TECNM

INSTITUTO TECNOLÓGICO DE
TAPACHULA

CARRERA: INGENIERIA CIVIL

SEMESTRE:3°

GRUPO: “B”

MATERIA: “ÁLGEBRA LINEAL”

NOMBRE DEL TRABAJO: UNIDAD 4

“ESPACIOS VECTORIALES”

NOMBRE DEL ALUMNO(A):

VALENTINA RODRÍGUEZ MARTÍNEZ

NOMBRE DEL PROFESOR: ING.JOSÉ SINAR CASTILLEJOS

HERNÁNDEZ

TAPACHULA, CHIAPAS

08 DE NOVIEMBRE DE 2023

1
 ÍNDICE

INTRODUCCIÓN .................................................................................................... 3
4.0 ESPACIO VECTORIAL ..................................................................................... 4
4.1 DEFINICIÓN DE ESPACIO VECTORIAL .......................................................... 4
4.2 DEFINICIÓN DE SUBESPACIO VECTORIAL Y SUS PROPIEDADES .......... 17
4.3 COMBINACIÓN LINEAL. ................................................................................ 27
INDEPENDECIA LINEAL ...................................................................................... 27
4.4 BASES Y DIMENSIONES DE UN ESPACIO VECTORIAL,CAMBIO DE BASE
.............................................................................................................................. 36
4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS PROPIEDADES
.............................................................................................................................. 43
4.6 BASE ORTO NORMAL,PROCESO DE ORTO NORMALIZACIÓN DE GRAM-
SCHIMDT .............................................................................................................. 45
CONCLUSIÓN ...................................................................................................... 48
BIBLIOGRAFÍA ..................................................................................................... 49

2
 INTRODUCCIÓN

En el mundo de las matemáticas existen distintos métodos que son útiles para la
resolución de problemas que se aplican en muchas áreas. Los vectores son
bastante indispensables en el uso para conocer lugares. La idea de vector está
tomada de la Física, donde sirven para representar magnitudes vectoriales como
fuerzas, velocidades o aceleraciones. Para ello se emplean vectores de dos
componentes en el plano, de tres componentes en el espacio En esta investigación
conoceremos la importancia del estudio de espacios vectoriales y sus distintos usos.

3
 4.0 ESPACIO VECTORIAL

4.1 DEFINICIÓN DE ESPACIO VECTORIAL

Definición. Sea E un conjunto no vacío cuyos elementos se llaman vectores (x, y,

z,...), y un cuerpo ( por ejemplo ℝ o ) cuyos elementos se denominan escalares
(α, β, γ,...). Definimos en E dos leyes de composición: una interna, que
denotaremos por (+) y denominaremos “Suma o adición de vectores de E”, y otra
externa, a la que llamaremos “Producto de un vector por un escalar”. En estas
condiciones, se dice que E es un espacio vectorial sobre si se verifican las
siguientes condiciones:

I) Para la ley interna “Suma de vectores de E”, el par (E,+) es un Grupo Abeliano,
por lo

que cumple las propiedades siguientes:

1) ∀ x,y∈ E x + y = y + x Conmutatividad

2) ∀ x,y,z ∈ E (x + y) + z = x + ( y + z ) Asociatividad

3) ∀ x ∈ E ∃!0 ∈ E / x + 0 = 0 + x = x Elemento neutro

4) ∀ x ∈ E ∃ (-x) ∈ E / x + (-x) = (-x) + x = 0 Elemento opuesto

II) Para la ley de composición externa, “Producto de un vector por un escalar”, que
asocia a cada escalar α, y a cada vector x de E un vector único, llamado producto
de α y x, y que se representa por αx o xα, se satisfacen las siguientes
propiedades:

1) ∀ x, y ∈ E ∧ ∀ α ∈ α (x+y) = αx + αy

4
2) ∀ x ∈ E ∧ ∀ α,β ∈ (α+β) x = αx + βx

3) ∀ x ∈ E ∧ ∀ α,β ∈ (αβ) x = α (βx)

4) ∀ x ∈ E, 1x = x (siendo 1 el elemento neutro del producto en ).

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

con operaciones de suma y producto por escalar, que denotaremos por para las
cuales se cumplen las ocho propiedades de la sección anterior. En otras palabras:

El conjunto 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
mulltiplicación escalar.A los elementos de n les llamamos escalares. A los
elementos de r les llamamos vectores.

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.

Ejemplo. Considera el conjunto Fn de toda n -tuplas con elementos en F. Se trata

de un espacio vectorial con suma y multiplicación escalar definida por componentes.

Es decir, para 𝑢 = (𝑢1, 𝑢2, … , 𝑢𝑛), 𝑣 = (𝑣1, 𝑣2, … , 𝑣𝑛) ∈ 𝐹𝑛 𝑦 𝑎 ∈ 𝐹 , definimos

𝑢 + 𝑣𝑎𝑢 = (𝑢1 + 𝑣1, 𝑢2 + 𝑣2, … , 𝑢𝑛 + 𝑣𝑛),

𝑎𝑢 = (𝑎𝑢1, 𝑎𝑢2, … , 𝑎𝑢𝑛).

5
Es fácil verificar que cada propiedad de la Definición 4.1.1 esté satisfecha. En

particular, la identidad aditiva 0 = (0,0, … ,0) , y la inversa aditiva de u es − 𝑢 =

(−𝑢1, −𝑢2, … , −𝑢𝑛) .

Ejemplo 4.1.3. Dejado 𝐹∞ ser el conjunto de todas las secuencias sobre F, es decir,

𝐹∞ = {(𝑢1, 𝑢2, … ) ∣ 𝑢𝑗 ∈ 𝐹 𝑓𝑜𝑟 𝑗 = {1,2, … }}. (4.1.1)

La suma y la multiplicación escalar se definen como se espera, a saber,

(𝑢1, 𝑢2, … ) + (𝑣1, 𝑣2, … )𝑎(𝑢1, 𝑢2, … ) = (𝑢1 + 𝑣1, 𝑢2 + 𝑣2, … ), = (𝑎𝑢1, 𝑎𝑢2, … ).

Debe verificar que 𝐹∞ se convierta en un espacio vectorial bajo estas operaciones.

Ejemplo 4.1.4. ¡Verifica que 𝑉 = {0} sea un espacio vectorial! (Aquí, 0 denota el

vector cero en cualquier espacio vectorial).

6
Ejemplo 4.1.5. Dejar 𝐹[𝑧] ser el conjunto de todas las funciones polinómicas 𝑝: 𝐹 →

𝐹 con coeficientes en F. Como se discute en el Capítulo 3, p(z) es un polinomio si

existe 𝑎0, 𝑎1, … , 𝑎𝑛 ∈ 𝐹 tal que

𝑝(𝑧) = 𝑎𝑛𝑧𝑛 + 𝑎𝑛 − 1𝑧𝑛 − 1 + ⋯ + 𝑎1𝑧 + 𝑎0. (4.1.1)

La suma y la multiplicación escalar F[z] se definen puntualmente como

(𝑝 + 𝑞)(𝑧)(𝑎𝑝)(𝑧) = 𝑝(𝑧) + 𝑞(𝑧),

(𝑎𝑝)(𝑧) = 𝑎𝑝(𝑧),

dónde 𝑝, 𝑞 ∈ 𝐹[𝑧] 𝑦 𝑎 ∈ 𝐹 . Por ejemplo, si 𝑝(𝑧) = 5𝑧 + 1 𝑦 𝑞(𝑧)

= 2𝑧2 + 𝑧 + 1 , entonces (𝑝 + 𝑞)(𝑧) = 2𝑧2 + 6𝑧 + 2 𝑦 (2𝑝)(𝑧)

= 10𝑧 + 2 .

7
Como ya mencionamos, el conjunto con las operaciones de suma y multiplicación
por escalar que se hacen entrada por entrada es un espacio vectorial sobre

. 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 y enteros positivos y el conjunto de
matrices en 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 , las matrices no forman parte de él, y las matrices
no son vectores. Sin embargo, si estamos hablando del espacio vectorial,entonces
las matrices son sus elementos, y en este contexto las matrices sí serían vectores.

Espacios vectoriales de funciones

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.

8
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.

. La función será la función con regla de asignación para todo en

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).

9
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:

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.

10
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 por

entonces su suma simplemente es la función 𝑓 + 𝑔: [0,1] → ℝ definida por (𝑓 +

𝑔)(𝑥) = 𝑠𝑖𝑛 𝑥 + 𝑥 2 . 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.

11
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]:

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.

12
.

Resulta que el conjunto

de funciones de a 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 y

, entonces

Esta es una igualdad de funciones. Para que sea cierta, tenemos que verificarla en
todo el dominio, así que debemos mostrar que para todo en tenemos que

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

de la suma del campo

. Con ello, podemos realizar la siguiente cadena de igualdades:

Así, la suma en

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

Se prueba la igualdad usando las definiciones de suma y producto por escalar, y las
propiedades de campo de

13
.

Ejemplo. El ejemplo anterior es muy abstracto, pues

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

de reales y

es el intervalo

, entonces simplemente estamos hablando de las funciones que van de

a los reales.

Si tomamos

dadas por

entonces su suma simplemente es la función

definida por

. Si tomamos, por ejemplo, el escalar

, entonces la función

no es nada más que aquella dada por

Así como usamos el intervalo

, pudimos también haber usado al intervalo

, al

, o a cualquier otro.

14
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
disponible aquí en el blog.

Dado un campo

y un entero positivo

usaremos

para referirnos a todos los polinomios con coeficientes en

y usaremos

para referirnos a aquellos polinomios con coeficientes en

y grado a lo más

. Aunque el polinomio cero no tiene grado, también lo incluiremos en

Ejemplo. Si

es

, el campo de los números complejos, entonces todos los siguientes son

polinomios en

15
Tanto

como

están en

, pues su grado es a lo más

. Sin embargo,

no está en

pues su grado es

El polinomio

también es un elemento de

, pues tiene coeficientes reales. Pero no es un elemento de

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

, entonces

16
y

Resulta que

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

tiene grado a lo más

, pues no se introducen términos con grado mayor que

. Del mismo modo, si tenemos un polinomio con grado a lo más

y lo multiplicamos por un escalar, entonces su grado no aumenta. De esta forma,

podemos pensar a estas operaciones como sigue:

De esta forma,

con la suma de polinomios y producto escalar de polinomios también es un

espacio vectorial

4.2 DEFINICIÓN DE SUBESPACIO VECTORIAL Y

SUS PROPIEDADES

Dado un espacio vectorial V, podemos considerar una parte S de él que funcione

como un

17
espacio vectorial “más pequeño”, incluido en V.

Como V es un espacio vectorial, posee unas operaciones (suma, producto por un

escalar)

que en particular se pueden efectuar en S. Sólo necesitaremos que, al efectuarlas,

su

resultado quede dentro de S.

Definición: Subespacio.

Dado un espacio vectorial V, se dice que un subconjunto S de V es un subespacio

vectorial

si contiene al vector K

, y si al efectuar las operaciones de suma y producto por escalar entre

vectores de S, el resultado permanece en S.

(Se puede decir que S es “cerrado” para las operaciones suma y producto por
escalar.)

Es decir:

•0∈S.K

• Si v, w ∈ S entonces v + w ∈ S.

• Si v ∈ S y λ es un escalar, entonces λv ∈ S.

Ya no hace falta comprobar que se cumplen las propiedades asociativa,

conmutativa, etc.

puesto que sabemos que se cumplen en V, y por tanto también en S (se dice que
S “hereda”

las propiedades de las operaciones en V).

18
Por supuesto si para V utilizamos escalares reales, también para S; si para V
utilizamos

complejos, también para S.

Ejemplos de subespacios.

1) La recta x=y es un subespacio de . Está formado por los vectores de la forma

(a,a). 2 ℜ

Contiene al vector (0,0).

Además, es cerrado para la suma y producto por escalar:

• Suma: (a,a) + (b,b) = (a+b, a+b) que también es un elemento de la recta.

• Producto por un escalar: λ∈ℜ , λ(a,a) = (λa, λa) que también es un elemento de
la recta.

2) El plano XY es un subespacio de ℜ . Está formado por los vectores de la forma

(x,y,0). 3

Contiene al vector (0,0,0).

Además, es cerrado para la suma y producto por escalar:

• Suma: (x,y,0) + (x’,y’,0) = (x+x’, y+y’, 0) que también es un elemento del plano.

• Producto por un escalar: λ∈ℜ , λ(x,y,0)=(λx, λy, 0) que también es un elemento

del plano.

Podemos decir que este plano “es como ” pero incluido en ℜ . 2 ℜ 3

Neila Campos ÁLGEBRA LINEAL Espacios Vectoriales 5

3) ¿Es un subespacio de el conjunto de los vectores de la forma (a,1)? 2 ℜ

No, puesto que no contiene al (0,0).

O también: porque no se puede sumar dentro de este conjunto, por ejemplo

(a,1)+(b,1)=(a+b,2) que no pertenece al conjunto.

19
4) En el espacio P2 = { polinomios de grado ≤ 2 }, el conjunto de los polinomios de
grado ≤1

forma un subespacio. En efecto, contiene al polinomio cero, y podemos sumar y

multiplicar

por un escalar sin salir del conjunto:

• Suma: (ax+b) + (a’x+b’) = (a+a’)x + (b+b’) que también es un polinomio de grado

≤1.

• Producto por escalar: λ∈ℜ , λ(ax+b)= λax+λb que también es un polinomio de

grado ≤1.

5) En M2 = { matrices 2x2 }, el conjunto de las matrices simétricas

es un subespacio.

Contiene a la matriz nula, y es cerrado para las operaciones:

ab

bc

• Suma: + =

que también es una matriz simétrica. a b

bc

a' b'

b' c'

a+a' b+b'

b+b' c+c'

20
• Producto por escalar: λ∈ , λ =

ℜ que también es una matriz simétrica. a b

bc

λa λb

λb λc

6) Geométricamente, los subespacios vectoriales de ℜ y son rectas, planos, y sólo

uno

de ellos es un punto, el { K

}.

23ℜ

Las curvas o las superficies curvas no son subespacios; tampoco las figuras
geométricas

finitas, como círculos o polígonos en el plano, esferas o poliedros en el espacio.

(Comprobar gráficamente que no pueden sumarse vectores dentro de este tipo de

conjuntos)

7) En todo espacio vectorial existen el subespacio cero, formado solamente por el

vector

21
0 }, y el subespacio total, formado por todos los vectores del espacio.

Descripción de los subespacios de Rn

Los subespacios de ℜ n pueden describirse de dos formas: implícita y

paramétrica.

• Forma implícita: Mediante ecuaciones. Los vectores que verifiquen las

ecuaciones son

los que pertenecen al subespacio.

• Forma paramétrica: Mediante una expresión con parámetros, los cuales al tomar

distintos valores producen todos los vectores del subespacio.

Neila Campos ÁLGEBRA LINEAL Espacios Vectoriales 6

Para pasar de una a otra forma:

• De la forma implícita a la paramétrica: Basta considerar las ecuaciones implícitas

como

un sistema, y resolverlo. La solución general del sistema (que podrá depender de

parámetros) es la expresión paramétrica.

• De la forma paramétrica a la implícita: Podemos decir, aunque no es un método

riguroso,

que se trata de “describir” mediante ecuaciones cómo es el vector genérico del

subespacio.

Ayudará el conocer qué número de ecuaciones es necesario (lo que se verá más
adelante).

Ejemplos:

1) En 2 , la recta bisectriz del primer cuadrante puede describirse en implícitas

como

22
{ y=x }, y en paramétricas como { (λ,λ) : λ∈ℜ }

2) En 3

, dado el subespacio en paramétricas { (α, β, α–β) : α,β ∈ℜ }, su forma implícita

es la ecuación { z=x–y } .

3) En 3

, dado el subespacio en paramétricas { (λ, λ, 3λ) : λ ∈ℜ }, para describirlo en

forma implícita necesitamos dos ecuaciones:

y=x

z = 3x

x+z=0

x + 2y + z = 0 4) Consideremos el subespacio de 3 ℜ dado en implícitas por

¿Cuál es su forma paramétrica? Para ello resolvemos el sistema, que es

compatible

indeterminado. La solución depende de un parámetro y es { (–λ, 0, λ) : λ ∈ℜ }.

5) El subespacio cero y el subespacio total constituyen un caso especial. Por

ejemplo

en ℜ 3 :

- El subespacio { (0,0,0) } tiene como ecuaciones implícitas

23
Su forma paramétrica es (0,0,0): no hay parámetros, pues como se trata de un
solo punto,

no se puede variar nada.

x=0

y=0

z=0

- Por el contrario el subespacio total 3 tiene como forma paramétrica { (α,β,γ) :

α,β,γ ∈ }

(tres parámetros variando libremente, pues no hay ninguna limitación). Ecuaciones

implícitas

no tiene ninguna, pues no hay restricción alguna que imponer.

ℜℜ

Neila Campos ÁLGEBRA LINEAL Espacios Vectoriales 7

Relación entre la forma implícita y paramétrica.

Si S es un subespacio de n

, la forma implícita y paramétrica de S satisfacen en general la

siguiente relación:

Nº de ecuaciones implícitas + Nº de parámetros = n.

Comprobar esta relación en los ejemplos anteriores.

Sin embargo para que esto sea cierto debe cumplirse que las ecuaciones
implícitas sean

independientes entre sí, es decir, que ninguna sea combinación lineal de otras.
Esto significa

24
que, considerando las ecuaciones como un sistema, no “sobre” ninguna ecuación:
es decir,

que la matriz de coeficientes tenga rango igual al número de ecuaciones.

También los parámetros deben ser independientes entre sí

(Esto será más fácil de comprobar más adelante, en el punto “Bases y dimensión”,
pues el número

de parámetros independientes es igual a la dimensión del subespacio).

Inclusión de subespacios.

Dados dos subespacios A y B, puede ocurrir que uno esté incluido en otro (una
recta dentro

de un plano, por ejemplo).

Se dice que A está contenido o incluido en B (y se denota A ⊂ B) si todos los

elementos de

A están también en B.

En cualquier espacio vectorial V, el subespacio { } está contenido en todos los

demás

subespacios; mientras que todos ellos están contenidos en el total V.

Veamos cómo reconocer si un subespacio está incluido en otro:

- En forma implícita: Si las ecuaciones de B están incluidas en las de A, entonces

A ⊂ B.

(Cuantas más ecuaciones implícitas, más pequeño es el subespacio).

- En forma paramétrica: Para ver si A ⊂ B, tendremos que ver si todo vector

genérico de A,

25
está en B.

: por ejemplo en la expresión

paramétrica (α+β, α+β, 0), que en ℜ 3 corresponde a la forma implícita {x=y , z=0},
no se

cumple la relación anterior: 2+2 ≠ 3. Esto ocurre porque los dos dos parámetros no
son

independientes. En realidad puede sustituirse α+β por un solo parámetro λ y así

tendríamos (λ, λ, 0) y ya se cumple 2+1=3.

(n es el nº de incógnitas).

Ejemplo

1) En 3 ℜ , sean los siguientes subespacios dados en implícitas:

A= b= { y=0 } y=0

z=0

Tenemos que A ⊂ B , pues todo vector que satisfaga las dos ecuaciones de A, es
decir que

cumpla y=0, z=0, también satisface la ecuación de B, y=0.

2) En 3 ℜ , sean los siguientes subespacios dados en paramétricas:

A= { (λ,0,0) : λ ∈ℜ } b= { (α,0,β) : α, β ∈ℜ }

Tenemos que A ⊂ B , pues todo vector de la forma (λ,0,0) también es de la forma

(α,0,β),

tomando β=0.

Ambos ejemplos son el mismo, pues se trata del eje X contenido en el plano XZ.

26
 4.3 COMBINACIÓN LINEAL.

INDEPENDECIA LINEAL
Teorema.

Para probar que un conjunto S es subespacio, basta probar que:

La combinación lineal de elementos de S está en S.

(Ello es debido a que calcular una combinación lineal de vectores involucra tanto
la suma como el

producto por escalares, así que equivale a probar ambas cosas por separado).

Esto se suele expresar diciendo que un subespacio es un conjunto “cerrado” para

las

combinaciones lineales.

Ejemplo.

Veamos si es subespacio de el conjunto U={ (λ, λ) : λ∈ }. 2 ℜ ℜ

Tomamos dos elementos genéricos de U, (λ, λ) y (µ, µ). Una combinación lineal de
ellos es:

α (λ, λ) + β (µ, µ) = (αλ+βµ, αλ+βµ) que también es un elemento de U.

Por tanto U es subespacio.

Definición: Dependencia lineal.

Se dice que un conjunto de vectores es linealmente dependiente (o ligado) si:

(a) Al menos uno de ellos es combinación lineal de los demás.

Esto se puede expresar también así:

(b) El vector 0 es combinación lineal de ellos (con coeficientes no todos nulos).

27
G

Ejemplo

Sean en los vectores u=(1,1), v=(0,3), w=(2,5) . 2 ℜ

• Observamos que son linealmente dependientes por (a):

w es combinación lineal de u y v , puesto que w = v+2u.

(pueden encontrarse también otras combinaciones, como u = 1

2w–1

2 v , etc).

• También podemos verlo por (b):

es combinación lineal de u, v , w puesto que 0 = v+2u–w, (y los coeficientes de

esta

combinación lineal son 1, 2, –1 que no son todos nulos).

Observación

Si un conjunto es linealmente dependiente, entonces por (a) sabremos que existe

algún

vector entre ellos que es combinación lineal de los demás. Pero esto no quiere
decir que

“cualquier” vector de ellos sea combinación lineal de los demás.

Por ejemplo, el siguiente conjunto en podemos comprobar que es ligado: 3 ℜ

u=(1,0,0), v=(0,1,0), w=(1,1,0), k=(0,0,1),

28
ya que, por (a), tenemos que w = u + v (es decir, w=1u + 1v + 0k ), hay un vector
que es

combinación lineal de los demás. Pero no “cualquier” vector lo es, puesto que k no
es

combinación lineal de los demás. Esto se puede ver poniendo

(0,0,1) = α (1,0,0) + β (0,1,0) + γ (1,1,0)

y viendo que se obtiene un sistema incompatible.

Combinación lineal de vectores

Sea espacio vectorial y vectores en , se

llama combinación lineal a cada uno de los vectores de la forma:

Cualquier vector se puede poner como combinación lineal de otros dos que
tengan distinta dirección.

En la imagen anterior vemos al vector escrito como combinacion lineal de y

Ejemplos

29
1 Dados los vectores , , calcular el vector combinación
lineal

Tendremos que

2 El vector , ¿se puede expresar como combinación lineal de los

vectores y ?

Vemos si podemos encontrar, que cumplan lo siguiente

Por tanto se debe tener que

Resolviendo obtenemos que

y por tanto

30
Dependencia Lineal

Varios vectores libres del plano son linealmente dependientes si existe

una combinación lineal de ellos que sea igual al vector cero, sin que
sean cero todos los coeficientes de la combinación lineal.

Es decir, el conjunto de vectores son linealmente dependientes si

con distintos de cero.

Propiedades

1 Si varios vectores son linealmente dependientes, entonces al menos uno de

ellos se puede expresar como combinación lineal de los otros.

despejando

Si un vector es combinación lineal de otros, entonces todos

los vectores son linealmente dependientes.

2 Dos vectores del plano son linealmente dependientes si, y sólo si,
son paralelos.

31
3 Dos vectores del plano y son linealmente dependientes
si sus componentes son proporcionales.

Vectores linealmente dependientes

entonces

Independencia lineal
En caso de que un conjunto de vectores no sea linealmente dependiente, se dice
que es

linealmente independiente ( o libre ) .

Por tanto, escribiendo la negación de la definición de dependencia lineal,

tendremos que un conjunto de vectores es linealmente independiente cuando:

(a) Ninguno de ellos es combinación lineal de los demás. O equivalentemente:

(b) El vector 0 no es combinación lineal de ellos, a no ser que la combinación

tenga coeficientes todos nulos.

Expresando (b) de otra manera,

(b) La única forma de poner como combinación lineal de los vectores, es con todos
los coeficientes nulos.

Observación.

32
La definición de dependencia lineal no es: “ v, w son independientes si 0v + 0w = 0
”

Esa afirmación no aporta nada, puesto que se cumple para todos los vectores,
dependientes o no.

De lo que se trata, es de ver si esa es la única manera de poner como

combinación linealde ellos.

13

wv

Ejemplos.

1) Veamos que u=(3,1) y v=(4,5) en son linealmente independientes. 2 ℜ

Para ello intentaremos poner (0,0) como combinación lineal de ellos, y

encontraremos que sólo es posible con coeficientes nulos.

Este sistema es compatible determinado,por tanto sólo tiene la solución α=0, β=0.

3α+4β=0

α + 5 β = 0 (0,0) = α (3,1) + β (4,5) ⇒

Así pues, la única forma de poner (0,0) como combinación lineal de u, v es con
coeficientes

α, β nulos. Esto significa que son linealmente independientes.

2) Veamos si son independientes w=(3,1) y k=(6,2): con el mismo planteamiento,

33
3α+6β=0

α + 2 β = 0 (0,0) = α (3,1) + β (6,2) ⇒ Este sistema es compatible indeterminado.

Esto quiere decir (aun sin resolver el sistema) que existen coeficientes α , β no
nulos que permiten poner (0,0) como combinación lineal de w, k. Por tanto w, k son
linealmentedependientes.

Varios vectores libres son linealmente independientes si ninguno de ellos se

puede expresar como combinación lineal de los otros. Es decir, son linealmente
independientes si no son linealmente dependientes.

Por lo tanto, el conjunto de vectores cumple que

si y solo si

Los vectores linealmente independientes tienen distinta dirección.

Ejercicios de dependencia e independencia lineal

1 Estudiar la dependencia lineal de los vectores: y .

La propiedad (2) nos dice que si dos vectores son linealmente dependientes
entonces sus componentes son proporcionales, en este caso, notemos que

por tanto, linealmente independientes.

34
2 Estudiar la dependencia lineal de los vectores: y

Necesitamos que

entonces

Por tanto son linealmente dependientes para .

3 Comprobar que el segmento de une los puntos medios de los

lados y del triángulo: , es paralelo al

lado e igual a su mitad.

¿Son paralelos? Primero encontremos los puntos M, N y tambien al vector

Si es paralelo a sus componentes son proporcionales. Verifiquemos

35
y ahora

Por tanto, son paralelos.

Comprobemos ahora que :

4.4 BASES Y DIMENSIONES DE UN ESPACIO

VECTORIAL,CAMBIO DE BASE

Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un

conjunto linealmente independiente que sea a la vez sistema generador de dicho
espacio osubespacio.

• Por tanto, la dimensión es el máximo número de vectores linealmente

independientes que podemos tener en el espacio o subespacio.

En otras palabras, es el máximo rango que puede tener un conjunto de vectores

de dicho espacio.

Es también el rango de cualquier sistema generador de dicho espacio.

Propiedades de las bases.

36
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.

Ejemplos de bases.

1. La base canónica de ! 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 ! n porque todo vector (a1,a2,. . . ,an)∈ ! n se puede

expresar

como combinación lineal de ellos:

(a1,a2,. . . ,an) = a1(1,0,. . . ,0) + a2(0,1,. . . ,0) + . . . + an(0,0,. . . ,1)

2. Otra base de ! 3

distinta de la canónica: (1,0,0), (1,1,0), (0,2,-3).

- Son linealmente independientes porque forman un determinante no nulo.

- Son sistema generador de ! 3

37
porque cualquier vector (a,b,c) se puede poner como

combinación lineal de ellos. En efecto, dado (a,b,c), buscamos , , que satisfagan

(a,b,c)= (1,0,0)+ (1,1,0)+ (0,2,-3)

Se obtiene un sistema:

+=a

+2 =b

-3 = c

en las incógnitas α , β ,γ , que es compatible determinado para cualesquiera a, b,

c.

3. (1,2,3), (4,5,6), (7,8,9) en ! 3

no forman base porque no son linealmente independientes

(su determinante es nulo).

4. Base de un subespacio. En ! 3

, consideremos el subespacio S= plano XY. Veamos que los vectores (3,2,0) , (1,–
1,0) forman una base de S.

- Son linealmente independientes, porque uno no es múltiplo del otro.

- Son un sistema generador de S: Dado un vector genérico de S, de la forma

(a,b,0), lo podemos poner como combinación lineal de (3,2,0) y (1,–1,0). Para ello,
buscamos , que cumplan:

(a,b,0)= (3,2,0)+ (1,–1,0) ! 3 + = a

2–=b

5. Extender un conjunto para que forme base. ¿Es (1,0,2), (1,0,–1) base de ! 3

38
?

- Son linealmente independientes, porque uno no es múltiplo del otro.

- Pero no son un sistema generador de ! 3

, porque no es cierto que todo vector de ! 3

pueda ponerse como combinación lineal de ellos. Por ejemplo, el (0,1,0) no se

puede poner (resulta un sistema incompatible).

Por tanto no son base de ! 3

. ¿Puede obtenerse una base de ! 3 de algún modo?

Sí, añadiendo algún otro vector de manera que siga siendo independiente de los
anteriores,

por ejemplo (0,1,0). Así el conjunto (1,0,2), (1,0,–1), (0,1,0) es linealmente

independiente, y

genera ! 3

, por tanto es base de ! 3

6. Reducir un conjunto para que forme base. ¿Es (2,0,0), (0,3,0), (4,1,0) base de

S=plano XY de ! 3

- Son un sistema generador de S, pero no son independientes (su determinante es

nulo).

Por tanto no son base de S. ¿Puede obtenerse una base de S de algún modo?

Sí. Uno de los vectores es combinación lineal de los demás: (4,1,0)=2·(2,0,0) + ·

(0,3,0).

39
Suprimimos por tanto (4,1,0) y los restantes vectores (2,0,0), (0,3,0) siguen
generando el mismo subespacio S y son independientes. Son por tanto base de S.

Teorema y definición: Dimensión.

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

vectores.

Se llama dimensión de dicho espacio o subespacio.

Ejemplos de dimensión.

1. n

tiene dimensión n, pues tiene una base de n elementos (p.ej. la canónica).

S. C. D. para cualesquiera a,b.

2. M2x2= {matrices 2x2 con términos reales} tiene dimensión 4. Una base de
M2x2 es:

,,,

3. P2= {polinomios de grado 2 con coeficientes reales} tiene dimensión 3. Una

base de P2

es, por ejemplo, la formada por los tres polinomios siguientes:

1+0x+0x2

, 0+x+0x2

, 0+0x+x2

(es decir, los polinomios 1, x, x2

).

Otra base: 1+2x+3x2

40
, 4+x2

, 3–x–5x2

Propiedades de la dimensión.

1. Significado físico de la dimensión: los planos tienen dimensión 2, las rectas

dimensión 1,el punto dimensión 0. El subespacio {0} es el único que tiene
dimensión 0.

2. La dimensión de un subespacio en ! n, coincide con el número de parámetros

libres en su forma paramétrica.

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, 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 tienen rango 2, entonces generan un plano; etc.)

Ejemplo.

En ! 3

, sea S el subespacio generado por: (1,0,2), (0,–1,–2), (3,3,3), (2,2,0).

Observamos que el rango de este conjunto (= rango de la matriz que forman, por
filas o por columnas) es 3. Así por la propiedad 4 , tenemos que dim S = 3. Pero
como estamos en ! 3 por la propiedad 3 ha de ser S= ! 3

Teorema.

41
Sea S un espacio o subespacio de dimensión m. Entonces,

• Si tenemos m vectores linealmente indep. en S, también serán sistema

generador de S.

• Si tenemos m vectores que generan S, también serán linealmente

independientes.

Por tanto, si tenemos un conjunto formado por tantos vectores como indica la
dimensión, dichos vectores serán a la vez linealmente independientes y sistema
generador, o bien ninguna de las dos cosas.

Así pues, para probar que son base, bastaría probar solamente una de las dos
cosas: que son linealmente independientes, o que son sistema generador.

Esto solamente se puede aplicar cuando conocemos la dimensión del espacio y

cuando tenemos tantos vectores como indica la dimensión.

Teorema. En un espacio o subespacio de dimensión m,

• un conjunto de más de m vectores nunca puede ser linealmente independiente.

• un conjunto de menos de m vectores nunca puede ser sistema generador.

Así pues, por ejemplo, 3 vectores en ! 2

podrán ser o no sistema generador de ! 2

, pero nunca podrán ser linealmente independientes.

Del mismo modo, 2 vectores en ! 3

podrán ser linealmente independientes o no, pero nunca

serán sistema generador de ! 3 (aunque sí podrán serlo de un subespacio más

pequeño).

42
 4.5 ESPACIO VECTORIAL CON PRODUCTO
INTERNO Y SUS PROPIEDADES

Un espacio vectorial complejo V se denomina espacio con producto interno si para

cada par ordenado de vectores u y v en V, existe un numero complejo único (u,v),
denominado producto interno de u y v, tal que si u, v y w están en V y αϵC,
entonces

La barra es las condiciones v) y vii) denota el conjugado complejo.

Nota. Si (u,v) es real, entonces (u,v)=(u,v) y se puede eliminar la barra en v).

EJEMPLO: producto interno de dos vectores en C3

En C3 sean x=(1+i, -3, 4-3i) y y=(2-i, -i, 2+i). entonces

Sea V un espacio con producto interno y suponga que u y v están en V. entonces

43
Nota 1. Aquí se usa la doble barra en lugar de una sola para evitar confusión con
el valor absoluto. Por ejemplo ǁsen tǁ denota la norma de sen t como un “vector”
en C[0, 2π] mientras que |sen t| denota el valor absoluto de la función sen t.

Nota 2. La ecuación anterior tiene sentido ya que (u, u)≥0.

EJEMPLO: dos vectores ortogonales en C2

En C2 los vectores (3,-i) y (2,6i) son ortogonales porque

Complemento ortogonal

Sea H un subespacio del espacio con producto interno V. entonces el

complemento ortogonal de H, denotado por H, esta dado

por

44
 4.6 BASE ORTO NORMAL,PROCESO DE ORTO
NORMALIZACIÓN DE GRAM-SCHIMDT

En álgebra lineal, el proceso de ortonormalización de Gram–Schmidt es

un algoritmo para construir, a partir de un conjunto de vectores linealmente
independientes de un espacio prehilbertiano (usualmente, el espacio euclídeo Rn),
otro conjunto ortonormal de vectores que genere el mismo subespacio vectorial.

El proceso se basa en un resultado de la geometría euclídea, el cual establece

que la diferencia entre un vector y su proyección sobre otro, es perpendicular al
primero. Dicho resultado constituye una herramienta para construir, a partir de un
conjunto de dos vectores no paralelos, otro conjunto, conformado por dos vectores
perpendiculares.

Este algoritmo recibe su nombre de los matemáticos Jørgen Pedersen

Gram y Erhard Schmidt.

45
Interpretación Geométrica

En el espacio euclídeo (R3, ·) con el producto escalar usual definido, se propone

un método para encontrar un sistema de vectores, perpendiculares entre sí, a
partir de tres vectores no coplanarios cualesquiera. Sean v1, v2, v3 dichos vectores.

El método consiste de dos proyecciones. La base ortogonal de R3 compuesta

por u1, u2, u3, se calcula de la siguiente manera.

1. Se escoge arbitrariamente uno de los vectores dados, por ejemplo u1 = v1.

1. u2 se calcula como la diferencia entre v2 y el vector que resulta de proyectar

a v2 sobre u1. Dicha diferencia es perpendicular a u1. Es equivalente afirmar
que u2 es la diferencia entre v2 y el vector que resulta de proyectar
a v2 sobre la recta que genera u1.

1. u3 es la diferencia entre v3 y el vector que resulta de proyectar a v3 sobre el

plano generado por u1 y u2. La diferencia de vectores tiene como resultado
otro vector que es perpendicular al plano.

Esta sencilla interpretación del algoritmo para un caso que puede verse es
susceptible de generalización a espacios vectoriales de dimensión arbitraria, con
productos internos definidos, no necesariamente canónicos. Dicha generalización
no es otra que el proceso de Gram-Schmidt.

46
Descripción del Algoritmo de Ortonormalizacion de Gram-Schmidt

El método de Gram-Schmidt se usa para hallar bases ortogonales de cualquier

base no euclídea.

47
 CONCLUSIÓN

En la realización de esta investigación profundizamos en el conocimiento de los

espacios vectoriales. Cada uno de los elementos que lo integran son importantes,
la forma de operar con ellos es bastante importante para conocer sus componentes
aplicables. Vectorialmente el análisis de cada uno de estos factores nos arrojará
resultados que pueden ser comprobables con los distintos métodos explicados
anteriormente

48
 BIBLIOGRAFÍA

https://blog.nekomath.com/algebra-lineal-i-espacios-vectoriales/
https://www.ehu.eus/ebravo/contenidos/Algebra%20lineal/Algebra.pdf
https://www.ugr.es/~rcamino/docencia/geo1-03/g1tema1.pdf
https://personales.unican.es/camposn/espacios_vectoriales1.pdf
https://blog.nekomath.com/algebra-lineal-ii-proceso-de-gram-schmidt-en-espacios-
euclideanos/
http://mate.dm.uba.ar/~jeronimo/algebra_lineal/Capitulo8.pdf
http://www.softgot.com/samhain/algebralineal/lecturas/AL-lectura5.pdf
https://www.superprof.es/apuntes/escolar/matematicas/analitica/vectores/depende
ncia-e-independencia-lineal.html

49