INTRODUCCION.

Un espacio vectorial o espacio lineal es el objeto básico de estudio en la rama de las

matemáticas llamada álgebra lineal.
Un espacio vectorial es una estructura algebraica. Se tiene esta estructura, con las
operaciones usuales, por ejemplo, los pares de números reales y los polinomios, para que
poder tener un espacio vectorial, se tiene que cumplir con las operaciones de suma y
multiplicación por un escalar, si cumplen con esas dos operaciones entonces podemos
decir que es un espacio vectorial de lo contrario no lo seria.
Por eso en el siguiente documento les presentaremos los espacios vectoriales donde le
hablaremos de las propiedades que poseen los conjuntos de dicho tema.

4.1 DEFINICION DE ESPACIOS VECTORIALES.

Un espacio vectorial es un espacio de numerosos vectores diseminados en todas
las direcciones en las dos operaciones básicas que es la adición y multiplicación
escalar, que puede realizarse con el cumplimiento de las siguientes propiedades:
Considere un espacio vectorial V formado por los vectores x, y, z, a continuación,
tenemos las siguientes propiedades como verdaderas:
Propiedades de la suma
1. Propiedad de operación interna: Si el vector x es parte del espacio vectorial y el
vector y es parte del espacio vectorial, y el vector resultante de la suma de estos
dos vectores, el cual es el vector x + y es también una parte del espacio vectorial
mismo.
2. Propiedad conmutativa: Si el vector x es parte del espacio vectorial, el vector y
es parte del espacio vectorial, y tenemos un vector resultante de la suma de estos
dos vectores, entonces el vector x + y es igual al vector y + x .
3. Propiedad asociativa: Si el vector x es parte del espacio vectorial, el vector y es
parte del espacio vectorial y el vector z es parte del espacio vectorial, y tenemos
un vector resultante de la adición de estos tres vectores entonces el vector x + (y +
z) es igual al vector (x + y) + z.
4. Identidad aditiva: todo espacio vectorial contiene un vector nulo que es un
vector cero, lo que se denomina como la identidad aditiva, de tal manera que su
suma con cualquiera de los vectores en el espacio vectorial, no cambia el vector
real, que es 0 + x = x.
5. Inverso aditivo: Para todos los vectores de un espacio vectorial determinado,
existe un vector inversa disponible en el mismo espacio de tal manera que la suma
de los dos vectores nos da un vector cero, en consecuencia, si tenemos un vector
x en el espacio vectorial entonces debemos también tener un vector -x del mismo
vector en el espacio.
Ejemplo 1.
Los conjuntos V = ℜ 2 ; V = ℜ 3 ; en general V = ℜ n , con las operaciones
definidas:
Suma de vectores:
ℜ2→x→+y→=(a1,b1)+(a2,b2)=(a1+a2,b1+b2)a1,b1,a
2,b2∈ℜ
ℜ 3 → x → + y → =( a 1 , b 1 , c 1 )+( a 2 , b 2 , c 2 )=( a 1 + a 2 , b 1 + b 2 , c 1 +
c2)
ℜn→x→+y→=a1b1c1...n1+a2b2c2...n2=a1a2...n1n2
Multiplicación por un escalar
ℜ 2 → α x → = α ( a 1 , b 1 ) = ( αa 1 , α b 1 ) α ∈ ℜ ; a 1 , b 1 ∈ ℜ
ℜ 3 → α x → = α ( a 1 , b 1 , c 1 ) = ( αa 1 , α b 1 , α c 1 )
ℜ n → α x → = α ( a 1 , b 1 , c 1 , . . . , n 1 ) = ( αa 1 , α b 1 , . . . , α n 1 )
El vector nulo definido para:
ℜ 2 → 0 → = ( 0,0 ) ; ℜ 3 → 0 → = ( 0,0,0 ) ; ℜ n → 0 → = ( 0 , . . . , 0 )
El vector opuesto para:escuela
x → ∈ ℜ 2 ⇒ - x → =(- a 1 ,- b 1 )
x → ∈ ℜ 3 ⇒ (- a 1 ,- b 1 ,- c 1 )
x → ∈ ℜ n ⇒ - x → =(- a 1 , − b 1 ,...,- n 1 )
Con estas determinaciones, se verifica sin ningún problema todos los axiomas de
la definición de Espacios Vectoriales Reales.
En conclusión:
( ℜ 2 ,+, • ),es un Espacio Vectorial Real
( ℜ 3 ,+, • ) es un Espacio Vectorial Real
( ℜ n ,+, • ) es un Espacio Vectorial Real
EJEMPO 2.
Considere el conjunto P n de los polinomios de grado n, con la forma:
P(x)=a0xn+a1xn−1+...+an∀i=0,...,nai∈ℜ
Sean las operaciones definidas de la siguiente manera:
P(x) +Q(x)=( a 0 x n + a 1 x n − 1 + . . . + a n )+( b 0 x n + b 1 x n − 1 + . . . + b n )
=(a0+b0)xn+(a1+b1)xn−1+...+(an+bn)
α.P(x)=α(a0xn+a1xn−1+...+an)
=(αa0)xn+(αa1)xn−1+...+(αan)α∈ℜ
Compruebe que ( P n ,+, • ) es un Espacio Vectorial Real.

4.2 DEFINICION DE UN 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 subespacio, sin embargo, en primer lugar, se demostrará un
resultado que hace relativamente sencillo determinar si un subconjunto de V es en
realidad subespacio de V
Teorema de subespacio

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

1)                  Si x € H y y € H, entonces x + y € H.
2)               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 uy 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. 

EJEMPLO 1.
Consideremos el conjunto W={(x,y)∈R2|xy=0}W={(x,y)∈R2|xy=0}, ¿Es un
subespacio de R2R2?
Se cumple (a) pues (0,0)∈W(0,0)∈W
No se cumple (b) porque la suma de dos vectores de WW puede no estar en WW,
por ejemplo:
(1,0)+(0,1)=(1,1)∉W

Entonces WW no es un subespacio de R2.

EJEMPLO 2.
Consideremos el conjunto W={(x,y)∈R2|x2–y2=0}W={(x,y)∈R2|x2–y2=0}. ¿Es un
subespacio de R2R2?
x2–y2=0⇔y=x∨x=–yx2–y2=0⇔y=x∨x=–y
Se cumple (a) pues (0,0)∈W(0,0)∈W
No se cumple (b) porque la suma de dos vectores de WW puede no estar en WW,
por ejemplo:
(1,1)+(1,–1)=(2,0)∉W(1,1)+(1,–1)=(2,0)∉W
Entonces WW no es un subespacio de R2.
 4.3 COMBINACION LINEAL. INDEPENDECIA 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.

Por otro lado, los vectores son linealmente independientes si tienen distinta
dirección y sus componentes no son proporcionales.
INDEPENDECIA LINEAL
En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o
independencia lineal de los vectores. En esta sección se define el significado de
independencia lineal y se muestra su relación con la teoría de sistemas
homogéneos de ecuaciones y determinantes.

Existe una relación espacial entre los vectores , se

puede apreciar que v2=2v1; o si se escribe esta ecuación de otra manera. 2v1-
v2=0.

En otras palabras, el vector cero se puede escribir como una combinación no

trivial de v1 y v2 (es decir, donde los coeficientes en la combinación lineal no son
ambos cero). ¿Qué tienen de especial los

vectores  ?
La respuesta a esta pregunta es más difícil a simple vista. Sin embargo, es
sencillo verificar que v3=3v1+2v2; rescribiendo esto se obtiene

 .

Se ha escrito el vector cero como una combinación lineal de v1, v2, y v3. Parece
que los dos vectores de la ecuación y los tres vectores de la otra ecuación tienen
una relación más cercana que un par arbitrario de 2-vectores a una terna arbitraria
de 3-vectores. En cada caso, se dice que los vectores son linealmente
dependientes. En términos generales, se tiene la importante definición a
continuación presentada.

Definición: sean v1, v2, …, vn vectores en un espacio vectorial V. entonces se dice

que lois vectores son linealmente dependientes si existen n escalares c1, c2, …,

cn no todos ceros tales que  .

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

independientes.

Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si la
ecuación c1v1+c2v2+…+cnvn=0 se cumple únicamente para c1=c2=…=cn=0. Son
linealmente dependientes si el vector cero en V se puede expresar como una
combinación lienal de v1, v2,…,vn con coeficientes no todos iguales a cero.

Nota. Se dice que los vectores v1, v2, …, vn son linealmente independientes (o
dependientes), o que el conjunto de vectores {v1, v2, …, vn} es linealmente
independiente (o pendiente). Esto es, se usan las dos frases indistintivamente.

Teorema: dependencia e independencia lineal

Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno

de ellos es un múltiplo escalar del otro.
Demostración: primero suponga que v2=cv1 para elgun escalar c≠0. Entonces
cv1-v2=0 y v1 y v2 son linealmente dependientes. Por otro parte, suponga que v1
y v2 son linealmente dependientes. Entonces existen constantes c1 y c2 al menos
uno distinto a cero, tales que c1v1+c2v2=0. Si c1≠0, entonces dividiendo entre c1

se obtiene v1+(c2/c1)v2=0, o sea, 

Es decir, v1 es un múltiplo escalar de v2. Si c1=0, entonces c2≠0 y, por lo tanto,

v2=0=0v1.

Ejemplo 1.
 
Considere los vectores   ,   y   .      Al observar
las componentes de ambos vectores vemos que           o que
 

 
lo que podemos expresar diciendo que el vector cero se puede escribir como una
combinación lineal de los vectores     y    .   Mas formalmente decimos que el
vector cero es una combinación lineal no trivial de los vectores      y     .    En el
sentido de que los coeficientes de      y     son diferentes de cero.  Por lo tanto,
estos vectores son dependientes.

EJEMPLO 2.

1Dados los vectores   y   , hallar el vector combinación

lineal  .

Solución: Para encontrar el vector  , simplemente realizamos las operaciones

necesarias:

 Por lo que,
 2 Expresa al vector   como una combinación lineal de los
vectores   y  .

 Solución: Supongamos que   se puede escribir como una combinación lineal
de   y  , es decir, existen constantes   tales que  . Por lo
tanto, solo debemos encontrar estas constantes:

 Por tanto, tenemos

que

Es decir, las constantes   deben resolver el siguiente sistema de ecuaciones

lineal:

Cuya solución está dada por

De este modo,   se puede escribir como

4.4 BASE Y DIMENSION DE UN ESPACIO VECTORIAL, CAMBIO

DE BASE.

Se llama base de un espacio (o subespacio) vectorial a un sistema generador de

dicho espacio o subespacio, que sea a la vez linealmente independiente.
Propiedades de las bases.
1. Una base de S es un sistema generador minimal de S (lo más pequeño
posible).
2. Además es un conjunto independiente maximal dentro de S (lo más grande
posible).
3. Una base de S permite expresar todos los vectores de S como combinación
lineal de ella,
de manera única para cada vector.
Ejemplo 1.
1. La base canónica (o base natural, o base estándar) de ℜ n:
e1 = (1,0,. . . ,0)
e2 = (0,1,. . . ,0)
........
en = (0,0,. . . ,1)
- Son linealmente independientes porque forman un determinante no nulo.
- Son sistema generador de ℜ n porque todo vector (a1,a2,. . . ,an)∈ ℜ n se puede
expresar
como combinación lineal de ellos:
(a1,a2,. . . ,an)= a1(1,0,. . . ,0)+ a2(0,1,. . . ,0)+ . . . + an(0,0,. . . ,1)

Todas las bases de un mismo espacio o subespacio tienen el mismo número de

vectores.
Por tanto, la dimensión es el máximo número de vectores independientes que
podemos tener en el espacio o subespacio. En otras palabras, es el máximo rango
que puede tener un Es también el rango de cualquier sistema generador de dicho
espacio. conjunto de vectores de dicho espacio.
Propiedades de la dimensión.
1. Significado físico de la dimensión: el espacio tiene dimensión 3, los planos
dimensión 2, las rectas dimensión 1, el punto dimensión 0. El subespacio {0} es el
único de dimensión 0.
2. La dimensión de un subespacio en ℜn, coincide con el número de parámetros
libres en
su forma paramétrica. (1 parámetro=recta, 2 parámetros= plano...)
3. Si S y T son subespacios y S está contenido en T, entonces dim S ≤ dim T.
Además, si se da la igualdad, dim S = dim T, entonces ambos espacios han de
coincidir.
4. El rango de una familia de vectores, es igual a la dimensión del subespacio que
generan.
Es decir: si v1,v2,. . . vn generan un cierto subespacio S, y si el rango de dicho
conjunto es r, entonces dim S = r.
(Si un cierto conjunto de vectores tiene rango 2, entonces generan un plano; etc.)

4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS

PROPIEDADES
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:
1. (v, v) ≥ 0
2. (v, v) = 0 si y sólo si v = 0.
3. (u, v +w) = (u, v)+ (u, w)
4. (u + v, w) = (u, w)+(v, w)
5. (u, v) = (v, u)
6. (αu, v) = α(u, v)
7. (u, αv) = α(u, v)
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.

4.6 BASE ORTONORMAL, PROCESO DE ORTONORMALIZACION DE

GRAM-SCHMIDT
Cualquier base en Rn se puede convertir en una base ortonormal empleando el
proceso de Ortonormalización de Gram-Schmidt; el cual se describirá a
continuación con un ejemplo.
Primero se tiene la base s la cual queremos hacer ortonormal, en nuestro ejemplo
1 0 1

{( ) ( ) ( )}
tomamos a s= { v 1 , v 2 , v 3 }= 1 , 1 , 0
0 1 1
(es una base en R3);

Para encontrar nuestro primer vector u1 de la base ortonormal tomamos a nuestro

1
()
primer vector de la base que se nos dio, es decir; v1 = 1 . A este vector le
0
sacaremos su norma la cual es |v 1|=√(1)2+(1)2+(0)2=√ 2; ahora el para sacar a u1
1
v
()
a cada elemento de nuestro vector 1 1 lo dividiremos entre su norma es decir
=
0

1
1

( )( )
√2
1 √2
u1= = 1 . Este es nuestro primer vector de la base ortonormal.
√2
0 √2
0
√2
Ahora para sacar el segundo vector; es decir u2 sacaremos otro vector v'2 que se

1 1 −1
'
0
obtendrá con la siguiente formula v 2=v 2−( v 2 ∙ u1 ) u1= 1 −

3
1 √2
()2
1 √ √2
0

( ) () ( ) ( )
2 2
1 =1− 1 = 1 ,

0
1 2
0 1
2

despues obtendremos su norma, es decir; |v '2|=

√ 2
. Ya obtenido esto se sacara u2
el cual es igual al dividir cada elemento del vector v'2 entre su norma (entre |v '2|).

−1

()
√6
1
Por lo que obtenemos que el vector u2= .
√6
2
√6
Ahora obtendremos nuestro último vector que es u3; al igual que en el paso
anterior obtendremos otro vector antes de pero ahora se llamar

1 −1 2
1 1

( ) ( )( )( )
√ 6 6 3

()
1 1 √2
v'3 =v 3− ( v 3 ∙u1 ) u1− ( v 3 ∙u2 ) u2= 0 −
1
2
()
1 −
√2
0
1
√6
1
√6 1
2
√6
1 √2
=0− 1 −
√
0
2
6

6
1

2
()
= −2
3

3
2

2 '
De la misma forma sacamos su norma es decir|v 3|= ; para obtener el vector que
√3
nos interesa que es el u3 hay que dividir cada elemento de nuestro vector v'3 entre

()
√3
' 2 −1
su norma |v 3|= con lo que obtendremos que u3= .
√3 √3
1
√3
Por último ya obtenidos nuestros tres vectores concluimos que nuestra base

−1 1

{( ) ( ) ( )}
1
√6 √3
√ 2
' 1 −1
ortonormal es s = 1 , ,
√6 √3
√2 2 1
0
√6 √3

Para generalizar la formula anterior la cual nos da los vectores de la nueva base la
cual será ortonormal tendremos la siguiente fórmula:

v'k+1=v 'k+1−( v k +1 ∙ u1 ) u 1−( v k+1 ∙ u2 ) u2−…−( v k+1 ∙u k ) u k

Ejemplo 1.

Sean los vectores   u = (1, 2, 1),  v = (4, 0, -4)  y  w = (1, -1, 1), ¿son un conjunto
ortogonal?
 
Al realizar los productos punto
 
u · v = 0   ,   u · w = 0   ,   v · w = 0
 
 nos damos cuenta de que todos son iguales a cero, por lo que el conjunto de
vectores es ortogonal.
 
 

EJEMPLO 2.

Sean los vectores u = (1, 2, 1), v = (4, 0, -4) y w = (1, -1, 1);  queremos
determinar si son una base ortogonal de   .
  Son 3 vectores en  , se forma la matriz
 

 
cuyo determinante detA = –24 (diferente de cero) , lo que implica que los vectores
son linealmente independientes, y el conjunto es base de  .
 
Realizamos los productos punto y obtenemos que
 
  u · v = 0,    u · w = 0    y    v · w = 0
 
por lo que el conjunto es ortogonal, entonces, es una base ortogonal.
 
 

Un conjunto de  n  vectores en   es una base ortonormal si:

·        El conjunto es base de    
·        Es un conjunto ortogonal y
·        Sus vectores son unitarios
 
 
Un conjunto de  n  vectores en   es una base ortogonal si:
 ·        El conjunto es base de    y
·        Es un conjunto ortogonal.

CONCLUCION:
Con este trabajo nos pudimos dar una idea de que los vectores están muy
relacionados con las matrices y además del amplio campo que tiene el álgebra
lineal. Así mismo pudimos ver que hay muchas maneras de trabajar con ellos; así
como de las diferentes operaciones que se puede realzar con estos como lo son el
producto punto, la bases ortotormales, la norma o longitud, etc.
También nos sirvió para darnos cuenta de que todo lo que hemos visto en la
materia está muy relacionado con estos últimos temas y de la gran importancia
que tienen; ya que son demasiados útiles para muchas aplicaciones en la
actualidad.
 FUENTES DE INFORMACION
Grossman S, S.I., Álgebra Lineal Sexta Edición, 2007.
H. (2017, noviembre 8). Espacios y subespacios vectoriales.
GROUS, S. (2008, junio 18). Método de Gram-Schmidt.
Algebra Lineal - De José Job Flores
Algebra lineal para estudiantes de ingeniería y ciencias – Del Valle, J. C.
Fundamentos De Algebra Lineal – Larson R.
https://www.youtube.com/watch?v=85INoJkycAU