Algebra y geometría II Profesora Dra. Leslie Jiménez F. de Ciencias/U.

de Chile

Espacios Vectoriales
Maximiliano Aravena, Gabriela Jeldres, Brayan Vergara, Tianxin Wang
1. Introducción:
Los físicos idearon la idea de vectores para representar magnitudes dotadas de
dirección y sentido, como por ejemplo el desplazamiento de un cuerpo en el plano, como
se observa en la figura 1. Los vectores se transformaron en una herramienta útil para
resolver variados problemas causando interés en las matemáticas, así se tomaron las
ideas centrales de los vectores y se formalizaron para así emplear estas herramientas en
el área. Por ejemplo, un polinomio de grado 2 tendrá 3 coeficientes reales y por ende se
puede trabajar como un vector de la forma (𝑎, 𝑏, 𝑐).1

Figura 1: Ejemplo físico, vectores posición y desplazamiento de una partícula en el plano

Sin embargo, este paralelismo entre los vectores físicos y otras entidades
matemáticas requiere de las siguientes formalidades, pues por ejemplo no podemos
tratar el polinomio anterior como un vector de dimensión 3 si aún no definimos
precisamente las dimensiones de un vector.
Una operación interna es una relación entre dos elementos de un mismo conjunto,
como contraparte llamamos acción externa de A sobre B a una operación que relaciona
un elemento de A con otro de B resultando un tercer elemento perteneciente a B. De esta
forma un espacio vectorial V es cualquier conjunto no vacío con una operación interna
llamada suma y una acción externa llamada ponderación por un escalar. Los elementos
de V se llaman vectores y el conjunto K que actúa sobre V debe ser un cuerpo conmutativo
cuyos elementos se llaman escalares, en este caso trabajaremos con los reales ℝ, como el
conjunto escalar, las propiedades que deben cumplir estas operaciones se verán en la
siguiente definición.2
2. Espacio vectorial
2.1 Definición Espacio vectorial3: Sea V un conjunto no vacío, K un cuerpo conmutativo,
𝑢, 𝑣, 𝑤 𝜖 𝑉 𝑎, 𝑏 𝜖 𝐾, si V está dotado con las siguientes operaciones,

y estas dos satisfacen las siguientes propiedades:

Propiedades de la suma:
1. Conmutatividad: 𝑢 + 𝑣 = 𝑣 + 𝑢, ∀ 𝑢, 𝑣 ∈ 𝑉
2. Asociatividad: 𝑢 + (𝑣 + 𝑤) = (𝑢 + 𝑣) + 𝑤, ∀𝑢, 𝑣, 𝑤 ∈ 𝑉
3. Existencia del elemento neutro: ∃ 0 ⃗ ∈ 𝑉/𝑢 + 0 ⃗ = 𝑢, ∀𝑢 ∈ 𝑉
4. Existencia del elemento inverso: ∀ 𝑢 ∈ 𝑉, ∃ − 𝑢 ∈ 𝑉/𝑢 + (−𝑢) = 0 ⃗
Propiedades de la ponderación por un escalar:
1. Asociatividad: 𝑎 ∗ (𝑏 ∗ 𝑢) = (𝑎 ∗ 𝑏) ∗ 𝑢, ∀𝑎, 𝑏 ∈ 𝐾, ∀𝑢 ∈ 𝑉
2. Existencia del elemento neutro: ∃ 1 ∈ 𝐾/1 ∗ 𝑢 = 𝑢, ∀𝑢 ∈ 𝑉
3. Distributividad para la suma vectorial: 𝑎 ∗ (𝑢 + 𝑣) = 𝑎 ∗ 𝑢 + 𝑎 ∗ 𝑣, ∀𝑎 ∈ 𝐾, ∀𝑢, 𝑣 ∈ 𝑉
4. Distributividad para la suma escalar: (𝑎 + 𝑏) ∗ 𝑢 = 𝑎 ∗ 𝑢 + 𝑏 ∗ 𝑢, ∀𝑎, 𝑏 ∈ 𝐾, ∀𝑢 ∈ 𝑉
Entonces decimos que V es un K-espacio vectorial, sus elementos se llaman
vectores y los elementos de K son llamados escalares.

1
Espacios Vectoriales parte 1, pág. 1. Campos Neila, Universidad de Cantabria.
https://personales.unican.es/camposn/espacios_vectoriales1.pdf
2
Espacios vectoriales, capitulo 1, pág. 1-5 http://mate.dm.uba.ar/~jeronimo/algebra_lineal/Capitulo1.pdf
3
Espacios Vectoriales, pág. 1. A. Rojas, A. Labra, Universidad de Chile
 Algebra y geometría II Profesora Dra. Leslie Jiménez F. de Ciencias/U. de Chile

2.2 Ejemplo: Como ejemplo podemos considerar al conjunto de los números complejos, allí
la suma entre complejos cumple con ser una operación interna, cerrada, asociativa,
presenta un neutro y un inverso, además la multiplicación entre un escalar real y un
complejo es una operación distributiva, conmutativa, asociativa, cerrada y presenta un
neutro escalar. En este caso el cero vector sería 0 + 0𝑖, por todo esto, los complejos son
un espacio vectorial real (¡por más contradictorio que parezca!). Por lo que podemos
trabajar los complejos con vectores en el plano o en su forma polar como se observa en la
figura 2. Este también es un ejemplo de espacio vectorial de dimensión 2. (ya veremos
que es una dimensión).

Figura 2: Representación de un complejo en el plano, con los reales en el eje horizontal y los
imaginarios en el eje vertical
3. Subespacios Vectoriales 4
Llamaremos subespacio vectorial S a cualquier subconjunto de V que cumple con
las mismas propiedades de este. Notemos que para esto es fundamental que S no sea vacío
pues como mínimo debiese existir en él, el cero vector.
3.1 Definición Subespacio vectorial: Sea V un K-espacio vectorial y S ⊆ V, con S ≠ ∅, se dice
que S es un subespacio vectorial de V si la suma de vectores y la ponderación por un
escalar de V son una operación y una acción en S que lo dotan de las mismas propiedades
de un K-espacio vectorial.
3.2 Ejemplos: Es necesario ilustrar mediante ejemplos la identificación de subespacios
vectoriales. Ya se mostró que C es un R-espacio vectorial, es claro que si S es el conjunto
de los complejos de la forma 𝑎 + 𝑎𝑖 y J es el conjunto de los vectores de la forma 1+bi,
entonces ambos son subconjuntos de C, sin embargo J no es un subespacio de C pues 0+0i
no pertenece a J y por lo tanto este conjunto no satisface las propiedad 3 de la suma de
vectores.
4. Combinación lineal de vectores y subespacios generadores
Como las operaciones de los espacios vectoriales son cerradas es fácil notar que
los subespacios, pueden generar otros vectores. El mecanismo para ello se llama
combinación lineal y nos lleva a la idea de subespacios que son capaces de generar todo
el espacio, los subespacios generadores.
4.1 Definición combinación lineal de vectores: Sea V un K-espacio vectorial y S un subespacio
de V. Se dice que 𝑤 es una combinación lineal de S,
𝑤 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3 + 𝜆4 𝑣4 + 𝜆5 𝑣5 + 𝜆6 𝑣6 + 𝜆7 𝑣7 +. . . +𝜆𝑛 𝑣𝑛 Con 𝑣𝑖 ∈ 𝑆 y 𝜆𝑖 ∈ 𝐾
4.2 Definición subespacio generador: Sea V un K-espacio vectorial, se dice que S, un
subespacio vectorial de V es un subespacio generador si y sólo si todo elemento de V es
una combinación lineal de S.
5. Vectores ligados, rangos y bases5.
5.1 Definición independencia lineal de vectores: Se dice que un conjunto de vectores 𝑆 =
{𝑣1 , 𝑣2 , … , 𝑣𝑛 } es linealmente independiente, si y sólo si, ⃗0 = 𝑎1 ∗ 𝑣1 + 𝑎2 ∗ 𝑣2 + ⋯ + 𝑎𝑛 ∗
𝑣𝑛 se satisface cuando 𝑎𝑖 = 0 ∀𝑖 ∈ {1,2,3 … 𝑛}
5.2 Observación: Notemos que la definición anterior resulta de una forma muy directa de
obtener el ⃗0 como una combinación lineal de cualquier conjunto de vectores S, utilizando
todos los coeficientes escalares iguales a 0. Otra forma, es que en S exista al menos un
vector w que sea una combinación lineal de los otros elementos de S. Así tenemos la
siguiente estructura,

4
Espacios Vectoriales parte 1, pág. 5. Campos Neila, Universidad de Cantabria.
https://personales.unican.es/camposn/espacios_vectoriales1.pdf
5
Espacios Vectoriales parte 1, pág. 12-20. Campos Neila, Universidad de Cantabria.
https://personales.unican.es/camposn/espacios_vectoriales1.pdf
 Algebra y geometría II Profesora Dra. Leslie Jiménez F. de Ciencias/U. de Chile
𝑛 𝑛

𝑤 = ∑ 𝑎𝑖 ∗ 𝑣𝑖 ⟹ ⃗⃗0 = 𝑤 + ∑ −𝑎𝑖 ∗ 𝑣𝑖
𝑖 𝑖

Esta última forma es vital para llegar a una definición alternativa para
independencia lineal y dos definiciones equivalentes para dependencia lineal.
5.3 Definición alternativa de independencia lineal: S será un conjunto de vectores
linealmente independiente si ninguno de sus elementos es combinación lineal de los
otros.
5.4 Definición dependencia lineal de vectores: Se dice que 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } es dependiente
⃗ es una combinación lineal de S con al menos un coeficiente escalar de la
o ligado si 0
combinación distinto de 0.
5.5 Definición alternativa de dependencia lineal: Si al menos uno de los elementos de S es
combinación lineal de los otros.
5.6 Observaciones: Como la dependencia tiene un notorio antagonismo con la independencia
respecto a las combinaciones lineales es claro que si quitamos de S (un subespacio
dependiente) sólo los vectores que son combinación lineal de otros elementos de S
entonces obtenemos 𝑆´ ⊆ 𝑆. Por definición, S´ es un subespacio generador S. Por ello es
importante conocer la cantidad máxima de vectores independientes entre sí de un
espacio vectorial, a eso le llamamos rango.
5.7 Definición rango de un espacio vectorial: El rango de un espacio vectorial V es la cantidad
máxima de vectores que puede tener un subespacio vectorial 𝑆 ⊆ 𝑉 que sea
independiente.
6. Bases, dimensión y coordenadas6
6.1 Observaciones: Por la obs. 5.6 Si de un sistema generador quitamos todos los
vectores que son combinación lineal de los demás, entonces el nuevo conjunto
independiente sigue generando el mismo subespacio. Esto nos lleva a la definición de
base.
6.2 Definición de base: Si B es linealmente independiente y es un subespacio
generador de S, entonces es una base de S.
6.3 Observaciones: Si de una base quitamos elementos, el conjunto resultante no es
una base pues habría vectores que no se podrían generar. De esta forma, el rango de una
base es la cantidad máxima de vectores independientes entre sí en un espacio y la
cantidad mínima de vectores necesarios para generar el espacio. Por ello todas las bases
tienen el mismo rango, esto es vital para poder hablar de dimensión y coordenadas.
6.4 Definición de dimensión: Sea n el rango de las bases de un espacio vectorial,
entonces n es la dimensión del espacio.
6.5 Definición de coordenadas: Sea 𝐵 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }una base de V un K-espacio
vectorial, todo 𝑤 ∈ 𝑉se puede escribir de forma única como combinación lineal de B,
ósea,𝑤 = ∑𝑛𝑖 𝑎𝑖 ∗ 𝑣𝑖 . De esta forma llamamos coordenadas de 𝑤 a los escalares 𝑎𝑖 con 𝑖 ∈
{1,2,3. . . , 𝑛}. Como notación tenemos 𝑤 = (𝑎1 , 𝑎2 , 𝑎3 . . . , 𝑎𝑛 ).
6.6 Ejemplo: En el ejemplo 2.2 se expusieron razones por las cuales el conjunto de
complejos C es un espacio vectorial y se adelantó que es un espacio vectorial de
dimensión 2. Ahora mostraremos una base de C, que es de rango 2 y por ello, C es
dimensión 2. Todo número de la forma a+bi puede expresarse como,
𝑎 + 𝑏𝑖 = 𝑎 ∗ (1 + 0𝑖) + 𝑏 ∗ (0 + 𝑖) = (𝑎, 𝑏)
Otro ejemplo es 𝑅 3 que se utiliza en física para describir distintas magnitudes en
el espacio. Aquí se definen los vectores unitarios 𝑥̂, 𝑦̂ y 𝑧̂ que no son más que una base
para expresar un trío ordenado, por ello decimos que vivimos en un espacio de 3
dimensiones.
𝑥̂ = (1,0,0) ; 𝑦̂ = (0,1,0) ; 𝑧̂ = (0,0,1)
vector posición 𝑟 = 𝑥𝑥̂ + 𝑦𝑦̂ + 𝑧𝑧̂ = (𝑥, 𝑦, 𝑧)

6
Espacios Vectoriales parte 2, todo el documento. Campos Neila, Universidad de Cantabria.
https://personales.unican.es/camposn/espacios_vectoriales1.pdf
 Algebra y geometría II Profesora Dra. Leslie Jiménez F. de Ciencias/U. de Chile

Donde “x”, “y” y “z” es la medición que se realiza del largo, ancho y alto para
describir la posición de un objeto. A esta forma de expresar bases se le llama base
canónica. Como hay distintas bases, las coordenadas se pueden cambiar
6.7 Ejemplo Cambio de bases: sean las coordenadas canónicas de un vector (x,y) y la base
B={(h,i),(j,k)}. Tenemos que las distintas coordenadas expresan el mismo vector, por
ello,
(𝑥, 𝑦) = 𝑥 ∗ (1,0) + 𝑦 ∗ (0,1) = 𝑎 ∗ (ℎ, 𝑖) + 𝑏 ∗ (𝑗, 𝑘)
De esta forma basta resolver el sistema, 𝑎ℎ + 𝑏𝑗 = 𝑥; 𝑎𝑖 + 𝑏𝑘 = 𝑦 para encontrar
las coordenadas (a,b)del vector (x,y) expresado en la base B.
6.7 Observaciones: Pero ¿para qué expresar un mismo vector de dos formas? Ese
cuestionamiento es totalmente válido pero debe invertirse, ¿Cuándo se observa un mismo
vector de dos formas distintas?. Existen casos en los cuales tenemos dos formas de
expresar una misma magnitud, usted por ejemplo medirá la posición de este documento
respecto de la distancia y dirección a la que está de usted, parámetro que es distinto para
un compañero en otro lugar, automáticamente ustedes dos asignan vectores unitarios
distintos para describir la misma posición, sin embargo, el documento no cambia de
posición porque una persona distinta lo mira. A esto en física se le conoce como sistema
de referencias y es vital comprender cómo cambiar de uno a otro para poder utilizar el
más conveniente al momento de resolver cuestionamientos observando desde distintas
perspectivas.
Los cambios de bases son solo una de las pocas transformaciones que se pueden
realizar a los vectores para su tratamiento, conoceremos las transformaciones lineales
que permiten, por ejemplo, generar rotaciones de figuras geométricas gracias a la
geometría analítica que las ha inscrito en el plano ℝxℝ con estructura vectorial.
7. Transformaciones lineales, matrices como vectores y matriz de una
transformación lineal 7
7.1 Definición transformación lineal: Sean 𝑊 y 𝑉 K-espacios vectoriales y 𝑇: 𝑊 → 𝑉 una
función con una regla de asignación 𝑇(𝑤) = 𝑣 con 𝑣 𝜖 𝑉y 𝑤 𝜖 𝑊. Esta será una
transformación lineal si y sólo si satisface:
1. 𝑇(𝑢 + 𝑣) = 𝑇(𝑢) + 𝑇(𝑣) ∀ 𝑢, 𝑣 ∈ 𝑊
2. 𝑇(𝑘 ∗ 𝑢) = 𝑘 ∗ 𝑇(𝑢) ∀ 𝑢 ∈ 𝑊, ∀ 𝑘 ∈ 𝐾
7.3 Observación: Para comprender las siguientes secciones, es requisito conocer el concepto
de matrices y las operatorias (+,∗,×) definidas para ellas. Es fácil de notar que la suma y
la ponderación de matriz por un escalar hereda las propiedades de estas operaciones en
los reales, pues es sumar cada coeficiente real con otro o multiplicarlos por un real, de
esta forma las matrices son un espacio vectorial y podemos utilizarlas para facilitar las
transformaciones lineales.
7.4 Matriz de una transformación lineal8: Sea 𝑇: 𝑊 → 𝑉 una transformación lineal entre los
espacios 𝑊y 𝑉de dimensiones 𝑗 y 𝑘 y bases 𝐵 = {𝑤1 , 𝑤 2 , . . . 𝑤𝑗 } 𝑦 𝐵´ =
{𝑣1 , 𝑣2 , . . . 𝑣𝑘 }respectivamente. La matriz, 𝑀(𝑇)𝐵𝐵´ asociada a 𝑇es de la forma,

Los coeficientes de la matriz resultan de evaluar en 𝑇cada vector de 𝐵para luego

encontrar sus coordenadas en la base 𝐵´,observe,
𝑇(𝑤1 ) = 𝑎11 ∗ (𝑣1 ) + 𝑎21 ∗ (𝑣2 ) + ⋯ + 𝑎𝑘1 ∗ (𝑣𝑘 )
𝑇(𝑤2 ) = 𝑎12 ∗ (𝑣1 ) + 𝑎22 ∗ (𝑣2 )+. . . +𝑎𝑘2 ∗ (𝑣𝑘 )
…
𝑇(𝑤𝑗 ) = 𝑎1𝑗 ∗ (𝑣1 ) + 𝑎2𝑗 ∗ (𝑣2 )+. . . +𝑎𝑘𝑗 ∗ (𝑣𝑘 )
Para entenderlo visualmente, notemos que los coeficientes que ponderan al
vector 𝑣𝑛 van en la fila 𝑛 de la matriz y pertenecen a la columna n si provienen de la
transformación 𝑇(𝑤𝑛 ).

7
Transformación lineal, U. Tecnológica nacional, facultad regional de Buenos Aires
https://aga.frba.utn.edu.ar/matriz-asociada-a-una-transformacion-lineal/#
8
Matriz asociada a una transformación lineal, U. Tecnológica nacional, facultad regional de Buenos Aires
https://aga.frba.utn.edu.ar/matriz-asociada-a-una-transformacion-lineal/
 Algebra y geometría II Profesora Dra. Leslie Jiménez F. de Ciencias/U. de Chile

A veces no se conoce la regla de asignación de 𝑇, pero si su conocemos la matriz

asociada𝑀(𝑇)𝐵𝐵´ y las bases sobre las cuales trabaja, podemos construir una matriz con
las coordenadas den la base 𝐵 𝑤 = (𝑏1 , 𝑏2 , … 𝑏𝑘 ) y trabajarla para encontrar la
transformación, observe,

Notemos que si 𝑇es biyectiva, podemos encontrar la transformada inversa.

7.5 Ejemplo/Ejercicio: Le invitamos a utilizar las herramientas de este documento en el
siguiente ejercicio: Sea el plano ℝ2 = {(𝑥, 𝑦): 𝑥 𝜖 ℝ ∧ 𝑦 𝜖 ℝ },
1. Defina una suma y una ponderación por escalar que dote al plano de las propiedades de
un R-espacio vectorial. Fundamente.
2. Dada una recta 𝑦 = 3𝑥, encuentre dos vectores independientes entre sí y sus simétricos
respecto de la recta. ¿Qué significa simetría? Hint: utilice un vector sobre la recta y otro
perpendicular a ella.
3. Explique por qué los dos vectores independientes escogidos constituyen una base de ℝ2 .
Exprese un vector (x,y) como combinación lineal de ellos con coeficientes 𝛼 y 𝛽determine
estos coeficientes en función de x e y
4. Note que los simétricos de la base escogida, son las evaluaciones de una transformación
lineal T. Evalúe la combinación lineal en T para encontrar una parametrización T(x,y) que
nos permita encontrar el simétrico respecto de y=2x para todo vector de ℝ2 .
Resolución:
1. Si definimos la suma de vectores +, tal que, (𝑥, 𝑦) + (ℎ, 𝑘) = (𝑥 + ℎ, 𝑦 + 𝑘)entonces de
forma inmediata nos damos cuenta que ésta es una operación cerrada y por las
propiedades de la suma en ℝ esta cumple con las propiedades de un espacio vectorial.
Por las mismas razones, 𝐴 ∗ (𝑥, 𝑦) = (𝐴𝑥, 𝐴𝑦)queda bien definido a partir del producto
en los reales. Así, el plano real es un espacio vectorial real.
2. Dos vectores independientes entre sí en ℝ2 son (1,3) y (-3,1) pues no existe número m tal
que (1,3) = 𝑚(3,1), luego, como hemos seguido el hint, es fácil encontrar que el simétrico
de (3,1) respecto 𝑦 = 3𝑥 es el vector (3,-1) pues estos son perpendiculares a la recta. Es
aún más fácil determinar el simétrico de un vector sobre la recta, pues no se modifica.
3. Cómo los vectores en ℝ2 se expresan con dos coordenadas se intuye que este espacio es
de dimensión 2, de esta forma el rango de una base de este espacio solo podrá ser 2, así,
como los vectores escogidos son independientes entre sí, y son 2, constituyen una base.
Por ello todo vector (x,y) es combinación lineal de ellos,
𝑥 + 3𝑦 𝑦 − 3𝑥
(𝑥, 𝑦) = 𝛼 ∗ (1,3) + 𝛽 ∗ (−3,1) ⇒ 𝑥 = 𝛼 − 3𝛽 ∧ 𝑦 = 3𝛼 + 𝛽 ⇒ 𝛼 = ∧𝛽 =
10 10
4. Siguiendo las instrucciones, 𝑇(1,3) = (1,3) y 𝑇(−3,1) = (3, −1), apliquemos T a (x,y)
utilizando la combinación lineal: 𝑇(𝑥, 𝑦) = 𝑇(𝛼 ∗ (1,3)+𝛽 ∗ (−3,1)
Con las propiedades de una combinación: 𝑇(𝑥, 𝑦) = 𝛼 ∗ 𝑇(1,3) + 𝛽 ∗ 𝑇(−3,1)
𝑇(𝑥, 𝑦) = 𝛼 ∗ (1,3) + 𝛽 ∗ (3, −1)
𝑇(𝑥, 𝑦) = (𝛼 + 3𝛽, 3𝛼 − 𝛽)
3𝑦−4𝑥 3𝑥+4𝑦
Con los valores de los coeficientes, obtenemos finalmente: 𝑇(𝑥, 𝑦) = ( 5
,
5
)
De esta forma, utilizando las herramientas de los espacios vectoriales hemos logrado
parametrizar los vectores simétricos respecto la recta 𝑦 = 3𝑥 mediante unos sencillos
sistemas de ecuaciones, algo que con las herramientas de la enseñanza media hubiese
sido muy difícil y engorroso.
7.6 Desafío final
Si usted está utilizando este material, probablemente ya conozca las herramientas
de la geometría analítica, por ello le desafiamos a utilizar la parametrización de rotación
de un vector para definir la rotación como transformación lineal con una matriz asociada.
Deberá llegar a la siguiente matriz,

Para dar por realizado el desafío justifique con las formalidades de la sección 7.4
la forma de la matriz en relación con la forma de la “fórmula” para rotaciones en el plano.