U N I D A D 4

Espacios Vectoriales.

4.1 Definición de espacio vectorial.

4.2 Definición de subespacio vectorial y sus propiedades.

4.3 Combinación lineal. Independencia lineal.

4.4 Base y dimensión de un espacio vectorial, cambio de base.

4.5 Espacio vectorial con producto interno y sus propiedades.

4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt.

U N I D A D 4 (En la libreta)

Espacios Vectoriales.

Espacio vectorial real

Un espacio vectorial real V es un conjunto de objetos, llamados vectores,
junto con dos operaciones llamadas suma y multiplicación por un escalar 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 a x.

AXIOMAS DE UN ESPACIO VECTORIAL

i. Si x  V y Y  V, entonces x+y  V

ii. Para todo x,y y z en V, (x+y)+z = x + (y +z)

(ley asociativa de la suma de vectores)
iii. Existe un vector 0  V tal que para todo x  V, x+0 = 0+x=x

(el 0 se llama vector cero o idéntico aditivo)

iv. Si x  V, existe un vector –x en V tal que x + (-x) = 0
(-x se llama inverso aditivo de x)
v. Si x y y están en V, entonces x+y= y+x
(ley conmutativa de la suma de vectores)
vi. Si x  V y a es un escalar, entonces a x  V
( cerradura bajo la multiplicación por un escalar)
vii. Si x y y están en V y  es un escalar, entonces  (x +y) =  x +  y
(primera ley distributiva)
 viii. Si x  V y  y  son escalares, entonces (  +  )x =  x+  x
(Segunda ley distributiva)
ix. Si x V y y son escalares, entonces y (x) = (y)x
(ley asociativa de la multiplicación por escalares)
x. Para cada vector x V, 1x= x

4.2 Definición de subespacio vectorial y sus propiedades.

Definición. Sea H un subconjunto de un espacio vectorial V y supongamos que

H es en sí un espacio vectorial con las operaciones de suma y multiplicación
escalar definidas sobre V. Se dice entonces que H es un subespacio de V.

Teorema. Un subconjunto no vacío H de un espacio vectorial V es un

subespacio de V si las dos reglas de cerradura valen:

Reglas para verificar si un subconjunto es un subespacio

i. Si x ∈ H y y ∈ H, entonces x + y ∈ H.

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

Demostración. Para demostrar que H es un espcacio vectorial, debemos

verificar que los axiomas de los espacios vectoriales cumplen con las
operaciones de la suma vectorial y multiplicación escalar definidas en V. Las
dos operaciones de cerradura se cumplen por hipótesis. Puesto que los
vectores en H también están en V, las leyes asociativa, conmutativa,
distributiva y la del neutro multiplicativo se satisfacen. Ahora, si x ∈ H entonces
0x ∈ H, debido a la hipótesis (ii). Pero por el teorema de espacios vectoriales
(parte ii), 0x = 0. Consecuentemente 0 ∈ H y el axioma (iii) se cumple.
Finalmente, de la parte (ii) tenemos que (-1)x ∈ H para todo x ∈ H. Por el
teorema de espacios vectoriales (parte iv), -x = (-1)x ∈ H, de tal forma que el
axioma (iv) también se cumple y con ello concluimos la demostración.
Este teorema nos dice que para probar que H es un subespacio de V, nos basta
con verificar que:

x + y y αx están en H, siempre que x y y estén en H y α sea un escalar.

La demostración anterior contieen un resultado importante que debe

mencionarse explícitamente:

Todo subespacio de un espacio vectorial V contiene al 0.

Este resultado nos permitirá ver fácilmente si un subespacio particular V no es

un espacio vectorial. Esto es, si un subconjunto no contiene al 0, entonces no
es un subespacio.

Ejemplo 1.

Para todo espacio vectorial V, el subconjunto |0| que contiene solamente el

vector cero, es un subespacio puesto que 0 +0 = 0 y α0 = 0 para todo número
real α; se le conoce como el subespacio trivial.

Ejemplo 2

V es un subespacio de sí mismo para todo espacio vectorial V.

Subespacio propio. Los primeros dos ejemplos nos muestran que todo espacio
vectorial V contiene dos espacios vectoriales, |0| y V (a menos que V=|0|).
Desde luego, es mucho más interesante encontrar otros subespacios. Los
subespacios que no son ni {0} ni V se conocen como subespacios propios.

Teorema. Sean H1 y H2 subespacios de un espacio vectorial V. Entonces H1∩H2

es un subespacio de V.

Demostración. Sean x1 ∈H1∩H2 y x2. Entonces, dado que H1 y H2 son

subespacios, x1 + x2 ∈ H1 y x1 + x2 ∈ H2. Esto es, x1 + x2 ∈H1∩H2. Análogamente,
αx1∈H1∩H2. De esta manera se satisfacen los dos axiomas de cerradura y por
lo tanto H1∩H2, es un subespacio.

4.3 Combinación lineal. Independencia lineal.

INDEPENDENCIA LINEAL
En el estudio de álgebra lineal, una de las ideas centrales es la dependencia o
independencia lineal de los vectores.

Dependencia e independencia líneal sean v1, v2, ..., vn, n vectores

en un espacio vectorial V. Entonces se dice que los vectores son lineamientos
dependientes si existen n escalares no todos cero tales que
C1 v1 + C2 v2 + ... Cnvn = 0

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

lineamientos independientes.

TEOREMA 1
Dos vectores en un espacio vectorial son linealmente
dependientes si y sólo si uno es un múltiplo escalar del otro.

TEOREMA 2
Un conjunto de n vectores en R m siempre es linealmente
dependiente si n>m.

TEOREMA 3
a11 a12 ...
a1n
a21 a22 ...
A= a2n
.
.

Entonces. las columnas de A, consideradas como vectores, son

am1 am2 ...
linealmente
amn dependientes si y solo si el sistema, que se puede escribir
como Ac = 0, tiene soluciones no triviales.

TEOREMA 4
Sean v1, v2, ..., vn, n vectores en Rn y sea A una matriz de n*n cuyas
columnas son v1, v2, ..., vn. Entonces v1, v2, ..., vn son linealmente
independientes si y sólo si la única solución al sistema homogéneo
Ax= 0 es la solución trivial x=0.
TEOREMA 5
Sea A una matriz de n*n. Entonces det A = 0 si y solo si las columnas
de A son linealmente independientes.

TEOREMA 6
Cualquier conjunto n vectores linealmente independientes en R n
genera a Rn

Dos vectores linealmente dependientes en R4

2 -6
-1 3
0 0
3 -9
Los vectores v1= y v2= son linealmente dependientes ya que v2= -3v1.

Ejemplos:

Determina si el vector Z= ‹2,1› es linealmente independiente de los vectores

X=‹3,-2› y Y= ‹1,4›

C1 v1 + C2 v2 + ... Cnvn = 0
C1 v1 + C2 v2 + ... Cnvn = z
C1 (3,-2)+ C2 (1,4) = (2,1)
3 1 2
C1 | |+ C2| | = | | Se resuelve aplicando una ecuación de 2x2
−2 4 1
2 3𝐶1 + 𝐶2 = 2
3 − 2𝐶1 + 4𝐶2 = 1

6𝐶1 + 2𝐶2 = 4
−6𝐶1 + 12𝐶2 = 3

14𝐶2 = 7 C2=7/14 C2=1/2

Buscas a C1 despejando en culaquierade las dos ecuaciones sustituyendo a

C2.
3𝐶1 + 𝐶2 = 2
3C1+1/2=2
 3/2
3C1=2-1/2 C1= C1=1/2
3

Se dice que es linealmente independientes ya que existe lo escalares.

1 1
(3,-2)+ (1,4) = (2,1)
2 2

Determina si < 1,2,1 > es linealmente independiente de los vectores <

−1,2,1 >,
< 1,1, −2 >, < 1,2,3 > en R.

C1 v1 + C2 v2 + ... Cnvn = z
C1 < −1,2,1 >+ C2< 1,1, −2 >, + C3< 1,2,3 > = < 1,2,1 >
−1 1 1 1
𝐶1 | 2 | + 𝐶2 | 1 | + 𝐶3 |2| = |2| Nota: Puedes observar que se forma un
1 −2 3 1
sistema de ecuaciones y este se puede resolver por los métodos vistos
anteriormente.

−1𝐶1 + 𝐶2 + 𝐶3 = 1
2𝐶1 + 𝐶2 + 2𝐶3 = 2 Resolverlo por el método de Cramer
1𝐶1 − 2𝐶2 + 3𝐶3 = 1

1 1
La solucion debe ser: 𝐶1 = 𝐶2 = 𝑦 𝐶3 = 5/8
8 2

−1 1 1 1
1/8 | 2 | + 1/2 | 1 | + 5/8 |2| = |2| Se dice que es linealmente
1 −2 3 1
independiente porque existen los escalares.

Ejercicios:

1. Determina si < 1,2,1 > es linealmente independiente de los vectores <

−1,2,1 >, < 1,1,2 >, < 1,2,3 > en R.
2. Expresa el vector m < 1,2,3 > es linealmente independiente de los
vectores 𝑢 =< 1,0,1 >, v=< 1,0,1 > y w= < 0,1,1 > en R
3. Dados los vectores x= < 1,2 > y y=< 3,1 >, hallar el vector de independencia
lineal z=2x+3y