Álgebra Lineal Parte 3

Algebra Lineal
Espacios vectoriales - Producto interno
César Barraza
17 de diciembre de 2022
ÍNDICE GENERAL
1. Espacios Vectoriales 1
1.1. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Combinación lineal y espacio generado . . . . . . . . . . . . . . . . . . . . 13
1.3. Dependencia e independencia lineal de vectores . . . . . . . . . . . . . . . 17
1.3.1. Algoritmos para obtener un conjunto de vectores linealmente inde-
pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4. Base y dimensión de un espacio vectorial . . . . . . . . . . . . . . . . . . . 23
1.5. Ejercicios desarrollados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2. Espacios vectoriales con producto interno 53

2.0.1. Ejercicios desarrollados . . . . . . . . . . . . . . . . . . . . . . . . . 67
i
CAPÍTULO 1
ESPACIOS VECTORIALES
Luego de que la teorı́a de matrices fuese aceptada por la comunidad, ocurrió que entidades
matemáticas como puntos en el plano o en el espacio, los polinomios, las funciones contin-
uas y muchos más, no eran muy diferentes de las matrices, más bien eran muy similares,
pues satisfacı́an las mismas propiedades aditivas y las propiedades de multiplicación por
un escalar, por ello en lugar de estudiar cada tema por separado, fue mas conveniente y
productivo estudiar estas propiedades en un solo tema y los llevó a definir los axiomas de
lo que llamamos un espacio vectorial.
Definición de un espacio vectorial
Un espacio vectorial implica cuatro cosas
Dos conjuntos no vacios V y F y
Dos operaciones algebraicas llamadas suma de vectores y multiplicación por un es-

calar.
Los objetos en el conjunto V son llamados vectores y los elementos en el conjunto F son
llamados escalares. De aqui en adelante F es el campo de los números reales (R) o el de
los números complejos (C)
la suma de vectores denotado por u + v es una operación entre elementos del conjunto
V, mientras que la multiplicación por un escalar, escrito como λu es una operación entre
elementos λ ∈ F y u ∈ V.
Definicion 1.1
Decimos que V es un espacio vectorial sobre F si se cumple lo siguiente
1. u + v ∈ V, para todo u, v ∈ V
1
CAPÍTULO 1. ESPACIOS VECTORIALES
2. λu ∈ V, para todo λ ∈ F, para todo u ∈ V
3. u + v = v + u, para todo u, v ∈ V
4. (u + v) + w = u + (v + w) , para todo u, v, w ∈ V
5. Existe un elemento neutro (cero) denotado por 0 ∈ V tal que
u+0=u para todo u ∈ V
6. Para cada elemento u ∈ V existe un elemento denotado como −u ∈ V tal que
u + (−u) = 0
7. λ (u + v) = λu + λv, para todo λ ∈ F y para todo u, v ∈ V
8. (λ + µ) v = λv + µv, para todo λ, µ ∈ F y para todo v ∈ V
9. (λµ) v = λ (µv) , para todo λ, µ ∈ F y para todo v ∈ V
10. 1v = v, para todo v ∈ V
Nota
Los dos primeros axiomas es conocido como los axiomas de cerradura
Uno de los espacios vectoriales mas conocidos es el plano XY (plano cartesiano) sobre el
campo de los reales.
Es importante reconocer el conjunto al cual vamos a llamar espacio vectorial y el campo
F
Ejemplo 1.1
Determine que el conjunto V = R2 sobre el campo F = R es un espacio vectorial
Solucion
Tenemos que
V = R2 F =R
Suponemos que las operaciones son las habituales (salvo que se nos indique)
Suma de vectores
Dado dos elementos en el conjunto V
" # " #
a c
u= v=
b d
Msc. Julio César Barraza Bernaola 2 Universidad Nacional de Ingenieria

la suma denotada como (+) es definida por

" #
a+c
u+v = (1.1)
b+d
Multiplicación por
" un# escalar
a
Para λ ∈ R y u = ∈ R2 , la multiplicación por un escalar es definida por
b
" #
λa
λu = (1.2)
λb
Ahora que tenemos claro los conjuntos y las operaciones que se asocian a un espacio
vectorial veremos que efectivamente el plano cartesiano sobre el campo de los números
reales con las operaciones (1.1) y (1.2) es un espacio vectorial.
Axioma 1
" # " #
a c
Sea u = y v= de (1.1) tenemos que
b d
" #
a+c
u+v =
b+d
como a + c, b + d ∈ R entonces u + v ∈ R2
Axioma 2
" #
a
Sea λ ∈ R, u = ∈ R2 de (1.2) tenemos que
b
" #
λa
λu =
λb
como λ, a, y b ∈ R entonces λa, λb ∈ R entonces λu ∈ R2
Axioma 3

" # " #
a c
Sea u = y v= entonces
b d
" #
a+c
u+v =
b+d
# "
c+a
u+v =
d+b
" # " #
c a
u+v = + =v+u
d b
Axioma 4
" # " # " #
a c m
Sea u = ,v = ,w = ∈ R2 , entonces
b d n
# " # "
a+c m
(u + v) + w = +
b+d n
" # " #
a c+m
(u + v) + w = +
b d+n
(u + v) + w = u + (v + w)
Axioma 5
" # " #
0 a
El vector nuloe 0 ∈ R2 es el vector , puesto que para todo v = ∈ R2 se tiene
0 b
que " # " # " #
a 0 a
v+0= + = =v
b 0 b
Axioma 6
" #
a
Para todo u = ∈ R2 , el elemento −u es el elemento
b
" #
−a
−u =
−b
puesto que " # " # " #

a −a 0
u + (−u) = + =
b −b 0
Axioma 7

" # " #
a c
Dado λ ∈ R, u = ,v = ∈ R2 , tenmos
b d
" #
a+c
λ (u + v) = λ
b+d
" #
λ (a + c)
λ (u + v) =
λ (b + d)
" # " #
a c
λ (u + v) = λ +λ
b d
λ (u + v) = λu + λv
Axioma 8
" #
c
Dado λ, µ ∈ R, v = ∈ R2 , tenemos
d
" #
c
(λ + µ) v = (λ + µ)
d
" #
(λ + µ) c
(λ + µ) v =
(λ + µ) d
" # " #
λc µc
(λ + µ) v = +
λd µd
(λ + µ) v = λv + µv
Axioma 9
" #
c
Dado λ, µ ∈ R, v = ∈ R2 , tenemos
d
" #
c
(λµ) v = (λµ)
d
" #
(λµ) c
(λµ) v =
(λµ) d
" #
µc
(λµ) v = λ
µd
" #!
c
(λµ) v = λ µ = λ (µv)
d
Axioma 10

" #
a
El elemento 1 es el uno habitual, dado que para todo v = ∈ R2
b
" # " #
a a
1·v =1· = =v
b b
Espacios vectoriales mas conocidos
Daremos a continuación unos ejemplos de espacios vectoriales, la demostración queda a

cargo de usted, estimado lector.
Espacio vectorial de las matrices reales El conjunto Mm×n [R] de las matrices reales
de orden m × n sobre el campo de los número reales, con las operaciones
A + B = [aij + bij ]
cA = [caij ]
donde A, B ∈ Mm×n [R] y c ∈ R

Nota
De ahora en adelante, el conjunto V = Rn lo consideraremos como el espacio de matrices
de orden n × 1, el cual por lo expuesto es un espacio vectorial.
Espacio vectorial de las matrices complejas sobre los complejos El conjunto

Mm×n [C] de las matrices complejas de orden m × n sobre el campo de los número com-
plejos, con las operaciones
A + B = [aij + bij ]
cA = [caij ]
donde A, B ∈ Mm×n [C] y c ∈ C

Nota
De ahora en adelante el conjunto V = Cn sobre C lo consideraremos como el espacio de
matrices complejas de orden n × 1.
Espacio vectorial de polinomios El conjunto Pn [R] de los polinomios de hasta grado

n sobre el campo de los numeros reales, con las operaciones
n
X
p (x) + q (x) = (ai + bi ) xi
i=0
n
X
λp (x) = (λai ) xi
i=0

n n
ai xi , q (x) = bi x i y λ ∈ R
P P
donde p (x) =
i=0 i=0
Ejemplo 1.2
El conjunto
V = P2 [R] = p(x) = a0 + a1 x + a2 x2 : a0 , a1 y a2 ∈ R

sobre el campo F = R
Espacio vectorial de las funciones continuas El conjunto C [a; b] de las funciones

reales continuas en el intervalo [a; b] sobre el campo de los números reales, con las opera-
ciones de suma de funciones y multiplicación por un escalar definido por
(f + g) (x) = f (x) + g (x)

(λf ) (x) = λf (x)
donde f, g ∈ C [a; b] y λ ∈ R
Ejemplo 1.3
La función f (x) = sen(x) pertenece a V = C [0; 2π]
La función
h πg(x)i = tan (x) no pertenece a V = C [0; 2π] , sin embargo si pertenece a
W = C 0;
4
Espacio vectorial de funciones con derivada continua El conjunto V = C m [a; b]

de las funciones reales cuyas derivadas de hasta orden m son continuas en el intervalo
[a; b] sobre el campo de los número reales, con las operaciones de suma y multiplicación
por un escalar definida para las funciones.
Ejemplo 1.4
La función f (x) = |x| no pertenece al espacio vectorial V = C 1 [−2; 2] , dado que es
continua en [−2; 2] pero no tiene derivada en x = 0 y por tanto no es continua en [−2; 2],
sin embargo si pertenece a W = C [1; 2]
1.1. Subespacios vectoriales

El conjunto de las matrices de orden n denotado como Mn×n es un espacio vectorial con
las operaciones usuales de suma de matrices y multiplicación por un escalar, si definimos
el conjunto S como
S = {X ∈ Mn×n : AX = XA} donde A es una matriz fija
este conjunto con las mismas operaciones usuales del conjunto Mn×n cumple con todos los
axiomas de un espacio vectorial, esto nos muestra que es posible que un espacio vectorial

contenga a otros espacios vectoriales. A este tipo de espacios vectoriales contenidos dentro
de un espacio vectorial se le llama subespacios vectoriales.
Definicion 1.2
Un subconjunto W de un espacio vectorial V es llamado un subespacio vectorial de V si
W es tambien un espacio vectorial bajo la suma y multiplicación por un escalar definido
en V
Usualmente, para probar que un subconjunto es un subespacio no es necesario probar

todos los axiomas, porque ciertas reglas satisfechas en el espacio mas grande son auto-
maticamente satisfechas en cada subconjunto, si la suma de vectores y multiplicación por
un escalar es cerrado en el subconjunto.
Teorema 1.1
Un subconjunto no vacio W de un espacio vectorial V es un subespacio si y solo si
u+v ∈ W
λu ∈ W
para todo u, v ∈ W y para todo λ ∈ F
Prueba. Como W ⊂ V, entonces para todo vector w ∈ W se tiene que w ∈ V. Por tanto
los últimos ocho axiomas se verifican.
(→) Supongamos que W es un subespacio vectorial.
Entonces, para todo u, v ∈ W, entonces u + v ∈ W
y para todo u ∈ W y λ ∈ F, se tiene que λu ∈ F
(←−) Si para todo u, v ∈ W y para todo λ ∈ F, se tiene que
u+v ∈ W
λu ∈ W
entonces verifican los axiomas de cerradura.

Como los últimos ocho axiomas se verifican, entonces W es un espacio vectorial con las
operaciones de V. Por lo tanto W es un subesapcio vectorial.
Nota
Las operaciones de suma y multiplicación por un escalar en W son heredados de V.
Los elementos de W deben satisfacer los axiomas de cerradura.
El mismo espacio vectorial W = V y el espacio vectorial W = {0} son llamados

subespacios triviales de V

Ejemplo 1.5
Sea W el conjunto definido por
  
 x
 

3
W =  y  ∈ R : ax + by + cz = 0
 
 
z
 
donde a, b, c son constantes. Muestre que W es un subespacio vectorial de R3 .

Solucion
Axioma 1
   
x1 x2
Si u =  y1  , v =  y2  ∈ W debemos probar que la suma tambien pertenece a W.
   
z1 z2
Como u, v ∈ W, entonces
ax1 + by1 + cz1 = 0

ax2 + by2 + cz2 = 0
 
x1 + x2
tenemos que u + v =  y1 + y2  , de donde
 
z1 + z2
a (x1 + x2 ) + b (y1 + y2 ) + c (z1 + z2 ) = (ax1 + by1 + cz1 ) + (ax2 + by2 + cz2 )

= 0+0
a (x1 + x2 ) + b (y1 + y2 ) + c (z1 + z2 ) = 0
 
x1 + x2
de donde tenemos que u + v =  y1 + y2  pertenece a W
 
z1 + z2
Axioma 2
Sea λ ∈ R, entonces  
λx1
λu =  λy1 
 
λz1
luego
a (λx1 ) + b (λy1 ) + c (λz1 ) = λ (ax1 + by1 + cz1 )

= λ0 = 0
entonces λu ∈ W , por lo tanto W es un subespacio vectorial de R3 .

Ejemplo 1.6
Sea A una matriz de orden m × n, el conjunto
W = {x ∈ Rn : Ax = 0}
de las soluciones del sistema homogeneo es un espacio vectorial.

Solucion
Aqui debemos notar que los elementos de W estan en Rn esto es V = Rn , el cuál es un
espacio vectorial sobre F = R, como no se dice nada respecto a las operaciones se asume
que son las usuales, por tanto para probar que es un esapcio vectorial es suficiente probar
que es un subesapcio de V
Axioma 1
sea x, y ∈ W entonces
Ax = 0
Ay = 0
luego
A (x + y) = Ax + Ay = 0 + 0 = 0
esto es,
A (x + y) = 0
por tanto el vector suma x + y ∈ W
Axioma 2 Sea λ ∈ R entonces
A (λx) = λ (Ax) = λ0 = 0
luego tenemos que

A (λx) = 0
por tanto el vector (λx) ∈ W , por lo tanto W es un subespacio vectorial de V, esto

es, W es un espacio vectorial.
Problema 1.1
Sean W1 y W2 dos subespacios de V Probar que
a) La intersección W1 ∩ W2 es un subespacio.
b) La suma W1 + W2 es un subespacio, donde
W1 + W2 = {w1 + w2 : w1 ∈ W1 , w2 ∈ W2 }

Solucion
a) De la definicón de intersección de conjuntos
W1 ∩ W2 = {v ∈ V : v ∈ W1 y v ∈ W2 }
Axioma 1 Sea u, v ∈ W1 ∩ W2 , entonces u, v ∈ W1 y u, v ∈ W2
Como W1 y W2 son subespacios vectoriales, entonces
u + v ∈ W1
u + v ∈ W2
de donde u + v ∈ W1 ∩ W2
Axioma 2 Sea u ∈ W1 ∩ W2 y λ ∈ F, entonces u ∈ W1 y u ∈ W2 .
Como W1 y W2 son subespacios vectoriales, entonces
λu ∈ W1
λu ∈ W2
de donde λu ∈ W1 ∩ W2
Por lo tanto W1 ∩ W2 es un subespacio de V.
b) Usando la definición de la suma de conjuntos
W1 + W2 = {w1 + w2 : w1 ∈ W1 , w2 ∈ W2 }
Axioma 1 Sea u, v ∈ W1 + W2 , entonces
u = u1 + u2 , donde u1 ∈ W1 y u2 ∈ W2
v = v1 + v2 , donde v1 ∈ W1 y v2 ∈ W2
luego
u + v = (u1 + u2 ) + (v1 + v2 )
u + v = (u1 + v1 ) + (u2 + v2 )
como W1 y W2 son subespacios vectoriales, entonces
(u1 + v1 ) ∈ W1
(u2 + v2 ) ∈ W2

por lo tanto u + v ∈ W1 + W2
Axioma 2 Sea u ∈ W1 + W2 y λ ∈ F, entonces
u = u1 + u2 , donde u1 ∈ W1 y u2 ∈ W2
luego
λu = λ (u1 + u2 ) = λu1 + λu2
como W1 y W2 son subespacios vectoriales, entonces
λu1 ∈ W1
λu2 ∈ W2
de donde λu ∈ W1 + W2
Por tanto, W1 + W2 es un subespacio vectorial de V
Ejemplo 1.7
Un ejemplo gráfico es el siguiente, considere V = R2
Los conjunto W1 y W2 los ejes de coordenadas X y Y, esto es
(" # )
x
W1 = :y=0
y
(" # )
x
W2 = :x=0
y
el cual graficamente representamos
Figura 1.1: Sistema inconsistente

como notamos
W1 + W2 = V
W1 ∩ W2 = {0}
Nota
La unión de dos subespacios vectoriales en general no es un subespacio. Esto puede es-
tablecerse con el siguiente ejemplo.
Sea V = R3 y consideremos los subespacios vectoriales
 
       
   

 x x 1 
 
 x 0 

W1 = w =  y  :  y  = t  0  , t ∈ R , W2 = u =  y  : t  1  , t ∈ R
         
   
z z 0 z 0
   
donde
W1 ∪ W2 = {v ∈ V : v ∈ W1 ó v ∈ W2 }
si sumamos los vectores

    
1 0 1
w =  0 , u= 1 →w+u= 1 
     
0 0 0
y este vector no pertenece a la unión de los subespacios.
1.2. Combinación lineal y espacio generado

Aquı́ mostraremos que un conjunto finito de vectores generan un subespacio vectorial
y nos dará una nueva herramienta para determinar que un subconjunto de un espacio
vectorial es un subespacio.
Definicion 1.3 (Combinación lineal)
Sean v1 , v2 , · · · , vm vectores de un espacio vectorial V sobre el campo F . Entonces cualquier
vector de la forma
α1 v1 + α2 v2 + · · · + αm vm
donde α1 , α2 , · · · , αm ∈ F se denomina combinación lineal de v1 , v2 , · · · , vm

   
Ejemplo 1.8 −2 −1
En V = R3 el vector u =  9  es una combinación lineal de los vectores v1 =  2  ,
   
−3 1

 
0
v2 =  −1  , pues
 
1
u = 2v1 − 5v2
Ejemplo 1.9 " #

−3 5 −2
En V = M23 el vector u = es una combinación lineal de los vectores
4 2 3
" # " #
−1 1 0 0 1 −1
v1 = , v2 = , pues
2 0 1 −1 1 0
u = 3v1 + 2v2
Problema 1.2
Determine si el polinomio p(x) = −2x2 + 7x − 1, es una combinación lineal de los poli-
nomios
p1 (x) = 1 + x, p2 (x) = 1 − x2 , p3 (x) = x − x2
2 (1 + x) − 3 (1 − x2 ) + 5 (x − x2 ) = −2x2 + 7x − 1
Solucion
Si p(x) es una combinación lineal, entonces la ecuación vectorial
c1 p1 (x) + c2 p2 (x) + c3 p3 (x) = p(x)
debe tener solución.

Formando la ecuación vectorial
c1 (1 + x) + c2 1 − x2 + c3 x − x2 = −2x2 + 7x − 1

luego
(c1 + c2 ) + (c1 + c3 ) x + (−c2 − c3 ) x2 = −1 + 7x − 2x2
por igualdad de polinomios
c1 + c2 = −1
c1 + c3 = 7
−c2 − c3 = −2
Formando el sistema de ecuaciones matricial Ac = b

    
1 1 0 c1 −1
 1 0 1   c2  =  7 
    
0 −1 −1 c3 −2

luego la ecuación vectorial tendrá solución si y solo si el sistema matricial tiene solución.
Formando la matriz aumentada y llevandola a la forma escalonada
   
1 1 0 −1 1 1 0 −1
 o.e 
 1 0 1 7  ↷  0 −1 1 8 
 
0 −1 −1 −2 0 0 −2 −10
como el R (A) = R (Aa ) entonces el sistema tiene solución.

Por tanto el polinomio p(x) = −2x2 + 7x − 1 es una combinación lineal de los polinomios
p1 (x) = 1 + x, p2 (x) = 1 − x2 , p3 (x) = x − x2
Nota
Dos cosas a considerar
1. No se resolvió el sistema,
2. No se determinó si el sistema era de solución única o de infinitas soluciones

Pues, la pregunta solo pedı́a determinar si el polinomio era combinación lineal de
los otros.
Definicion 1.4 (Espacio generado)
Sea V un espacio vectorial sobre F y S = {v1 , v2 , · · · , vm } un subconjunto de V, el es-
pacio generado por S, denotado como gen (S) es definido como el conjunto de todas las
combinaciones lineales de los vectores de S, esto es,
gen (S) = {α1 v1 + α2 v2 + · · · + αm vm : αi ∈ F, i = 1 · · · n}
Nota
El espacio generado por S tambien suele denotarse como [S] , span (S) .
Ejemplo 1.10 n o
3 T T
Sea S ⊂ V = R , donde S = v1 = [2, −1, 4] , v2 = [4, 1, 6] , entonces el espacio gen-
ertado por S viene dado por
[S] = v ∈ V = R3 /v = αv1 + βv2 : α, β ∈ R

Por la teorı́a de planos deducimos que [S] es un plano, ahora un método para deducir la
ecuación cartesiana
  de este plano es como sigue.
x
Como v =  y  es un vector arbitrario entonces
 
z
     
x 2 4
 y  = α  −1  + β  1 
     
z 4 6

luego    
2 4 " # x
 α
 −1 1  = y 
  
β
4 6 z
como es un sistema que tiene solución llevamos la matriz aumentada a su forma escalon-
ada    
2 4 x 2 4 x
Aa =  −1 1 y  → Aa,E =  0 3 y + x2
   

5 2
4 6 z 0 0 z − 3x + 3y
como el sistema debe ser consistente entonces z − 53 x + 23 y = 0, luego
−5x + 2y + 3z = 0
es la ecuación del plano que pasa por el origen.

Lema 1.1
En un espacio vectorial V, el espacio generado por un subconjunto S de V es un subespacio
vectorial
Prueba. Debemos probar los axiomas de cerradura

Consideremos
S = {w1 , w2 , · · · , wm } ⊂ V
Axioma 1
Sean u, v ∈ [S] , entonces

n
X
u = αi wi tal que αi ∈ F, i = 1 : n
i=1
n
X
v = β i wi tal que β i ∈ F, i = 1 : n
i=1
entonces la suma de u, v viene dado por

n
X n
X
u+v = α i wi + β i wi
i=1 j=1
Xn
u+v = (αi + β i ) wi
i=1
donde αi + β i ∈ S entonces u + v es una combinación lineal de los vectores de S y por

tanto u + v ∈ [S]
Axioma 2

Sea λ ∈ F y u ∈ [S], entonces

n
X
u= αi wi tal que αi ∈ F, i = 1 : n
i=1
luego
n
!
X
λu = α αi wi
i=1
n
X
λu = (λαi ) wi
i=1
como λαi ∈ F, entonces αu ∈ [S], por lo tanto [S] es un subespacio vectorial de V.

Ejemplo 1.11
Determine si el conjunto
(" # )
a b
W = : a, b ∈ R
b −a
es un esapcio vectorial.
Solucion
Notamos que W ⊂ M2 [R] , entonces solo es necesario demostrar que W es un subespacio
vectorial de M2 [R] .
Como W se puede escribir como
( " # " # )
1 0 0 1
W = A ∈ M2 [R] : A = a +b : a, b ∈ R
0 −1 1 0
es decir (" # " #)

1 0 0 1
W = gen ,
0 −1 1 0
entonces W es un subespacio de M2 [R] , por tanto es un espacio vectorial.
1.3. Dependencia e independencia lineal de vectores

Sean v1 , v2 , · · · , vm vectores de un espacio vectorial V sobre el campo F y sea λ1 , λ2 , · · · , λm
escalares en F. Tenemos que el vector
v = λ1 v1 + λ2 v + · · · + vm λm
es una combinación lineal de v1 , v2 , · · · , vm

Si todos los coeficientes λ1 = λ2 = · · · = λm = 0 entonces v = 0,

Ahora puede ocurrir que no siendo todos los λi iguales a cero se tiene que v = 0. Cuando
esto ocurre se dice que los vectores {v1 , v2 , · · · , vm } son linealmente dependientes.
Conjunto de vectores linealmente dependientes

Definicion 1.5
Sean {v1 , v2 , · · · , vm } ⊂ V un conjunto de vectores del espacio vectorial V sobre F . se
dice que {v1 , v2 , · · · , vm } es un conjunto de vectores linealmente dependientes si y solo si
existen escalares λi no todos iguales a cero, tal que
λ1 v1 + λ2 v2 + · · · λm vm = 0 (1.3)
Nota
La definición dice que el conjunto {v1 , v2 , · · · , vm } es linealmente dependiente si y solo si
la ecuación vectorial admite al menos una solución no nula.
Ejemplo 1.12
Sea {v1 , v2 , v3 } ⊂ R3 dados por
     
1 0 2
v1 =  −1  , v2 =  −1  , v3 =  1 
     
2 1 1
Determine si los vectores son son linealmente dependientes
Solucion
Planteando la ecuación vectorial
       
1 0 2 0
λ1  −1  + λ2  −1  + λ3  1  =  0 
       
2 1 1 0
llevandola a un sistema matricial Aλ = 0

    
1 0 2 λ1 0
 −1 −1 1   λ2  =  0 
    
2 1 1 λ3 0
Luego la matriz aumentada del sistema lo llevamos a su forma çasi.escalonada

   
1 0 2 0 1 0 2 0
 −1 −1 1 0  o.e  0 −1 3 0 
   
↷
2 1 1 0 0 0 0 0

De aquı́ se tiene que el rango de la matriz A es 2, R(A) = 2 < 3 (número de vari-

ables), entonces el sistema posee infinitas soluciones (posee solución no nula), por tanto
el conjunto de vectores es linealmente dependiente.
Nota
Nuevamente no era necesaro resolver el sistema puesto que solo se pedı́a determinar si el
sistema era linealmente dependiente.
Una solución no nula del sistema es λ1 = −2, λ2 = 3, λ3 = 1, puede verificar que
 
0
−2v1 + 3v2 + v3 =  0 
 
Conjunto de vectores linealmente independientes

Definicion 1.6
Sean {v1 , v2 , · · · , vm } ⊂ V un conjunto de vectores del espacio vectorial V sobre F .
se dice que {v1 , v2 , · · · , vm } es un conjunto de vectores linealmente independientes si
{v1 , v2 , · · · , vm } no son linealmente dependientes
Nota
La definición nos dice que {v1 , v2 , · · · , vm } es un conjunto de vectores linealmente inde-
pendientes si la ecuación (1.3) tiene una única solución, λ1 = λ2 = · · · = λm = 0
Ejemplo 1.13
Determine si el conjunto de vectores {v1 , v2 , v3 } ⊂ R4 dados por
     
1 1 1
     
 1   1   0 
v1 =   , v2 =   , v3 =  

 1 


 0 


 0 

0 0 0
son linealmente independientes.
Solucion
λ1 v1 + λ2 v2 + λ3 v3 = 0
nos lleva a la ecuación    

1 1 1   0
  λ1  
 1 1 0   0 
   λ2 
 =  
 1 0 0   0 
λ3
   
0 0 0 0

entonces formando la matriz aumentada y llevandola a la forma escalonada tenemos

   
1 1 1 0 1 1 1 0
   
 1 1 0 0  
 → Aa,E =  0 1 1 0 
Aa =  

 1 0 0 0 


 0 0 1 0 

0 0 0 0 0 0 0 0
Dado que el R(A) = R(Aa ) = 3 (número de variables), entonces el sistema tiene solución
única, esto es,
λ1 = 0
λ2 = 0
λ3 = 0
Por tanto se tiene que el conjunto de vectores {v1 , v2 , v3 } son linealmente independientes.
1.3.1. Algoritmos para obtener un conjunto de vectores lineal-

mente independientes
A continuación presentamos dos algoritmos que nos permiten determinar los vectores
linealmente independientes de un conjunto dado como {u1 , u2 , · · · , um }
Algoritmo Casting - Out
(Lipschutz, 1991)
Este algoritmo basado en la resolución de sistemas de ecuaciones lineales no-homogéneo,
permite determinar a partir de un conjunto de vectores de Rn , un subconjunto de vectores
linealmente independientes.
Sea S = {u1 , u2 , · · · , um } ⊂ Rn
Paso 1 Forme la matriz A cuyas columnas son los vectores de S

h i
A= u1 u2 · · · um
Paso 2 Lleve la matriz A a su forma escalonada por filas Aa

h i
Aa = w1 w2 · · · wm
Paso 3 Por cada columna wi que no contenga al pivot, eliminar el vector ui del conjunto
S

Paso 4 El conjunto resultante es el mayor subconjunto de S con vectores linealmente

independientes.
Ejemplo 1.14
Sea S el conjunto de vectores dados por
          

 1 2 1 3 5 

 
2 5 3 1 6

          

          

         
S = u1 = 
 1  , u2 = 
  −1  , u3 = 
  −2  , u4 = 
  2  , u5 = 
  1 


−2 3 5 −4 −1

          

          


 
3 −2 −5 1 −1
 
Determine un subconjunto de vectores linealmente independientes.
Solucion
Formando la matriz
 
1 2 1 3 5
2 5 3 1 6
 
 
 
A=
 1 −1 −2 2 1 

−2 3 5 −4 −1
 
 
3 −2 −5 1 −1
Llevando a su forma escalonada
   
1 2 1 3 5 1 2 1 3 5
2 5 3 1 6 0 1 1 −5 −4 
   
  
   
A=
 1 −1 −2 2 1  o.e 
  0 0 0 1  = Aa
1 
−2 3 5 −4 −1 0 0 0 0 0 
   
  
3 −2 −5 1 −1 0 0 0 0 0
En la matriz escalonada, notamos que la columna 3, no tiene un pivote, esto significa que
el vector u3 es una combinación lineal de los vectores u1 y u2 . Del mismo modo como la
columna 5 no tiene un pivot significa que el vector u5 es una combinación lineal de los
vectores u1 , u2 , u3 , y u4 .
Por tanto los vectores linealmente independientes son los correspondientes a las posiciones
1, 2 y 4, esto es,       

 1 2 3  
 
 2   5   1 

      

 
     
u1 =  1  , u2 =  −1  , u4 =  2 
     
 
−2 3 −4

      

      

 
3 −2 1
 

Algoritmo del espacio de filas
Sean S = {u1 , u2 , . . . , um } un conjunto de vectores de Rn , el algoritmo nos permite deter-

minar un base del espacio generado por S. También es utilizado para extraer un conjunto
linealmente independiente de S.
Procedimiento
Paso 1 Forme una matriz A cuyas filas estan formadas por los vectores del conjunto.
Paso 2 LLevar A a su matriz escalonada EA .
Paso 3 Los vectores correspondientes a las filas no nulas de EA son una base del espacio
generado por S.
Nota Si llevamos la matriz a una forma escalonada sin considerar los intercambios de
filas, los vectores filas de A correspondientes a las filas no nulas de la matriz reducida,
son los vectores linealmente independiente de la matriz A.
Problema 1.3
Sea S el conjunto determinado por
          

 1 5 2 3 1 

 
2 6 5 1 3

          

          

         
S = u1 = 
 1 ,
 u2 = 
 1 ,
 u3 = 
 −1 ,
 u4 = 
 2 ,
 u5 = 
 −2 


−2 −1 3 −4 5

          

          


 
3 −1 2 1 −5
 
Determine dos bases del conjunto generado por S.
Solucion
Aplicando el algorimto de espacio de filas
   
1 2 1 −2 3 1 2 1 −2 3
5 6 1 −1 −1 0 0 0 0 0
   
   
  o.e  
A=
 2 5 −1 3 −2 
 ↷ 
 0 1 −3 7 −8 

3 1 2 −4 1 0 0 −16 37 −48
   
   
1 3 −2 5 −5 0 0 0 0 0
Esta matriz prácticamente se encuentra en su forma escalonada, por tanto se pueden

tomar como base

     

 1 0 0 

 
2   0 1

      

   

     
B1 = 
 1 ,
 −16 ,
  −3 


−2   37 7

      

    


 
3 −48 −8
 
      

 1 2 3 

 
 2 5 1

      

     

     
B2 = u1 =  1
,
 u3 = 
 −1 ,
 u4 = 
 2 


 −2 3 −4

      

     


 
3 2 1
 
1.4. Base y dimensión de un espacio vectorial

Se sabe que un conjunto S es un generador del espacio vectorial V   v ∈ V
si cualquier vector 

 1 

3
es una combinación lineal de los vectores de S, por ejemplo si V = v ∈ R : v = t  3  , t ∈ R
 
 
2
 
    

 1 −1 

entonces un conjunto generador es S = v1 =  3  , v2 =  −3  pero notamos que
   
 
2 −2
 
en el conjunto S hay un vector redundante, pues es suficiente con un vector para generar
el espacio vectorial V. Lo mismo sucede con otros espacios vectoriales, esto lleva a elegir
un conjunto mı́nimo de vectores que sea capaz de generar el espacio vectorial, el cual
motiva la definición de base de un espacio vectorial.
Definición de base de un espacio vectorial

Definicion 1.7
Sea S un conjunto de vectores incluido en el espacio vectorial V , S es una base de V si
y solo si
1. Los vectores en S son linealmente independientes
2. El conjunto generado por S es V , esto es, [S] = span (S) = V
Ejemplo 1.15
La base mas simple de R2 es la base canónica
(" # " #)
1 0
S= ,
0 1

dado que
" # " #
1 0
1. Los vectores , son linealmente independientes. (verificar)
0 1
2. El espacio generado por S es R2 , esto es, gen (S) = R2 .

Solo basta probar que R2 ⊂ gen (S)
" #
x
La prueba se realiza considerando un vector arbitrario tal como y expresan-
y
" # " #
1 0
dolo como una combinación lineal de , , entonces
0 1
" # " # " #
x 1 0
=α +β
y 0 1
llevando a su forma matricial

" #" # " #
1 0 α x
=
0 1 β y
vemos que se encuentra en su forma escalonada y es un sistema consistente, por lo

cual se tiene que R2 ⊂ gen (S) , por tanto R2 = gen (S) .
Además se puede concluir que el sistema tiene solución única α = x, β = y
Nota
La base de un espacio vectorial no es única, del ejemplo anterior tenemos que el conjunto
(" # " #)
1 −1
S1 = ,
1 2
es también una base de R2 , dado que

" # " #
1 −1
1. Los vectores , son linealmente independientes (verificar)
1 2
2. Veamos que S1 genera R2 , para ello planteamos

" # " # " #
x 1 −1
=α +β
y 1 2
llevando a su forma matricial

" #" # " #
1 −1 α x
=
1 2 β y

formando su matriz aumentada y llavandola a su forma escalonada reducida

" # " #
2 1
1 −1 x 1 0 3
x+ 3
y
Aa = → Aa,E = 1 1
1 2 y 0 1 3
y− 3
x
notamos que el sistema es consistente, por lo tanto gen (S1 ) = R2 , además podemos
concluir que el sistema tiene solución única y viene dado por
2 1
α = x+ y (1.4)
3 3
1 1
β = y− x (1.5)
3 3
Habrá notado que en los dos ejemplos anteriores la solución resulta siendo única, esto
viene caracterizado por el siguiente teorema
Teorema 1.2
Sea S = {v1 , v2 , · · · , vn } una base de un espacio vectorial V, entonces cada vector v que
pertenece a V , es expresado de manera única como combinación lineal de los vectores de
S, esto es, existen escalares únicos α1 , α2 , · · · , αn , tal que
v = α1 v1 + α2 v2 + · · · + αn vn
Prueba. Supongamos que v no es expresado de manera única, esto es,
v = α1 v1 + α2 v2 + · · · + αn vn
v = β 1 v1 + β 2 v2 + · · · + β n vn
de donde obtenemos
(α1 − β 1 ) v1 + (α2 − β 2 ) v2 + · · · + (αn − β n ) vn = 0
como S es un conjunto linealmente independiente, entonces la única solución es la trivial
αi − β i = 0 para todo i = 1, · · · , n
de donde αi = β i para todo i = 1, · · · , n. Lo cual contradice lo supuesto.

Por lo tanto, v es expresado de manera única.
Ejemplo 1.16 " #
3
En el ejemplo anterior S1 es una base de R2 y el vector se expresa de manera única
5

" # " #
1 −1
como combinación lineal de ,
1 2
" # " # " #
3 1 −1
=α +β
5 1 2
α y β vienen determinados por las ecuaciones (1.4) y (1.5), esto es
2 1 11
α = (3) + (5) =
3 3 3
1 1 2
β = (5) − (3) =
3 3 3
También habra notado que tanto la base S como la base S1 del espacio vectorial R2 tienen
el mismo número de vectores, esto se caracteriza en el siguiente teorema
Teorema 1.3
Si una base de un espacio vectorial tiene n vectores, entonces cualquier otra base también
tiene n vectores.
Prueba. Sean B1 = {v1 , v2 , · · · , vn } y B2 = {u1 , u2 , · · · , um } dos bases de V.

Como B1 es una base de V, entonces
n
X
u1 = a1j vj
j=1
Xn
u2 = a2j vj
j=1
..
.
X n
um = amj vj
j=1
Formando la ecuación vectorial
c u + c2 u2 + · · · + cm um = 0
n
! n
!1 1 n
!
X X X
c1 a1j vj + c2 a2j vj + · · · + cm amj vj = 0
j=1 j=1 j=1
la cual podemos escribir en términos de los vectore vi
(a11 c1 + a21 c2 + · · · am1 cm ) v1 +(a12 c1 + a22 c2 + · · · am2 cm ) v2 +· · ·+(a1n c1 + a2n c2 + · · · amn cm ) vn

como los vectores de la base B1 son linelamente independientes, entonces
a11 c1 + a21 c2 + · · · am1 cm = 0

a12 c1 + a22 c2 + · · · am2 cm = 0
..
.
(a1n c1 + a2n c2 + · · · amn cm ) = 0
de donde obtenemos el sistema matricial

    
a11 a21 · · · · · · am1 c1 0
    
 a12 a22 · · · · · · am2  c2   0 
 .. .. .. ..
    
=
   
 . .  . . 
    
    
    
a1n a2n · · · · · · amn cm 0
Dado que es un sistema homogéneo de n ecuaciones con m incógnitas, el cual siempre es

consistente, entonces podemos concluir
Si n < m entonces el sistema tiene infinitas soluciones, por lo que B2 es un conjunto

linealmente dependientes y por tanto no es base.
Por lo tanto n ≥ m
Ahora expresamos vi como combinación lineal de la base B2 y de modo similar llegamos

a que m ≤ n
Por lo tantom = n
A continuación mostramos un conjunto S que genera el espacio vectorial R2 , pero no es
una base (" # " # " #)
1 1 −2
S= , ,
0 1 1
" #
x
para determinar que genera R2 es suficiente probar que todo vector v = en el
y
espacio vectorial, se puede expresar como combinación lineal de los vectores de S
" # " # " # " #
x 1 1 −2
= α1 + α2 + α3
y 0 1 1
formando el sistema matricial

 
" # α1 " #
1 1 −2 x
 α2  =
 
0 1 1 y
α3

formando su matriz aumentada y llevandolo a su forma escalonada

" # " #
1 1 −2 x 1 0 −3 x − y
Aa = → Aa,E =
0 1 1 y 0 1 1 y
como vemos tenemos un sistema consistente, lo que indica que el conjunto S genera el
espacio vectorial V, sin embargo S no es una base, pues los vectores que la forman no son
linealmente indepedientes.
ahora este sistema tiene una variable libre, α3 = t luego α2 = y − t, α1 = x − y + 3t, por
tanto        
α1 x − y + 3t x−y 3
 α2  =  y−t  =  y  + t  −1  , t ∈ R
       
α3 t 0 1
como t toma infinitos valores, entonces
" #un vector en V puede ser expresado de infinitas
2
formas, por ejemplo, el vector v = puede ser expresado como
5
" # " # " # " #
2 1 1 −2
= −3 +5 +0 para t = 0
5 0 1 1
" # " # " # " #
2 1 1 −2
= 3 +3 +2 para t = 2
5 0 1 1
Dimensión de un espacio vectorial

Definicion 1.8 (Dimensión)
El número mas grande de vectores linealmente independientes en un espacio vectorial V
es llamado la dimensión de V y se denota dim V.
Nota
Si este es un número finito n, definimos dim V = n y diremos que V es un espacio de
dimensión finita.
Nota
Si existen conjuntos arbitrariamente grande de vectores linealmente independientes en V ,
diremos que la dim V es infinito y que V es de dimensión infinita

Ejemplo 1.17
En V = R3 los siguientes conjuntos son linealmente independientes
 

 1 

S1 =  −1
 

 
2
 
   

 1 1 
S2 =  −1 , 1 
   
 
2 0
 
     

 1 1 2 
S3 =  −1 , ,
  1   0 
     
 
2 0 0
 
lo que se probara mas adelante es que en V = R3 el conjunto mas grande de vectores

linealmente independientes tiene 3 vectores, esto es la dim V = 3
Proposicion 1.1
Sea V = Rn . Muestre que dim (V ) = n.
Prueba. Vamos a mostrar que no pueden haber  n+1  vectores linealmente independientes.
a1i
 a2i 
 
Sean {v1 , v2 , · · · , vn , vn+1 } ⊂ V, donde vi = 
 ..  para i = 1, · · · , n + .

 . 
ani
De la ecuación vectorial
c1 v1 + c2 v2 + · · · + cn vn + cn+1 vn+1 = 0
Tenemos el sistema matricial Ac = 0

 
  c1  
a11 a12 · · · a1n a1,n+1   0
 c2  
a21 a22 · · · a2n a2,n+1 0
 
 ..
   
 =
 
 .. .. ... .. ..  . .. 
. . . . .
 
 
 c
 
 
 n
an1 an2 · · · ann an,n+1 0

cn+1
Como R(A) ≤ n < n + 1 (número de variables), entonces el sistema tiene infinitas

soluciones, por lo tanto no pueden haber n + 1 vectores linealmente independientes.

Si consideramos {v1 , v2 , · · · , vn } , entonces tenemos la ecuación matricial

    
a11 a12 · · · an c1 0
a21 a22 · · · a2n c2 0
    
    
.. .. .. .. = ..
..
  

 . . . .

 .
 
  .


an a2n · · · ann cn 0
Si el rango es igual a n, esto es, R(A) = n, entonces el sistema tiene solución única, por
lo tanto los vectores serán linealmente independientes.
Esto muestra que en Rn , el número máximo de vectores linealmente independientes es n,
esto es dim (Rn ) = n.
Problema 1.4
Sea V = Mm×n [R] . Demuestre que dim (Mm×n [R]) = mn
Problema 1.5
Sea V = Pn [R] . Demuestre que dim (Pn [R]) = n + 1
Ejemplo 1.18
Un ejemplo de un espacio de dimensión infinita es V = P [X] el conjunto de los polinomios
de cualquier grado. Si suponemos que P [X] tiene dimensión finita igual a n, entonces
existe una base S dado por
S = {v1 , v2 , · · · , vn }
Supongamos que k es el mayor grado de los polinomios que forman el conjunto S y v =

xk+1 el cual pertenece a P [X]. Probaremos que el conjunto
S̃ = {v1 , v2 , · · · , vn , v}
es linealmente independiente. Formando la ecuación vectorial
α1 v1 + · · · + αn vn + αn+1 v = 0 (1.6)
como S es una base de P [X] , entonces, v es una combinacion lineal de v1 , v2 , · · · , vn ,

esto es,
v = β 1 v1 + · · · β n vn
Como el grado máximo de los polinomios {v1 , v2 , · · · , vn } es k, entonces β 1 v1 + · · · β n vn

es de grado k, luego v no es una combinacion lineal de los vectores de S.
Por lo tanto el conjunto S̃ = {v1 , v2 , · · · , vn , v} es linealmente independiente y esto nos
conduce a que su dimensión no es finita.

Coordenadas de un vector
Una de las caracteristicas útiles de una base B en un espacio vectorial V es que esencial-
mente habilita
 a introducir
 coordenadas en V , analogo a las coordenadas naturales xi del
x1
 x2 
 
n n
vector v =  . 

 en R o C . Esto es, las coordenadas del vector v en una base B
.
 . 
xn
vendrı́an ser los escalares que sirven para expresar el vector v como combinación lineal de
los vectores de la base B.
Definicion 1.9
Sea B = {v1 , v2 , · · · , vn } una base del espacio vectorial V de dimensión finita n y v ∈ V,
las coordenadas de v relativas a la base B denotada como [x]B es dado por
 
c1
c2
 
 
[x]B =  .. 
.
 
 
cn
donde los escalares c1 , c2 , · · · , cn son obtenidos de la ecuación
x = c1 v 1 + c2 v 2 + · · · cn v n
Ejemplo 1.19 ( " # " #)

1 0
Sea V = R2 si consideramos la base B = e1 = , e2 = comunmente cono-
0 1
" #
−1
cida como la base canonica de R2 , en esta base las coordenadas del vector v =
8
" #
−1
coinciden con el vector , y se suele denotar [v]B , como v = −1e1 + 8e2 entonces
8
" #
−1
[v]B =
8
Ejemplo 1.20 " #

−1
Determine las coordenadas del vector v = relativas a la base
8
(" # " #)
1 −1
B1 = ,
1 2

Solucion
De la ecuación
" # " # " #
1 −1 −1
c1 + c2 =
1 2 8
obtenemos el sistema matricial
" #" # " #
1 −1 c1 −1
=
1 2 c2 8
de donde
c1 = 2, c2 = 3
" #
2
por tanto las coordenadas del vector v en la base B1 es dado por , esto es
3
" #
2
[v]B1 =
3
Ejemplo 1.21
Consideremos otro tipo de espacios vectoriales como el de los polinomios, a decir P2 (X)
sobre los reales, ahora sea B = {v1 = 1, v2 = x, v3 = x2 } una base de P2 (X) , esta base es
conocida como la base canónica, luego el vector v = −3x2 + 5x + 9 es una combinación
lineal de v1 , v2 , v3 , esto es
v = 9v1 + 5v2 − 3v3
por tanto las coordenadas del vector v en la base B es


9
[v]B =  5 
 
−3
Ejemplo 1.22
Determine las coordenadas del polinomio p (x) = −3x2 + 5x + 9 relativas a la base B1
dada por
B1 = 1, 2 + x, 1 + x2

Solucion
c1 (1) + c2 (2 + x) + c3 1 + x2 = −3x2 + 5x + 9


obtenemos el sistema matricial

    
1 2 1 c1 9
 0 1 0   c2  =  5 
    
0 0 1 c3 −3
de donde    
c1 2
 c2  =  5 
   
c3 −3
por lo tanto las coordenadas del polinomio p(x) en la base B1 es

2
[p(x)]B1 = 5 
 
−3
Bases de la suma e intersección de subespacios
Tenemos que si U y W son dos subespacios de V , la intersección de estos subespacios se

define como
U ∩ W = {v ∈ V tal que v ∈ U y v ∈ W }
y la suma de estos subespacios se define como
U + W = {u + w tal que u ∈ U y w ∈ W }
A continuamos daremos un teorema que nos da una herramienta de como obtener el

conjunto generador del subespacio U + W y a partir de ahı́ determinar una base.
Teorema 1.4
Sean U y W dos subespacios de V. Si U = gen {u1 , u2 , · · · , un } y W = gen {wn+1 , wn+2 , · · · , wn+r }
entonces U + W = gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , wn+r }
Prueba. Primero probaremos que U + W ⊂ gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , wn+r }

Sea v ∈ U + W, entonces v = u + w, para algún u ∈ U y w ∈ W .
Como u ∈ U y w ∈ W se tiene que
n
X
u = ci u i
i=1
n+r
X
w = ci w i
i=n+1

de donde
n+r
X
v= ci u i
i=1
lo cual implica que v ∈ gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , wn+r }

Ahora probaremos que gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , un+r } ⊂ U + W
Sea v ∈ gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , wn+r } entonces
n+r
X
v = ci u i
i=1
Xn n+r
X
v = ci u i + ci w i
i=1 i=n+1
n
P n+r
P
como U y W son dos subespacios, entonces ci ui ∈ U y ci w i ∈ W
i=1 i=n+1
Por tanto podemos concluir que v ∈ U + W
Dado que hemos probado que U + W ⊂ gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , wn+r } y
gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · · · , un+r } ⊂ U +W, entonces U +W = gen {u1 , u2 , · · · , un , wn+1 , wn+2 , · ·
Teorema 1.5
Sean U y V dos supespacios de Rn . Si
U = {x ∈ Rn : Ax = 0}
V = {x ∈ Rn : Bx = 0}
entonces, ( " # " #)

A 0
U ∩V = x ∈ Rn : x=
B 0
( " # " #)
A 0
Prueba. Solo basta probar que x ∈ Rn : x= ⊂U ∩V
B 0
( " # " #)
A 0
Consideremos v ∈ x ∈ Rn : x= , entonces
B 0
" # " #
A 0
v =
B 0
" # " #
Av 0
=
Bv 0

de donde
Av = 0 → v ∈ U
Bv = 0 → v ∈ V
luego v ∈ U ∩ V. Por lo tanto

( " # " #)
A 0
x ∈ Rn : x= ⊂U ∩V
B 0
Concluimos que ( " # " #)

A 0
U ∩V = x ∈ Rn : x=
B 0
Teorema 1.6
Si U y W son subespacios de dimensión finita del espacio vectorial V, entonces, U + W
es de dimensión finita y
dim U + dim W = dim (U + W ) + dim (U ∩ W )
Prueba. Sea B = {v1 , v2 , · · · , vr } una base de U ∩ W.

Extendamos el conjunto B a una base de U y W, esto es
BU = {v1 , v2 , · · · , vr , u1 , u2 , · · · , un }
BW = {v1 , v2 , · · · , vr , w1 , w2 , · · · , wm }
Por el teorema anterior, tenemos que
U + W = gen {BU ∪ BW }
esto es
U + W = gen {v1 , v2 , · · · , vr , u1 , u2 , · · · , un , w1 , w2 , · · · , wm }
Vamos a demostrar que este conjunto de vectores es linealmente independiente.

Sea r n m
X X X
ai vi + bi ui + ci w i = 0
i=1 i=1 i=1
luego
m
X r
X n
X
ci w i = − ai vi − bi ui
i=1 i=1 i=1
r
P n
P m
P
dado que − ai v i − bi ui ∈ U entonces ci wi ∈ U
i=1 i=1 i=1

m
P m
P
Pero tambien ci wi ∈ W, por tanto ci wi ∈ U ∩ W, esto es, existe una combinación
i=1 i=1
lineal de vectores de la base de U ∩ W talque
m
X r
X m
X r
X
ci w i = di vi → ci w i − di vi = 0
i=1 i=1 i=1 i=1
Como {v1 , v2 , · · · , vr , w1 , w2 , · · · , wm } es un conjunto linealmente independiente, entonces
ci = 0, para i = 1, · · · , m
di = 0, para i = 1, · · · , r
entonces solo que nos queda la expresión

r
X n
X
ai vi + bi ui = 0
i=1 i=1
pero los vectores {v1 , v2 , · · · , vr , u1 , u2 , · · · , un } son tambien linealmente independientes,

por tanto
ai = 0, para i = 1, · · · , r
bi = 0, para i = 1, · · · , n
Entonces el conjunto {v1 , v2 , · · · , vr , u1 , u2 , · · · , un , w1 , w2 , · · · , wm } es linealmente inde-

pendiente.
Luego, la base de U + W es
BU +W = {v1 , v2 , · · · , vr , u1 , u2 , · · · , un , w1 , w2 , · · · , wm }
de donde
dim (U + W ) = r + n + m
dim (U + W ) = (r + n) + (r + m) − r
dim (U + W ) = dim (U ) + dim (W ) − dim (U ∩ W )

Ejemplo 1.23
Sean U y W dos subespacios de V = R5 definidos por
     

 1 1 2 
 
3   4   3 

      

 
     
U = gen  −2  ,  −3  ,  −1 
     
 
2 4 −2

      

      


 
3 2 9
 
     

 1 1 2 
   
3 5 5

    

 
      
  
W = gen  0  ,  −6  ,  3 
    

 2   6   2 

      

 

 
1 3 1
 
hallaremos una base y la dimensión para U ∩ W y U + W.
Como U + W = {u + w tal que u ∈ U y w ∈ W } entonces

           

 1 1 2 1 1 2 

 
3   4   3 3 5 5

            

       

           
U + W = gen  −2 
 ,
 −3 
 ,  −1
 ,
  0 ,
  −6 ,
  3 


 2   4   −2 2 6 2

            

       


 
3 2 9 1 3 1
 
Formamos una matriz cuyas filas son los vectores que generan U + W
 
1 3 −2 2 3
 

 1 4 −3 4 2 


 2 3 −1 −2 9 

 

 1 3 0 2 1 


 1 5 −6 6 3 

2 5 3 2 1
llevandolo a la forma escalonada

   
1 3 −2 2 3 1 3 −2 2 3
   
 1 4 −3 4 2   0 1 −1 2 −1 
   
 2 3 −1 −2 9   0 0 2 0 −2 
→
   
   
 1 3 0 2 1 
  0 0 0 0 0 
  
 1 5 −6 6 3   0 0 0 0 0 
   
2 5 3 2 1 0 0 0 0 0

tenemos que una base para U + V es

     

 1 0 0 

 
3   1   0

      

 

     
B=  −2  ,  −1  ,  2
   



2 2   0

     

    


 
3 −1 −2
 
por tanto dim (U + W ) = 3

Ahora para hallar la base de U ∩ W, primero hallaremos los sistemas homogéneos cuyas
soluciones son los subespacios U y W
 
x1
 x2 
 
 
 x3  ∈ U, entonces
Sea v =  
 x4 
 
x5
       
1 1 2 x1
3 4 3 x2
       
       
       
c1 
 −2  + c2 
  −3  + c3 
  −1 =
  x3 

2 4 −2 x4
       
       
3 2 9 x5

   
1 1 2 x1
  
3 4 3  c1  x2 
 

   
−2 −3 −1  c = x
   
   2   3 
2 4 −2  c3 x
   
  4 
3 2 9 x5
formando la matriz aumentada

 
1 1 2 x1
3 4 3 x2
 
 
 

 −2 −3 −1 x3 

2 4 −2 x4
 
 
3 2 9 x5

Llevandola a su forma casi escalonada
1 1 2 x1
0 1 −3 x2 − 3x1
0 0 0 x2 − x1 + x3
0 0 0 4x1 − 2x2 + x4
0 0 0 −6x1 + x2 + x5
Como el sistema debe ser consistente, entonces R(A) = R(Aa )

Por tanto el conjunto generador proviene de resolver el sistema
−x1 + x2 + x3 = 0
4x1 − 2x2 + x4 = 0
−6x1 + x2 + x5 = 0
 
x1
x2
 
 
 
Sea v =  x3  ∈ W, entonces
 
x4
 
 
x5
       
1 1 2 x1
3 5 5 x2
       
       
       
c1 
 0  + c2 
  −6  + c3 
  3 =
  x3 

2 6 2 x4
       
       
1 3 1 x5
de donde el sistema matricial asociado es

   
1 1 2 x1
  
3 5 5  c1 x2
 
  
   

 0 −6 3   c2 
  = 
 x3 

2 6 2  c3 x4
   
  
1 3 1 x5

Luego su matriz aumentada es

 
1 1 2 x1
3 5 5 x2
 
 
 

 0 −6 3 x3 

2 6 2 x4
 
 
1 3 1 x5
LLevandola a su forma escalonada

 
1 1 2 x1
0 2 −1 x2 − 3x1
 
 
 

 0 0 0 3x2 − 9x1 + x3 

0 0 0 4x1 − 2x2 + x4
 
 
0 0 0 2x1 − x2 + x5
luego el sistem es consistente si R(A) = R(Aa )

Por tanto el conjunto generador proviene de resolver el sistema
−9x1 + 3x2 + x3 = 0
4x1 − 2x2 + x4 = 0
2x1 − x2 + x5 = 0
Resolviendo los dos sistemas
−x1 + x2 + x3 = 0
4x1 − 2x2 + x4 = 0
−6x1 + x2 + x5 = 0
−9x1 + 3x2 + x3 = 0
4x1 − 2x2 + x4 = 0
2x1 − x2 + x5 = 0
formamos el sistema matricial

   
−1 1 1 0 0   0
  x1  
 4 −2 0 1 0    0 

 −6
 x2   
1 0 0 1   
= 0 
x3
  
    
 −9 3 1 0 0    0 

 4 −2 0 1 0
 x4   
  0 
x5
   
2 −1 0 0 1 0

llevamos a su forma casi escalonada

 
−1 1 1 0 0
 
−1 1 1 0 0
 0 2 4 1 0 
   
 4 −2 0 1 0 
   5 
 0 0 4 1 
 
 −6 1 0 0 1 
2
→
 
1
 
 −9 3 1 0 0  
 0 0 0

−1 
2
   
 4 −2 0 1 0  
 0 0 0

  0 0 
2 −1 0 0 1
0 0 0 0 0
el sistema tiene una variable libre, por lo tanto dim (U ∩ W ) = 1, para hallar el vector de
su base, basta con dar un valor a su variable libre t, entonces una solución viene dado por
x5 = 2, x4 = 4, x3 = −3, x2 = 4, x1 = 1
 

 1 

 
4

  

 

 
por tanto una base del conjunto U ∩ W es  −3 


4

  

  


 
2
 
Cambio de Base
Consideremos el espacio vectorial mas simple como R2 , Si B es la base canonica, esto es
(" # " #)
1 0
B= ,
0 1
" #
−1
entonces las coordenadas de v = esta dado por
8
" #
−1
[v]B =
8
y cuando la base es (" # " #)

1 −1
B1 = ,
1 2
entonces las coordenadas de v en esta base viene dada por
" #
2
[v]B1 =
3

Mostramos a continuación la existencia de una matriz que la denotamos M que viene

dado por " #
1 −1
M=
1 2
tal que cumple que
[v]B = M [v]B1
basta comprobar que " #" # " #

1 −1 2 −1
[v]B = =
1 2 3 8
la matriz M es llamada la matriz de transición de la base B1 a la base B, ahora también
existe la matriz de transición de la base B a la base B1 dada por
 
2 1
3 3
P = 
− 13 1
3
aqui se cumple que

[v]B1 = P [v]B
basta comprobar que  "

2 1 # " #
3 3 −1 2
[v]B1 =   =
− 31 1 8 3
3
Además esta matriz es única salvo el orden de los vectores que forman la base.
Nota
notar que P es la inversa de la matriz M
A continuación definimos la matriz de transición de la base B1 a la base B2

Definicion 1.10
Sean B1 = {u1 , u2 , · · · , un } , B2 = {v1 , v2 , · · · , vn } dos bases de un espacio vectorial V. Se
define la matriz A como la matriz de transición de la base B1 a la base B2 como

A = [u1 ]B2 , [u2 ]B2 , · · · , [un ]B2
donde [ui ]B2 son las coordenadas del vector ui en la base B2 , para i = 1 : n
Proposicion 1.2
Sean B1 = {u1 , u2 , · · · , un } , B2 = {v1 , v2 , · · · , vn } dos bases de un espacio vectorial V .
Si A = [aij ] es la matriz de transcición de la base B1 a la base B2 , entonces , para todo
v ∈ V se tiene que
[v]B2 = A [v]B1

Prueba. Sea v ∈ V, como B1 y B2 son bases de V , entonces
v = b1 u 1 + b2 u 2 + · · · + bn u n
v = c1 v1 + c2 v2 + · · · + cn vn
por otro lado

ui = a1i v1 + a2i v2 + · · · + ani vn
reemplazando el vector ui
v = b1 (a11 v1 + a21 v2 + · · · + an1 vn ) + · · · + bn (a1n v1 + a2n v2 + · · · + ann vn )
Reoordenando
v = (a11 b1 + a12 b2 + · · · + a1n bn ) v1 + (a21 b1 + a22 b2 + · · · + a2n bn ) v2 +

· · · + (an1 b1 + an2 b2 + · · · + ann bn ) vn
como los vectores de la base son linealmente independientes, entonces
a11 b1 + a12 b2 + · · · + a1n bn = c1

a21 b1 + a22 b2 + · · · + a2n bn = c2
..
.
an1 b1 + an2 b2 + · · · + ann bn = cn
De donde     
a11 a12 · · · a1n b1 c1
    
 a21 a22 · · · a2n   b2   c2 
  ..   ..
    
..  .  = 
.
 

    . 

    
    
an1 an2 ann bn cn
De donde
A [v]B1 = [v]B2
Ejemplo 1.24
Sea el espacio vectorial V = P2 [R], Si B1 y B2 son dos bases de V dados por
u1 = 1, u2 = 1 + x, u3 = 1 − x2

B1 =
v1 = 1 − x, v2 = 1 + x, v3 = 1 + x2

B2 =
Determine la matriz de transición de la base B1 a la base B2 .

Solucion
Hallando las coordenadas de los vectores de la base B1 en la base B2 .
Para u1 = 1
1 = a (1 − x) + b (1 + x) + c 1 + x2

luego tenemos
1 = (a + b + c) + (−a + b) x + (c) x2
entonces tenemos el sistema
1 = a+b+c
0 = −a + b
0 = c
resolviendo
1 1
c = 0, b= , a=
2 2
por lo tanto  
1
2
 
1
[1]B2 = 
 
2

 
0
Ahora para el vector u2 = 1 + x
1 + x = (a + b + c) + (−a + b) x + (c) x2
luego
1 = a+b+c
1 = −a + b
0 = c
resolviendo
c = 0, b = 1, a=0
entonces 
0
[1 + x]B2 = 1 
 
0
Por ultimo determinando las coordendas de u3 = 1 − x2
1 − x2 = (a + b + c) + (−a + b) x + (c) x2

luego
a+b+c = 1
−a + b = 0
c = −1
resolviendo
c = −1, b = 1, a=1
entonces 
1
1 − x2

= 1 
 
B2
−1
Por lo tanto la matriz de transición de la base B1 a la base B2 es
 1

2
0 1
 
1
A= 1 1 
 
 2 
0 0 −1
por tanto tenemos que

[v]B2 = A [v]B1 (1.7)
Ahora esta ecuación nos sirve para hallar las coordenadas de un vector v en la base B2
conociendo la matriz de transición A y las coordenadas de v en la base B1 .
Ejemplo 1.25
Usando las bases y la matriz de transición halladas previamente, hallar las coordenadas
 
1
del vector v en la base B2 si se sabe que [v]B1 =  −1 
 
Solucion
Usando la ecuación (1.7) tenemos que
 1

2
0  1 
  1
1
[v]B2 =  1 1   −1 
  
 2 
2
0 0 −1
 5

2
3
[v]B2 = 
 
2 
−2

ahora solo verificaremos que es cierto, para ello, como

 
1
[v]B1 =  −1  entonces
 
2
v = 1 (1) − 1 (1 + x) + 2 1 − x2 = −2x2 − x + 2

también como
 5

2
 
3
[v]B2 =   entonces
 
 2 
−2
5 3
(1 − x) + (1 + x) − 2 1 + x2 = −2x2 − x + 2

v =
2 2
Proposicion 1.3
Sean B1 = {u1 , u2 , · · · , un } , B2 = {v1 , v2 , · · · , vn } dos bases de un espacio vectorial V .
Demuestre que la matriz de cambio de base es invertible.
Prueba. Sea A la matriz de transcicón de la base B1 a la base B2 y C la matriz de

transcicón de la base B2 a la base B1 , entonces para todo v ∈ V
[v]B2 = A [v]B1
[v]B1 = C [v]B2
de donde
[v]B1 = CA [v]B1
luego
(I − CA) [v]B1 = 0
M [v]B1 = 0
Como se cumple para todo vector v ∈ V , entonces si v = vi para i = 1, · · · , n tenemos

que  
0
 .
 ..


 
[vi ]B1 =  1  i − ésima posición
 
 . 
 .
 .


0

de donde
Mi = 0
la columna i − ésima de M es una columna nula.

Por lo tanto la matriz M es la matriz nula, entonces AC = I
por tanto A es la inversa de C y C es la inversa de A
1.5. Ejercicios desarrollados

Problema 1.6
Determine si el conjunto V = C es un espacio vectorial sobre F = R. Si lo es, encuentre
la dimensión y una base.
Solucion
Como el campo R ⊂ C, entonces toda operación sobre el campo F se verifica.
Probaremos que el conjunto {1, i} son linealmente idependientes
c1 (1) + c2 (i) = 0
Supongamos que son linealmente dependientes, entonces
c1 = −c2 i
como c2 ∈ R, entonces c1 ∈ C (Contradicción) pues c1 ∈ R.

Por lo tanto los vectores son linealmente independientes.
Ahora probaremos que gen {1, i} = C, para ello es suficiente mostrar que C ⊂ gen {1, i} .
Sea v = a + bi donde a, b ∈ R, entonces
a + bi = a (1) + b (i)
esto nos dice que v ∈ gen {1, i} , de donde C ⊂ gen {1, i} .

Por lo tanto {1, i} es una base de C sobre los reales y su dimensión es 2.
Problema 1.7
Muestre que el conjunto W definido por
W = {p (x) ∈ P3 [R] : p(1) = 0}
es un subespacio vectorial de P3 [R] .

Solucion
Es suficiente probar los axiomas de cerradura
Axioma 1 Sean p (x) , q (x) ∈ P3 [R] , entonces p (1) = 0 y q (1) = 0.

Por otro lado

(p + q) (1) = p (1) + q (1) = 0
entonces (p + q) (x) ∈ P3 [R]
Axioma 2 Sea λ ∈ R, entonces
(λp) (1) = λp (1) = λ (0) = 0
por lo tanto (λp) (x) ∈ P3 [R]
Por lo tanto W es un subespacio de P3 [R] .

Problema 1.8
Sea a ∈ R. Determine las condición sobre c, de modo que el conjunto de vectores
      

 1 1 5 
v1 =  1  , v2 =  3  , v3 =  3 
     
 
0 −1 a
 
sea linealmente independientes.

Solucion
Sea la ecuación vectorial
c1 v1 + c2 v2 + c3 v3 = 0

    
1 1 5 c1 0
 1 3 3   c2  =  0 
    
0 −1 a c3 0
Como la matriz de coeficientes es cuadrada, el sistema tendrá solción única solo si la

determinante es diferente de cero.
Luego  
1 1 5
det  1 3 3  = 2a − 2
 
0 −1 a
De donde el sistema tiene solución única si a ̸= 1.
Por tanto, el conjunto de vectores es linealmente independiente si a ̸= 1
Problema 1.9
Sea W = {u1 , u2 , · · · , ur } ⊂ Rn×1 un conjunto de vectores linealmente independientes.
Muestre que si P es una matriz no-singular de orden n, entonces, el conjunto {P u1 , P u2 , · · · , P ur }
es linealmente independiente.

Solucion
Determinando la independencia lineal
c1 (P u1 ) + c2 (P u2 ) + · · · + cr (P ur ) = 0
P (c1 u1 + c2 u2 + · · · + cr ur ) = 0
Como la matriz P es no-singular, multiplicando por la izquierda por P −1
P −1 P (c1 u1 + c2 u2 + · · · + cr ur ) = 0
c1 u1 + c2 u2 + · · · + cr ur = 0
como {u1 , u2 , · · · , ur } es linealmente independiente, entonces c1 = c2 = · · · = cr = 0

Por lo tanto el conjunto {P u1 , P u2 , · · · , P ur } es linealmente independiente.
Problema 1.10
Mostrar que los polinomios {1, (x − 1) , (x − 1) (x − 2)} forman una base de P2 [R] .
Solucion
Como el conjunto tiene 3 polinomios, como dim (P2 [R]) = 3, entonces, es suficiente probar
que el conjunto es linealmente independiente
c1 (1) + c2 (x − 1) + c3 (x − 1) (x − 2) = 0
Como esta identidad es para todo x ∈ R, entonces para x = 1, x = 2 y x = 0 tenemos el

sistema de ecuaciones
c1 = 0
c1 + c2 = 0
c1 − c2 + 2c3 = 0
de donde
c1 = c2 = c3 = 0
Luego los polinomios son linealmente independientes.

Por tanto {1, (x − 1) , (x − 1) (x − 2)} forman una base de P2 [R] .
Problema 1.11
Sea V = C [R] el conjunto de las funciones reales continuas.
a) Muestre que las funciones sin (x) , cos (x) son linealmente independientes
b) Si W = gen {sin (x) , cos (x)}, entonces, W esta contenido en el conjunto solución de
la ecuación diferencial
y ′′ + y = 0

c) Determine si las funciones 1, sin2 (x) , cos2 x son linealmente independientes.

Solucion
a) Planteamos la ecuación vectorial
a sin (x) + b cos (x) = 0
π
como es una identidad, consideramos x = 0, x = con lo cual obtenemos el sistema
2
de ecuaciones
b = 0
a = 0
por tanto las funciones son linealmente independientes.
b) Sea w ∈ gen {sin (x) , cos (x)} , entonces w = a sin(x) + b cos(x).
Efectuando
w′′ + w = (a sin(x) + b cos(x))′′ + a sin(x) + b cos(x)

w′′ + w = a (sin(x))′′ + b(cos(x))′′ + a sin(x) + b cos(x)
w′′ + w = −a sin(x) − b cos(x) + a sin(x) + b cos(x) = 0
De donde w satisface la ecuación diferencial.
Por lo tanto W esta contenido en el conjunto solución de la ecuación diferencial.

Problema 1.12
Sea V = C [−π, π] el conjunto de las funciones reales continuas en el intervalo [−π, π].
Determine la dimensión del espacio generado por {1, ex , e2x , e3x }
Solucion
Sea W = gen {1, ex , e2x , e3x }
Vamos a determinar la independencia lineal del conjunto generador
c1 (1) + c2 (ex ) + c3 e2x + c4 e3x = 0

Como es una identidad para todo valor de x, con x = 0, 1, 2, 3 obtenemos el sistema de

ecuaciones
c1 + c2 + c3 + c4 = 0
c1 + c2 e + c3 e2 + c4 e3 = 0
c1 + c2 e2 + c3 e4 + c4 e6 = 0
c1 + c2 e3 + c3 e6 + c4 e9 = 0

De donde obtenemos el sistema de ecuaciones matricial

    
1 1 1 1 c 0
1
e2 e3  
 
 1 e   
   c2 
 
= 0 

 1 e2 (e2 )2 (e3 )2  
 
  c3   0
  
 
3
1 e3 (e2 ) (e3 )
3 c4 0
Como la matriz de coeficientes A, es la matriz de Vandermonde, con x1 = 1, x2 = e, x3 =

e2 , x4 = e3 los cuales son diferentes entre sı́, se tiene que det (A) ̸= 0, por tanto tiene
como solución única al vector nulo.
Por lo tanto {1, ex , e2x , e3x } es linealmente independiente y dim (W ) = 4
Problema 1.13
Determine si los siguientes matrices
" # " # " #
1 2 −3 1 3 −4 3 8 −11
A= , B= , C= ,
4 0 1 6 5 4 16 10 9
son linealmente independientes.
Solucion
Las matrices son linealmente independientes, si las coordenadas son linealmente indepen-
dientes. Considerando la base canónica B1 de las matrices de orden 2 × 3
h iT
[A]B1 = 1 2 −3 4 0 1
h iT
[B]B1 = 1 3 −4 6 5 4
h iT
[C]B1 = 3 8 −11 16 10 9
Aplicando el algoritmo casting-out

   
1 1 3 1 1 3
   

 2 3 8 
 0 1
 2 


 −3 −4 −11  o.e 

 0 0 0 

   

 4 6 16  ↷  0 0
 0 


 0 5 10   0 0
 0 

1 4 9 0 0 0
Como los pivotes corresponden a las coordenadas de las matrices A y B, entonces las
matrices A y B son linealmente independientes. Por tanto las matrices A, B y C son
linealmente dependientes.

Problema 1.14
Sea {v1 , v2 , · · · , vn } una base del espacio vectorial V. Muestre que {c1 v1 , c2 v2 , · · · , cn vn }
es una base de V para todo escalar no nulo c1 , c2 , · · · , cn .
Solucion
Es suficiente mostrar que el conjunto es linealmente independiente
De la ecuación vectorial
λ1 (c1 v1 ) + λ2 (c2 v2 ) + · · · + λn (cn vn ) = 0
de donde
λ1 c1 (v1 ) + λ2 c2 (v2 ) + · · · + λn cn (vn ) = 0
como {v1 , v2 , · · · , vn } es linealmente independiente, entonces λi ci = 0.

Dado que ci ̸= 0, entonces λi = 0. Por lo tanto {c1 v1 , c2 v2 , · · · , cn vn } son linealmente
independientes.
Luego {c1 v1 , c2 v2 , · · · , cn vn } es una base de V .
Problema 1.15
Sea V = M2 [R] . Encuentre la dimensión del espacio generado por W, donde
( " # " # " # " # )
1 2 2 5 5 12 3 4
W = A= , B= , C= , D= ,
−1 3 1 −1 1 1 −2 5
Solucion
Determinando las coordenadas de las matrices de W respecto de la base canónica B1
       
1 2 5 3
       
 2   5   12   4 
[A]B1 = , [B]B1 = , [C]B1 = , [D]B1 = ,

 −1 


 1 


 1 


 −2 

3 −1 1 5
Aplicando el algoritmo casting-out

   
1 2 5 3 1 2 5 3
   

 2 5 12 4  o.e 
  0 1 2 −2 


 −1 1 1 −2  ↷ 
  0 0 0 1 

3 −1 1 5 0 0 0 0
Como la forma escalonada de la matriz tiene 3 pivotes, entonces tiene 3 vectores lineal-
mente independientes.
Por lo tanto dim (W ) = 3

CAPÍTULO 2
ESPACIOS VECTORIALES CON

PRODUCTO INTERNO
Una parte importante del álgebra lineal es en realidad de naturaleza geométrica, muchas
de los conceptos geométricos de espacios como R2 y R3 como la longitud del vector,
la ortogonalidad, el ángulo entre vectores, es generalizado para espacios de dimensión
superior donde no se puede visualizar estas propiedades, luego se extiende a espacios
como el de las matrices y polinomios.
Motivación
En la estimación de eventos hidrológicos extremos realizado en México, se usó los poli-
nomios Legendre.
53
CAPÍTULO 2. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
Resumen
En este trabajo se propone un nuevo método para la estimación de la frecuencia de eventos
hidrológicos extremos. Se utiliza una función clave, función Beta en su forma rectangular,
mejorada con una serie de polinomios ortogonales de tipo Lengendre. La calibración
del modelo se ha hecho generando una muestra aleatoria de 500 valores perteneciente
a la familia Beta [0,7000]. Finalmente se ha validado el modelo con una muestra de
precipitación de la ciudad de Méjico, siendo los resultados altamente satisfactorios.
Fuente: http://ingenieriacivil.cedex.es/index.php/ingenieria-civil/article/view/1195/1169
Definicion 2.1
Sea V un espacio vectorial sobre el campo F, donde F es R (o C) . Un producto interno
es una función que asigna a cada par de vectores ordenados u y v en V un único escalar
en F , mediante una regla de correpondencia denotada como ⟨u, v⟩ , tal que cumple las
siguientes cuatro propiedades
1. Positividad ⟨u, u⟩ ≥ 0, para todo u ∈ V. La igualdad se da solo para el vector nulo
2. Homogeneidad ⟨λu, v⟩ = λ ⟨u, v⟩, para todo λ ∈ F, u, v ∈ V
3. Linealidad ⟨u, v + w⟩ = ⟨u, v⟩ + ⟨u, w⟩ , para todo u, v, w ∈ V
4. Simetrı́a Hermitiana ⟨u, v⟩ = ⟨v, u⟩, para todo u, v ∈ V

Ejemplo 2.1
Sea V = Pn [R] el espacio vectorial de los polinomios hasta grado n sobre los reales.
Muestre que la función Z 1
⟨p (x) , q (x)⟩ = p (x) q (x) dx
−1
es un producto interno.
Solucion
Positividad
Z 1 Z 1
⟨p (x) , p (x)⟩ = p (x) p (x) dx = [p (x)]2 dx
−1 −1
R1
como [p (x)]2 ≥ 0 para todo p (x) ∈ V, entonces −1
[p (x)]2 dx ≥ 0, esto es,
⟨p (x) , p (x)⟩ ≥ 0
R1
Además −1
[p (x)]2 dx = 0 si y solo si p (x) = 0 (la función nula)
Homogeneidad Sea λ ∈ R, p (x) , q (x) ∈ V

Z 1 Z 1
⟨λp (x) , q (x)⟩ = (λp (x)) q (x) dx = λ p (x) q (x) dx
−1 −1
⟨λp (x) , q (x)⟩ = λ ⟨p (x) , q (x)⟩
Linealidad Sea p (x) , q (x) y r (x) ∈ V

Z 1
⟨p (x) , q (x) + r (x)⟩ = p (x) (q (x) + r (x)) dx
−1
Z 1 Z 1
⟨p (x) , q (x) + r (x)⟩ = p (x) q (x) dx + p (x) r (x) dx
−1 −1
⟨p (x) , q (x) + r (x)⟩ = ⟨p (x) , q (x)⟩ + ⟨p (x) , r (x)⟩
Simetrı́a Hermitiana Sea p (x) , q (x) ∈ V. Como ⟨p (x) , q (x)⟩ ∈ R, entonces ⟨p (x) , q (x)⟩ =
⟨p (x) , q (x)⟩ .
Por otro lado

Z 1 Z 1
⟨p (x) , q (x)⟩ = p (x) q (x) dx = q (x) p (x) dx = ⟨q (x) , p (x)⟩
−1 −1
de donde
⟨p (x) , q (x)⟩ = ⟨q (x) , p (x)⟩
Proposicion 2.1
⟨u, λv⟩ = λ ⟨u, v⟩ para todo λ ∈ F, u, v ∈ V

Prueba. De la simetrı́a hermitiana, tenemos que
⟨u, λv⟩ = ⟨λv, u⟩
por la homogeneidad
⟨λv, u⟩ = λ ⟨v, u⟩
como λ, ⟨v, u⟩ ∈ F entonces

λ⟨v, u⟩
nuevamente por la simetria hermitiana
λ ⟨u, v⟩
Proposicion 2.2
Para todo vector u, v, w ∈ V y todo escalar α, β ∈ F se tiene que
⟨αu + βv, w⟩ = α ⟨u, w⟩ + β ⟨v, w⟩
Prueba. Por la simetrı́a hermitiana y la linealidad
⟨αu + βv, w⟩ = ⟨w, αu + βv⟩ = ⟨w, αu⟩ + ⟨w, βv⟩
por la proposicion anterior
⟨αu + βv, w⟩ = α ⟨w, u⟩ + β ⟨w, v⟩
por la propiedad de los números complejos
⟨αu + βv, w⟩ = α⟨w, u⟩ + β⟨w, v⟩
de donde
⟨αu + βv, w⟩ = α ⟨u, w⟩ + β ⟨v, w⟩
Nota
Cuando el campo escalar F = R, el item (4) viene a ser
⟨u, v⟩ = ⟨v, u⟩

Ejemplos de Espacios vectoriales con producto interno

1. V = Rn es un espacio vectorial con producto interno ⟨, ⟩ dado por
⟨u, v⟩ = v T u
Como caso particular para n = 2, los vectores vienen dados por

" # " #
u1 v1
u= , v=
u2 v2
entonces el producto interno es

" #
h i u1
⟨u, v⟩ = v1 v2
u2
⟨u, v⟩ = u1 v1 + u2 v2
Debemos notar que el producto interno definido es el conocido producto escalar.
2. V = C2 con el producto interno
⟨u, v⟩ = v ∗ u = v T u
como los vectores aqui vienen dados por

" # " #
z1 w1
u= , v=
z2 w2
donde zi , wi ∈ C, entonces el producto interno es

" #
h i z1
⟨u, v⟩ = w1 w2
z2
⟨u, v⟩ = z1 w1 + z2 w2
3. V = Mmn (C) es un espacio producto interno con producto interno
⟨A, B⟩ = traza (B ∗ A)
Problema 2.1
Muestre que la función
⟨, ⟩ : V × V → R
definido como
⟨A, B⟩ = traza (B ∗ A)

es un producto interno
Prueba. Veamos que es un espacio producto interno
1.
n n
X X T
⟨A, A⟩ = traza (A∗ A) = (f ilai A∗ coli A) = f ilai A coli A
n m
!i=1 n m
! i=1
X X X X
⟨A, A⟩ = aji aji = ∥aji ∥2 ≥0
i=1 j=1 i=1 j=1
Aqui
⟨A, A⟩ = 0 si y solo si A = 0
2.
⟨λA, B⟩ = traza (B ∗ (λA)) = λtraza (B ∗ A)

⟨λA, B⟩ = λ ⟨A, B⟩
3.
⟨A, B + C⟩ = traza ((B + C)∗ A)

⟨A, B + C⟩ = traza (B ∗ A + C ∗ A)
⟨A, B + C⟩ = traza (B ∗ A) + traza (C ∗ A)
4.
⟨B, A⟩ = traza (A∗ B)

⟨B, A⟩ = traza A∗ B
T
T T

⟨B, A⟩ = traza A B = traza A B
T
⟨B, A⟩ = traza B A = traza (B ∗ A)
⟨B, A⟩ = ⟨A, B⟩
Longitud o norma de un vector

La idea de longitud de un vector esta basada en la distancia euclideana entre dos puntos
de R2 o R3 .

El concepto de longitud se extiende a los vectores de un espacio vectorial con producto

interno.
Definicion 2.2
Sea v un vector en un espacio con producto interno V. La norma o longitud de un vector
denotada como como ∥v∥ se define como
p
∥v∥ = ⟨v, v⟩
la norma tiene las siguientes propiedades
1. ∥v∥ ≥ 0, para todo vector v ∈ V . Además ∥v∥ = 0 si y solo si v = 0
2. ∥λv∥ = |λ| ∥v∥ para todo vector v ∈ V y para todo λ ∈ F ç
3. ∥u + v∥ ≤ ∥u∥ + ∥v∥
Ejemplo 2.2
Sea V = P [R] el espacio de los polinomios de cualquier grado con producto interno
definido por Z 1
⟨p, q⟩ = p (x) q (x) dx
0
2
Calcule la norma del vector v = 1 − x
Solucion
por definición
∥v∥2 = ⟨v, v⟩
Z 1
2
∥v∥ = v (x) v (x) dx
0
Z 1
2
1 − x2 1 − x2 dx

∥v∥ =
Z0 1
∥v∥2 = x4 − 2x2 + 1 dx

0
8
∥v∥2 =
15
luego su norma es r
8
∥v∥ =
15
Ejemplo 2.3
Sea V = P [R] el espacio de los polinomios de cualquier grado con producto interno
definido por Z 1
⟨p, q⟩ = p (x) q (x) dx
−1
Calcule la norma del vector v = 1 − x2

Solucion
por definición
∥v∥2 = ⟨v, v⟩
Z 1
2
∥v∥ = v (x) v (x) dx
−1
Z 1
2
1 − x2 1 − x2 dx

∥v∥ =
−1
Z 1
∥v∥2 = x4 − 2x2 + 1 dx

−1
16
∥v∥2 =
15
por lo tanto r
16
∥v∥ =
15
Nota
Como se habrá dado cuenta, la longitud del vector depende del producto interno que se
define.
Ortogonalidad de vectores
La ortogonalidad de vectores es otra propiedad geométrica que en la geometrı́a euclideana
nos dice que dos vectores de R2 o R3 son ortogonales si y solo si forman un ángulo de 90
grados.
En espacios vectoriales mas generales, este aspecto geométrico no tiene relevancia, dado
que va a depender del producto interno.
Definicion 2.3
Sea V un espacio vectorial con producto interno ⟨ , ⟩ . Decimos que dos vectores u, v ∈
V son ortogonales si ⟨u, v⟩ = 0
Nota
El vector nulo es ortogonal a todos los vectores.
Ejemplo 2.4
Sea el espacio vectorial V = P2 [R] con producto interno definido por
Z 1
⟨p, q⟩ = p (x) q (x) dx
−1
Determine si los polinomios p (x) = x2 + 10 y q(x) = x3 − x son ortogonales.

Solucion
Calculando su producto interno
Z 1
x2 + 10 x3 − x dx

⟨p, q⟩ =
−1
⟨p, q⟩ = 0
por lo tanto los polinomios son ortogonales.

Proposicion 2.3
Sea V un espacio vectorial con producto interno ⟨ , ⟩ . Si u y v son dos vectores ortog-
onales no nulos, entonces, son linealmente independientes.
Prueba. Sean u, v ∈ V vectores ortogonales no nulos, planteamos la ecuación
αu + βv = 0
aplicamos el producto interno
⟨αu + βv, u⟩ = ⟨0, u⟩
entonces
α ⟨u, u⟩ + β ⟨v, u⟩ = 0
como u, v son ortogonales entonces ⟨v, u⟩ = 0, luego
α ⟨u, u⟩ = 0 → α ∥u∥2 = 0 si y solo si α = 0
por tanto βv = 0, como v es un vector no nulo, entonces β = 0.

Por lo tanto dos vectores ortogonales no nulos son linealmente independientes.
Definicion 2.4
Un conjunto S ⊂ V es un conjunto ortogonal si
u es ortogonal a v, para todo vector u, v ∈ V
Ejemplo 2.5
Sea V = R4 con producto interno definido por
⟨u, v⟩ = v T u
      


 4 0 0 

      

  0   5   0 
Determine si el conjunto S = v1 =   , v2 =   , v3 =   es ortogonal




 0 


 0 


 2 


 
 0 0 0 

Solucion
Calculando los productos internos
⟨v1 , v2 ⟩ = v2T v1 = 0
⟨v1 , v3 ⟩ = v3T v1 = 0
⟨v2 , v3 ⟩ = v3T v2 = 0
entonces el conjunto S es ortogonal.
Definicion 2.5
Un conjunto S ⊂ V es un conjunto ortonormal si
1. S es un conjunto ortogonal
2. ∥u∥ = 1 para todo vector u ∈ V
Ejemplo 2.6
En el ejemplo anterior el conjunto es ortogonal pero no es ortonormal, puesto que
p
∥v1 ∥ = ⟨v1 , v1 ⟩ = 4
p
∥v2 ∥ = ⟨v2 , v2 ⟩ = 5
p
∥v3 ∥ = ⟨v3 , v3 ⟩ = 2
En realidad, es suficiente con que uno de ellos no sea unitario para que el conjunto no
sea ortonormal
Proceso de Ortonormalización de Gram-Schmidt

Sea S = {v1 , v2 , · · · , vm } un subconjunto de vectores linealmente independientes, con
S ⊂ V un espacio vectorial, entonces el gen (S) es un espacio vectorial, luego S es una
base de gen (S).
El obejtivo es hallar una base B del subespacio span (S) de tal modo que B sea un conjunto
ortonormal, un método muy utilizado es el proceso Ortonormalización de Gram-Schmidt.
Paso 1 Elección del primer vector unitario
v1 v1
u1 = =p
∥v1 ∥ ⟨v1 , v1 ⟩
Paso 2 Elección del segundo vector ortogonal a u1
Determinado w2
w2 = v2 − ⟨v2 , u1 ⟩ u1

Este vector es ortogonal a u1 , puesto que
⟨w2 , u1 ⟩ = ⟨v2 − ⟨v2 , u1 ⟩ u1 , u1 ⟩

⟨w2 , u1 ⟩ = ⟨v2 , u1 ⟩ − ⟨v2 , u1 ⟩ ⟨u1 , u1 ⟩
⟨w2 , u1 ⟩ = ⟨v2 , u1 ⟩ − ⟨v2 , u1 ⟩ = 0
Elección del segundo vector ortonormal a u1
w2 w2
u2 = =p
∥w2 ∥ ⟨w2 , w2 ⟩
hasta aqui tenemos que el conjunto {u1 , u2 } es ortonormal
Paso general Continuación del proceso, suponiendo que
{u1 , u2 , · · · , uk } es un conjunto ortonormal
hallaremos el siguiente vector wk+1 ortogonal todo este conjunto
wk+1 = vk+1 − ⟨vk+1 , u1 ⟩ u1 − ⟨vk+1 , u2 ⟩ u2 − · · · − ⟨vk+1 , uk ⟩ uk
luego el conjunto
{u1 , u2 , · · · , uk , wk+1 } es un conjunto ortogonal
entonces hacemos
wk+1 wk+1
uk+1 = =p
∥wk+1 ∥ ⟨wk+1 , wk+1 ⟩
por tanto el conjunto
{u1 , u2 , · · · , uk , uk+1 } es un conjunto ortonormal
Repetir el paso general hacemos esto para k = 3 hasta k = m
Ejemplo 2.7
Sea V = M22 un espacio vectorial producto interno definido por
⟨A, B⟩ = traza B T A

Encuentre una base ortonormal para el subespacio H ⊂ M22 , donde

( " # " # " #)
1 1 1 1 1 2
H = gen v1 = , v2 = , v3 =
1 1 2 4 −4 −3

Solucion
Paso 1 El primer vector del conjunto ortonormal es
v1
u1 =
∥v1 ∥
Calculamos la norma de v1
∥v1 ∥2 = ⟨v1 , v1 ⟩
*" # " #+
2 1 1 1 1
∥v1 ∥ = ,
1 1 1 1
" #" #!
1 1 1 1
∥v1 ∥2 = traza
1 1 1 1
" #!
2 2
∥v1 ∥2 = traza =4
2 2
por tanto
∥v1 ∥ = 2
tenemos entonces " #  

1 1
v1 1 1 1 2 2
u1 = = = 
∥v1 ∥ 2 1 1 1 1
2 2
Paso 2 Ahora hallamos el vector w2 ortogonal a u1 , donde
w2 = v2 − ⟨v2 , u1 ⟩ u1
calculamos ⟨v2 , w1 ⟩
⟨v2 , u1 ⟩ = traza uT1 v2

 " #
1 1
2 2 1 1
⟨v2 , w1 ⟩ = traza   
1 1 2 4
2 2
" #!
3 5
2 2
⟨v2 , w1 ⟩ = traza 3 5
=4
2 2
entonces
" #  
1 1
1 1 2 2
w2 = − 4 
2 4 1 1
2 2
" #
−1 −1
w2 =
0 2

seguidamente hallamos su norma
∥w2 ∥2 = ⟨w2 , w2 ⟩ = traza w2T w2

" #" #!
2 −1 0 −1 −1
∥w2 ∥ = traza
−1 2 0 2
" #!
1 1
∥w2 ∥2 = traza =6
1 5
√
luego tenemos ∥w2 ∥ = 6 y por tanto
" #
1 −1 −1
u2 = √
6 0 2
Paso 3 Por ultimo hallamos el vector w3 ortogonal al conjunto {u1 , u2 }
w3 = v3 − ⟨v3 , u1 ⟩ u1 − ⟨v3 , u2 ⟩ u2
calculamos entonces ⟨v3 , u1 ⟩ y ⟨v3 , u2 ⟩

 " #
1 1
2 2 1 2 
⟨v3 , u1 ⟩ = traza  
1 1 −4 −3
2 2
 
− 32 − 12
⟨v3 , u1 ⟩ = traza   = −2
− 23 − 12

 √ " #
− 66 0 1 2 
⟨v3 , u2 ⟩ = traza  √ √ 
− 66 36 −4 −3
 √ √ 
− 66 − 36 3√
⟨v3 , u2 ⟩ = traza  √ √  = − 6
−326 −436 2

luego
" #   " #
1 1
√

1 2 2 2 3 1 −1 −1
w3 = − (−2)  − − 6 √
−4 −3 1 1 2 6 0 2
2 2
 
1 3
2 2
w3 =  
−3 1
hallamos la norma de w3
∥w3 ∥2 = ⟨w3 , w3 ⟩
* 1 3
 
1 3
+
2 2 2 2
∥w3 ∥2 =  , 
−3 1 −3 1
  
1 1 3
2
−3 2 2
∥w3 ∥2 = traza   
3
2
1 −3 1
 
37
− 94
∥w3 ∥ 2
= traza 
4  = 25
− 94 13 2
4
por tanto
5
∥w3 ∥ = √
2
luego
√
   √ √ 
1 3 2 3 2
2 2 2 10 10
u3 = = √ √ 
5 −3 1 −352 2
5
Por tanto el conjunto {u1 , u2 , u3 } es una base ortonormal del subespacio H
Matriz ortogonal
Definicion 2.6
Una matriz cuadrada Q se dice que es ortogonal si
1. Q es invertible
2. Q−1 = QT
Ejemplo 2.8 " #

cos θ − sin θ
La matriz Q = es ortogonal, puesto que
sin θ cos θ
1. Como det (Q) = 1 entonces Q es invertible.

2.
" #" #
cos θ sin θ cos θ − sin θ
QT Q =
− sin θ cos θ sin θ cos θ
QT Q = I
de donde Q−1 = QT
La construcción de una matriz ortogonal esta basado en el siguiente teorema

Teorema 2.1 h i
Sea Q una matriz por bloques de orden n, dado por Q = q1 q2 · · · qn . Q es una
matriz ortogonal si y solo si el conjunto {q1 , q2 , · · · , qn } es un conjunto ortonormal.
 
q1T
 
 qT 
2 
h i 
Prueba. Como Q = q1 q2 · · · qn , tenemos que QT =   .. 

 . 
 
T
qn
Luego  
  T T T
q1T q q 1 q 1 2q · · · q 1 nq
   1 
T T T
 qT  h i  q2 q1 q2 q 2 · · · q 2 qn 
 
 2 
 ..  q1 q2 · · · qn = 
 
  .. .. ... .. 
 .   . . . 

  
 
qnT qnT q1 qnT q2 · · · qnT qn
de donde QT Q = I si y solo si qiT qi = 1 para todo i = 1, · · · , n y qiT qj = 0 para todo

i ̸= j
esto es, {q1 , q2 , · · · , qn } es un conjunto ortonormal.
2.0.1. Ejercicios desarrollados

   
Problema 2.2x1 y1
Sea x =  x2  , y =  y2  ∈ R3 . Determine cual de las siguientes funciones es un
   
x3 y3
producto interno
a) ⟨x, y⟩ = x1 y1 + x3 y3
b) ⟨x, y⟩ = 2x1 y1 + x2 y2 + 4x3 y3
Solucion
a) Positividad
⟨x, x⟩ = x21 + x23 ≥ 0

h i
para x = 0 a 0 ̸= 0 con a ̸= 0, se tiene ⟨x, x⟩ = 0. Luego la función no es
positiva.
Por tanto la función no es un producto interno.
b) Positividad
⟨x, x⟩ = 2x21 + x22 + 4x23 ≥ 0
además ⟨x, x⟩ = 0 si y solo si x = 0
Homogeneidad
⟨λx, y⟩ = 2 (λx1 ) y1 + (λx2 ) y2 + 4 (λx3 ) y3

⟨λx, y⟩ = λ (2x1 y1 + x2 y2 + 4x3 y3 )
⟨λx, y⟩ = λ ⟨x, y⟩
Linealidad
⟨x, y + z⟩ = 2x1 (y1 + z1 ) + x2 (y2 + z2 ) + 4x3 (y3 + z3 )

⟨x, y + z⟩ = 2x1 y1 + x2 y2 + 4x3 y3 + 2x1 z1 + x2 z2 + 4x3 z3
⟨x, y + z⟩ = ⟨x, y⟩ + ⟨x, z⟩
Simetrı́a Hermitiana
⟨x, y⟩ = 2x1 y1 + x2 y2 + 4x3 y3

⟨x, y⟩ = 2y1 x1 + y2 x2 + 4y3 x3 = ⟨y, x⟩
como pertenece a los reales
⟨x, y⟩ = ⟨x, y⟩ = ⟨y, x⟩
Por tanto la función es un producto interno.
Problema 2.3
Sea C3 el espacio vectorial sobre C. Muestre que la función definido por
 
1 0 1
⟨u, v⟩ = v ∗  0 2 0  u
 
1 0 2
es un producto interno.

 
Solucion 1 0 1
Sea C sobre C, con producto interno ⟨a, b⟩1 = ba y A =  0 2 0 
 
1 0 2
 
u1
Positividad para todo u =  u2  ∈ C3
 
u3
  
h i 1 0 1 u1
⟨u, u⟩ = u1 u2 u3  0 2 0   u2 
  
1 0 2 u3
 
h i u1 + u3
2 2 2
⟨u, u⟩ = u1 u2 u3  2u2  = ∥u1 ∥ + 2 ∥u2 ∥ + 2 ∥u3 ∥ + u1 u3 + u3 u1
 
u1 + 2u3
⟨u, u⟩ = ⟨u1 , u1 ⟩1 + 2 ⟨u2 , u2 ⟩1 + 2 ⟨u3 , u3 ⟩1 + ⟨u3 , u1 ⟩1 + ⟨u1 , u3 ⟩1
⟨u, u⟩ = ⟨u1 + u3 , u1 ⟩1 + 2 ⟨u2 , u2 ⟩1 + ⟨u1 + u3 , u3 ⟩1 + ⟨u3 , u3 ⟩1
⟨u, u⟩ = ⟨u1 + u3 , u1 + u3 ⟩1 + 2 ⟨u2 , u2 ⟩1 + ⟨u3 , u3 ⟩1 ≥ 0
además ⟨u, u⟩ = 0 si y solo si u1 = u2 = u3 = 0, esto es u = 0.
Homogeneidad sean u, v, w ∈ C3
⟨u, v + w⟩ = (v + w)∗ Au
= (v ∗ + w∗ ) Au
= v ∗ Au + w∗ Au
= ⟨u, v⟩ + ⟨u, w⟩
Linealidad Sea λ ∈ C, u, v ∈ C3
⟨λu, v⟩ = v ∗ A (λu) = λ (v ∗ Au)

⟨λu, v⟩ = λ ⟨u, v⟩
Simetrı́a Hermitiana Sea u, v ∈ C3
⟨v, u⟩ = u∗ Av
= u∗ Av
Problema 2.4
Sea V un espacio vectorial con producto interno. Si B = {v1 , v2 , · · · , vn } es una base de

ortonormal de V, entonces, entonces para todo v ∈ V se tiene
v = ⟨v, u1 ⟩ u1 + ⟨v, u2 ⟩ u2 + · · · + ⟨v, un ⟩ un
Solucion
Como B es una base entonces
v = c1 u1 + c2 u2 + · · · + cn un
aplicando el producto interno
⟨v, ui ⟩ = ⟨c1 u1 + c2 u2 + · · · + cn un , ui ⟩ , donde i ∈ 1, · · · , n
de donde
⟨v, ui ⟩ = c1 ⟨u1 , ui ⟩ + · · · + ci ⟨ui , ui ⟩ + · · · + cn ⟨un , ui ⟩
como la base es ortogonal, entonces
⟨v, ui ⟩ = ci , i ∈ 1, · · · , n
por tanto
v = ⟨v, u1 ⟩ u1 + ⟨v, u2 ⟩ u2 + · · · + ⟨v, un ⟩ un
Problema 2.5
Sea V = R3 el espacio vectorial con producto interno
⟨x, y⟩ = y T x
  √   √   
2 2 2

 − 2
− 6 3


 
  √   √   
2
Si B = u1 =  , u2 =  − 62 , u3 =  2
 es una base ortogonal de V,
     
2 3
√

      

 2 1

0 2
 
3 3
h iT
determine las coordenadas del vector v = 1 0 1 relativa a la base B.
Solucion
Como B es una base ortonormal, entonces
v = ⟨v, u1 ⟩ u1 + ⟨v, u2 ⟩ u2 + ⟨v, u3 ⟩ u3

Hallando los productos internos

 
√ √ 1 √
2 2 2
⟨v, u1 ⟩ = 0  0 =− 2
 
−
2 2
1
 
√ √ √ 1 √
2 2 2 2 2
⟨v, u2 ⟩ =  0 =
 
− − 2
6 6 3
1
 
1
2 2 1  
⟨v, u3 ⟩ =  0 =1
3 3 3
1
por tanto, las coordenada de v en la base B es

 √ 
2
−
 2 
√
 
 
[v]B = 
 2 


 2 

1
Problema 2.6
Sea el espacio vectorial P3 [R] sobre R con producto interno
Z 1
⟨f, g⟩ = f (x) g (x) dx
−1
a) Encuentre una base ortonormal para el subespacio gen {x, x2 }
b) Si
V1 = gen {1, x}

2 1 3 3
V2 = gen x − , x − x
3 5
Muestre que V1 es ortogonal a V2

Solucion
a) Ortonormalizando el conjunto {x, x2 }
x
u1 =
∥x∥
donde r
Z 1
2 2 3
∥x∥ = x2 dx = → u1 = x
−1 3 2

* r +r
3 3
w 2 = x2 − x2 , x x
2 2
* r +
3
Calculando x2 , x
2
* r + r !
Z 1
3 3
x2 , 2

x = x x dx
2 −1 2
* r +
3
x2 , x = 0
2
luego
x2
u2 = 2
∥x ∥
donde r
Z 1
2 2 2 5 2
x = x4 dx = → u2 = x
−1 5 2
por tanto la base ortonormal pedida es
(r r )
3 5 2
S= x, x
2 2
b) Para que sean ortogonales, todo vector

de
V1 debeser ortogonal a todo vector de V2 .
1 3
Sea v1 = a + bx ∈ V1 , v2 = c x2 − + d x3 − x , luego
3 5
Z 1
2 1 3 3
⟨v1 , v2 ⟩ = (a + bx) c x − +d x − x dx
−1 3 5
Z 1 Z 1 Z 1 Z 1
2 1 3 3 2 1 3 3
⟨v1 , v2 ⟩ = ac x − dx + ad x − x dx + bc x x − dx + bd x x − x d
−1 3 −1 5 −1 3 −1 5
por la integral de funciones impares

Z 1 Z 1
2 1 3 3
⟨v1 , v2 ⟩ = ac x − dx + bd x x − x dx
−1 3 −1 5
⟨v1 , v2 ⟩ = ac (0) + bd (0)
⟨v1 , v2 ⟩ = 0
Por lo tanto los espacios vectoriales son ortogonales.
Problema 2.7
Sea CC [0, 2π] el espacio vectorial de las funciones complejas continuas en el intervalo

[0, 2π] con producto interno definido por

Z 2π
⟨f, g⟩ = f (x)g(x)dx
0
Muestre que si W = {f (x) ∈ CC [0, 2π] : f (x) = cos (kx) + i sin (kx) , donde k ∈ Z} , en-
tonces, W es un conjunto ortogonal.
Solucion
Se tiene que eikx = cos (kx) + i sin (kx) .
Sean f (x) = eikx , g (x) = eisx ∈ W, donde s, k ∈ Z y s ̸= k, de donde
Z 2π
⟨f, g⟩ = eikx eisx dx
Z0 2π Z 2π
−ikx isx
⟨f, g⟩ = e e dx = ei(s−k)x dx
Z0 2π 0
⟨f, g⟩ = (cos ((s − k) x) + i sin ((s − k) x)) dx

0
2π
sin ((s − k) x) cos ((s − k) x)
⟨f, g⟩ = − −i
s−k s−k 0
dado que s, k ∈ Z tenemos

2π
sin ((s − k) x) cos ((s − k) x)
⟨f, g⟩ = − −i
s−k s−k 0

cos ((s − k) 2π) cos (0)
⟨f, g⟩ = −i − =0
s−k s−k
por lo tanto W es un conjunto ortogonal.

Álgebra Lineal Parte 3

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Álgebra Lineal Parte 3

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Álgebra Lineal Parte 3

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal

Espacios vectoriales - Producto interno

2. Espacios vectoriales con producto interno 53

Definición de un espacio vectorial

Un espacio vectorial implica cuatro cosas

Dos conjuntos no vacios V y F y

Dos operaciones algebraicas llamadas suma de vectores y multiplicación por un es-

2. λu ∈ V, para todo λ ∈ F, para todo u ∈ V

5. Existe un elemento neutro (cero) denotado por 0 ∈ V tal que

u+0=u para todo u ∈ V

6. Para cada elemento u ∈ V existe un elemento denotado como −u ∈ V tal que

7. λ (u + v) = λu + λv, para todo λ ∈ F y para todo u, v ∈ V

8. (λ + µ) v = λv + µv, para todo λ, µ ∈ F y para todo v ∈ V

9. (λµ) v = λ (µv) , para todo λ, µ ∈ F y para todo v ∈ V

10. 1v = v, para todo v ∈ V

Msc. Julio César Barraza Bernaola 2 Universidad Nacional de Ingenieria

la suma denotada como (+) es definida por

como λ, a, y b ∈ R entonces λa, λb ∈ R entonces λu ∈ R2

Msc. Julio César Barraza Bernaola 3 Universidad Nacional de Ingenieria

puesto que " # " # " #

Msc. Julio César Barraza Bernaola 4 Universidad Nacional de Ingenieria

Msc. Julio César Barraza Bernaola 5 Universidad Nacional de Ingenieria

Espacios vectoriales mas conocidos

Daremos a continuación unos ejemplos de espacios vectoriales, la demostración queda a

donde A, B ∈ Mm×n [R] y c ∈ R

Espacio vectorial de las matrices complejas sobre los complejos El conjunto

donde A, B ∈ Mm×n [C] y c ∈ C

Espacio vectorial de polinomios El conjunto Pn [R] de los polinomios de hasta grado

Msc. Julio César Barraza Bernaola 6 Universidad Nacional de Ingenieria

Espacio vectorial de las funciones continuas El conjunto C [a; b] de las funciones

(f + g) (x) = f (x) + g (x)

Espacio vectorial de funciones con derivada continua El conjunto V = C m [a; b]

1.1. Subespacios vectoriales

S = {X ∈ Mn×n : AX = XA} donde A es una matriz fija

Msc. Julio César Barraza Bernaola 7 Universidad Nacional de Ingenieria

Usualmente, para probar que un subconjunto es un subespacio no es necesario probar

para todo u, v ∈ W y para todo λ ∈ F

entonces verifican los axiomas de cerradura.

Los elementos de W deben satisfacer los axiomas de cerradura.

El mismo espacio vectorial W = V y el espacio vectorial W = {0} son llamados

Msc. Julio César Barraza Bernaola 8 Universidad Nacional de Ingenieria

donde a, b, c son constantes. Muestre que W es un subespacio vectorial de R3 .

ax1 + by1 + cz1 = 0

a (x1 + x2 ) + b (y1 + y2 ) + c (z1 + z2 ) = (ax1 + by1 + cz1 ) + (ax2 + by2 + cz2 )

a (λx1 ) + b (λy1 ) + c (λz1 ) = λ (ax1 + by1 + cz1 )

entonces λu ∈ W , por lo tanto W es un subespacio vectorial de R3 .

Msc. Julio César Barraza Bernaola 9 Universidad Nacional de Ingenieria

de las soluciones del sistema homogeneo es un espacio vectorial.

por tanto el vector suma x + y ∈ W

Axioma 2 Sea λ ∈ R entonces

luego tenemos que

por tanto el vector (λx) ∈ W , por lo tanto W es un subespacio vectorial de V, esto

b) La suma W1 + W2 es un subespacio, donde

Msc. Julio César Barraza Bernaola 10 Universidad Nacional de Ingenieria

Axioma 1 Sea u, v ∈ W1 ∩ W2 , entonces u, v ∈ W1 y u, v ∈ W2

Como W1 y W2 son subespacios vectoriales, entonces

Axioma 2 Sea u ∈ W1 ∩ W2 y λ ∈ F, entonces u ∈ W1 y u ∈ W2 .

Como W1 y W2 son subespacios vectoriales, entonces