Espacios Vectoriales

Facultad de Ciencias, Universidad Nacional Autónoma de México

Marco Antonio Luna Pacheco, malp_r94@ciencias.unam.mx

1 Introducción
Al aproximarse al estudio de la realidad, la física requiere herramientas matemáticas que le permitan construir
modelos que describan y reproduzcan los fenómenos de la naturaleza. Una de las herramientas más comunes,
y con lo que de hecho tenemos un primer contacto de manera temprana en nuestra formación académica,
son los vectores. Solemos aprender que un vector tiene magnitud, sentido y dirección; queriendo decir que es
aquello que está definido por un valor numérico (su magnitud), y una orientación (sentido y dirección). De
manera intuitiva, podemos decir que un vector no sólo indica una magnitud, sino que lleva implícito cierto
sentido de movimiento.
Formalmente, para definir un vector, necesitamos primero definir el campo escalar sobre el cuál vamos a
operarlo, es decir, su magnitud. Usualmente los vectores se definen sobre el campo de los números reales,
aunque también pueden definirse sobre los complejos. Si se tienen los vectores x,y, z, y a, b ∈ R, la suma de
vectores y la multiplicación de vectores por escalares cumplen las siguientes propiedades:
1. x + y = y + x,
2. (x + y) + z = x + (y + z),
3. Existe un vector 0, tal que x + 0 = x, para todo vector x.
4. Para cada vector x, existe un vector y, tal que x + y = 0.
5. 1x = x,
6. (ab)x = a(bx),
7. a(x + y) = ax + ay,
8. (a + b)x = ax + bx.

2 Espacios vectoriales
El hecho de que definiendo un campo sobre el cual los vectores puedan actuar, y dos operaciones, la suma de
vectores y la multiplicación por escalares, arroje una estructura conocida, nos lleva a pensar que la noción
de vectores, y sus propiedades pueden abstraerse para facilitar su manipulación.
Definición 2.1. Un espacio vectorial V sobre un campo K, consiste en un conjunto en el que están definidas
dos operaciones (suma y multiplicación por escalares, es decir elementos del campo), tal que para cualquier
par de elementos u, v ∈ V existe un único elemento u + v ∈ V, y para cada elemento a ∈ K y cada elemento
v ∈ V exista un único elemento av ∈ V, de manera que se cumplan las siguientes condiciones:
1. La suma es conmutativa.
2. La suma es asociativa.
3. Existe el neutro aditivo.

1
2 ESPACIOS VECTORIALES 2

4. Existe el inverso aditivo.

5. El neutro multiplicativo del campo funciona como neutro multiplicativo en la multiplicación por es-
calares.
6. ∀a ∈ K, y ∀u, v ∈ V, a(u + v) = au + av.

7. ∀a, b ∈ K, y ∀v ∈ V, (a + b)v = av + bv.

Un objeto de la forma (a1 , ..., an ) se denomina n-dimensional, n-ada o n-tupla, donde los valores o entradas
ai son elementos del campo K. Dos n-adas son iguales si y sólo si ai = bi para i = 1, 2, ..., n.
Teorema 2.1. (Ley de la cancelación para la suma vectorial). Si s, u, v ∈ V, tales que u + s = v + s,
entonces u = v.
Demostración 1. Por la propiedad del inverso aditivo de los espacios vectoriales, sabemos que existe un
elemento r ∈ V, tal que s + r = 0. De donde:

u = u + 0,
=⇒ u + 0 = u + (s + r),
=⇒ u + (s + r) = (u + s) + r,
=⇒ (u + s) + r = (v + s) + r,
(1)
=⇒ (v + s) + r = v + (s + r),
=⇒ v + (s + r) = v + 0,
=⇒ v + 0 = v,
∴ u = v.

Teorema 2.2. ∀v ∈ V, a ∈ K, (−a)v = −(av).

Demostración 2. El elemento −(av), cumple:

av + (−(av)) = 0. (2)

Sin embargo tenemos que:

(a + (−a)) = 0, (3)
y que, a su vez,
0v = 0, ∀v ∈ V. (4)
De donde:
(a + (−a))v = 0. (5)
Por la propiedad 7 de los espacios vectoriales:

(a + (−a))v = av + (−a)v,
(6)
=⇒ av + (−a)v = 0,

si igualamos las ecuaciones (2) y (6), por el teorema de la cancelación para espacios vectoriales:

av + (−av) = av + (−a)v,
(7)
∴ (−av) = (−a)v.
3 SUBESPACIOS 3

2.1 Ejemplos de espacios vectoriales

Ejemplos de campos vectoriales sobre un campo K, son:
• El espacio de matrices m × n Mm×n (K).
• El espacio vectorial F(S, K) de todas las funciones de un conjunto S en un campo K.
Sea S un conjunto no vacío y K cualquier campo y sea F(S, K) el conjunto de todas las funciones que
van de S a K. Dos elementos f, g ∈ F(S, K) se definen como iguales si f (s) = g(s) para cada s ∈ S. El
conjunto F(S, K) es un espacio vectorial bajo las operaciones de suma y multiplicación por escalares
definidas para f, g ∈ F(S, K) y c ∈ K por:
(f + g)(s) = f (s) + g(s),
(8)
(cf )(s) = c(f (s)).

• Un polinomio con coeficientes de un campo K es una expresión de la forma:

f (x) = an xn + an−1 xn−1 + ... + a1 x + a0 , (9)
donde n es un entero no negativo y an , ..., a0 , son elementos de K. Si f (x) = 0, esto es, si an = ... =
a0 = 0, entonces f (x) se llama el polinomio cero, y se dice que el grado de f (x) es −1; de otra forma
se define el grado de un polinomio como el mayor exponente de x que aparece en la representación
correspondiente a un coeficiente no nulo. Los polinomios de grado cero son funciones de la forma
f (x) = c para algún c ∈ K. Decimos que dos polinomios f (x) y g(x) son iguales si y sólo si tienen el
mismo grado y los coeficientes de potencias iguales son iguales.
• El espacio vectorial P (K) de todos los polinomios con coeficientes de un campo K.

3 Subespacios
Algebráicamente, una subestructura, es un subconjunto que posee la misma estructura que el conjunto al
que pertenece. Bajo esta consideración, podemos definir un subespacio vectorial como sigue:
Definición 3.1. Decimos que W ⊂ V, en el que V es un espacio vectorial sobre un campo K, es un subespacio
vectorial de V, bajo las operaciones de suma y multiplicación por escalares definidas en V, si W es un espacio
vectorial sobre K.
Sin embargo, debido a que W ⊂ V, todos los elementos w ∈ W son elementos de V. Como sabemos,
V es un espacio vectorial, por lo que todos sus elementos, incluidos aquellos contenidos en W, cumplen las
propiedades 1, 2, 5, 6, 7 de la definición de espacios vectoriales. Por lo tanto, podemos enunciar el siguiente
teorema:
Teorema 3.1. Sea V un espacio vectorial sobre un campo K y W ⊂ V, decimos que W es un subespacio
de V, si y sólo si se satisfacen las siguientes condiciones:
1. 0 ∈ W.
2. Si r, w ∈ W =⇒ r + w ∈ W.
3. Si a ∈ K, y w ∈ W =⇒ aw ∈ W.
Demostración 3. Si W es un subespacio de V, entonces W es un espacio vectorial bajo las operaciones de
suma y multiplicación por escalares definidas en V. Por lo tanto, se cumplen las propiedades 2 y 3, y por
definición existe un elemento 00 ∈ W tal que w + 00 = w para toda w ∈ W. Sin embargo, como W ⊂ V,
w ∈ V, por lo que w + 0 = w. Usando el Teorema 2.1, 00 = 0. De donde la condición 1 también se satisface.
Ahora, si W satisface las condiciones 1, 2 y 3, W puede ser un subespacio de V si se cumple que para
cada elemento w ∈ W, w ∈ V y si el inverso aditivo de cada elemento de W pertenece a W. Demostrar esto
es sencillo, ya que si w ∈ W, entonces por la condición 3, (−1)w ∈ W, y por el Teorema 2.2 tenemos que
−w = (−1)w. Por lo que W es un subespacio de V.
3 SUBESPACIOS 4

3.1 Otras propiedades de los subespacios

Teorema 3.2. La intersección de subespacios de un espacio vectorial V es un subespacio de V.
T
Demostración 4. Sea C el conjunto de subespacios de V, y sea W = C. Cada uno de los T subespacios
contiene al menos al vector 0, por lo que 0 ∈ W. Sean a ∈ K y u, v ∈ W, como u, v T ∈ C, entonces
u, v, son elementos de cada subespacio en C, de donde podemos concluir que u + v, au ∈ C, por lo que, de
acuerdo al Teorema 3.1 W es un subespacio de V.

Una vez que demostramos que la intersección de subespacios es un subespacio, es lógico preguntarse si la
unión de subespacios es o no un subespacio. Podemos ver de las condiciones del Teorema 3.1, que si tenemos
dos subespacios S1 , S2 ⊂ V definidos de manera que S1 ∩ S2 = {0}, la unión de subespacios satisface las
condiciones 1 y 3 del Teorema 3.1, sin embargo, si tomamos s1 ∈ S1 y s2 ∈ S2 , si bien s1 , s2 ∈ S1 ∪ S2 ,
s1 + s2 ∈
/ S1 ∪ S2 , por lo que la unión de dos subespacios no es siempre un subespacio. A pesar de ello,
podemos definir un método para construir un subespacio que incluya dos, o un número finito, de subespacios:
Definición 3.2. Sean S1 , S2 ⊂ V dos subconjuntos no vacíos de un espacio vectorial. Definimos la suma de
S1 y S2 , S1 + S2 como {u + v : u ∈ S1 , v ∈ S2 }. La suma finita de subconjuntos no vacíos de V, S1 , ..., Sn
se define como sigue:
S1 + ... + Sn = {u1 + ... + un : ui ∈ Si , i = 1, 2, ..., n} (10)

Teorema 3.3. Sean S1 , S2 subespacios de un espacio vectorial V, S1 + S2 es un subespacio de V.

Demostración 5. Como S1 , S2 son subespacios vectoriales, 0 ∈ S1 y 0 ∈ S2 . Sea a ∈ K y u, v ∈ S1 + S2 ,
entonces por definición, existen u1 , v1 ∈ S1 y u2 , v2 ∈ S2 tales que u = u1 + u2 y v = v1 + v2 . Además de
esto tenemos:
u + v = (u1 + u2 ) + (v1 + v2 ),
(11)
=⇒ (u1 + u2 ) + (v1 + v2 ) = (u1 + v1 ) + (u2 + v2 ),
que es un elemento de S1 + S2 , porque u1 + v1 ∈ S1 y u2 + v2 ∈ S2 . Por último:

au = a(u1 + u2 ),
(12)
=⇒ a(u1 + u2 ) = au1 + au2 ,

también es un elemento de S1 + S2 , ya que au1 ∈ S1 y au2 ∈ S2 . Por lo tanto, S1 + S2 es un subespacio de

V.
Corolario 1. La suma de cualquier número finito de subespacios de V es un subespacio de V.

Hay espacios vectoriales que podemos definir en relación a algunos de sus subespacios. Para esto nece-
sitamos definir otra operación para la cuál debe cumplirse la condición de que la intersección de dichos
subespacios se tan sólo el 0. A esta operación la llamamos suma directa.
Definición 3.3. Un espacio vectorial V es la suma directa de un número finito de subconjuntos TS1 , ..., Sn ⊂
V, expresada como V = S1 ⊕ ... ⊕ Sn , si S1 , ..., Sn son subespacios vectoriales de V tales que Si = {0} y
S1 + ... + Sn = V.

3.2 Ejemplos de subespacios vectoriales

Ejemplos de subespacios vectoriales importantes son:
• V.
• {0}.

• Una matriz simétrica es aquella que M T = M , donde M T es la transpuesta de la matriz. Una matriz
simétrica es necesariamente una matriz cuadrada. El conjunto W de todas las matrices simétricas en
Mn×n (K) es un subespacio de Mn×n (K).
3 SUBESPACIOS 5

• Sea M una matriz cuadrada, los términos Mij , donde i = j constituyen la diagonal principal de M .
Se dice que D ∈ Mn×n (K) es una matriz diagonal si todos los valores que no se encuentran sobre la
diagonal principal de D son nulos, es decir, si Dij = 0 para toda i 6= j. El conjunto de todas las
matrices diagonales en Mn×n (K) es un subespacio de Mn×n (K).
• Los polinomios de grado menor o igual a n.

• Las funciones continuas de valores reales definidas en el eje de los reales R.

• La traza de una matriz M cuadrada, denotada por tr(M ), es la suma de los valores de M ubicados en
la diagonal principal, tr(M ) = Mij para i = j. El conjunto de todas las matrices cuadradas cuya traza
es igual a cero es un subespacio de Mn×n (K).