República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada
Núcleo: Puerto Cabello

Alumno:
Profesor:
Aida Ortega
Ingridines Gamarra
27.102.373

26 de Abril, 2021
Espacio Vectorial
Un espacio vectorial (o también llamado espacio lineal) es una estructura algebraica creada
a partir de un conjunto no vacío, una operación interna (llamada suma, definida para los
elementos del conjunto) y una operación externa (llamada producto por un escalar, definida
entre dicho conjunto y otro conjunto, con estructura de cuerpo), con 8 propiedades
fundamentales.
Dependencia lineal

Dado un conjunto de vectores en Rn, A = {x1, x2, . . . , xk }. A de dice conjunto de

vectores linealmente dependiente o simplemente linealmente dependiente, si existe una
combinación lineal entre los vectores que da el vector cero donde por lo menos un
coeficiente es diferente de cero:

Existen c1, c2,. . . ,ck que cumplen c1 x1 + c2 x2 + · · · + ck xk = 0

Donde por lo menos uno de los coeficientes ci es diferente de cero. En caso contrario, se
dice que A es linealmente independiente. Es decir, cuando la ´única combinación lineal que
da cero es la que tiene todos los coeficientes cero. Es decir, que A es linealmente
independiente cuando c1 x1 + c2 x2 + · · · + ck xk = 0 implica cada coeficiente es cero: c1
= 0 = c2 = · · · = ck .

Producto interno

En matemáticas, el producto interno, también conocido como producto escalar, producto

interior o producto punto, es una aplicación cuyo dominio es V 2 y su codominio es K,
donde V es un espacio vectorial y K el conjunto de los escalares respectivo. Es una
aplicación que a dos elementos de un espacio lineal le hace corresponder un elemento del
cuerpo de escalares.

Sea V un espacio lineal real. Un producto interno en V es una función que asigna a cada
par ordenado de vectores u y v en V, un número real que se denota < u, v > y verifica las
siguientes formalidades:

 1. < u, v > = < v , u> para todo u y v en V,.

 2. <α u+β v, w > = α< u, w > +β< v, w >, además < w , α u+ β v > = α < w, u >
+ β < w, v > para todos u , v y w en V , α y β números reales.
 3. < u, u > positivo si v ≠ 0. Además < u, u > = 0 s,s,s u = 0.
 El ángulo φ entre dos vectores diferentes de 0, u y v se define por su coseno:

cosφ = < u, v > / < u, u > 1/2< v, v >1/2

Sea V un espacio lineal complejo. Un producto interno en V es una función que asigna a
cada par ordenado de vectores u y v' en V, un número complejo posiblemente que se
denota < u, v > y verifica las siguientes condiciones:
  1. < u', v > = <  v  , u>* para todo u y v en V, donde * designa el conjugado
del resultado en número complejo.
 2. <α u' + β v, w > = α < u, w > +β < v, w >, además < w , α u+β v > = α
< w,  u > +β <  w, v > para todos u , v y w en V , α y β números reales.
 3. < u, u > positivo si v ≠ 0. Además < u, u > = 0 s,s,s u = 0.

Norma de un vector

Se llama norma de un vector   y se representa por   a la raíz cuadrada del producto

escalar de dicho vector por sí mismo. Es decir:

 = 
Analíticamente:

 = (a, b)     = 

Ejemplo. Hallar la norma del vector:

 = 3  - 2 
Según lo expuesto:

 =   = 
De forma análoga se define la norma para un vector definido en el espacio. Es decir:

 = a   + b   + c       =   ·   = 

Como puede comprobarse, el valor de la norma de un vector coincide con el del módulo de
éste. Dado un vector,  , su norma tiene las siguientes propiedades:
 La norma de un vector es nula sólo si dicho vector es nulo. Es decir:

     = 0
 La norma de un vector no nulo es siempre positiva. O sea:

 > 0       0
 La norma del producto de un escalar por un vector es igual al escalar por la
norma del vector.
 El cuadrado de la norma de un vector es igual al producto escalar del vector por
sí mismo. Esta propiedad, en definitiva, es consecuencia de la propia definición
de norma.
 Dados dos vectores,  y   , sus normas cumplen la llamada propiedad
triangular, la cual afirma que la norma del vector suma de ambos es menor o
igual que la suma de sus normas.
Vectores Ortogonales
Cuando dos vectores A = (Ax, Ay, Az) y B = (Bx, By, Bz) son perpendiculares entre sí, es
decir, forman un ángulo recto (θ = π/2), se dice que son vectores ortogonales. Esta situación
se denota como A ⊥ B. Dos vectores serán ortogonales cuando su producto escalar (también
llamado producto punto y producto interno) es cero:

A ⊥ B            →         A · B = AxBx + AyBy + AzBz

A ⊥ B            →         θ = π/2           →          A ∙ B  = |A| |B| cosθ = 0

Ya que   cos (π/2) = 0.

Cuando dos vectores de  A y B son ortogonales, forman un triángulo rectángulo, cuya
hipotenusa es igual a la suma de los vectores.

Base Ortogonal
Las bases ortogonales, y particularmente las bases ortonormales, son muy útiles cuando se
trabaja con proyecciones sobre subespacios, entre otros problemas. Algunas de las ventajas
de usar este tipo de bases se basa en el hecho de que las coordenadas de un vector en
relación con una base ortonormal se pueden calcular mediante el uso de una fórmula
explícita y fácil, donde cada coordenada solo involucra el vector asociado de la base.
Ejemplo:
Encuentre los valores de x, y, z, si existen, tal que el conjunto de vectores A es una base
ortogonal de R3.
A = {(x, 2, 2); (1, y, -1); (-4, -1, z)}

Una base de un espacio vectorial es una base ortogonal si cada par de vectores de la base
son ortogonales, es decir, su producto interno es 0. Se puede demostrar fácilmente que un
conjunto ortogonal siempre es linealmente independiente, por lo que, como el conjunto A
tiene 3 vectores (la dimensión del espacio vectorial), es suficiente demostrar que los
vectores son ortogonales para demostrar que también son una base de R3.

Para que el conjunto de vectores sea un conjunto ortogonal, cada par de vectores tienen que
ser ortogonales:

<(x, 2, 2),(1, y, -1)> = x + 2y - 2 = 0

<(x, 2, 2),(-4, -1, z)> = -4x - 2 + 2y = 0
<(1, y, -1),(-4, -1, z)> = -4 - y - z = 0

Entonces, para encontrar los valores de x, y, z, tales que el conjunto A sea una base
ortogonal, necesitamos resolver el sistema de ecuaciones lineales:

x + 2y = 2
-4x + 2z = 2
-y - z = 4
cuya matriz ampliada es:

┌ ┐
│ 1 2 0| 2 │
│ -4 0 2 | 2 │
│ 0 -1 -1 | 4 │
└ ┘
Escalonamos la matriz ampliada utilizando transformaciones elementales por fila.

r2 <———> r2 + 4•r1

┌ ┐
│1 2 0| 2│
│ 0 8 2 | 10 │
│ 0 -1 -1 | 4 │
└ ┘
r2 <———> r3

┌ ┐
│1 2 0| 2│
│ 0 -1 -1 | 4 │
│ 0 8 2 | 10│
└ ┘
r3 <———> r3 + 8•r2
┌ ┐
│1 2 0| 2│
│ 0 -1 -1 | 4 │
│ 0 0 -6 | 42 │
└ ┘

Traducimos la matriz escalonada al sistema de ecuaciones lineales asociado.

x+2y = 2
-y-z = 4
-6z = 42
Realizamos el proceso de sustitución hacia atrás. Comenzando con la última ecuación,
despejamos la variable y la reemplazamos en la ecuación anterior, realizando este proceso
hasta la primera ecuación.

-6z = 42
z = -42/6
z = -7

-y-z = 4
y = -4-z
y = -4-(-7)
y=3

x+2y = 2
x = 2-2y
x = 2-2•(3)
x = -4

De manera que la solución al problema es:

x = -4
y=3
z = -7

Subespacio Vectorial

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 vacio 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  
 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. 

Matrices

Las matrices y los determinantes son herramientas del álgebra que facilitan el ordenamiento
de datos, así como su manejo. Una matriz es una tabla bidimensional de números en
cantidades abstractas que pueden sumarse y multiplicarse.

Las matrices se utilizan para describir sistemas de ecuaciones lineales, y registrar los datos
que dependen de varios parámetros. Las matrices se describen en el campo de la teoría de
matrices. Pueden descomponerse de varias formas.

Una matriz es una tabla cuadrada o rectangular de datos (llamados elementos) ordenados en
filas y columnas, donde una fila es cada una de las líneas horizontales de la matriz y una
columna es cada una de las líneas verticales. A una matriz con m filas y n
columnas se le denomina matriz m-por-n (escrito m×n), y a m y n dimensiones de la matriz.

• Al elemento de una matriz que se encuentra en la fila i-ésima y la columna j-ésima se le

llama elemento ai, j o elemento (i,j)-iésimo de la matriz. Se vuelve a poner primero las filas
y después las columnas.¹⁹óó
• Abreviadamente se puede expresar A = (aij) Cada elemento de la matriz lleva dos
subíndices.
• El primero de ellos “i”, indica la fila en la que se encuentra el elemento, y el segundo, “j”,
la columna.

Autovalores y Autovectores
Sea V un espacio vectorial sobre el cuerpo K y sea F : V → V un operador lineal. Un
escalar λ ∈ K es un autovalor de F si existe v ∈ V , con v 6= 0, tal que F(v) = λv (v 6= 0)

En tal caso v es un autovector de F correspondiente al autovalor λ. Sinónimo de autovalor

es valor propio (en inglés “eigenvalue”, donde “eigen” proviene del alemán y significa
propio) y sinónimo de autovector es vector propio (“eigenvector” en ingles).

La acción de F sobre un autovector es pues la multiplicación por un escalar. Por ejemplo, si

V = Rn, esto implica que v 6= 0 es autovector de F si y sólo si w = F(v) tiene la misma
dirección que v (aunque no necesariamente el mismo sentido) o es nulo. Como veremos, el
conocimiento del conjunto de los autovalores y autovectores de un operador permite
conocer su estructura en detalle. Él concepto de autovalor y autovector de un operador
lineal tiene una importancia fundamental en Física, especialmente en Mecánica Cuántica.
Mencionemos que en la misma los observables físicos corresponden a operadores lineales
(de características determinadas) en un cierto espacio (el de los vectores que representan los
estados del sistema) y las cantidades medibles son precisamente los autovalores de dichos
operadores.

E inmediatamente después de una medición, el sistema cuántico queda en un estado que es

autovector del operador correspondiente al autovalor medido. El concepto de autovalor y
autovector es también fundamental para el tratamiento de sistemas descriptos
por ecuaciones diferenciales lineales acopladas, tales como osciladores armónicos
acoplados, ya sean clásicos o cuánticos, donde permite entender el concepto de
desacoplamiento y modo normal. Otras aplicaciones incluyen, como veremos, la
determinación de los ejes principales de inercia en un cuerpo rígido y la resolución de
sucesiones definidas mediante relaciones recursivas lineales, tales como la famosa sucesión
de Fibonacci.

Forma cuadrática asociada a una matriz

Una forma cuadrática o forma bilineal simétrica es una aplicación matemática que asigna a

cada elemento de un espacio vectorial x  un elemento del cuerpo sobre el que está
construido el espacio vectorial, de una manera que generaliza la operación ax2 un espacio
vectorial de dimensión superior a 1.

Llamamos forma cuadrática a una aplicación Q

tal que   sea una matriz cuadrada simétrica de orden  n.

Una forma cuadrática es un polinomio de 2º grado con  n variables:

Dado el polinomio es fácil deducir la matriz asociada a la forma cuadrática.

Resulta muy cómodo, tanto para escribir el polinomio de 2º grado a partir de la matriz, sin
tener que hacer la multiplicación:

como para deducir la matriz simétrica asociada a la forma cuadrática a partir del
polinomio   saber que:

1. Los coeficientes de los cuadrados en el polinomio son los elementos de la

diagonal de la matriz asociada.

2. El elemento   multiplicará a   y a  , es decir, en el polinomio

aparecerá: 

3. El elemento   multiplicará a   y a  , es decir, en el polinomio

aparecerá: 
 4. Puesto que se trabaja con números reales, se tiene que   (por la
propiedad conmutativa) y, por tanto, lo que en realidad aparecerá como
consecuencia de los dos apartados anteriores será: 

5. Si se desea deducir la matriz simétrica asociada a la forma cuadrática a

partir del polinomio, bastará dividir por 2 el coeficiente asociado a
cada   y poner el resultado en la fila  i, columna   y en la fila j,
columna i

Conjuntos convexos
Definición:
C   ℜn

C convexo  ⇔ ∀ x1, x2  +   C  [0,1]

Intuitivamente:
Decimos que C es un conjunto convexo si cualquier segmento que una dos puntos
cualesquiera del conjunto, siempre pertenece, todo él, al conjunto.

Ejemplos:

1. Conjuntos convexos:

2. Conjuntos no convexos:
 3. Los intervalos son los conjuntos convexos de ℜ.

Propiedades:

 C1 convexo, C2 convexo   C1  C2 convexo

 C1 convexo, C2 convexo   C1 + C2 convexo
 C convexo, k  R  kC convexo

Métodos de optimización no lineal

Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema es

de programación lineal y puede resolverse utilizando alguno de los bien conocidos
algoritmos de programación lineal.
Si la función objetivo es cóncava (problema de maximización), o convexa (problema de
minimización) y el conjunto de restricciones es convexo, entonces se puede utilizar el
método general de optimización convexa.
Existe una variedad de métodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programación lineal. Otro
método implica el uso de técnicas de Ramificación y poda, cuando el problema se divide en
subdivisiones a resolver mediante aproximaciones que forman un límite inferior del coste
total en cada subdivisión. Mediante subdivisiones sucesivas, se obtendrá una solución cuyo
coste es igual o inferior que el mejor límite inferior obtenido por alguna de las soluciones
aproximadas. Esta solución es óptima, aunque posiblemente no sea única. El algoritmo
puede ser parado antes, con la garantía de que la mejor solución será mejor que la solución
encontrada en un porcentaje acotado. Ello se utiliza en concreto en problemas importantes y
especialmente difíciles y cuando el problema cuenta con costes inciertos o valores donde la
incertidumbre puede ser estimada en un grado de fiabilidad apropiado.
Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias para que
una solución sea óptima.

Métodos iterativos:
No existen métodos directos generales
Se parte de un valor x0, y se genera una sucesión { xk }k=0 con la propiedad de que
limk xk  x*
y x* cumpla algunas condiciones de extremo

Problema sin restricciones

  Consideremos el problema min f (x )
x
 Buscaremos un punto que cumpla
*
f (x ) = 0
 Si x no cumple la condición, se genera otro punto a partir de
k
f (x +p ) = 0
k

 Problema tan difícil como el original

 Puede aproximarse:
2
 Encontrar la solución de f (x ) +  f (x )p = 0
k k
T T 2
 resolver min f (x ) p + ½p  f (x )p
p k k

Método de Newton básico:

1) Partir de un valor inicial x
0
2) Comprobar si  f (x )  < 
k
2
3) Si no lo es, calcular un vector p a partir de  f (x )p = - f (x )
k k

4) Obtener el siguiente punto como x =x +p

k+1 k k
Método de Newton modificado
Se resuelve el sistema de ecuaciones M p = - f (x ) donde M cumple que
k k k k

2
Es definida positiva, y se parece todo lo posible a  f (x )
k
Construcción de la matriz M
k
2 2
Añadir un múltiplo de la identidad: M =  f (x ) + I   - min(0 , min ( f (x ))
k k k
- )

Todos los autovalores se modifican en la cantidad g

Cambiar los autovalores de la matriz:
2 T
 f (x ) = UU ,
k
T
M = UU ,  = max( ,  )
k i i
Se conservan los autovectores

Otros métodos: Choleski modificado, etc.