INSTITUTO TECNOLÓGICO SUPERIOR DE ACAYUCAN

CATEDRÁTICO. - ING. ISAURO ARZOLA

MATERIA. - ÁLGEBRA LINEAL

UNIDAD 4.- ESPACIOS VECTORIALES

CARRERA. - INGRÍA. EN GESTIÓN EMPRESARIAL

ALUMNA. - DANIELA ALEJANDRA LIBRADO DOMÍNGUEZ

GRUPO. - 505-L

ACAYUCAN, VER.; A 22 DE NOVIEMBRE DE 2019.

1
 ÍNDICE

UNIDAD 4.- ESPACIOS VECTORIALES

INTRODUCCIÓN 3
4.1.- DEFINICIÓN DE ESPACIO VECTORIAL 3
4.2.- DEFINICIÓN DE SUBESPACIO VECTORIAL Y SUS 4
PROPIEDADES
4.3.- COMBINACIÓN LINEAL. INDEPENDENCIA LINEAL 5
4.4.- BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL, 6
CAMBIO DE BASE
4.5.- ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS 12
PROPIEDADES
4.6.- BASE ORTONORMAL, PROCESO DE 13
ORTONORMALIZACIÓN DE GRAM-SCHMIDT
CONCLUSIÓN 17

2
 UNIDAD 4
ESPACIOS VECTORIALES
INTRODUCCIÓN
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... Se supone conocida la representación gráfica y manejo de los vectores
de ℜ 2 y de ℜ 3. En Matemáticas, tratamos de abstraer las propiedades que
caracterizan a los vectores para extenderlas también a otro tipo de objetos
diferentes de los vectores de la Física. Esencialmente, el comportamiento que
caracteriza a los vectores es el siguiente: • Podemos sumar dos vectores y
obtenemos otro vector; • Podemos multiplicar un vector por un número (escalar) y
obtenemos otro vector.
Además estas operaciones cumplen ciertas propiedades, que observamos en los
vectores de ℜ 2 y de ℜ 3 :
En lo sucesivo, utilizaremos habitualmente la siguiente notación: u,v,w (u otras
letras latinas) para vectores, mientras que las letras griegas designarán escalares.

4.1.- DEFINICIÓN DE ESPACIO VECTORIAL

Cualquier conjunto que posea unas operaciones suma y producto por escalares,
cumpliendo todas las propiedades anteriores, diremos que es un espacio vectorial.
Los elementos de tal conjunto se llamarán vectores (aunque pueda tratarse de
objetos diferentes a los vectores de la Física.)
Diremos que el espacio vectorial es real o complejo, según sean los escalares.
 Otras propiedades de los espacios vectoriales pueden deducirse de las
anteriores propiedades básicas. Por ejemplo:
Si α v = 0 (escalar, v vector) entonces o bien es =0 o bien es v = . K α α 0
Si α v = 0 (escalar, v vector) entonces o bien es =0 o bien es v = . K α α 0
Un espacio vectorial es un conjunto no vacío V de objetos, llamados vectores, en el
que se han definido dos operaciones: la suma y el producto por un escalar (número
real) sujetas a los diez axiomas que se dan a continuación. Los axiomas deben ser
válidos para todos los vectores u, v y w en V y todos los escalares α y β reales.

3
Llamamos u+v a la suma de vectores en V, y αv al producto de un número real α por
un vector v∈V.
1. u+v∈V
2. u+v=v+u
3. (u+v)+w=u+(v+w)
4. Existe un vector nulo 0V∈V tal que v+0V=v
5. Para cada v en V, existe un opuesto (–v)∈V tal que v+(–v)=0V
6. αv∈V
7. α(u+v)=αu+αv
8. (α+β)v=αv+βv
9. α(βv)=(αβ)v
10. 1v=v
Observación: En la definición anterior, cuando decimos «escalares» nos estamos
refiriendo a números reales. En este caso, se dice que VV es un espacio vectorial
real.
También es posible que los escalares pertenezcan a otro conjunto numérico, por
ejemplo los números complejos con los cuales trabajaremos en la última unidad.

4.2.- DEFINICIÓN DE SUBESPACIO VECTORIAL Y SUS

PROPIEDADES.
DEFINICIÓN 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 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

i) Si x € H y y € H, entonces x + y € H.

ii) Si x € H, entonces αx € H para todo escalar α.

4
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 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.

4.3.- COMBINACIÓN 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:

5
 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.

4.4.- BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL,

CAMBIO DE BASE.
Uno de los conceptos más importantes en Espacios de Vectores es el concepto de
Dimensión. Este concepto se relaciona con el número de elementos mínimo que se
requieren para representar a los elementos de un espacio de vectores. Por ejemplo
ubicados en el contexto de las ecuaciones diferenciales lineales y homogéneas, la
solución general tiene la forma y(x) = c1 y1(x) + c2 y2(x) + · · · + cn yn(x) de aquí
vemos que hacen falta n funciones yi(x) para construir todas las soluciones a la
ecuación: la dimensión del conjunto de soluciones es n. Primero definiremos el tipo
de conjuntos a los que podremos aplicar el concepto de dimensión y posteriormente
definiremos aquellos conjuntos que nos sirven para representar a los vectores.

Espacio Lineal Un conjunto V de vectores de R n se llamará sub espacio lineal de

R n si cumple las siguientes tres condiciones:

• V no es vacío. Es decir, V tiene por lo menos un elemento.

• V es cerrado bajo la suma. La definición de ser cerrado bajo la suma es que

tomados dos elementos x y y cualquiera de V, la suma de ellos x + y también es un
elemento de V.

• V es cerrado bajo el producto por escalares. La definición de ser cerrado bajo el

producto por escalares es que tomados un elemento x cualquiera de V y un escalar
c cualquiera, el producto c · x también es un elemento de V

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

6
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
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

7
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.

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

A C U

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

Lo cual implica que

8
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

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.

9
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.

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

10
Se empieza considerando la traspuesta de A, y luego aplicar las operaciones
elementales en los renglones para volver a escribir A´ en forma escalonada.

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.

11
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›

3. ‹u, cv› = c‹u, v›.

12
Un espacio vectorial con producto interno se denomina espacio con producto
interno.

4.6.- BASE ORTONORMAL, PROCESO DE

ORTONORMALIZACIÓN DE GRAM-SCHMIDT.
Definición de conjunto ortogonales y conjuntos ortonormales

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.

Conjunto ortonormal en Rn
Se dice que un conjunto de vectores S={u1, u2, …, uk} en Rn es un conjunto
ortonormal si (1) (2)

Si solo satisface la ecuación (1), se dice que el conjunto es ortogonal.

Si u, v y w en Rn y α es un numero real, entonces (3) (4) (5) (6)(7)

Ahora se presenta otra definición útil

Si vϵRn, entonces la longitud o norma de v, denotada por |v|, esta dada por (8)

13
Nota. Si entonces v*v= Esto significa
que (9)

De esta forma se puede obtener la raíz cuadrada en (8), y se tiene (10)(11)

TEOREMA: si S= es un conjunto ortogonal de vectores

diferentes de cero, entonces S es linealmente independiente.

Suponga que
Entonces, para cualquier i=1,2,…,k

Como v≠0 por hipótesis |v|2>0 y se dice que c=0. Esto es cierto para i=1,2,…,k, lo
que completa la prueba.

Proceso de ortonormalizacion de Gram-Schmidt

Sea H un subespacio de dimensión m de Rn. Entonces H tiene una base ortonormal.

Sea S= una base de H. se probara el teorema construyendo una

base ortonormal a partir de vectores en S. antes de dar los pasios para esta
construccion, se observa el hecho sencillo de que un conjunto de vectores
linealmente independiente no contiene al vector cero.

14
Paso 1. Eleccion del primer vector unitario

Sea (12)

Entonces

De manera que |u|=1.

Paso 2. Eleccion de un segundo vector ortogonal a u

Como anteriormente se ha visto que, en R2, el vector es la

ortogonal a v. en este caso es la proyeccion de u sobre v. esto se ilustra en

la siguiente figura.

Resulta que el vector w dado es ortogonal a v cuando w y v están en Rn para

cualquier n≥2. Obsérvese que como u es un vector unitario,

para cualquier vector v.

15
Sea (13)
entonces de manera que
v’ es ortogonal a u. mas aun, por el teorema, u y v´son linealmente independientes.

v’≠0 porque de otra manera lo que contradice

la independencia de v1 y v2.

Paso 3. Elección de un segundo vector unitario

Sea (14) entonces es evidente que {u1,u2} es un conjunto ortonormal.

Suponga que se han construido los vectores u1, u2,…,uk(k<m) y que forman un
conjunto ortonormal. Se mostrara como construir uk+1.

Paso 4. Continuación del proceso

Sea (15) entonces para

i=1,2,…,k

Pero Por lo

tanto,

Así, es un conjunto linealmente independiente, ortogonal y

v´k+1≠0.

Paso 5

Sea

16
Entonces es claro que es un conjunto ortonormal y se
puede continuar de esta manera hasta que k+1=m con lo que se completa la prueba.
Nota. Como cada u es una combinación lineal de vectores v,

gen es un subespacio de gen y como cada

espacio tiene dimensión k, los espacio son iguales.

CONCLUSIÓN

Para hablar de espacios vectoriales y sus aplicaciones, tenemos que

adquirir varios conceptos, conocimientos y realizar prácticas, las cuales nos
permiten afianzar cada día más lo aprendido, por tal motivo en este trabajo se
desarrollaron ejercicios que abarcan muchos temas y subtemas, que van a
ser de gran ayuda a la hora de ejercer nuestra profesión, por ellos hay que
familiarizarse para lograr muy buenos resultados.

17