Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes2 de Algebra Lineal Pag 10
Apuntes2 de Algebra Lineal Pag 10
Espacios Vectoriales
2.1.
Introducci
on
Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por una direccion,
un sentido y un modulo. Estas definiciones se suelen dar para vectores de R2 y R3 . Tambien
conocemos que dos vectores en R2 y en R3 se pueden sumar analticamente (es decir
sumando cada coordenada) y geometricamente (mediante la regla del paralelogramo).
Ademas tambien se puede multiplicar un n
umero (escalar) por un vector, cuyo resultado
es alargar o encoger el vector o cambiarle su sentido en funcion de si el n
umero es
negativo o no. Por tener definidas estas operaciones (y cumplir una serie de propiedades) se
dice que R2 (o R3 ) es un espacio vectorial. Sin embargo el concepto de espacio vectorial, en
definitiva de vector, es mucho mas amplio y no solo se reduce al de segmento orientado
sino que a la luz del siguiente tema veremos que otros conjuntos comparten todas las
propiedades de las operaciones con vectores de R2 y R3 con lo cual tambien los llamaremos
vectores. As, en este tema, veremos que el conjunto de los polinomios de grado menor
o igual que dos con las operaciones de suma de polinomios y la multiplicacion de un
n
umero por un polinomio, es un espacio vectorial (con lo cual un polinomio es un vector!).
Tambien las matrices de 2 filas y 3 columnas es un espacio vectorial con la suma de matrices
y multiplicacion de un n
umero por una matriz (por tanto una matriz 2 3 tambien es
un vector!) y otros muchos conjuntos tambien cumplen las propiedades de ser un espacio
vectorial, con lo cual sus elementos se pueden llamar vectores. Sin embargo, por su gran
importancia, comenzaremos estudiando con detalle los espacios vectoriales de la forma Kn
(donde K = Q, R o Zp , con p primo) y veremos como otros espacios vectoriales se pueden
estudiar a partir de ellos.
Durante todas estas notas por K entenderemos que representa a R, Q o Zp con p un
n
umero primo.
2.2.
Vectores en Kn
Definici
on 2.2.1. Sea n 1 un n
umero natural. Un vector sobre K de dimension n es
una lista ordenada de n n
umeros de K, es decir v = (a1 , ..., an ) con los ai K.
Los ai se llaman las coordenadas del vector v.
Al conjunto de los vectores de dimension n sobre K lo denotaremos por Kn .
Los vectores pueden verse como un tipo especial de matrices, por lo que pueden efectuarse sobre ellos las mismas operaciones de suma y producto por un elemento de K que
podamos realizar en general.
Ejemplo 2.2.1. Dados los vectores v = (1, 3, 4, 2) y w = (1, 3, 2, 0) de Q4 ,
v + w = (2, 0, 6, 2), y 1/2v = (1/2, 3/2, 2, 1).
Llamaremos vector 0 a 0 = (0, . . . , 0) Kn .
Definici
on 2.2.2. Sean v1 , . . . , vm vectores de Kn .
Una combinaci
on lineal de v1 , . . . , vm es cualquier expresion del tipo t1 v1 + . . . +
tm vm , donde los ti K.
Para saber si un vector v es combinacion lineal de los vectores v1 , v2 . . . , vm tenemos que resolver el SEL (sistema de ecuaciones lineales) que tiene a los vectores
v1 , . . . , vm como columnas en la matriz de coeficientes y al vector v como columna
de terminos independientes. Si el SEL es incompatible quiere decir que el vector v
no es combinacion lineal de v1 , . . . , vm .
El conjunto de todas las posibles combinaciones lineales de v1 , . . . , vm se denota
hv1 , . . . , vm i. Es decir,
hv1 , . . . , vm i = {t1 v1 + ... + tm vm , ti K}
Diremos que los vectores v1 , . . . , vm generan Kn (o que forman un sistema generador
de Kn ) si
hv1 , . . . , vm i = Kn
Ejemplo 2.2.2. Consideremos el espacio vectorial Z47 . Los vectores u = (0, 5, 5, 6) y
v = (2, 0, 5, 6) son combinaciones lineales de los vectores v1 = (2, 3, 1, 4), v2 = (1, 2, 1, 4)
ya que u = 2v1 + 3v2 y v = 4v1 + 1v2 .
Ejemplo 2.2.3.
2.2. VECTORES EN KN
Observaci
on 2.2.2.
z = (1)t + s
valores arbitrarios de R). Para obtener vectores de W solo tenemos que dar valores
concretos a t y a s.
Mediante unas ecuaciones que deben de cumplir los vectores del subespacio. Dichas
ecuaciones son siempre ecuaciones lineales homogeneas. Se dice que el subespacio
esta dado en ecuaciones implcitas.
1 2 x
(A|X) = 2 3 y .
1 1 z
Para que (x, y, z) sean las coordenadas de un vector de W necesitamos que el rango
de la matriz (A|X) sea 2 (que es el rango de A). Esto lo conseguimos calculando
una matriz escalonada de (A|X)
x
1 2
0 1
2x + y
0 0 5x + 3y + z
he imponiendo la condicion de que dicha matriz tenga rango igual al de A, es decir
imponiendo 5x + 3y + z = 0.
Pregunta: Cuantas ecuaciones implcitas tiene el espacio R3 ?
Las dos primeras formas de presentar un subespacio son esencialmente la misma y
sirven para calcular tantos vectores del subespacio como queramos, para lo que no hay
mas que dar valores a los parametros.
Las ecuaciones implcitas, por contra, sirven para saber si un determinado vector esta o
no en un subespacio. Las ecuaciones implcitas de un subespacio no son u
nicas, ya que
puede haber distintos sistemas de ecuaciones homogeneos con las mismas soluciones.
Observaci
on 2.2.3. Los subespacios de R3 nos van a permitir hacer construcciones
complejas en el espacio como la casa que se construye en la pagina 9 de los apuntes del
Tema 3. Observad que, aunque los subespacios de R3 son infinitos podemos delimitarlos
para as construir los segmentos y rectangulos, sin mas que acotando el rango de valores
de los parametros en las ecuaciones parametricas, como podeis ver en las paginas 11, 12,
13, 14 y 15.
2.3.
Bases y coordenadas
Definici
on 2.3.1. Un conjunto de vectores se dice linealmente independiente si ninguno
de ellos puede ponerse como combinacion lineal de los demas.
A la hora de hacer los problemas:
1. Para ver si v1 , . . . , vm Kn son independientes hay que comprobar que si t1 v1 +
. . . + tm vm = 0, entonces t1 = t2 = . . . = tm = 0.
2. Si v1 , . . . , vm Kn son vectores de modo que vm es combinacion de los demas,
entonces hv1 , . . . , vm i = hv1 , . . . , vm1 i .
3. Cuando tengamos varios vectores, los representaremos mediante una matriz sin mas
que escribir cada vector en una fila. Es facil comprobar lo siguiente: si un conjunto
de vectores es independiente y hacemos una operacion elemental por filas, entonces
los vectores fila siguen siendo linealmente independientes. Ademas los vectores fila
de la matriz transformada generan el mismo subespacio que los originales.
4. Para saber si un conjunto de vectores son linealmente independientes o no, basta
colocarlos por filas en una matriz y hacer operaciones elementales por filas hasta
dejarla en forma escalonada. Las filas no nulas de dicha matriz escalonada nos dan
un conjunto linealmente independiente de forma que el espacio que genera es el
mismo que el conjunto original.
Definici
on 2.3.2. Un conjunto de vectores {v1 , . . . , vm } es una base de Kn si es sistema
generador y linealmente independiente.
Teorema 2.3.1. Sean w1 , . . . , wm Kn entonces:
1. Si w1 , . . . , wm forman un sistema generador de Kn entonces m n
2. Si w1 , . . . , wm son linealmente independientes entonces m n
3. Si w1 , . . . , wm son base entonces m = n.
Demostracion. 1) Si fuese m < n entonces podemos poner los vectores w1 , . . . , wm en las
filas de una matriz y calcular una matriz escalonada. Como el n
umero de columnas es
menor que n habra al menos una columna compuesta por ceros en dicha matriz escalonada.
Si es la columna i basta cogerse el vector con todas las componentes 0 y 1 en la componente
i. Ese vector no estara generado por w1 , . . . , wm , con lo cual dichos vectores no pueden
formar un sistema generador de Kn .
2) Si w1 , . . . , wm son independientes y m > n, al ponerlos por filas en forma de matriz
y calcular una matriz escalonada, nos apareceran filas de ceros, dado que no puede haber
mas de un pivote por fila y como mucho podemos tener n pivotes diferentes de 0 en la
matriz escalonada (por ser m > n). Con lo cual no pueden ser independientes.
3) Es una consecuencia inmediata de 1) y 2).
Dado que una base de Kn es, al mismo tiempo, un sistema generador de Kn y linealmente independiente, tenemos, como consecuencia del resultado anterior, el siguiente
corolario.
Corolario 2.3.1. Sea B = {v1 , . . . , vm } una base de Kn . Entonces m = n.
Observaci
on 2.3.1. El hecho de elegir diferentes bases es lo que nos va a permitir modificar el origen a la hora de situar la casa como se hace en los apuntes del Tema 3 (pagina
6). La importancia de que los vectores de una base sean linealmente independientes queda
de manifiesto en la pagina 7 cuando vemos que si elegimos mas de 3 direcciones en R3 a
la hora de construir los puntos, tendramos diferentes formas de construirlos.
Proposici
on 2.3.1. Un conjunto de vectores B = {v1 . . . , vn } de Kn es una base de Kn
todo vector v Kn puede escribirse de forma u
nica en la forma v = t1 v1 + . . . + tn vn .
En este caso, (t1 , ..., tn )B se llaman las coordenadas de v en la base B.
Demostraci
on. Cualquier vector v esta en hv1 , . . . , vn i, por lo que puede ponerse como
t1 v1 + . . . + tn vn .
Por otra parte, si tenemos
v = t1 v1 + . . . + tn vn
,
v = s1 v 1 + . . . + sn v n
entonces t1 v1 + . . . + tn vn = s1 v1 + . . . + sn vn , es decir, (t1 s1 )v1 + . . . + (tn sn )vn = 0.
Como v1 , . . . , vn son independientes, esto obliga a que cada ti sea igual al correspondiente si .
Como todo vector de Kn puede escribirse en la forma t1 v1 + . . . + tn vn , tenemos
que hv1 , . . . , vn i = Kn . Por otro lado, si tenemos t1 v1 + . . . + tn vn = 0, como tambien
0v1 + . . . + 0vn = 0, por la unicidad t1 = t2 = . . . = tn = 0. As pues, v1 , . . . , vn son
independientes.
Ejemplo 2.3.1.
Las coordenadas de un vector en esta base no son mas que las componentes del
vector. Dicha base se denota por CKn (o simplemente por C si se sobreentiende el
espacio Kn sobre el cual trabajamos) y se llama base can
onica de Kn .
2. Los vectores (1,1) y (-1,1) forman una base de R2 .
3. Desde un punto de vista practico, determinar las coordenadas de un vector respecto
de una base de Kn cualquiera consiste en resolver un sistema de ecuaciones compatible (determinado). En concreto, consideremos en el Z5 -espacio vectorial Z35 el
conjunto
B = {(1, 2, 4), (2, 2, 1), (0, 3, 2)}.
a + 2b
=3
2a + 2b + 3c = 1 .
4a + b + 2c = 1
Para calcular una base de W , resolvemos dicho sistema, teniendo en cuenta que,
para ello, debemos introducir 1 variable libre (no variables libres = no componentes
- no ecuaciones implcitas linealmente independientes). Obtenemos la solucion
W = {(a, 2a, a) | a R}.
El subespacio W de R3 esta generado por el conjunto {(1, 2, 1)}, as W = h(1, 2, 1)i.
Como es claramente independiente se tiene que BW = {(1, 2, 1)} con lo que dim W =
1.
2. La solucion de la ecuacion lineal x y z t = 0 en R4 es
W = {(a + b + c, a, b, c) | a, b, c R}.
Cualquier vector solucion (a + b + c, a, b, c) W se expresa de la forma
(a + b + c, a, b, c) = (a, a, 0, 0) + (b, 0, b, 0) + (c, 0, 0, c) =
= a(1, 1, 0, 0) + b(1, 0, 1, 0) + c(1, 0, 0, 1).
Por tanto
W = h(1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)i.
Ademas esos tres vectores son linealmente independientes como se puede comprobar
al hacer la matriz escalonada. Con lo cual BW = {(1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)} y
nadir
as dim W = 3. Si queremos ampliar dicha base hasta una base de R4 bastara a
un cuarto vector que sea linealmente independiente con los de la base de W , podemos
tomar (1, 0, 0, 0) (compruebese!!).
10
Observaci
on 2.3.2. Siempre que nos den un subespacio W de Kn en forma de sistema
generador, para calcular una base de W tenemos que comprobar que dichos vectores
son linealmente independientes calculando una matriz escalonada de esos vectores
puestos por filas. Una vez que nos hemos quedado con los l.i. el n
umero de parametros
para calcular las ecuaciones parametricas y el n
umero de ecuaciones implcitas estan
relacionadas mediante la siguiente relacion:
no de ecuaciones implcitas l.i. = n - no de parametros
Otra forma de expresar lo anterior es: rg(A) = dim Kn dim W , siendo A la matriz de
coeficientes de las ecuaciones implcitas.
2.4.
Definici
on 2.4.1. Sean W1 , W2 Kn . Se llama
1. Interseccion de W1 y W2 , W1 W2 = {v Kn /v W1 y v W2 }
2. Suma de W1 y W2 , W1 + W2 = {v1 + v2 /v1 W1 y v2 W2 }
Proposici
on 2.4.1. W1 W2 y W1 + W2 son subespacios de Kn .
Demostraci
on. 1) Sean u, v W1 W2 , r, s K. Como u, v W1 y W1 es un subespacio,
r u + s v W1 . Analogamente, como W2 es un subespacio, r u + s v W2 . As pues,
r u + s v W1 W2 .
2) Sean v, w W1 + W2 , r, s K.
Por tanto,
v = v1 + v2 , con v1 W1 , v2 W2
w = w1 + w2 , con w1 W1 , w2 W2
Ahora
r v + s w = r(v1 + v2 ) + s(w1 + w2 ) = (rv1 + sw1 ) + (rv2 + sw2 ).
Pero rv1 + sw1 W1 , por ser W1 un subespacio, y rv2 + sw2 W2 , por ser W2 un
subespacio; por tanto r v + s w W1 + W2 .
Notaci
on Si W1 W2 = {0}, se dice que la suma W1 +W2 es directa, y suele denotarse
por W1 W2 .
Observaci
on 2.4.1. Respecto a bases y subespacios, un resultado interesante es el siguiente. Si W1 , W2 son subespacios de Kn entonces:
dimK (W1 + W2 ) = dimK (W1 ) + dimK (W2 ) dimK (W1 W2 )
2.5.
11
Definici
on 2.5.1. Un espacio vectorial sobre K es un conjunto V con dos operaciones,
llamadas suma y producto por un n
umero de K, cumpliendo:
1. u + (v + w) = (u + v) + w, u, v, w V
2. u + v = v + u, u, v V
3. Existe un vector 0 V tal que v + 0 = v, v V
4. Para cada v V existe otro vector, llamado -v, tal que v + (-v) = 0
5. r(u + v) = ru + rv, u, v V, r K
6. (rs)v = r(sv), v V, r, s K
7. (r+s)v = rv + sv, v V, r, s K
8. 1v = v, v V
En este caso, a los elementos de V los llamaremos vectores y a los de K, escalares.
Ejemplo 2.5.1.
1. Los vectores de Kn que hemos estudiado hasta ahora forman un
espacio vectorial.
2. Kn [X], los polinomios con coeficientes en K de grado n, con la suma y producto
por un n
umero habituales son tambien un espacio vectorial.
3. M33 (R) con la suma y producto por un escalar definidos en el tema anterior, son
un espacio vectorial.
4. El espacio de se
nales. Sea S el espacio de todas las sucesiones de n
umeros infinitas
hacia la derecha y hacia la izquierda
yk = (. . . , y2 , y1 , y0 , y1 , y2 , . . .)
La suma de dos de tales sucesiones o su producto por un n
umero se realizan componente a componente, por lo que trivialmente se cumplen las propiedades de espacio
vectoial.
Los elementos de S aparecen en cualquier ingeniera cuando, por ejemplo, se discretiza o muestrea en tiempos discretos cualquier se
nal, ya sea electrica, mecanica,
optica, etc. Por conveniencia, llamaremos a S espacio de se
nales en tiempo discreto.
Definici
on 2.5.2. Sean v1 , . . . , vn V . Llamaremos una combinacion lineal de v1 , . . . , vn
a cualquier expresion del tipo t1 v1 + ... + tn vn , donde los ti K.
12
13
2. Las matrices Mnm (K) tienen dimension n m. Una base esta formada por las
matrices que tienen exactamente una entrada igual a 1 y las demas iguales a 0.
Para escribir una matriz en esa base basta ir escribiendo las filas de la matriz una
a continuacion de otra.
As, por ejemplo, una base de Mnm (K) es
1 0
0 0
0 0
0 0
0 1
,
,
,
0 1
1 0
0 0
2 1
3 1
se escribe (2,1,3,-1).
14