Espacios Vectoriales

Departamento de Matematicas, CCIR/ITESM

14 de enero de 2011

Indice
13.1. Objetivos . . . . . . . . . . . . . .
13.2. Motivacion . . . . . . . . . . . . .
13.3. Abstraccion y Generalizaci
on . . .
13.4. Generalizaci
on . . . . . . . . . . .
13.5. El concepto de operaci
on . . . . .
13.6. Espacio Vectorial . . . . . . . . . .
13.7. Teoremas sobre espacios vectoriales
13.8. Ejemplos de EV . . . . . . . . . .
13.9. Subespacio Vectorial . . . . . . . .

13.1.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

1
1
3
3
3
4
7
7
13

Objetivos

En esta lectura se introduce el concepto de espacio vectorial. Este concepto generaliza los vectores n y las
matrices m n. El concepto es abstracto y por tanto tiene alguna dificultad natural; se le pide al estudiante
un esfuerzo extra para pensar las cosas desde un punto de vista general.

13.2.

Motivaci
on

Veamos un ejemplo para introducir el concepto de las ideas invariantes en la solucion a un sistema de
ecuaciones lineales.
Ejemplo 13.1
Considere el sistema homogeneo:
x + 2y + w + 2t = 0
2x + 4y z + w + 5t = 0
x + 2y + z + 2w + t = 0
z+wt = 0
Si utilizamos el orden x y z w t la matriz aumentada

1 2
0 1
2 0
1 2
2 4 1 1

0 0
5
0

1 2
0 0
1 2
1 0
0 0
1 1 1 0
0 0
De donde la formula para las soluciones son:

x
y

z =y

2
1
0
0
0

+w

1
0
1
1
0

reducida queda:

0 1
2 0
1 1 1 0

0 0
0 0
0 0
0 0

+t

2
0
1
0
1

Si utilizamos el orden x y w

1 2
2 4

1 2
0 0

z t la matriz aumentada reducida queda:

1
0
2 0
1 2 0 1
3 0

1 1
5 0
1 1 0
0 0 1

0 0 0
2
1
1 0
0
0 0
1
1 1 0
0 0 0
0
0 0

De donde la formula para las soluciones son:

x
y

z =y

2
1
0
0
0

+z

1
0
1
1
0

+t

3
0
0
1
1

Si utilizamos el orden x y t z w la matriz aumentada reducida queda:

1 2
2
0 1 0
1 2 0
2
3 0
2 4

5 1 1 0

0 0 1 1 1 0
1 2

1
1 2 0
0 0 0
0
0 0
0 0 1
1 1 0
0 0 0
0
0 0
De donde la formula para las soluciones son:

z =y

w
t

2
1
0
0
0

+z

2
0
1
0
1

+w

Si utilizamos el orden y x z w t la matriz aumentada

1
2 1
0 1
2 0
1

2
4 2 1 1
5 0

0 0

2 1
1 2
1 0
0 0
0 0
1 1 1 0
0 0
De donde la formula para las soluciones

x
y

z =x

w
t

son:

+w

1
1/2
0
0
0

0
1/2
1
1
0

3
0
0
1
1

reducida queda:

1
0
1 0

2
1 1 1 0

0 0
0 0
0

0 0

+t

0
1
1
0
1

Todas las soluciones previas aparentant ser diferentes, sin embargo, todas representan el mismo conjunto
solucion. Necesitamos una teora que nos de confianza en los resultados obtenidos; que nos indique las cosas que permanecen y las cosas que pueden cambiar en las m
ultiples respuestas validas en Rn que podemos
n
obtener.
Ademas de los conjuntos soluci
on en R , existen otras areas de la ingeniera que requieren un
apoyo matematico: las matrices tienen su importancia y uso en ingeniera industrial y en control; las series
trigonometricas en procesamiento de se
nales; los conjuntos de polinomios y las series de potencias para los
IFIs, etc..
Como desarrollar una teora comodn que se pueda aplicar a diferentes contextos sin ning
un cambio importante?

13.3.

Abstracci
on y Generalizaci
on

Si se hace una encuesta entre los matem

aticos sobre que palabras describen a las matematicas se notar
a que
la mayora responde al menos dos palabras claves: abstraccion y generalizacion. La abstraccion tiene que ver
con representar cantidades por medio de smbolos ,y la generalizacion tiene que ver con la construcci
on de
estructuras o teoras que engloban ciertas cosas o hechos conocidos. La que nos interesa mas para abrir este
tema es el aspecto de la generalizaci
on. La generalizacion tambien tiene que ver con la economia del trabajo
realizado para investigar, y con determinar cuales son los elementos mnimos responsables de que ciertos resultados ocurran.

13.4.

Generalizaci
on

Para entender como ocurre la generalizaci

on en nuestra materia recordemos algunos conceptos hemos visto
en diferentes cursos de matem
aticas:
1. vectores en el espacio n dimensional (Rn ),
2. matrices con entradas reales (Mnm ),
3. polinomios reales,
4. series de pontencias,
5. series trigonometricas, y
6. soluciones a ecuaciones diferenciales lineales homogeneas
entre otros elementos.
El objetivo que se persigue en el presente tema consiste en introducir aquella estructura abstracta que engloba
las anteriores construcciones, y que resultados se pueden obtener en lo general sin importar a cual de las
estructuras especficas se haga referencia.

13.5.

El concepto de operaci
on

Antes que el concepto de espacio vectorial esta el concepto de operaci

on. Veamos algunos ejemplos de
operaciones para ir entendiendo que las operaciones de suma o de multiplicacion por escalares podran ser
diferentes de las que conocemos.
Lo que es importante recordar es el uso de los parentesis : sirven para indicar un orden en las operaciones.
Ejemplo 13.2
Suponga que V = R2 y que se define la operacion:
(x, y) (z, w) = (5 x + z, 2 w + 2 y)
Si
a = (2, 3) , b = (1, 3) , c = (1, 1)
Calcule:
1. a b
= (5 (x = 2) + (z = 1), 2 (w = 3) + 2 (y = 3)) = (11, 0)
2. b a
= (5 (1) + (2), 2 (3) + 2 (1)) = (7, 0)
3

3. (a b) c
= (11, 0) (1, 1) = (5 (11) + (1), 2 (1) + 2 (0)) = (56, 2)
4. a (b c)
= (2, 3) (6, 4) = (16, 2)
Ejemplo 13.3
Suponga que V = R2 y que se definen las operaciones:
(x, y) (z, w) = (2 x, 3 w + y)
y
t  (x, y) = (2 t x, 3 t y)
Si
a = (1, 0) , c1 = 1, c2 = 4
Calcule:
1. (c1 + c2 )  a = 3  (1, 0) = (2(3)(1), 3(3)(0)) = (6, 0)
2. (c1  a) (c2  a) = (2, 0) (8, 0) = (4, 0)
3. (c1 c2 )  a = 4  (1, 0) = (8, 0)
4. c1  (c2  a) = 1  (8, 0) = (16, 0)

13.6.

Espacio Vectorial

Definici
on 13.1
Sea V un conjunto no vaco sobre el cual existen dos operaciones. Una llamada suma de vectores y otra
llamada mulitplicaci
on de un escalar por un vector. La suma de vectores, o simplemente suma, es una regla o
funcion que asocia a dos vectores, digamos u y v un tercer vector, a este se le representara como u v. La
multiplicacion es una regla que asocia a un escalar y a un vector, digamos c y u un segundo vector representado
por c  u. Diremos que el conjunto V se llama espacio vectorial si cumple todos y cada uno de los siguientes
axiomas:
(A1) Para cualquiera dos vectores u y v en V
uv V

(1)

Este axioma se conoce como el axioma de cerradura bajo la suma:

La suma de dos elementos del conjunto debe dar como resultado tambien un elemento del
conjunto.
(A2) Para cualquiera dos vectores u y v en V
uv =vu

(2)

Este axioma se conoce como el axioma de la conmutatividad de la suma:

El orden de los sumandos no altera el resultado de la suma.
(A3) Para cualquiera tres vectores u, v y w en V
u (v w) = (u v) w
Este axioma se conoce como axioma de la asociatividad de la suma:
4

(3)

En una suma de vectores, no importa el orden c

omo asocien la sumas entre dos; el resultado
ser
a siempre el mismo.
(A4) Existe un u
nico vector en V que se simbolizara por 0 y que se llamara el vector cero tal que para cualquier
vector u V se cumple
u0=0u=u
(4)
Este axioma se conoce como el axioma de la existencia del elemento neutro:
Existe en el conjunto un elemento distinguido que sumado con cualquier elemento da el mismo
segundo elemento.
(A5) Para cualquier vector u V existe un u
nico vector tambien en V y simbolizado por u que cumple
u (u) = (u) u = 0

(5)

Este axioma se conoce como axioma de la existencia de inversos aditivos:

Cada elemento del conjunto posee un inverso aditivo; un elemento del conjunto que sumado
con el da el neutro aditivo.
(M1) Para cualquier vector u V y para cualquier escalar c R se cumple
cuV

(6)

Este axioma se conoce como el axioma de cerradura bajo la multiplicacion por escalares:
El resultado del producto entre cualquier escalar por cualquier elemento del conjunto debe dar
como resultado tambien un elemento del conjunto.
(M2) Para cualquiera dos vectores u y v en V , y para cualquier escalar c en R se cumple
c  (u v) = (c  u) (c  v)

(7)

Este axioma se conoce como la propiedad distributiva del producto (por escalares) sobre la suma (de
vectores):
En un producto de un escalar por una suma de vectores, da lo mismo realizar la suma de los
vectores y el resultado multiplicarlo por el vector que individualmente multiplicar cada vector
por el escalar y despues sumar los resultados.
(M3) Para cualquier vector u V y para cualquiera dos escalares a y b en R se cumple
(a + b)  u = (a  u) (b  u)

(8)

Este axioma se conoce como la propiedad distributiva del producto por escalares sobre la suma escalares.
(M4) Para cualquier vector u V y para cualquiera dos escalares a y b en R se cumple
a  (b  u) = (a b)  u

(9)

Esta propiedad se conoce como la ley asociativa del producto entre escalares y el producto de escalar
con vector. Lo llamaremos simplemente como la propiedad asociativa del producto.
5

(M5) Para cualquier vector u V se cumple

1u=u

(10)

Cuando se elabora una argumentaci

on en alg
un calculo o demostracion uno debe hacer referencia a los axiomas.
Por ellos es que es conveniente y elegante llamarlos por su descripcion. Se le pide al alumno que entienda
la l
ogica de cada uno de ellos y memorice sus descripciones.
Ejemplo 13.4
Indique cual opcion enuncia la propiedad distributiva de la suma de escalares sobre el producto.
1.- (c + k)  x = (c  x) (k  x) Respuesta
2.- x 0 = 0 x = x
3.- x y = y x Conmutatividad
4.- c  x es vector Cerradura
5.- x (x) = (x) x = 0
6.- x y es vector Cerradura 
Ejemplo 13.5
Indique cual opcion describe la propiedad:
x0=0x=x
1.- Cerradura del producto por escalares.
2.- Existencia del neutro de la suma. Respuesta
3.- Distributividad del producto sobre la suma de vectores.
4.- Distributividad de la suma de escalares sobre el producto.
5.- Asociatividad del producto por escalares.
6.- Existencia del inverso aditivo 
Ejemplo 13.6
Apesar que nuestro interes no es hacer demostraciones matematicas si es conveniente entender como se construyen. El siguiente argumento prueba que el vector cero es u
nico. Es decir, que si hay otro vector que cumple
la propiedad que define al neutro debe ser el mismo neutro. Justifique los pasos.
Suponga que
x+y =x
Entonces por (a) existe (x) que al sumarlo en ambos miembros da
(x) + (x + y) = (x) + x
Por la propiedad (b) se deduce entonces
((x) + x) + y = (x) + x
Por la propiedad (c) se tiene entonces
0+y =0
6

Finalmente, por la propiedad (d) se tiene

y = 0.
1: la propiedad del inverso aditivo, 2: asociativa, 3: del neutro
Respuesta: la correspondencia es (a)=1,(b)=2,(c)=1,(d)=3 

13.7.

Teoremas sobre espacios vectoriales

Resultados generales sobre espacios generales:

Sea V es un espacio vectorial, y sean u V y c R, entonces:
1. 0 u = 0 (El escalar 0 por cualquier vector da el vector cero)
2. c 0 = 0 (Cualquier escalar por el vector cero da el vector cero)
3. c u = 0 implica c = 0
o u = 0 (Cuando el producto de un escalar por un vector da el vector
cero, o el escalar es cero o el vector es el vector cero)
4. (c) u = (c u) (Multiplicar por un escalar negativo implica obtener el inverso aditivo del
producto del escalar sin el signo por el vector)

13.8.

Ejemplos de EV

Veamos algunos de los espacios vectoriales que utilizaremos.

Ejemplo EV 1
Sea V = R+ con las operaciones: x y = x y y c  x = xc , veamos que V con tal operaciones cumple los
axiomas de espacio vectorial:
Axioma A1: x y V
Efectivamente, pues si x, y V entonces x, y > 0 y por tanto x y = x y > 0, probando que x y V .
Axioma A2: x y = y x
Efectivamente, pues x y = x y = y x = y x. Esto se tiene por la propiedad conmutativa del producto de
n
umeros reales.
Axioma A3: x (y z) = (x y) z
Efectivamente, pues x (y z) = x (y z) = x (y z) = (x y) z = (x y) z = (x y) z. Esto se tiene
por la propiedad asociativa del producto de n
umeros reales.
Axioma A4: Existe en V un neutro para
Efectivamente, el n
umero 1 de V = R cumple la propiedad requerida pues 1 x = 1 x = x = x 1 = x 1.
Axioma A5: Todo elemento de V posee un inverso aditivo en V
Efectivamente, si x V es n
umero, 1/x tambien esta en V = R (Pues si x > 0, tambien se cumple 1/x > 0)
y cumple la propiedad requerida pues x 1/x = x 1/x = 1 = 1/x x = 1/x x.
Axioma M1: c  x V
Efectivamente, pues si x V entonces x > 0 y c  x = xc > 0 para cualquier n
umero c. (Recuerde que para
x > 0, xc = ec ln(x) > 0)
Axioma M2: c  (x y) = (c  x) (c  y)
Efectivamente, c  (x y) = c  (x y) = (x y)c = xc y c = (xc ) (y c ) = (c  x) (c  y). Y esto vale por la
ley de los exponentes con bases positivas.
Axioma M3: (c1 + c2 )  x = (c1  x) (c2  x)
Efectivamente, (c1 + c2 )  x = xc1 +c2 = xc1 xc2 = (xc1 ) (xc2 ) = (c1  x) (c2  x). Esto vale por la ley de
los exponentes con bases positivas.
Axioma M4: (c1 c2 )  x = c1  (c2  x)
Efectivamente, (c1 c2 )  x = xc1 c2 = (xc2 )c1 = c1  (xc2 ) = c1  (c2  x). Esto vale por la ley de los exponentes
7

con bases positivas.

Axioma M5: 1  x = x
Efectivamente, 1  x = x1 = x.
Habiendose cumplido los 10 axiomas, concluimos que V con las operaciones
xy =xy y
c  x = xc
s es un espacio vectorial 

Ejemplo EV 2: Rn
El conjunto de todas las n-adas con componentes reales Rn :
operaciones:
La suma: La suma de dos vectores con n componentes es un vector tambien con n componentes cuya
componente i-esima es la suma de las componentes i-esimas de los vectores que se estan sumando:
(xi ) + (yi ) = (xi + yi )
El producto por escalares: El producto de un escalar por un vector de n componentes se tambien un
vector de n componetes cuya componente i-esima es el producto del escalar por la iesima componente
del vector que se multiplica:
c (xi ) = (c xi )
Axiomas A1 y M1: x + y Rn y c x Rn
De la misma definici
on de la suma y producto por escalares.
Axioma A2 : x + y = y + x
Los vectores son iguales pues tienen la misma dimension y al comparar las componente i se tiene
xi + yi = yi + xi
Axioma A3: x + (y + z) = (x + y) + z
Los vectores son iguales pues tienen la misma dimension y al comparar las componente i se tiene
xi + (yi + zi ) = (xi + yi ) + zi
Axioma A4: Existe el vector neutro bajo la adicion:
Este vector es el vector con todas sus componentes cero 0 = (0) y cumple 0 + x = x + 0 = x pues al comparar
las i-esimas componentes se cumple:
0 + xi = xi + 0 = xi
Axioma A5: Cada vector de tiene su inverso aditivo:
Para cada vector x = (xi ) el vector x = (xi ) cumple x + (x) = (x) + x = 0 pues al comparar las i-esimas
componentes se cumple:
xi + xi = 0 = xi + xi
Axioma M2: c(x + y) = c x + c y: Los vectores son iguales pues tienen la misma dimension y al comparar las
componentes i se tiene
c(xi + yi ) = c xi + c yi

Axioma M3: (c1 + c2 )x = c1 x + c2 x: Los vectores son iguales pues tienen la misma dimension y al comparar
las componentes i se tiene
(c1 + c2 )xi = c1 xi + c2 xi
Axioma M4: (c1 c2 )x = c1 (c2 x): Los vectores son iguales pues tienen la misma dimension y al comparar
las componentes i se tiene
(c1 c2 )xi = c1 (c2 xi )
Axioma M5: 1 (xi ) = (1 xi ) = (xi )
Habiendose cumplido los 10 axiomas, concluimos que Rn con las operaciones
(xi ) + (yi ) = (xi + yi ) y
c(xi ) = (c xi )
s es un espacio vectorial 

Ejemplo EV 3: Mmn
El conjunto de todas las matrices m n con componentes reales Mmn :
operaciones:
La suma: La suma de dos matrices m n es una matriz tambien m n cuyo elemento (i, j) es la suma
de los elementos (i, j) de las matrices que se estan sumando:
(aij ) + (bij ) = (aij + bij )
El producto por escalares: El producto de un escalar por una matriz m n es tambien una matriz m n
cuyo elemento (i, j) es el producto del escalar por el elemento (i, j) de la matriz que se multiplica:
c (aij ) = (c aij )
Axiomas A1 y M1: A + B Mmn y c A Mmn : De la misma definicion de la suma de matrices y
producto por escalares.
Axioma A2 ; A + B = B + A: Las matrices son iguales pues tienen la misma dimension y al comparar los
elementos (i, j) se tiene
aij + bij = bij + aij
Axioma A3: A + (B + C) = (A + B) + C: Las matrices son iguales pues tienen la misma dimensi
on y al
comparar los elementos (i, j) se tiene
aij + (bij + cij ) = (aij + bij ) + cij
Axioma A4, Existe una matriz neutra bajo la adicion: Esta matriz es la matriz con todas sus componentes
cero 0 = (0) y cumple 0 + A = A + 0 = A, pues al comparar los elementos (i, j) componentes se cumple:
0 + aij = aij + 0 = aij
Axioma A5: Cada matriz de tiene su invero aditivo:
Para cada matriz A = (aij ), la matriz A = (aij ) cumple A + (A) = (A) + A = 0, pues al comparar los
elementos (i, j) se cumple:
aij + aij = 0 = aij + aij
9

Axioma M2: c(A + B) = c A + c B: Las matrices son iguales pues tienen la misma dimension y al comparar
los elementos (i, j) se tiene
c(aij + bij ) = c aij + c bij
Axioma M3: (c1 +c2 )A = c1 A+c2 A: Las matrices son iguales pues tienen la misma dimension y al comparar
los elementos (i, j) se tiene
(c1 + c2 )aij = c1 aij + c2 aij
Axioma M4: (c1 c2 )A = c1 (c2 A): Las matrices son iguales pues tienen la misma dimension y al comparar
los elementos (i, j) se tiene
(c1 c2 )aij = c1 (c2 aij )
Axioma M5: 1 (aij ) = (1 aij ) = (aij )
Habiendose cumplido los 10 axiomas, concluimos que Mmn con las operaciones
(aij ) + (bij ) = (aij + bij ) y
c(bij ) = (c aij )
s es un espacio vectorial 

Ejemplo EV 4: P
De todos los polinomios con coeficientes reales en la variable x con las operaciones:
Suma: Cuando son dos polinomios, esta operacion se lleva a cabo sumando los coeficientes de las mismas
potencias de x de los polinomios.
a0 + a1 x + + am xm
+
b0 + b1 x + + bm xm
=
(a0 + b0 ) + (a1 + b1 ) x + + (am + bm ) xm
Alguno de los polinomios se completa hasta el grado mayor de los dos con coeficientes cero
Por ejemplo, si p(x) = 2 + 3 x2 + x4 y q(x) = 2 3 x + x2 x3 + x4 + 2 x5 escribimos a los
polinomios como
p(x) = 2 + 0 x + 3 x2 + 0 x3 + 1 x4 + 0 x5
q(x) = 2 3 x + 1 x2 1 x3 + 1 x4 + 2 x5
as
p(x) + q(x) = (2 + 2) + (0 3) x + (3 + 1) x2 + (0 1) x3 + (1 + 1) x4 + (0 + 2) x5
= 4 3 x + 4 x2 x3 + 2 x4 + 2 x5
Multiplicaci
on: La multiplicaci
on por escalar es la multiplicacion de todo el polinomio por una constante:
c(a0 + a1 x + a2 x2 + + am xm )
=
c a0 + c a1 x + + c am xm

10

En lo siguiente supondremos que cada polinomio se escribe en la forma

p(x) = p0 + p1 x + p2 x2 +
Es decir, que usaremos el nombre del polinomio para nombrar a sus coeficientes y usaremos subndices para
indicar la potencia de x a la cual acompa
nan.
Axiomas A1 y M1: p(x) + q(x) P y c p(x) P: De la misma definicion de la suma de polinomios y
producto por escalares.
Axioma A2 ; p(x) + q(x) = q(x) + q(x): Los polinomios son iguales pues estan en la misma variable y
comparando los coeficientes de xi se tiene:
pi + qi = pi + qi
Axioma A3: p(x) + (q(x) + r(x)) = (p(x) + q(x)) + r(x): Los polinomios son iguales pues estan en la misma
variable y comparando los coeficientes de xi se tiene:
pi + (qi + ri ) = (pi + qi ) + ri
Axioma A4, Existe un polinomio neutro bajo la adicion: Este polinomio es el polinomio con todos sus
coeficientes cero: 0 = 0 = 0 + 0 x y cumple 0 + p(x) = p(x) + 0 = p(x), pues al comparar los coeficientes de xi
se tiene:
0 + pi = pi + 0 = pi
Axioma A5: Cada polinomio de tiene su invero aditivo: Para cada plinomio p(x) = p0 +p1 x+ , el polinomio
p(x) = (p0 ) + (p1 ) x + (p2 )x2 + cumple p(x) + (p(x)) = (p(x)) + p(x) = 0, pues al comparar los
coeficientes de xi se tiene:
(pi ) + pi = 0
Axioma M2: c(p(x) + q(x)) = c p(x) + c q(x): Los polinomios son iguales pues estan en la misma variable y
comparando los coeficientes de xi se tiene:
c(pi + qi ) = c pi + c qi
Axioma M3: (c1 + c2 )p(x) = c1 p(x) + c2 p(x): Los polinomios son iguales pues estan en la misma variable y
comparando los coeficientes de xi se tiene:
(c1 + c2 )pi = c1 pi + c2 pi
Axioma M4: (c1 c2 )p(x) = c1 (c2 p(x)): Los polinomios son iguales pues estan en la misma variable y
comparando los coeficientes de xi se tiene:
(c1 c2 )pi = c1 (c2 pi )
Axioma M5: 1 p(x) = p(x)
Habiendose cumplido los 10 axiomas, concluimos que P con las operaciones suma de polinomios y producto
de un escalar por un polinomio conocidas s es un espacio vectorial 

Ejemplo EV 5: Pn
Todos los polinomios con coeficientes reales en la variable x de grado menor o igual que n (n es entero mayor
o igual que cero):
1 operaciones:Sea x la variable independiente de los polinomios.
11

a) Suma: Misma que en P.

b) Multiplicaci
on por escalares: Misma que en P.
2 el cero: El polinomio 0, es
aquel cuya totalidad de coeficientes es cero.
3 inversos aditivos: El inverso de p de un polinomio p tiene por coeficientes los opuestos de los coeficientes de p 

Ejemplo EV 6: F (R)
El conjunto de todas las funciones de valor real definidas en R:
1 operaciones: Sean f y g dos funciones de valor real con dominio R y sea c cualquier escalar.
a) Suma: Se define la suma de f + g de f y g como la funcion cuyos valores estan expresados por:
(f + g)(x) = f (x) + g(x) para toda x R
b) producto por escalares: Igualmente, el producto por escalar cf se define como sigue:
(c f )(x) = c f (x) para toda x A
2 el cero: La funci
on cero, 0 es aquella cuyos valores son todos ceros: 0(x)= 0 para toda x R.
3 inversos aditivos: La inversa de f de f es la funcion (-1)f .
4 axiomas: La comprobaci
on de los axiomas se deja como ejercicio.
Ejemplo EV 7: F (A)
De manera mas general que en el ejemplo de espacio vectorial 6, si A es un conjunto cualquiera definimos el
conjunto F (A) de todas las funciones de valor real que tienen como dominio A; entonces F (A) es un espacio
vectorial.
Ejemplo EV 8: F (A, V )
De manera mas general que en el ejemplo de espacio vectorial 7, si A es un conjunto cualquiera y V es un
espacio vectorial (con una operaci
on suma y producto por escalares ) definimos el conjunto F (A, V ) de
todas las funciones que tienen como dominio X y como codominio V . Definimos en F (A, V ) la suma
de la
siguiente manera:
f
g : A V
a 7 f (a) g(a)
y definimos el producto por escalares de la siguiente manera:
c

f: A V
a 7 c  f (a)

entonces F (A, V ) es un espacio vectorial. Normalmente, el smbolo usando para la suma de funciones es el
mismo que el usando para la suma de V y el usado para el producto de un escalar por una funcion es el mismo
que el smbolo del producto por escalares.

12

13.9.

Subespacio Vectorial

Como se ha visto probar que un conjunto es un espacio vectorial es un trabajo arduo. Sin embargo, hay
situaciones en las que la prueba se reduce considerablemente: Cuando el conjunto esta contenido en un conjunto mayor que ya es un espacio vectorial. En este caso, como todas las propiedades de los axiomas hacen
referencia a elementos del conjunto y por tanto a elementos al conjunto mayor que ya es espacio vectorial y
por consiguiente se verifican. Salvo posiblemente los axiomas A1 y M1 que hacen referencia a la cerradura.
Definici
on 13.2
Sea V = (V, +, ) un espacio vectorial. Un subconjuto U de V (U V ) que no es vaco se dice
subespacio vectorial o simplemente subespacio de V si U con las mismas operaciones de suma y
multiplicacion por escalares que est
an definidas en V , pero restringidas a vectores de U , es un
espacio vectorial.
Apesar que en la definci
on de subespacio est
a implicita la verificacion de los axiomas, el siguiente resultado da
la clave para la verificaci
on de que un conjunto se subespacio.
Teorema
Un subconjunto no vaco U de un espacio vectorial V es con operaciones y  es un subespacio
de V si cumple las siguientes condiciones:
El conjunto U es cerrado bajo la suma;
Cualquiera dos elementos de U sumados dan como resultado un elemento que tambien esta en
U.
El conjunto U es cerrado bajo la multiplicaci
on por escalares;
Cualquier elemento de U multiplicado por cualquier escalar da como resultado un elemento
que tambien est
a en U .
Demostraci
on
Debemos probar que si se cumplen las condiciones marcadas, entonces U con la suma, que ya tena V , y el
producto por escalares, que ya tena V , satisface los 10 axiomas para ser el mismo un espacio vectorial.
newline
A1 Sean x y y dos elementos cualquiera de U . Al cumplirse que U es cerrado bajo la suma, x y est
a en U .
A2 Sean x y y dos elementos cualquiera de U , como x y y son elementos de V y V es espacio vectorial
cumple A2:
xy =yx
A3 Sean x, y y z elementos cualquiera de U ; por tanto, son elementos de V y como V es espacio vectorial
se cumple A3:
x (y z) = (x y) z
A4 Como U no es vaco, U tiene al menos un elemento, digamos x. Como U es cerrado bajo el producto por
escalares:
c R, c  x U
En particular, se debe cumplir para c = 0. As, 0  x U . Pero nosotros probamos que 0  x = 0. Por
tanto, el neutro de V , est
a tambien en U .

13

A5 Sea x un elemento cualquiera de U . Debemos ver que tiene inverso aditivo en U . Como U es cerrado
bajo el producto por escalares:
c R, c  x U
En particular, debe cumplirse para c = 1; es decir, 1  x U . Pero nosotros hemos probado que
1  x = x (el inverso aditivo de x). Por tanto x U .
M1 Sean x un elemento cualquiera de U y c un escalar cualquiera. Al cumplirse que U es cerrado bajo el
producto por escalares, c  x est
a en U .
De forma similar a la prueba de que los axiomas A2 y A3 se cumplen al cumplirse para V (los elementos
de U son elementos de V ), los axiomas M2 a M5 se pueden verificar facilmente. La prueba de que U con
las operaciones y  de V cumple los 10 axiomas nos dice que es espacio vectorial; y como U V , U es
subespacio vectorial de V 
Observe que realmente el resultado anterior hace referencia a tres condiciones: La que esta en el enunciado:
que el conjunto no sea vaco, y las dos explcitamente citadas.
Ejemplo 13.7
El subconjuto W de P2 formado por s
olo polinomios de la forma
p(x) = a x + 3 a x2
donde a es un n
umero real, es un subespacio vectorial?
Soluci
on
Requisito 0: Se debe probar que el conjunto posee al menos un elemento: Debemos dar un ejemplo concreto
de un polinomio que corresponde a este formato: Por ejemplo
p(x) = 2 x + 6 x2
el coeficiente de x2 , 6, es justo el doble del coeficiente de x, que es 2. Por tanto, W 6= .
Requisito 1: Debemos probar que si se suman dos elementos cualquiera del conjunto, el resultado
tambien esta en el conjunto. Para abarcar cualquier elemento de W no podemos utilizar un valor numerico de
a; debemos utilizar letras. Sean p(x) = a1 x + 3 a1 x2 y q(x) = a2 x + 3 a2 x2 dos elementos de W , veamos si
p(x) + q(x) W :
p(x) + q(x) = a1 x + 3 a1 x2 + a2 x + 3 a2 x2 = (a1 + a2 ) x + 3 (a1 + a2 ) x2
de donde vemos que el coeficiente de x2 es el de x multiplicado por 3. Por tanto, p(x) + q(x) W . Por tanto,
W es cerrado bajo la suma.
Requisito 2: Debemos probar que si se multiplica un escalar cualquiera por un elemento cualquiera del
conjunto, el resultado tambien est
a en el conjunto. Para abarcar cualquier elemento de W no podemos utilizar
un valor numerico de a; debemos utilizar letras. Sea p(x) = a1 x + 3 a1 x2 un elemento cualquiera de W y c
un escalar cualquiera, veamos si c p(x) W :
c p(x) = c (a1 x + 3 a1 x2 ) = (c a1 ) x + 3 (c a1 ) x2
de donde vemos que el coeficiente de x2 es el de x multiplicado por 3. Por tanto, c p(x) W . Por tanto, W
es cerrado bajo el producto por escalares.
Como hemos probado los tres requisitos, W es un subespacio vectorial de P2 .

14

Ejemplo 13.8
El conjunto W de todas las matrices 2 2 de la forma:


a 0
0 b
donde a y b son n
umeros reales que cumplen a b 0, es un subespacio vectorial de M22 ?
Soluci
on
Requisto 0: Como la matriz


1
0
A=
0 1
tiene el patron de las matrices de W para a = 1 y b = 1 y se cumple a b = 1 0, A W . Por tanto,
W 6= .
Requisito 1: Debemos probar que si se suman dos elementos cualquiera del conjunto, el resultado tambien
esta en el conjunto. Para abarcar cualquier elemento de W no podemos utilizar valores numericos; debemos
utilizar letras. Sean




a1 0
a2 0
A=
yB=
0 b1
0 b2
dos elementos de W , que cumplan a1 b1 0 y a2 b2 0 veamos si A + B W :


a1 + a2
0
A+B =
0
b1 + b2
Ahora apliquemos la prueba u
ltima para ver si pertenece a W
(a1 + a2 ) (b1 + b2 )) = a1 b1 + a2 b1 + a1 b1 + a2 b2 0?
Observe que lo que es cierto es que a1 b1 0 y que a2 b2 0. Pero el termino a2 b1 + a1 b2 puede cambiar la
desigualdad. De hecho los valores a = 1, b1 = 5, a2 = 3, y b2 = 1 cumplen
a1 b1 = (1)(5) = 5 0 y a2 b2 = (3)(1) = 3
Pero
(a1 + a2 )(b1 + b2 ) = (1 + 3)(5 + 1) = (2)(4) = 8 > 0
Estos n
umeros nos dan las matrices

Ao =

1
0
0 5


y Bo =

3 0
0 1

que s estan en W , pero cuya suma no est

a en W . A estos ejemplos concretos que prueban que una cierta
afirmacion del tipo para cualquiera no se cumpla se llaman contra ejemplos. El anterior contra ejemplo hace
que W no sea cerrado bajo la suma. Fallando un requisito como ahora, W no es un subespacio. Sin embargo,
como nos interesa ver la opci
on que se ajusta a W deberemos revisar el otro requisito.
Requisito 2: Debemos probar que si se multiplica un escalar cualquiera por un elemento cualquiera del
conjunto, el resultado tambien est
a en el conjunto. Para abarcar cualquier elemento de W no podemos utilizar
un valor numerico de a; debemos utilizar letras. Sea


a1 0
A=
0 b1
un elemento cualquiera de W (y por tanto a1 b1 0) y c un escalar cualquiera,


c a1 0
cA =
0 c b1
15

veamos si c A W :

Ahora apliquemos la prueba u

ltima para ver si pertenece a W
(c a1 ) (c b1 ) 0?
Como
(c a1 ) (c b1 ) = c2 (a1 b1 )
y c2 0 y a1 b1 0 entonces
(c a1 ) (c b1 ) = c2 (a1 b1 ) 0
Por tanto, c A W . Por tanto, W es cerrado bajo el producto por escalares.
Resumiendo, W no es espacio vectorial: s es cerrado bajo el producto por escalares pero no es cerrado bajo
la suma.
Ejemplo 13.9
Sea V = Mnn el conjunto de todas las matrices cuadradas. Este conjunto con la suma conocida de matrices y

el producto de un escalar por una matriz es un espacio vectorial. Este

es nuestro espacio vectorial de referencia.
Definimos un subconjunto de Mnn formado por las matrices simetricas:
n
o
U = A Mnm : AT = A
Es decir, U esta formado por todas las matrices cuadradas n n que al tomarle la transpuesta queda la misma
matriz. Vea que U es un subespacio de Mnn .
Demostraci
on
Veamos que U cumple los requisitos para ser subespacio:
1. Que U 6= .
Efectivamente, la matriz de ceros 0 n n es una matriz que al tomarle su transpuesta queda ella misma.
Por tanto, 0T = 0. Como U agrupa a todas las matrices n n que cumplen esta propiedad; 0 es un
elemento de V . Por tanto, U no es vaco.
2. Que U es cerrado bajo la suma.
Tomemos dos matrices cualquiera nn de U , digamos A y B. Si son elementos de U deben ser simetricas,
es decir:
AT = A
BT = B
Veamos ahora que la matriz A + B tambien esta en U , es decir, que A + B es una matriz simetrica:
Para ello, tomemos su transpuesta y veamos que queda ella misma. Sabemos que
(A + B)T = AT + BT
por las propiedades de la transpuesta de una matriz. Siendo A y B simetricas, deducimos que
(A + B)T = A + B
Es decir, la matriz A + B es tal que cuando se obtiene su transpuesta queda ella misma. Concluimos que
A + B es una matriz n n simetrica, es decir, A + B U .
3. Que U es cerrado bajo el producto por escalares.
Sea c un escalar cualquiera y A es un elemento de U cualquiera. As, A es una matriz simetrica n n:
AT = A. Por las propiedades de la traza y teniendo la simetra de A:
(c A)T = c AT = c A
Por tanto, la matriz c A es tal que cuando se calcula su transpuesta se obtiene la misma matriz c A.
Por tanto, c A es una matriz n n simetrica. Es decir, c A es un elemento de U .
16

De lo anterior, concluimos que el conjunto U es un subespacio de Mnn 

Ejemplo 13.10
Tomemos como espacio vectorial de referencia Rn con la suma y el producto por escalares com
unes. Sea A
n
una matriz m n fija, defina en R el conjunto formado por todos los vectores que son solucion al sistema de
ecuaciones homogeneas cuya matriz de coeficientes es A:
U = {x Rn : A x = 0}
Vea que U es un subespacio de Rn . Comente si el correspondiente conjunto de soluciones a un sistema no
homogeneo es un subespacio.
Demostraci
on
Veamos que U satisface los requisitos para ser espacio vectorial.
1. Que U 6= .
Efectivamente, como el producto de cualquier matriz A por el vector cero da como resultado el vector
cero (cuando se tienen las dimensiones adecuadas para que el producto sea factible), concluimos que el
vector 0 de Rn es un elemento de U .
2. Que U es cerrado bajo la suma.
Sean x1 y x2 dos elementos cualquiera de U . Por tanto, ellos deben ser solucion al sistema homogeneo
A x = 0, es decir:
A x1 = 0 y A x2 = 0
As, si utilizamos la propiedad distributiva del producto:
A (x1 + x2 ) = A x1 + A x2
= 0+0=0
Esto nos dice que cuando el vector x1 + x2 se sustituye por el vector de incognitas en la ecuaci
on
A x = 0 la ecuaci
on se satisface. Es decir, que x1 + x2 es una solucion al sistema homogeneo. Como U
contiene todas las soluciones a ese sistema, x1 + x2 esta en U .
3. Que U es cerrado bajo el producto por escalares.
Sean c un escalar cualquiera y y un elemento cualquiera de U . As y satisface A y = 0. Si ahora
utilizamos las propiedades del producto con matrices tenemos
A (c y) = c (A y)
= c0=0
Esto dice que c y es una soluci
on al sistema A x = 0. Por tanto, c y es un elemento de U .
Por lo anterior, U es un subespacio vectorial de Rn . Si el sistema no fuera homogeneo tendra que tener la
forma A x = b para b 6= 0. Afirmamos que el conjunto de soluciones no podra ser subespacio de Rn .
Efectivamente, hemos visto que el vector cero siempre debe pertencer al cualquier subespacio. En particular,
debera pertenecer al conjunto de soluciones. Pero esto es imposible debido a que A 0 = 0 6= b. Concluimos
que si el sistema no es homogeneo, el conjunto de soluciones no forman un subespacio de Rn 

17