TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE LAZARO

CARDENAS

UNIDAD 4: ESPACIOS VECTORIALES Y

UNIDAD 5: TRANSFORMACIONES LINEALES

ALGEBRA LINEAL

ALUMNO: VALENCIA MORENO GISELLE

SALÓN: M5
 INDICE

4.1 Definición de espacio vectorial.

4.2 Definición de subespacio vectorial y sus propiedades.
4.3 Combinación lineal. Independencia lineal.
4.4 Base y dimensión de un espacio vectorial, cambio de base.
4.5 Espacio vectorial con producto interno y sus propiedades.
4.6 Base ortonormal, proceso de orto normalización de Gram-Schmidt.
5.1 Introducción a las transformaciones lineales.
5.2 Núcleo e imagen de una transformación lineal.
5.3 La matriz de una transformación lineal.
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación.
 UNIDAD 4

ESPACIOS VECTORIALES.

4.1 Definición de espacio vectorial.

4.2 Definición de subespacio vectorial y sus propiedades.
4.3 Combinación lineal. Independencia lineal.
4.4 Base y dimensión de un espacio vectorial, cambio de base.
4.5 Espacio vectorial con producto interno y sus propiedades.
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt.
 ESPACIOS VECTORIALES
DEFINICIÓN 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 unescalar 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. llamamos u+vu+va la suma de vectores en V, y αv al producto
de un número real αpor un

Axiomas de un espacio vectorial.

Si X pertenece a V y Y pertenece a V, entonces X+Y pertenece a V.

Para todo X, Y y Z en V, (x+y)+z = x(y+z).

Existe un vector |0 pertenece V tal que para todo X pertenece aV, X+0=0+X=X.

Si x pertenece a V, existe un vector –x en V tal que x+(-x)=0.

Si X y Y están en V, entonces x+y=y+x.

Si x pertenece a V y a es un escalar, entonces ax pertenece a V.

Si X y Y están en V y a es un ecalar, entonces a(x+y)= ax + ay

Si X pertenece a V y a y b son escalares, entonces (a+b) x = ax+ by.

Si X pertenece a V y a y b son escalares, entonces a(bx) = (ab)x.

Para cada vector X pertenece a V, 1x = x

DEFINICIÓN DE SUBESPACIO VECTORIAL Y SUS PROPIEDADES.

Definición: Sea V un espacio vectorial y W un subconjunto no vacío de V. Si Wes un

espacio vectorial con respecto de las operaciones en V, entonces W es un subespacio
de V

Si W es un subespacio vectorial de V entonces el conjunto W con las operaciones

+ y, inducidas de la suma y el producto por escalares de V, es un espacio vectorial.

Teorema de sub espacio

Un subconjunto no vacio de H de un espacio vectorial V es un subespacio de Vsi se cumplen las dos

reglas de cerradura:
Reglas de cerradura para ver si un subconjunto no vació es un sub espacio
 • Si x € H y y € H, entonces x + y € H.

• 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 subespacio 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 LOSDE
ROPIEDADES SUBESPACIOS VECTORIALES
LOS SUBESPACIOS EN LA ADICIÓN
VECTORIALES EN LA ADICIÓN

Propiedad asociativa

Elementos neutros
Elemento inverso

Propiedades de los subespacios vectoriales en la multiplicación por un escalar:

Propiedad Asociativa:

Propiedad Distributiva:

Multiplicación por dos escalares:

Elemento neutro:
 COMBINACIÓN LINEAL. INDEPENDENCIA LINEAL.

Combinación Lineal

Cuando se aplica la suma de vectores y la multiplicación por un escalar a un conjunto de vectores,

se realiza una combinación lineal. Es decir, la combinación lineal es una expresión del tipo

Por lo tanto, un vector ̅cualquiera se puede obtener a partir de otros.

Ejemplo

Sea un bloque sostenido por dos cuerdas sobre un plano inclinado donde no hay rozamiento. El
? ? ?
sistema está en reposo. Las fuerzas que actúan sobre el bloque (1 , 2 , ) son elementos de un
espacio vectorial. Como el sistema está en equilibrio estático, la resultante de la suma de fuerzas es
el vector nulo; es decir

? ? ? ?
, , =
1 2 3

lo cual es una combinación lineal de fuerzas. Tomando las fuerzas ? = (−2√3, 2) y [N] la masa del
bloque es 1;223 [kg], calcula el valor de la fuerza en la cuerda 2. Tomando la dirección de la
aceleración debida a la gravedad como ? = (0,−9,81,?2 ) la combinación lineal se dará como.

Donde:
es una combinación lineal de 1
̅ y
Un conjunto es linealmente independiente si no existen combinaciones lineales entre sus vectores;
es decir, cada vector existe por sí mismo dentro del conjunto. En otra forma, si al combinar
linealmente los elementos del conjunto en la forma

todos los escalares 1 son nulos, entonces el conjunto

es linealmente independiente; en otro caso los vectores serán linealmente
dependientes. La combinación lineal (1) se conoce como ecuación de dependencia lineal.

Si al plantear la ecuación de dependencia lineal entre los elementos del conjunto se obtiene una
solución trivial, el conjunto es independiente; en caso contrario será dependiente.
 BASE Y DIMENSIÓN 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.
Sea un E un espacio vectorial y B un subconjunto de vectores de E se dice que B
es una base de E si se verifican las siguientes condiciones:

1. Todos los vectores que forman el conjunto B, son linealmente independientes. Es decir, B es
linealmente independiente.
2. Cualquier vector del espacio vectorial puede escribirse como combinación

lineal de los elementos de la base B. Es decir, B es un sistema generador de E.

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:

𝑎1 𝑣1 + 𝑎2 𝑣2 +…+𝑎𝑛 𝑣𝑛

donde 𝑎1 𝑣1 + 𝑎2 𝑣2 +…+𝑎𝑛 𝑣𝑛 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.

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.
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.
 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›
3. ‹u, cv› = c‹u, v›.

Un espacio vectorial con producto interno se denomina espacio con producto interno.

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

Nota 1. Aquí se usa la doble barra en lugar de una sola para evitar confusióncon 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, está dado por

BASE ORTONORMAL, PROCESO DE ORTONORMALIZACIÓN DE GRAM- SCHMIDT.

En álgebra lineal, el proceso de orto normalización de Gram–Schmidt es un algoritmo para construir,

a partir de un conjunto de vectores de un espacio vectorial con producto interno, 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 v y su proyección sobre otro vector u es perpendicular al vector u. 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.

Interpretación geométrica

En el espacio ℝcon 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, 𝐳𝟎 , 𝐳𝟎 , 𝐳𝟎 ∈ ℝ dichos vectores.

El método consiste en dos proyecciones. La base ortogonal de ℝ𝟎 compuesta por, 𝐳𝟎 , 𝐳𝟎 , 𝐳𝟎 , se

calcula de la siguiente manera.
Se escoge arbitrariamente uno de los vectores dados, por ejemplo 𝐳𝟎 = 𝐳𝟎
𝐳𝟎 se calcula como la diferencia entre 𝐳𝟎 y el vector que resulta de proyectar a
𝐳𝟎 sobre Dicha diferencia 𝐳𝟎 es perpendicular a 𝐳𝟎 . Es equivalente afirmar que 𝐳𝟎 es la diferencia 𝐳𝟎
y el vector que resulta de proyectar a 𝐳𝟎 sobre la recta que genera 𝐳𝟎

𝐳𝟎 es la diferencia entre 𝐳𝟎 y el vector que resulta de proyectar 𝐳𝟎 sobre el plano generado por 𝐳𝟎
y 𝐳𝟎 . 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.

Descripción del algoritmo de ortogonalización de Gram–Schmidt

El método de Gram-Schmidt se usa para hallar bases ortogonales (Espacio Euclideo no

normalizado) de cualquier base no euclídea.

En primer lugar, tenemos que:

Es un vector ortogonal a 𝐳 Entonces, dados los vectores 𝐳𝟎 ,…, 𝐳𝐳 , se define:

Generalizando en k:

A partir de las propiedades del producto escalar, es sencillo probar que el conjunto de vectores
es ortogonal.
Proposición 1
Si

es un conjunto de vectores linealmente independientes, los vectores u1, u2, ... uk

definidos por:

son todos no nulos. Dicho de otra manera, para cada k,

 UNIDAD 5
TRANSFORMACIONES LINEALES

5.1 Introducción a las transformaciones lineales.

5.2 Núcleo e imagen de una transformación lineal.
5.3 La matriz de una transformación lineal.
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación, contracción
y rotación.
 TRANSFORMACIONES LINEALES

DEFINICIÓN DE TRANSFORMACIÓN LINEAL.

Las transformaciones lineales intervienen en muchas situaciones en Matemáticas y son

algunas de las funciones más importantes. En Geometría modelan las simetrías de un
objeto, en Algebra se pueden usar para representar ecuaciones, en Análisis sirven para
aproximar localmente funciones, por ejemplo.

Definición: Para 𝒛 𝒛 𝒛 espacios vectoriales sobre un campo z una transformación lineal entre 𝒛 𝒛 𝒛 es
una función z: 𝒛 → 𝒛

Para todo �1 y �2 en se tiene que ( 1 + 2)(= (1)(+ (2) informalmente se leconoce como
que «T abre sumas».

Para todo v en V y c en el campo F se tiene que T(cv)=cT(v). A esto se le conoce

como que «T saca escalares».

En la primera condición la suma de la izquierda (dentro del paréntesis) es «la suma de V»

y la suma de la derecha es «la suma de W». De manera similar, en la segunda condición
el producto por escalar de la izquierda (dentro del paréntesis) es el de V y el de la derecha
es el de W.

En lo que resta de esta entrada, supondremos que los espacios vectoriales sonsobre
un mismo campo F.

Ejemplo. La función �: ℝ2 → ℝ dada por ( ) = + + 1 no es una transformación lineal.

De hecho, falla en ambas condiciones. Falla en abrir sumas pues, por ejemplo, � (1,1) = 3, � (2,2)
= 5 pero (1,1) + (2,2) = (3,3) y

� (3,3) = 7 ≠ 5 = � (1,1) + (2,2.)

También falla en sacar escalares pues, por ejemplo: (4,2) = 7 ≠ 8 = 2(2,1).

Ejemplo. La función �: ℝ3 → ℝ3 dada por es una transformación lineal.

Para convencernos de que esto es cierto, notemos que si (= , , �) entonces la

transformación está dada por T(v)=2v. Ahora, tomemos dos vectores �1 2 en V, y un real c. Tenemos
por la asociatividad y conmutatividad de multiplicar por escalares en ℝ3 que:
 NÚCLEO E IMAGEN DE UNA TRANSFORMACIÓN LINEAL.

Núcleo de una transformación lineal

Transformaciones lineales: núcleo e imagen.

Teorema 1

Sea T: V S W una transformación lineal. Entonces para todos los vectores u, v, v1, v2, . . ., vn en V y
todos los escalares a1, a2, . . ., an:

i. T (0) = 0
ii. T (u - v) = Tu - Tv
iii.T (a1v1 + a2v2 +. . .+ anvn) = a1Tv1 + a2Tv2 +. . .+ anTvn

Nota. En la parte i) el 0 de la izquierda es el vector cero en V; mientras que el 0 de la derecha es el

vector cero en W.

Teorema 2

Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, . . . ,vn}. Sean
w1, w2, . . ., wn vectores en W. Suponga que T1 y T2 son dos transformaciones lineales
de V en W tales que T1vi = T2vi = wi para i = 1, 2, . .., n. Entonces para cualquier vector
v ∈ V, T1v = T2v; es decir T1 = T2.
Definición 1 Núcleo e imagen de una transformación lineal

Sean V y W dos espacios vectoriales y sea T: V W una transformación lineal. Entonces

i) El núcleo de T, denotado por un, está dado por

ii) La imagen de T, denotado por Im T, esta dado por

Observación 1. Observe que un T es no vacío porque, de acuerdo al teorema 1, T(0) = 0 de manera

que 0 ϵ un T para cualquier transformación lineal T. Se tiene interés en encontrar otros vectores en V
que “se transformen en 0”. De nuevo, observe que cuando escribimos T(0) = 0, el 0 de la izquierda
está en V y el de la derecha en W.

Observación 2. La imagen de T es simplemente el conjunto de “imágenes” de los vectores en V bajo

la transformación T. De hecho, si w = Tv, se dice que w es la imagen de v bajo T.

Antes de dar ejemplos de núcleos e imágenes, se demostrará un teorema de gran utilidad.

Teorema 4

Si T: V W es una transformación lineal, entonces i.Un T es un subespacio de V. ii.Im T es un

subespacio de W.
Demostración

i) Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de forma que u + v y u

están en un T.

ii) Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vectores u y v en V. Esto significa que T

(u + v)= Tu + Tv = w + x y T(u) = Tu =w. Por lo tanto, w + x y w están en Im T
 REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMACIÓN LINEAL.

Sean V y W dos espacios vectoriales de dimensión n y m, respectivamente, y sea T

: → una transformación lineal, entonces existe una matriz A de orden m
× n llamada matriz de transformación o representación matricial de T que satisface T(v)
= Av para V toda v en
y, por lo tanto, A es una representación matricial de T

APLICACIÓN DE LAS TRANSFORMACIONES LINEALES: REFLEXIÓN, DILATACIÓN,

CONTRACCIÓN Y ROTACIÓN

1. Reflexión: Cuando un conjunto de puntos dados es graficado desde el espacio euclidiano de

entrada a otro de manera tal que este es isométrico al espacio euclidiano de entrada,
llamamos a la operación realizada la reflexión del conjunto de puntos dado. Esto puede
realizarse también con respecto a la matriz, en tal situación la matriz de salida es llamada la
matriz de reflexión. La reflexión es realizada siempre con respecto a uno de los ejes, sea el
eje x o el eje y. Esto es como producir la imagen espejo de la matriz actual.

2. Expansión: Al igual que en la reflexión, también es posible expandir los puntos dados en una
dirección particular. La expansión se realiza habitualmente para un cierto grado. Es como
realizar una operación de multiplicación de los elementos del conjunto de puntos dados con
un término escalar hacia la dirección donde tiene que ser expandido. Sea para un punto (2, 3)
si el grado de expansión 2 es la dirección de y, entonces el nuevo punto obtenido es (2, 6).
 3. Contracción: La contracción es el procedimiento inverso de la expansión. Aquí el punto es
contraído en un determinado grado hacia una dirección dada. Sea el punto de entrada (4, 8) y
este debe ser contraído para el grado dos en la dirección de x entonces el nuevo punto resulta
ser (2, 8).

Rotación: El término rotación tiene dos significados, ya la rotación de un objeto puede ser
realizada con respecto al eje dado o al eje mismo. La rotación se realiza para un cierto grado
el cual es expresado en forma de un ángulo. Asimismo, la rotación puede realizarse en la
dirección de las manecillas del reloj, o inverso a las manecillas del reloj. Como ejemplo,
dirijámonos a producir la matriz estándar para la representación de la transformación lineal
reflejando un conjunto de puntos en el plano x-y a través de la recta y

= (−2x / 3)El primer paso para esto es determinar los vectores.

R2 es una transformación lineal, entonces podemos escribir que, Dado que y pertenece a R2.
Imagina que A: R2

La imagen de la matriz base determina la imagen de cualquier elemento. Por lo tanto la imagen de a
través de y = (−2x/ 3) es determinada mediante la obtención de una recta que pasa por (1, 0) y es
que es ortogonal a . Esto está dado por y = (3x/ 2) – (3/ 2). El punto donde las dos rectas, esto es, y
= (3x/ 2) – (3/ 2) e y = (−2x/ 3) se intersectan se dado como (9/13, −6/13). Tomamos p¬1¬ para ser el
punto de reflexión de a través de la recta dada. Este punto es simétrico respecto a (9/13,−6/13) por lo
tanto, podemos escribir que, Esto produce, De manera similar, la imagen del vector base resulta.