INSTITUTO TECNOLOGICO

SUPERIOR DE LA COSTA CHICA

CARRERA:
INGENIERIA CIVIL
MATERIA:
ALGEBRA LINEAL
ENCARGADO DE LA MATERIA:
ING. LUIS BERNARDO VELASCO
TEMAS:
ESPACIOS VECTORIALES
TRANSFORMACIONES LINEALES

EQUIPO:
JORGE GUZMAN LOPEZ
ANASTACIO HERNANDEZ MARTINEZ
GAUDENCIO NICOLAS SILVA
JESUS IVAN GUERRERO SUASTEGUI

OMETEPEC GRO., A JULIO DEL 2020

 TEMA: ESPACIO VECTORIAL
4.1 DEFINICIÓN DE ESPACIO VECTORIAL

Espacio vectorial real.

Un espacio vectorial real V es un conjunto de objetos, denominados vectores,

junto con dos operaciones binarias llamadas suma y multiplicación por un
escalar y que satisfacen los diez axiomas enumerados a continuación.

Notación. Si “x” y “y” están en V y si a es un número real, entonces la suma se

escribe como

“x + y” y el producto escalar de a y x como ax.

Antes de presentar la lista de las propiedades que satisfacen los vectores en un

espacio vectorial deben mencionarse dos asuntos de importancia. En primer
lugar, mientras que puede ser útil pensar en R2 o R3 al manejar un espacio
vectorial, con frecuencia ocurre que el espacio vectorial parece ser muy
diferente a estos cómodos espacios (en breve tocaremos este tema). En
segunda instancia, la definición 1 ofrece una definición de un espacio vectorial
real. La palabra “real” significa que los escalares que se usan son números
reales. Sería igualmente sencillo definir un espacio vectorial complejo utilizando
números complejos en lugar de reales. Este libro está dedicado principalmente
a espacios vectoriales reales, pero las generalizaciones a otros conjuntos de
escalares presentan muy poca dificultad.

Axiomas de un espacio vectorial.

1- Si X pertenece a V y Y pertenece a V, entonces X+Y pertenece a V.

2- Para todo X, Y y Z en V, (x+y)+z = x(y+z).

3- Existe un vector |0 pertenece V tal que para todo X pertenece a V,

X+0=0+X=X.
4- Si x pertenece a V, existe un vector –x en V tal que x+(-x)=0.

5- Si X y Y están en V, entonces x+y=y+x.

6- Si x pertenece a V y a es un escalar, entonces ax pertenece a V.

7- Si X y Y están en V y a es un ecalar, entonces a(x+y)= ax + ay

8- Si X pertenece a V y a y b son escalares, entonces (a+b) x = ax+ by.

9- Si X pertenece a V y a y b son escalares, entonces a(bx) = (ab)x.

10- Para cada vector X pertenece a V, 1x = x.

4.2 DEFINICION DE SUBESPACIO VECTORIAL Y SUS PROPIEDADES

Sea H un subconjunto no vacío de un espacio vectorial V y suponga que

H es en sí un espacio vectorial bajo las operaciones de suma y multiplicación
por un escalar definidas en V. Entonces se dice que H es un sub espacio de V.

Existen múltiples ejemplos de sub espacio, sin embargo, en primer lugar,

se demostrará un resultado que hace relativamente sencillo determinar si un
subconjunto de V es en realidad sub espacio de V

Teorema de sub espacio

Un subconjunto no vacío de H de un espacio vectorial V es un sub

espacio de V si se cumplen las dos reglas de cerradura:

Reglas de cerradura para ver si un subconjunto no vació es un sub espacio

i) Si x € H y y € H, entonces x + y € H.

ii) Si x € H, entonces αx € H para todo escalar α.

Es obvio que si H es un espacio vectorial, entonces las dos reglas de

cerradura se deberán cumplir. De lo contrario, para demostrar que es un
espacio vectorial, se deberá demostrar que los axiomas i) a x) de la definición
cumplen bajo las operaciones de suma de vectores y multiplicación por un
escalar definidas en V. Las dos operaciones de cerradura [axiomas i) y iv)] se
cumplen por hipótesis, como los vectores en H son también vectores en V, las
identidades asociativa, conmutativa, distributiva y multiplicativa [axiomas ii), v),
vii), viii), ix) y x)] se cumplen.

Este teorema demuestra que para probar si H es o no es un sub espacio

de V, es suficiente verificar que:

x + y y αX están en H cuando x y y están en H y α es un escalar.

PROPIEDADES DE SUB ESPACIO VECTORIAL

1). El vector cero de V está en H.2

2). H es cerrado bajo la suma de vectores. Esto es, para cada u y v en H, la

suma u + v está en H.

3). H es cerrado bajo la multiplicación por escalares. Esto es, para cada u en H
y cada escalar c, el vector cu está en H.

4.3 COMBINACION LINEAL

Una combinación lineal de dos o más vectores es el vector que se obtiene

al sumar esos vectores multiplicados por escalares.

Cualquier vector se puede poner como combinación lineal de otros que

tengan distinta dirección.

Esta combinación lineal es única.

Sean v1,v2,…,vn vectores en un espacio vectorial V. Entonces cualquier vector

de la forma:

α1v1+α2v2+…+αnvn donde α1v1+α2v2+…+αnvn son escalares se denomina

combinación lineal de v1,v2,…,vn.

Todo vector V = (a, b, c) en R3 se puede expresar como

i = (1,0,0);

j = (0,1,0);

k =(0,0,1)

V = (a, b, c) = a(i) + b(j) + c(k)

Entonces se dice que V es una combinación lineal de los 3 vectores i,j,k.

4.4 DEPENDENCIA E INDEPENDENCIA LINEAL

Los vectores son linealmente independientes si tienen distinta dirección y

sus componentes no son proporcionales.

Un conjunto de vectores {v1,v2,…,vk} es un espacio vectorial V es

linealmente dependiente si existen escalares c1,c2,…,ck, al menos uno de los
cuales no es cero, tales que:

c1v1+c2v2+…+ckvk=0

Si los vectores no son linealmente dependientes, se dice que son

linealmente independientes.

Criterios de Independencia Lineal

Sean u1, u2, …,uk k vectores en Rn y A la matriz que tiene como

columnas a estos vectores, los vectores son linealmente independientes si el
sistema Ax = 0 tiene únicamente solución trivial.

Los vectores son linealmente dependientes si el sistema Ax=0 tiene

soluciones no triviales (solución múltiple).

Si k=n

Los vectores son linealmente independientes si A es invertible

Si k>n

Los vectores son linealmente dependientes.

Dos vectores en un espacio vectorial son linealmente dependientes si uno

de ellos es múltiplo escalar del otro.

Un conjunto de vectores linealmente independientes en n contiene a lo

más n vectores.
 Tres vectores en 3 son linealmente dependientes si y sólo si son
coplanares, esto es, que están en un mismo plano.

Teoremas

Cualquier conjunto que contenga al vector 0 es linealmente dependiente.

Cualquier conjunto que contenga un único vector diferente de cero, v ≠0,

es linealmente independiente.

Cualquier conjunto formado por dos vectores diferentes de cero, S = {v1,

v2}, donde v1 ≠ 0, v2 ≠ 0, es linealmente dependiente si, y sólo si, uno de los
vectores es múltiplo escalar del otro.

Cualquier conjunto que contenga un subconjunto linealmente dependiente

es linealmente dependiente.

Cualquier subconjunto de un conjunto linealmente independiente es

linealmente independiente.

4.5 BASE Y DIMENSION DE UN ESPACIO VECTORIAL

Una combinación lineal de dos o más vectores es el vector que se obtiene

al sumar esos vectores multiplicados por escalares.

Cualquier vector se puede poner como combinación lineal de otros que tengan
distinta dirección.

Esta combinación lineal es única.

Sean v1,v2,…,vn vectores en un espacio vectorial V. Entonces cualquier vector

de la forma:
α1v1+α2v2+…+αnvn
donde α1v1+α2v2+…+αnvn son escalares se denomina combinación lineal de
v1,v2,…,vn. 

Todo vector V = (a, b, c) en R 3 se puede expresar como

i = (1,0,0); j = (0,1,0); k =(0,0,1)
V = (a, b, c) = a(i) + b(j) + c(k)
Entonces se dice que V es una combinación lineal de los 3 vectores i,j,k.

Los vectores son linealmente independientes si tienen distinta dirección y sus

componentes no son proporcionales.

Un conjunto de vectores {v 1,v2,…,vk} es un espacio vectorial V es linealmente

dependiente si existen escalares c1,c2,…,ck, al menos uno de los cuales no es
cero, tales que:
c1v1+c2v2+…+ckvk=0
Si los vectores no son linealmente dependientes, se dice que son linealmente
independientes.

Criterios de Independencia Lineal

Sean u1, u2, …,uk k vectores en Rn y A la matriz que tiene como columnas a
estos vectores, los vectores son linealmente independientes si el sistema Ax = 0
tiene únicamente solución trivial.
Los vectores son linealmente dependientes si el sistema Ax=0 tiene
soluciones no triviales (solución múltiple).
Si k=n
Los vectores son linealmente independientes si A es invertible
Si k>n Los vectores son linealmente dependientes.
Dos vectores en un espacio vectorial son linealmente dependientes si uno de
ellos es múltiplo escalar del otro.
Un conjunto de vectores linealmente independientes en n contiene a lo más n
vectores.
Tres vectores en 3 son linealmente dependientes si y sólo si son coplanares,
esto es, que están en un mismo plano. 

Teoremas

1. Cualquier conjunto que contenga al vector 0 es linealmente dependiente.

2. Cualquier conjunto que contenga un único vector diferente de cero, v ≠0,
es linealmente independiente.
3. Cualquier conjunto formado por dos vectores diferentes de cero, S = {v 1,
v2}, donde v1 ≠ 0, v2 ≠ 0, es linealmente dependiente si, y sólo si, uno de los
vectores es múltiplo escalar del otro.
4. Cualquier conjunto que contenga un subconjunto linealmente dependiente
es linealmente dependiente.
5. Cualquier subconjunto  de un conjunto linealmente independiente es
linealmente independiente.
4.6 ESPACIO VECTORIAL CON PRODUCTO INTERNO
Producto Interno:
Un producto interno sobre un espacio vectorial V es una operación que
asigna a cada par de vectores u y v en V un número real <u, v>.
Un producto interior sobre V es una función que asocia un número real ‹u, v›
con cada par de vectores u y v cumple los siguientes axiomas:
Propiedades:
i. (v, v) ≥ 0 v. (u, v) = (v, u)
ii. (v, v) = 0 si y sólo si v = 0. vi. (αu, v) = α(u, v)
iii, (u, v +w) = (u, v)+ (u, w) vii. (u, αv) = α(u, v)
iv. (u + v, w) = (u, w)+(v, w)
Espacios con producto interior:
El producto interior euclidiano es solo uno más de los productos internos que se
tiene que definir en Rn Para distinguir entre el producto interno normal y otros
posibles productos internos se usa la siguiente notación.
u ●v = producto punto (producto interior euclidiano para Rn)
‹u, v› = producto interno general para espacio vectorial V.
Propiedades de los productos interiores:
1. ‹0, v› = ‹v, 0› = 0
2. ‹u + v, w› = ‹u, w› + ‹v, w›
3. ‹u, cv› = c‹u, v›.
Un espacio vectorial con producto interno se denomina espacio con producto
interno.
 4.7 DEFINICIÓN DE CONJUNTO ORTOGONALES Y CONJUNTOS
ORTONORMALES

  Un conjunto S de vectores en un espacio V con producto interior se llama

ortogonal si todo par de vectores en S es ortogonal, además cada vector en
este conjunto es unitario, entonces S se denomina ortonormal. 

Proceso de ortonormalización de Gram-Schmidt

 1.       Sea B = {v1, v2, . . ., vn} una base de un espacio V con producto interno

2.      Sea B´= {w1, w2, . . ., wn} donde wi está dado por:

 w1= v1

Entonces B´ es una base ortogonal de V.

3.      Sea ui= wi ││ w1││ entonces el conjunto B´´={ u1, u2, . . ., un} es una base

ortonormal de V.

Ejemplo: Forma alternativa del proceso de ortonormalización de Gram-Schmidt

Determine una base ortonormal del espacio solución del siguiente sistema
homogéneo de ecuaciones lineales

 w+ x +           z= 0

2w+x + 2y+ 6z=0

Solución: La matriz aumentada se reduce como se sigue.

 --> 
Entonces cada solución del sistema es de la forma

Una base del espacio solución es:

 B= {v1, v2,} = {(-2,2,1,0), (1,-8,0,1)}.

 Para hallar una base ortonormal B´= {u1, u2}, se usa la forma alternativa del
proceso de ortonormalización de Gram- Schmidt como sigue.
 UNIDAD 5:
TRANSFORMACIONES LINEALES

5.1 Introducción a las transformaciones lineales.

Definición: Las transformaciones lineales son las funciones y tratan sobre
K-espacios vectoriales que son compatibles con la estructura (es decir, con la
operación y la acción) de estos espacios.

Aquí se presentan las funciones entre espacios vectoriales que preservan

las cualidades de los espacios vectoriales. Es decir, de funciones que
preservan la suma y la multiplicación por escalares.

Nosotros usaremos el concepto de la función para darle un tratamiento a

los sistemas de ecuaciones lineales. La restricción que haremos sera sobre el
tipo de funciones: solo estaremos interesados en funciones que preserven las
operaciones en el espacio vectorial. Este tipo de funciones serán llamadas
funciones lineales. Primeramente las definiremos, veremos algunas
propiedades generales y después veremos como se aplican estos resultados a
sistemas de ecuaciones.

Sean V y W dos espacios vectoriales posiblemente iguales.

Una transformación lineal o mapeo lineal de V a W es una función T : V → W

tal que para todos los vectores u y v de V y cualquier escalar c:

a) T (u + v) = T (u) + T (v)

b) T (c u) = c T (u)

Demuestre que la transformación T : R2 →R2 definida por

                        
es lineal.
                  

                  

Entonces :
                    

  

Por otro lado, para todo escalar c,

                              

          
Como se cumplen las dos condiciones:      
                      

   
T es lineal.
Una transformación lineal preserva combinaciones lineales. Veremos que,
debido a esto, una transformación lineal queda unívoca-mente determinada por
los valores que toma en los elementos de una base cualquiera de su dominio.

Teniendo en cuenta que las transformaciones lineales son funciones entre

conjuntos, tiene sentido estudiar la validez de las propiedades usuales de
funciones: inyectividad, suryectividad y biyectividad.

Las transformaciones lineales que verifican alguna de estas propiedades

reciben nombres particulares:

Definición 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V → W

una transformación lineal. Se dice que:

1. f es un monomorfismo si f es inyectiva.

2. f es un epimorfismo si f es suryectiva.

3. f es un isomorfismo si f es biyectiva.
En algunos casos, consideraremos transformaciones lineales de un K-espacio
vectorial en s ́ı mismo:

Sea V un K-espacio vectorial.

Una transformación lineal f : V → V se llama un endomorfismo de V . Si f es un

endomorfismo que es además un isomorfismo, entonces se dice que es un
automorfismo.
5.2 NÚCLEO E IMAGEN DE UNA TRANSFORMACIÓN LINEAL.
Transformaciones lineales: núcleo e imagen.

Teorema  1

Sea T: V S W una transformación lineal. Entonces para todos los

vectores u, v, v1,

v2, . . . , vn en V y todos los escalares a1, a2, . . . , an:

i. T(0) = 0

ii. T(u - v) = Tu - Tv

iii. T(a1v1 + a2v2 +. . .+ anvn) = a1Tv1 + a2Tv2 +. . .+ anTvn

Nota. En la parte i) el 0 de la izquierda es el vector cero en V; mientras que

el 0 de la

derecha es el vector cero en W.

 Teorema 2

Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, . . . , vn}.

Sean w1,

w2, . . . , wn vectores en W. Suponga que T1 y T2 son dos transformaciones

lineales de V

en W tales que T1vi = T2vi = wi para i = 1, 2, . . . , n. Entonces para cualquier

vector v ∈

V, T1v = T2v; es decir T1 = T2.
 Ejemplo

Definición 1 Núcleo e imagen de una transformación lineal

Sean V y W dos espacios vectoriales y sea T:V W una transformación lineal.

Entonces

 i . El núcleo de T, denotado por un, está dado por

ii. La imagen de T, denotado por Im T, esta dado por

Observacion 1. Observe que un T es no vacio porque, de acuerdo al teorema 1,
T(0) = 0 de manera que 0 ϵ un T para cualquier transformación lineal T. Se tiene
interés en encontrar otros vectores en V que “se transformen en 0”. De nuevo,
observe que cuando escribimos T(0) = 0, el 0 de la izquierda está en V y el de la
derecha en W.

 Observación 2. La imagen  de T es simplemente el conjunto de “imajenes” de

los vectores en V bajo la transformación T. De hecho, si w = Tv, se dice que w es
la imagen de v bajo T.

 Antes de dar ejemplos de núcleos e imágenes , se demostrará un teorema de

gran utilidad.

 Teorema 4

Si T:V W es una transformación lineal, entonces

i.Un T es un subespacio de V.
ii.Im T es un subespacio de W.

 Demostracion

i.Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) =  = 0 = 0 de

forma que u + v y ∝u están en un T.

ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V.

Esto significa que T(u + v)= Tu + Tv = w + x y T(∝u) = ∝Tu =∝w. Por lo tanto, w +
x y ∝w están en Im T.

 Ejemplo 3.  Núcleo e imagen de la transformación cero

Sea Tv = 0 para todo vϵ V(T es la transformación cero). Entonces un T = v e Im T

= {0}.

 Ejemplo 4   Núcleo e imagen de la transformación identidad

Sea Tv = v para vϵ V(T es la transformación identidad). Entonces un T= {0} e Im

T = V.

 Las transformaciones cero e identidad proporcionan dos extremos. En la

primera todo se                     encuentra en el núcleo. En la segunda sólo el vector
cero se encuentra en el núcleo. Los casos intermedios son más interesantes.

Ejemplo 5 Núcleo e imagen de un operador de proyección

Sea T:R3 R3 definida por

T es el operador de proyección de R3 en el plano xy.

Entonces x = y = 0. Así, nu T = {(x,y,z):x  = y = 0, zϵR}, es decir, el eje z, e Im T =

{(x,y,z): z = 0}, es decir el  plano xy. Observe que dim un T = 1 y dim Im T = 2.

Definición 2      Nulidad y rango de una transformación lineal

Si T es una transformación lineal de v en w, entonces se define.

Toda matriz A de m*n da lugar a una transformación lineal T:R ´´ R´´´ definida por
Tx = Ax. Es evidente que un T = NA, Im T = Im A = CA, v(T) = v(A) y p(T) = p(A).
Entonces se ve que las definiciones de núcleo, imagen, nulidad y rango de una
transformación lineal son extensiones del espacio nulo, la imagen, la nulidad y el
rango de una matriz.