basis in  R  ?
 Solution: 

v 1 , v 2  and  v 3  are  not  a  basis  in  R 3  since  v 1 , v 2  and  v 3 

are linearly dependent, 
é 8 ù é1 ù é - 2 ù
v 3  =  êê 6 úú = 4 êê 2 úú - 2 êê 1  úú = 4 v 3  - 2 v 2 
êë10 úû êë 3 úû êë 1  úû . 

Example 2(Page 303) 
Example 3(Page 304) 
Example 4(Page 304)
Example2        p303 

n  S={ v 1 ,v 2 ,v 3 ,v 4 } where 
n  v 1 =(1,0,1,0), v 2 =(0,1,­1,2) 
n  v 3 =(0,2,2,1) ,v 4 =(1,0,0,1) 
n  Show that S is a basis for R 4
part1 

n  c 1 +c 4 =0 
n  c 2 +2c 3 =0  The only solutions 
c 1 =c 2 =c 3 =c 4 =0, 
n  c 1 ­c 2 +2c 3 =0  Showing that S is 
n  2 c 2 +c 3 +c 4 =0  linear indepeddent
part2 

n  Let v =(a,b,c,d) be any vector in R 4 . 
n  We now seek constants k 1 ,k 2 ,k 3 ,k 4 
such that k 1 v 1 +k 2 v 2 + k 3 v 3 + k 4 v 4 =v 
n  Substituting for v 1 v 2 v 3 v 4 and v we find 
a solution for k 1 ,k 2 ,k 3 ,k 4 to the resulting 
linear system for any a,b,c,d . Hence S 
spans R 4  and is a vasis for R 4 .
 Example3        p304 part 1 
n  To show S={t 2 +1,t­ 
1,2t+2} is a basis  a 1  =  a , a 2  =
a  + b  - c 
, a 3  =
c  + b  - a 
for the vector  2  4 
space P 2 . 
given  2 t 2 +  6 t  + 13 
n  at 2 +bt+c=a 1 t 2 +(a 2 + 
a 3 )t+(a 1 ­a 2 +2a 3 )  a 1 =2 , a 2 =­5/2 ,a 3 =17/4 
n  a 1 =a 
a 1 (t 2 +1)+a 2 (t­1)+a 3 (2t+2)=0
n  a 2 +2a 3 =b 
n  a 1 ­a 2 +2a 3 =c 
Example3        p304 part 2 
Then a 1 t 2 +(a 2 +2a 3 )t+(a 1 ­a 2 +2a 3 )=0 
a 1 =0 
a 2 +2a 3 =0 
a 1 ­a 2 +2a 3 =0 

The only solutions a 1 =a 2 =a 3 =0, 
S is linear indepeddent
Example4        p304 
n  Find a basis for the subspace V of 
P 2  ,consisting of all vector of the form 
at 2 +bt+c ,where c=a­b. 
n  at 2 +bt+a­b 
n  a(t 2 +1)+b(t­1)+c 
n  So the t 2 +1and t­1 span V. 
n  a(t 2 +1)+b(t­1)=0 
n  Since this equation id to hold all values of t, 
we must have a 1 =a 2 =0.
 Example: 
Let
é 1 ù é 1 ù é 1 ù
v1  =  êê 2 úú ,  v 2  = ê 0 ú ,  v  =
ê ú 3 
ê 1 ú ,  and  S  = {v  , v  , v  } 
ê ú 1  2  3 

êë 1 úû êë 2 úû êë 0 úû

. 
3 
Are S a basis in  R  ?
 Solution: 
(a) 
é a ù
v =  êb ú Î R 3 
span ( S )  = R 3  Û  For any vector  ê ú , there 
êë c úû

exist real numbers  c 1 , c 2 , c 3  such that 

é a ù é1 ù é1 ù é1 ù
v =  êêb úú = c 1 êê2 úú + c 2 êê0 úú + c 3 êê1 úú = c 1 v 1  + c 2 v 2  + c 3 v 3 
êë c úû êë1 úû êë 2 úû êë0 úû
.
 Solution:
Û  we need to solve for the linear system
é 1  1  1 ùéc 1 ù éa ù
ê2  0  1 úêc  ú = êb ú
ê úê 2 ú ê ú
êë1  2  0 úûêëc 3 úû êëc úû . 

The solution is 
- 2 a + 2 b + c  a -b + c  4 a -b - 2 c 
c1  =  , c 2  = ,  c 3  =
3  3  3  .
 Solution: 
Thus, 

æ - 2 a + 2 b + c ö æ a - b + c ö æ 4 a - b - 2 c ö

v = ç ÷v 1  + ç ÷v 2  + ç ÷v 3 
è 3  ø è 3  ø è 3  ø . 
3 
That is, every vector in  R  can be a linear 
combination of  v 1 , v 2 , v 3  and  span ( S )  =  R 3 .
 Solution: 
(b) 
Since 
éc 1  + c 2  + c 3 ù é0 ù
c 1v 1  + c 2 v 2  + c 3 v 3  = êê 2 c 1  + c 3  úú = êê0 úú Û c 1  = c 2  = c 3  = 0 
êë c 1  + 2 c 2  úû êë0 úû , 
v 1 , v 2 , v 3  are linearly independent. 

v  v 
,  v 
, 
By (a) and (b),  1  2  3  are a basis of 
3 
R  .
 Theorem 6.5:(Important result) 
If S = {v 1 , v 2 , K, v k }  is  a  basis  for  a  vector  space  V,  then 
every  vector  in  V  can  be  written  in  an  unique(one 
and  only  one)  way  as  a  linear  combination  of  the 
vectors in S.
 Example:
é 1 ù é 0 ù é 0 ù
e1  =  êê 0 úú ,  e 2  = êê 1 úú ,  e 3  = ê 0 ú ,  and  S  = {e  , e  , e  } 
êë 0 úû êë 0 úû
ê ú
êë 1 úû
1  2  3 
.  S  is  a  basis  of 

éa ù
ê
v =  êb ú ú
R 3 . Then, for any vector êë c úû , 
é a ù é1 ù é 0 ù é 0 ù
v =  êê b úú = a êê 0 úú + b êê1 úú + c êê 0 úú = ae 1  + be 2  + ce 3 
êë c úû êë 0 úû êë 0 úû êë1 úû

is uniquely determined.
 Theorem 6.6:(Important 
result) 

Let S = {v 1 , v 2 , K, v k }  be  a  set  of  nonzero  vectors  in  a 

vector space V and let W  = span {v 1 , v 2 , K , v k } . Then, 

some subset of S is a basis of W.
 Example: 
Let
ìé1 ù é0 ù é2 ù é0 ù é1 ùü
ïê ú ê ú ê ú ê ú ê úï
S = {e 1 , e 2 , a 1 , e 3 , a 2 } = íê0 ú, ê1 ú, ê3 ú, ê0 ú, ê3 úý
ïê0 ú ê0 ú ê0 ú ê1 ú ê2 úï
îë û ë û ë û ë û ë ûþ

and span(S ) =  R  . Please find subsets of S which 

3 

form a basis of  R 3 .
 Solution: 

We  first  check  if  e 1  and  e 2  are  linearly  independent. 
Since they are linearly independent, we continue to check if 
e 1  ,  e 2  and  a 1  are linearly independent. Since 

2 e 1 + 3 e 2  - a 1  = 0 ,

 Solution: 
we delete  a 1  from S and form a new set  S  , S1  = {e 1 , e 2 , e 3 , a 2 } . 
1 

Then, we continue to check if  e 1 ,  e 2  and  e  are linearly 

3 

independent. They are linearly independent. Thus, we finally 
check if  e 1 ,  e 2  e 3  and  a 2  are linearly independent. Since 
e 1 + 3 e 2  + 2 e 3  - a 2  = 0 , 
we delete  a  from S and form a new set  S 2  ,
1 
S 2  = {e 1 , e 2 , e 3 } . 
Therefore,
S 2  =  {e 1  , e 2  , e 3  } 
3 
R 
is the subset of S which form a basis of form a basis of  .
 How to find a basis (subset of S) of W? 

There are two methods: 
Method 1: 
The procedure based on the proof of the above 
important result. 
Method 2: 
Step 1: Form equation 
c 1v 1  + c 2 v 2  + L + c k v k  = 0 .
 How to find a basis (subset of S) of W? 
Step 2: Construct the augmented matrix associated with the 
equation in step 1 and transform this augmented matrix 
to the reduced row echelon form. 

Step  3:  The  vectors  corresponding  to  the  columns 

containing the leading 1’s form a basis. For example, if 
k  = 6 and the reduced row echelon matrix is
 How to find a basis (subset of S) of W?
é 1  ´  ´ ´ ´ ´ 0 ù
ê 0  0  1  ´ ´ ´ 0 úú
ê
ê 0  0  0  1  ´ ´ 0 ú
ê ú
ê 0  0  0  0  0  0  0 ú
ê M  M M M M M Mú , 
ê ú
êë 0  0  0  0  0  0  0 úû

then the 1’st, the 3’nd, and the 4’th columns contain 
a leading 1 and thus 
v 1 , v 3 , v 4  are a basis of W  = span {v 1 , v 2 , K, v 6 } .
 Example: 

Let
ìé1 ù é0 ù é2 ù é0 ù é1 ùü
ïê ú ê ú ê ú ê ú ê úï
S = {e 1 , e 2 , a 1 , e 3 , a 2 } = íê0 ú, ê1 ú, ê3 ú, ê0 ú, ê3 úý
ïê0 ú ê0 ú ê0 ú ê1 ú ê2 úï
îë û ë û ë û ë û ë ûþ

and span ( S ) =  3 

R  . Please find subsets of S which 
form a basis of  R 3 .
 Solution: 
Method1: 

We  first  check  if  e 1  and  e 2  are  linearly  independent. 
Since they are linearly independent, we continue to check if 
e 1  ,  e 2  and  a 1  are linearly independent. Since 

2 e 1 + 3 e 2  - a 1  = 0 ,

 Solution: 
we delete  a 1  from S and form a new set  S 1 , S1  = {e 1 , e 2 , e 3 , a 2 } . 

Then, we continue to check if  e 1  ,  e 2  and  e 3  are linearly 

independent. They are linearly independent. Thus, we 
finally check if  e 1 ,  e 2  e 3  and  a 2  are linearly 
independent. Since 
e 1 + 3 e 2  + 2 e 3  - a 2  = 0 ,
 Solution: 
we delete  a 1  from  S 1  and form a new set  S  ,
2 

S 2  = {e 1 , e 2 , e 3 } . Therefore,

S 2  =  {e 1  , e 2  , e 3  } 

is the subset of S which form a basis of form a 
3 
basis of R  .
 Solution: 
Method 2: 

Step 1: 
The equation is 
é 1 ù é0 ù é2 ù é0 ù é1 ù
c 1 êê0 úú + c 2 êê1 úú + c 3 êê3 úú + c 4 êê0 úú + c 5 êê2 úú = 0 
êë0 úû êë0 úû êë0 úû êë1 úû êë3 úû .
 Solution: 
Step 2: 
The augmented matrix and its reduced row echelon matrix is
é 1  0  2  0  1  0 ù
ê0  1  3  0  2  0 ú
ê ú
êë0  0  0  1  3  0 úû . 
The 1’st, the 2’nd and 4’th columns contain the leading 1’s. 
Thus,
{e 1  , e 2  , e 3  }  forms a basis. Example 5(Page 309)
Example5        p309 

n  S={ v 1 ,v 2 ,v 3 ,v 4 ,v 5 }, v 1 = (1,2,­2,1) , 
v 2 =(3­,0,­4,3), v 3 =(2,1,1,­1), v 4 =(­3,3,­ 
9,6), v 5 =(9,3,7,­6). 
n  Find a subset of S that is a basis for 
W=span S. 
n  Step1: 
n  c 1 (1,2,­2,1) + c 2 (3­,0,­4,3)+ c 3 (2,1,1,­ 
1) + c 4 (­3,3,­9,6) + c 5 (9,3,7,­6)=0
Step2:

é 1  3  3  ù
ê 1 0  0 ú
2  2  2 
ê 1  3  5  ú
ê0  1  -  - 0 ú
ê 2  2  2  ú
ê0  0  0  0  0  0 ú
ê0  0  0  0  0  0 û ú
ë
Step3: 

n  The leading 1s appear in columns 1 
and 2, so {v 1 ,v 2 }is a basis for W= span 
S.
 Theorem 6.7: (Important result) 

Let S = {v 1 , v 2 , K, v n }  be  a  basis  for  a  vector  space  V  and 

let T  = {w 1 , w 2 , K, w r }  is  a  linear  independent  set  of 

vectors in V. Then,  r £  n  . 
獨立向量集的向量個數必定小於或等於基底的向量
個數. 
多於基底向量個數的向量集合必定不為獨立向量集
 Corollary 6.1: 
Let S = {v 1 , v 2 , K, v n }  and T  = {w 1 , w 2 , K , w m }  be  two 
bases for a vector space V. Then,  n =  m  .
 Note: 
For a vector space V, there are infinite bases. But 
the  number  of  vectors  in  two  different  bases  are 
the same.
 Example: 
3 
For the vector space  R  ,
é 1 ù é 1 ù é 1 ù
v1  =  êê 2 úú ,  v 2  = ê 0 ú ,  v  =
ê ú 3 
ê 1 ú ,  S  = {v  , v  , v  } 
ê ú 1  2  3 

êë 1 úû êë 2 úû êë 0 úû is a basis 

3 
for  R  (見投影片 90—94).
 Example: 
previous example). Also,
é 1 ù é 0 ù é 0 ù
e1  =  êê 0 úú ,  e 2  = ê 1 ú ,  e  = ê 0 ú ,  T  = {e  , e  , e  }  3 
êë 0 úû
ê ú 3 
êë 0 úû
ê ú
êë 1 úû
1  2  3 
is basis for  R  .

Þ  There are 3 vectors in both S and T.
 Definition of dimension: 

The dimension of a vector space V is the number 
of vectors in a basis for V.    We often write dim(V) 
for the dimension of V.  dim({0}) = 0.
 Example:

é 1 ù é 0 ù é 0 ù

e1  =  êê 0 úú ,  e 2  = ê 1 ú ,  e  = ê 0 ú ,  T  = {e  , e  , e  } 
êë 0 úû
ê ú 3 
êë 0 úû
ê ú
êë 1 úû
1  2  3 
is basis for  R 3 .

Þ  The dimension of  R 3 is 3. 
Example 6­­8(Page 310)
Example6        p310 

n  The dimension of R 2  is 2; 
n  The dimension of R 3  is 3; 
n  The dimension of R n  is n.
Example7        p310 

n  The dimension of P 2  is 3; 
n  The dimension of P 3  is 4; 
n  The dimension of P n  is n+1;
Example8        p310 

n  The subspace w of R 4 considered in 
Ex5 has dimension 2.
 Theorem 6.8: (Important result) 

If S  is a linearly independent set of vectors  in a 

finite­dimensional vector space V, then there is a 
basis T for V, which contains S. 

Example 9(Page311)
Example9        p311 

n  Find the basis for R 4  that contains the 
vector v 1 =(1,0,1,0) and v 2 =(­1,1,­1,0). 
n  Let {e 1 , e 2 , e 3 , e 4 , } be the natural basis 
for R 4  where 
n  e 1 =(1,0,0,0), e 2 =(0,1,0,0) 
n  e 3 =(0,0,1,0) e 4 =(0,0,0,0) 
n  c 1 v 1 + c 2 v 2 + c 3 e 1 + c 4 e 2 + c 5 e 3 + c 6 e 4 =0
 Example9        p311
é1  0  0  1  1  0  0 ù
ê0  1  0  1  0  0  0 ú ú
ê
ê0  0  1  0  - 1  0  0 ú
ê ú
ë0  0  0  0  0  1  0 û
Since  leading 1s appear in columns 1,2,3 and 6 we 
conclude that {v 1 ,v 2 ,e 1 .e 4 } is a basis for R 4  containing 
v 1 and v 2
 Theorem 6.9: (Important result) 

Let  V  be  an  n­dimensional  vector  space,  and  let

S = {v 1 , v 2 , K, v n }  be a set of n vectors in V. 
(a)  If S is linearly independent, then S is a basis for 
V. 
(b) If S spans V, then S is a basis for V.
 Example: 
é 1 ù é 1 ù é 1 ù
v1  =  êê 2 úú ,  v 2  = ê 0 ú ,  v  =
ê ú 3 
ê 1 ú ,  S  = {v  , v  , v  } 
ê ú 1  2  3 
Is êë 1 úû êë 2 úû êë 0 úû a  basis 
3 
for  R  ?
 Note:定理總結
n 獨立向量集的向量個數必定小於或等於基底的
向量個數. 
¡ 多於基底向量個數的向量集合必定不為獨立向量集

生成且獨立 之向量集 形成一組的

基底
•少於基底向量個數的向量集合必定不
為生成向量集
生成向量集的向量個數必定大於或等於基底的向量個數.
 Solution: 
3 
Since  R  is  a  3­dimensional  vector  space,  not  like 
in  the  previous  example,  we  only  need  to  examine 
3 
whether  S  is  linearly  independent  or  S  spans  R  . 
We  don’t  need  to  examine  S  being  both  linearly 
independent and spans V.
 Example: 

é 1  ù é 2 ù é 4 ù
v1  =  êê 3  úú ,  v 2  = ê 1 ú ,  v  =
ê ú 3 
ê 2 ú ,  S  = {v  , v  , v  } 
ê ú 1  2  3 
Is êë - 1 úû êë 0 úû êë 1 úû a  basis  for 
3 
R  ?
 Solution: 
3 
Since  R  is a 3­dimensional vector space, we only need to 
examine  whether  S  is  linearly  independent  or  S  spans  R 3 . 
Because 
éc 1 + 2 c 2  + 4 c 3 ù é0 ù
c 1v 1  + c 2 v 2  + c 3 v 3  = êê3 c 1 + c 2  + 2 c 3 úú = êê0 úú Û c 1  = c 2  = c 3  = 0 
êë - c 1 + c 3  úû êë0 úû , 

v 1 , v 2 , v 3  are linearly independent. Therefore,  v 1 , v 2 , v 3  are a 

3 
basis of  R  . 
Example 10(Page 312)
Example10        p312 
n  In Ex5. W= span S is a subspace of R 4 ,so 
dim W ≦4. Since S contains five vectors we 
conclude by Corollary 6.1 that S is not a 
basis for W. In Ex2, since dim R 4  =4, and 
the set S contains four vectors, it is possible 
for S to be a basis for R 4 .If S is linearly 
independent or spans R 4 ,it is a basis 
otherwise it is not a basis. Thus we need 
only check one of the conditions in Thm 9.6 
not both.