INSTITUTO TECNOLOGICO DE

TLALNEPANTLA
UNIDAD ORIENTE

RUEDA OSORIO ANDRÉS

NUMERO DE CONTROL: 21253666
UNIDAD 4
ÍNDICE

4.- ESPACIOS VECTORIALES ……………………………………… 2

4.1 DEFINICION DE ESPACIO VECTORIAL ……………………… 10

4.2 DEFINICION DE SUBESPACIO VECTORIAL Y SUS

PROPIEDADES ……………………………………………………….. 12

4.3 COMBINACION LINEAL, INDEPENDENCIA LINEAL

………………………………………………………………………….. 14

4.4 BASE Y DIMENCION DE UN ESPACIO VECTORIAL, CAMBIO DE

BASE ……………………………………………………………… 21

4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS

PROPIEDADES ……………………………………………… 28

4.6 BASE ORTONORMAL, PROCESO DE ORTONORMALIZACION

DE GRAM-SCHMIDT
………………………………………………………………… 30

1
4.- ESPACIOS VECTORIALES

Un espacio vectorial es una terna (V, +, ·), donde V es un conjunto no vacío y +, ·

son dos operaciones del tipo + : V × V → R, · : R × V → V a las que llamaremos
’suma de vectores’ y ’producto por escalares respectivamente y con las siguientes
propiedades: denotando +(u, v) = u + v y ·(λ, v) = λv, 1. u + (v + w)=(u + v) + w, ∀u,
v, w ∈ V (asociativa). 2. u + v = v + u, ∀u, v ∈ V (conmutativa). 3. Existe e ∈ V tal
que e + v = v + e = v, ∀v ∈ V (elemento neutro). 4. Para cada v ∈ V existe w tal
que v + w = w + v = e (elemento opuesto). 5. λ(µv)=(λµ)v, ∀v ∈ V , ∀λ, µ ∈ R
(seudo-asociativa). 6. λ(u+v) = λu+λv y (λ+µ)v = λv +µv, ∀u, v ∈ V y ∀λ, µ ∈ R
(distributiva). 7. 1v = v,∀v ∈ V (unimodular).

De forma abreviada, diremos que V es un espacio vectorial. A los elementos de V

lo llamamos vectores y a los de R, escalares. Proposición 1.1 En un espacio
vectorial V , 1. El elemento neutro es ´único. Se denotar ‘a por 0. 2. El elemento
opuesto de un vector es ´único. Si v es un vector, su opuesto lo denotamos por −v.
Proposición 1.2 En un espacio vectorial se tiene las siguientes propiedades: 1.
λ0=0, λ ∈ R.

2. 0v = 0, v ∈ V . 3. (−λ)v = −(λv), λ ∈ R, v ∈ V . 4. Si λv = 0, entonces λ = 0 o v = 0.

A continuación, damos algunos ejemplos de espacios vectoriales: 1. Si n es un
número natural, se considera el espacio euclídeo Rn = {(x1,...,xn); xi ∈ R} con la
suma y producto por escalares siguientes: (x1 ...,xn)+(y1,...,yn)0(x1 + y1,...,xn +
yn). λ(x1,...,xn)=(λx1, . . . , λxn). Siempre se supondrá que Rn tiene esta estructura
vectorial y que llamaremos usual. 2. Sea V = {(x, y) ∈ R2 ; x − y = 0} con la suma y
producto por escalares como antes. 3. Sea V = {p} un conjunto con un ´único
elemento y con p + p = p y λp = p. 4. Sea V = {f : R → R; f es aplicación} y (f +
g)(x) = f(x) + g(x), (λf)(x) = λf(x), x ∈ R. 5. W = {f : R → R; f es una función
diferenciable} y la suma y el producto por escales está definido de forma análoga a
la del ejemplo anterior. 6. Se considera el conjunto de los polinomios de grado n ∈

2
N: un polinomio de grado n ∈ N es una expresión del tipo p(X) = a0 + a1X + ... +
anXn; abreviaremos p(X) = n i=1 aiXi , donde por convenio X0 = 1 y en vez de
escribir a01 = a0. Dos polinomios p(X) = n i=1 aiXi y q(X) = n i=1 biXi se dir´an
iguales si ai = bi para cada i. El conjunto de polinomios de grado n

Definición. Sea 𝐹 un campo. Un espacio vectorial sobre el campo 𝐹 es un

conjunto 𝑉 con operaciones de suma y producto por escalar, que denotaremos
por

+: 𝑉 × 𝑉 → 𝑉y
⋅: 𝐹 × 𝑉 → 𝑉,

para las cuales se cumplen las ocho propiedades de la sección anterior. En otras
palabras:

• El conjunto 𝑉 es un grupo conmutativo con la suma

• Se tiene asociatividad para la suma escalar y la suma vectorial
• Se tiene identidad y compatibilidad de la multiplicación escalar.

A los elementos de 𝐹 les llamamos escalares. A los elementos de 𝐹 𝑛

les llamamos vectores. Para hacer restas, las definimos como u−v=u+(−v),
donde −v es el inverso aditivo de v con la suma vectorial. Usualmente omitiremos
el signo de producto escalar, así que escribiremos av. en vez de a⋅v para a escalar
y v vector.

La definición da la impresión de que hay que verificar muchas cosas. De manera

estricta, esto es cierto. Sin embargo, de manera intuitiva hay que pensar que a
grandes rasgos los espacios vectoriales son estructuras en donde podemos sumar
elementos entre sí y multiplicar vectores por escalares (externos) sin que sea muy
complicado.

3
Como ya mencionamos, el conjunto Fn con las operaciones de suma y
multiplicación por escalar que se hacen entrada por entrada es un espacio
vectorial sobre F. En lo que resta de la entrada, hablaremos de otros ejemplos de
espacios vectoriales que nos encontraremos frecuentemente.

Espacios vectoriales de matrices

Otros ejemplos de espacios vectoriales con los que ya nos encontramos son los
espacios de matrices. Dado un campo F y enteros positivos m y n, el conjunto de
matrices en Mm,n(F) es un espacio vectorial en donde la suma se hace entrada a
entrada y la multiplicación escalar también.

¿Qué es lo que tenemos que hacer para mostrar que en efecto esto es un espacio
vectorial? Se tendrían que verificar las 8 condiciones en la definición de espacio
vectorial. Esto lo hicimos desde la primer entrada del curso, en el primer teorema
de la sección «Operaciones de vectores y matrices». Vuelve a leer ese teorema y
verifica que en efecto se enuncian todas las propiedades necesarias.

Aquí hay que tener cuidado entonces con los términos que se usan. Si estamos
hablando del espacio vectorial Fn, las matrices no forman parte de él, y las
matrices no son vectores. Sin embargo, si estamos hablando del espacio
vectorial Mm,n(F), entonces las matrices son sus elementos, y en este contexto
las matrices sí serían vectores.

Ejemplo. Sea F2 el campo con 2 elementos. Consideremos M2(F2). Este es un

espacio vectorial. Tiene 16 vectores de la forma (abcd), en donde cada entrada
es 0 o 1. La suma y la multiplicación por escalar se hacen entrada a entrada y con
las reglas de F2. Por ejemplo, tenemos

1 1 0 1 1 0
( )+( )=( ).
0 0 0 1 0 1

4
Ahora veremos algunos ejemplos de espacios vectoriales cuyos elementos son
funciones. Esto puede parecer algo abstracto, pero en unos momentos veremos
algunos ejemplos concretos que nos pueden ayudar a entender mejor.

Sea F un campo y consideremos cualquier conjunto X. Consideremos el

conjunto V de todas las posibles funciones de X a F. A este conjunto queremos
ponerle operaciones de suma y de multiplicación por escalar.

Para definir la suma, tomemos dos funciones que van de X a F,

digamos f:X→F y g:X→F. Definiremos a la función f+g como la función que a
cada x en X lo manda a f(x)+g(x). Aquí estamos usando la suma del campo F. En
símbolos, (f+g):X→F tiene regla de asignación(f+g)(x)=f(x)+g(x).

Para definir el producto por escalar, tomamos una función f:X→F y un escalar c en
el campo F. La función cf será la función cf:X→F con regla de
asignación(cf)(x)=cf(x)para todo x en X.

Resulta que el conjunto V de funciones de X a F con estas operaciones de suma y

producto, es un espacio vectorial. Podemos probar, por ejemplo, la asociatividad
de la suma. Para ello, la primer cosa que necesitamos mostrar es la asociatividad
de la suma. Es decir, que si tenemos f:X→F, g:X→F y h:X→F,
entonces(f+g)+h=f+(g+h).

Esta es una igualdad de funciones. Para que sea cierta, tenemos que verificarla en
todo el dominio, así que debemos mostrar que para todo x en X tenemos
que((f+g)+h)(x)=(f+(g+h))(x).

Para demostrar esto, usemos la definición de suma de funciones y la asociatividad

de la suma del campo F. Con ello, podemos realizar la siguiente cadena de
igualdades:

5
((f+g)+h)(x)=(f+g)(x)+h(x)=(f(x)+g(x))+h(x)=f(x)+(g(x)+h(x))=f(x)+(g+h)(x)=(f+(g+h))(
x).

Así, la suma en V es asociativa. El resto de las propiedades se pueden demostrar

con la misma receta:

• Se enuncia la igualdad de funciones que se quiere mostrar.

• Para que dicha igualdad sea cierta, se tiene que dar en cada elemento del
dominio, así que se evalúa en cierta x.
• Se prueba la igualdad usando las definiciones de suma y producto por
escalar, y las propiedades de campo de F.

Ejemplo. El ejemplo anterior es muy abstracto, pues X puede ser cualquier cosa.
Sin embargo, hay muchos espacios de funciones con los cuales se trabaja
constantemente. Por ejemplo, si el campo es el conjunto R de reales y X es el
intervalo [0,1], entonces simplemente estamos hablando de las funciones que van
de [0,1] a los reales.

Si tomamos f:[0,1]→R y g:[0,1]→R dadas porf(x)=sin⁡x–

cos⁡xg(x)=cos⁡x+x2,entonces su suma simplemente es la
función f+g:[0,1]→R definida por (f+g)(x)=sin⁡x+x2. Si tomamos, por ejemplo, el
escalar 2, entonces la función 2f:[0,1]→R no es nada más que aquella dada por
(2f)(x)=2sin⁡x–2cos⁡x.

Así como usamos el intervalo [0,1], pudimos también haber usado al

intervalo [−2,2), al (−5,∞], o a cualquier otro.

6
Espacios vectoriales de polinomios

Otro ejemplo de espacios vectoriales que nos encontraremos frecuentemente son

los espacios de polinomios. Si no recuerdas con precisión cómo se construyen los
polinomios y sus operaciones, te recomendamos repasar este tema con material

Dado un campo F y un entero positivo n usaremos F[x] para referirnos a todos los
polinomios con coeficientes en F y usaremos Fn[x] para referirnos a aquellos
polinomios con coeficientes en F y grado a lo más n. Aunque el polinomio cero no
tiene grado, también lo incluiremos en Fn[x].

Ejemplo. Si F es C, el campo de los números complejos, entonces todos los

siguientes son polinomios
en C[x]:p(x)=(2+i)x6+(1+i),q(x)=3x2+2x+1,r(x)=5x7+(1−3i)x5−1.

Tanto p(x) como q(x) están en C6[x], pues su grado es a lo más 6. Sin
embargo, r(x) no está en C6[x] pues su grado es 7.

El polinomio q(x) también es un elemento de R[x], pues tiene coeficientes reales.

Pero no es un elemento de R1[x] pues su grado es demasiado grande.

Recuerda que para sumar polinomios se tienen que sumar los coeficientes de
grados correspondientes. Al hacer multiplicación por escalar se tienen que
multiplicar cada uno de los coeficientes. De esta forma,
si f(x)=x2+1 y g(x)=x3+x22−3x−1,
entonces(f+g)(x)=x3+3x22−3x,y(6g)(x)=6x3+3x2−18x−6.

Resulta que F[x] con la suma de polinomios y con el producto escalar es un

espacio vectorial. Puedes verificar cada uno de los axiomas por tu cuenta.

Observa que la suma de dos polinomios de grado a lo más n tiene grado a lo

más n, pues no se introducen términos con grado mayor que n. Del mismo modo,

7
si tenemos un polinomio con grado a lo más n y lo multiplicamos por un escalar,
entonces su grado no aumenta. De esta forma, podemos pensar a estas
operaciones como sigue:
+:Fn[x]×Fn[x]→Fn[x]⋅:F×Fn[x]→Fn[x].

De esta forma, Fn[x] con la suma de polinomios y producto escalar de polinomios

también es un espacio vectorial.

A partir de los axiomas de espacio vectorial, muestra lo siguiente para un

espacio vectorial V:

La identidad de la suma vectorial es única, es decir, que si existe otro

elemento e en V tal que u+e=u=e+u para todo u en V, entonces e=0.

Que si 0 es la identidad aditiva del campo F y v es cualquier vector en V,

entonces 0v es la identidad de la suma vectorial. En símbolos, 0v=0, donde el
primer 0 es el de F y el segundo el de V.

Se vale la regla de cancelación para la suma vectorial, es decir, que si u,v,w son
vectores en V y u+v=u+w, entonces v=w.

Se vale la regla de cancelación para el producto escalar, es decir, que si a es un

escalar no cero del campo F y u,v son vectores de V para los cuales au=av,
entonces u=v.

Que el inverso aditivo de un vector v para la suma vectorial en V es

precisamente (−1)v, es decir, el resultado de hacer la multiplicación escalar
de v con el inverso aditivo del 1 del campo F.

Sea V un espacio vectorial sobre R. Sean u, v y w vectores en V. Justifica la

siguiente igualdad enunciando de manera explícita todos los axiomas de espacio
vectorial que usesu+5v−3w+2u−8v=−3(w+v−u).

8
Termina de demostrar que en efecto los espacios de funciones con la suma y
producto escalar que dimos son espacios de funciones.

Enlista todos los polinomios de (F2)3[x]. A continuación, hay

algunos:0,x+1,x2+x,x3+1.Para cada uno de ellos, encuentra quien es su inverso
aditivo para la suma vectorial de

(𝔽2 )3 [𝑥]

9
4.1 DEFINICION 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.

10
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.

11
4.2 DEFINICION DE SUBESPACIO VECTORIAL Y SUS
PROPIEDADES

DEFINICION DE SUB ESPACIO 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.

12
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.

13
4.3 COMBINACION LINEAL, INDEPENDENCIA 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.

14
Varios vectores libres son linealmente independientes si ninguno de ellos puede
ser escrito con una combinación lineal de los restantes, de manera que si la
combinación lineal es igual a cero, entonces cada uno de sus coeficientes es igual
a cero

Los vectores linealmente independientes tienen distinta dirección y sus

componentes no son proporcionales.

vectores en son linealmente independientes si su determinante es distinto

de cero.

Ejemplo:

Estudiar si son linealmente dependientes o independientes los

vectores

1Calculamos el determinante de los vectores

2Como el determinante es igual a cero, concluimos que los vectores son

linealmente dependientes.

15
Tres vectores con distinta dirección forman una base, porque cualquier
vector del espacio se puede representar como combinación lineal de ellos

Las coordenadas del vector respecto a la base son:

Base ortogonal

Una base es ortogonal si los vectores de la base son perpendiculares entre sí.

Base ortonormal

Una base es ortonormal si los vectores de la base son perpendiculares entre sí, y
además tienen módulo 1.

La base formada por los

vectores se denomina base
canónica.

16
Ejemplo:

¿Para que valores de los

vectores forman una base?

1Calculamos el determinante de los vectores

2El determinante se hace cero para , luego los vectores son linealmente
dependientes y no forman una base si .

3El determinante es distinto de cero para , luego los vectores son

linealmente independientes y forman una base si .

17
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.

18
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.

19
3. 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.

4. Cualquier conjunto que contenga un subconjunto linealmente

dependiente es linealmente dependiente.

5. Cualquier subconjunto de un conjunto linealmente independiente es

linealmente independiente.

20
4.4 BASE Y DIMENCION DE UN ESPACIO VECTORIAL, CAMBIO DE
BASE

Un conjunto de vectores S={v1, v2,…, vn} en un espacio vectorial V se denomina

base de V si se cumplen las siguientes condiciones.

* S genera a V.

* S es linealmente independiente

Una base posee 2 características que se acaban de ver, debe tener suficientes
valores para generar a V, pero no tantos de modo que uno de ellos pueda escribirse
como una combinación lineal de los demás vectores en S. Si un espacio vectorial
consta de un número finito de vectores, entonces V es de dimensión finita. En caso
contrario, V es de dimensión infinita.

Base

En términos generales, una “base” para un espacio vectorial es un conjunto de

vectores del espacio, a partir de los cuales se puede obtener cualquier otro vector de
dicho espacio, haciendo uso de las operaciones en él definidas.

La base es natural, estándar o canónica si los vectores v1, v2,…, vn forman base para
Rn.

Si S={v1, v2,…, vn} es una base para un espacio vectorial V entonces todo vector v en
V se puede expresar como:

1. V = c1v1+ c2v2+…+ cnvn

2. V = k1v1+ k2v2+…+ knvn

21
Restar 2-1

0 = (c1- k1) v1+(c2- k2) v2+…+(cn- kn) vn

Ejemplo:
demostrar si S = {v1, v2,…, v3} es base de R3, v1 = (1,2,1); v2 = (2,9,0); v3 = (3,3,4)

Proponer vector arbitrario, combinación lineal

b = c1v1+ c2v2+ c3v3

(b1, b2, b3) = c1(1,2,1)+ c2(2,9,0)+ c3(3,3,4)
(b1, b2, b3) = c1+2c2+3c3;2c1+9c2+3c3; c1+4c3

c1 + 2c2 + 3c3 = b1 det A = [(1*9*4)+(2*3*1)+0]-[(1*9*3)+0+(4*2*2)]

2c1 + 9c2 + 3c3 = b2 = [36+6]-[27+16]
c1 + 4c3 = b3 = -1 Si genera a R3

Unicidad representación de la base

Si S = {v1, v2,…, vn} es una base de un espacio vectorial V, entonces todo vector
en V puede escribirse de una y solo una forma como combinación lineal de vectores
en S.

Para demostrar la unicidad (que en un vector dado puede representarse sólo de una
manera), se supone que u tiene otra representación u= b1v1 + b2v2+…+bnvn. Al
restar la segunda representación de la primera se obtiene:

u-u = (c1-b1)v1 + (c2-b2)v2 +… + (cn-bn)vn = 0.

22
Sin embargo como S es linealmente independiente, entonces la única solución de
esta ecuación es la trivial,

c1-b1=0 c2-b2=0, …, cn-bn=0.

Ejemplo: Unicidad de la Representación de la Base

Sea u = (u1, u2, u3) cualquier vector en R3. Demuestre que la ecuación u= c1v1+
c2v2 + c3v3 tiene solución única para la base S= {v1, v2, v3}= {(1,2,3),(0,1,2), (-2,0,1).

Solución: Con base en la ecuación

(u1, u2, u3)= c1(1,2,3) + c2(0,1,2)+c3(-2,0,1)

= (c1-2c, 2c1 + c2, 3c1 + 2c2 + c3),

Se obtiene el siguiente sistema de ecuaciones

C1 -2c3= u1

2C1 + C2 = u2

3C1 + 2C2 + C3= u3

Como la matriz A es invertible, se sabe que este sistema tiene una solución única
dada por C=A-1U. Al despejar A-1 se obtiene

23
Lo cual implica que

c1= -u1 + 4u2 – 2u3

c2= 2u1 – 7u2 + 4u3

c3= -u1 + 2u2 – u3

Por ejemplo, el vector u = (1,0,0) puede representarse de manera única como una
combinación lineal de v1, v2 y v3 en la forma siguiente.

(1,0,0) = -v1 + 2v2 – v3

Dimensión

Se llama dimensión de un espacio vectorial V al número de vectores que hay en

cualquiera de sus bases. Se denota dim (V).

La dimensión de Rn con las operaciones normales es n.

La dimensión de Pn con las operaciones normales es n+1.

La dimensión de Mm,n con las operaciones normales es mn.

Si W es un subespacio de un espacio vectorial n-dimensional, entonces se puede

demostrar que la dimensión de W es finita y que la dimensión de W es menor o
igual que n.

Ejemplo: Determinación de la dimensión de un subespacio

24
Sea W el subespacio de todas las matrices simétricas en M2,2 ¿Cuál es la dimensión
de W?

Solución: Toda matriz simétrica 2 X 2 es de la forma

Por consiguiente, el conjunto

Genera a W. Además puede demostrarse que S es linealmente independiente, y se

concluye que la dimensión de W es 3.

Para concluir que un conjunto S= { v1, v2, …, vn} es una base de un espacio
vectorial V es necesario saber que S satisface dos condiciones: que S genera a V y es
linealmente independiente.

Definición de Espacio Renglón y Espacio Columna de una matriz

Sea A una matriz m x n.

El espacio renglón de A es el subespacio de Rn generado por los vectores renglón

de A.

El espacio columna de A es el subespacio de Rn generado por los vectores

columna de A.

Estos dos comparten muchas propiedades, pero debido al conocimiento que se

tiene sobre las operaciones elementales en los renglones se empieza por considerar
el espacio renglón de una matriz. Cabe recordar que dos matrices son equivalentes
por renglones si una puede obtenerse a partir de la otra al aplicar operaciones
elementales en los renglones. El siguiente teorema establece que las matrices
equivalentes por renglones tienen el mismo espacio renglón.

25
Base para el Espacio Renglón de una Matriz

Si una matriz A es equivalente por renglones a una matriz B que está en forma
escalonada, entonces los vectores renglón de B diferentes de cero forman una base
del espacio renglón de A.

Ejemplo: Determinación de una base para un espacio renglón

Encuentre una base para el espacio renglón de

Solución: Mediante las operaciones elementales en los renglones, A vuelve a

escribirse en forma escalonada como se muestra a continuación

Los vectores renglón diferente de cero, w1=(1,3,1,3), w2=(0,1,2,0), w3= (0,0,1,-1),

forman una base del espacio renglón de A.

Ejemplo: Determinación de una base del espacio columna de una Matriz

Determine una base del espacio columna de la matriz A

Se empieza considerando la traspuesta de A, y luego aplicar las operaciones

elementales en los renglones para volver a escribir A´ en forma escalonada.

26
Así w1=(1,0,-3,3,2), w2= (0,1,9,-5,-6), y w3 =(0,0,1,-1,-1) forman una base del
espacio renglón de At, lo que equivale a afirmar que forman una base del espacio
columna de A.

Definición del Rango de una Matriz

La dimensión del espacio renglón (o columna) de una matriz A se llama rango de

A y se denota por rango (A).

Ejemplo: Determinación del Rango de una Matriz

Encuentre el rango de la matriz

Solución: La matriz dada se convierte a la forma escalonada como sigue:

Como B tiene tres renglones diferentes de cero, entonces el rango de A es 3.

27
4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS
PROPIEDADES

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
ii. (v, v) = 0 si y sólo si v = 0.
iii, (u, v +w) = (u, v)+ (u, w)
iv. (u + v, w) = (u, w)+(v, w)
v. (u, v) = (v, u)
vi. (αu, v) = α(u, v)
vii. (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›

28
3. ‹u, cv› = c‹u, v›.

Un espacio vectorial con producto interno se denomina espacio con

producto interno.

29
4.6 BASE ORTONORMAL, PROCESO DE ORTONORMALIZACION
DE GRAM-SCHMIDT

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:

w 1= v 1

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

30
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.

31