ESPACIOS VECTORIALES 1

S.E.P. TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TUXTEPEC

INGENIERÍA CIVIL

NOMBRE DE LA ASIGNATURA:

ALGEBRA LINEAL

NOMBRE DEL FACILITADOR:

EZEQUIEL LÓPEZ SALGADO

NOMBRE DEL FACILITADOR:

MARCO ANTONIO GODINEZ RUIZ

NOMBRE DEL TRABAJO:

ESPACIOS VECTORIALES

PRESENTA (N):
ESPACIOS VECTORIALES 2

Contenido

Resumen......................................................................................................................... 4

4.1.- Definición de espacio vectorial ............................................................................. 5

Propiedades de la suma .............................................................................................. 5

4.2 Definición de subespacio vectorial y propiedades ................................................... 6

Teorema de subespacio .............................................................................................. 6

Propiedades de sub espacio vectorial ......................................................................... 7

4.3.- combinación lineal. Independencia lineal ............................................................. 8

Combinación lineal .................................................................................................... 8

Independencia lineal .................................................................................................. 9

4.4 Base y dimensión de un espacio vectorial, cambio de base ................................... 12

Base .......................................................................................................................... 12

Unicidad representación de la base .......................................................................... 13

Dimensión ................................................................................................................ 13

Definición de Espacio Renglón y Espacio Columna de una matriz ........................ 14

Base para el Espacio Renglón de una Matriz........................................................... 14

4.5 Espacio Vectorial o Producto Interno y sus Propiedades ...................................... 15

Un espacio vectorial ................................................................................................. 15

4.6 Base Ortonormale y Proceso de Ortonormalización de Gram-Schmidt ................ 16

Conjunto ortormal .................................................................................................... 16

Longitud o norma o vector ....................................................................................... 16

ESPACIOS VECTORIALES 3

Proceso de Ortonormalización de Gram-Schmidt ................................................... 16

CONCLUSION. ........................................................................................................... 19

Referencias.................................................................................................................. 20
ESPACIOS VECTORIALES 4

Resumen

Un espacio vectorial o espacio lineal es el objeto básico de estudio en la rama de las

matemáticas llamada álgebra lineal.

Un espacio vectorial es una estructura algebraica. Se tiene esta estructura, con las

operaciones usuales, por ejemplo, los pares de números reales y los polinomios, para que

poder tener un espacio vectorial, se tiene que cumplir con las operaciones de suma y

multiplicación por un escalar, si cumplen con esas dos operaciones entonces podemos decir

que es un espacio vectorial de lo contrario no lo seria.

Por eso en el siguiente documento les presentaremos los espacios vectoriales donde le

hablaremos de las propiedades que poseen los conjuntos de dicho tema.

ESPACIOS VECTORIALES 5

4.1.- Definición de espacio vectorial

Un espacio vectorial es un espacio de numerosos vectores diseminados en todas las

direcciones en las dos operaciones básicas que es la adición y multiplicación escalar, que

puede realizarse con el cumplimiento de las siguientes propiedades:

Considere un espacio vectorial V formado por los vectores x, y, z, a continuación,

tenemos las siguientes propiedades como verdaderas:

Propiedades de la suma

1. Propiedad de operación interna: Si el vector x es parte del espacio vectorial y el

vector y es parte del espacio vectorial, y el vector resultante de la suma de estos dos vectores,

el cual es el vector x + y es también una parte del espacio vectorial mismo.

2. Propiedad conmutativa: Si el vector x es parte del espacio vectorial, el vector y es

parte del espacio vectorial, y tenemos un vector resultante de la suma de estos dos vectores,

entonces el vector x + y es igual al vector y + x.

3. Propiedad asociativa: Si el vector x es parte del espacio vectorial, el vector y es

parte del espacio vectorial y el vector z es parte del espacio vectorial, y tenemos un vector

resultante de la adición de estos tres vectores entonces el vector x + (y + z) es igual al vector

(x + y) + z.

4. Identidad aditiva: todo espacio vectorial contiene un vector nulo que es un vector

cero, lo que se denomina como la identidad aditiva, de tal manera que su suma con cualquiera

de los vectores en el espacio vectorial, no cambia el vector real, que es 0 + x = x.

5. Inverso aditivo: Para todos los vectores de un espacio vectorial determinado, existe

un vector inversa disponible en el mismo espacio de tal manera que la suma de los dos

vectores nos da un vector cero, en consecuencia, si tenemos un vector x en el espacio

vectorial entonces debemos también tener un vector -x del mismo vector en el espacio.
ESPACIOS VECTORIALES 6

4.2 Definición de subespacio vectorial y propiedades

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 subespacio,

sin embargo, en primer lugar, se demostrará un resultado que hace relativamente sencillo

determinar si un subconjunto de V es en realidad subespacio de V

Teorema de subespacio

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.

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.

ESPACIOS VECTORIALES 7

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 uy 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.

ESPACIOS VECTORIALES 8

4.3.- combinación lineal. Independencia lineal

Combinación lineal

Sean v1, v2, …, vn, vectores en un espacio vectorial V. entonces cualquier vector de

la forma: a1v1+a2v2+…+anvn, donde a1,a2,…,an son escalares se denomina una

combinación lineal de v1, v2,…,vn.

Una combinación lineal en M23

Espacio generado por un conjunto de vectores.

Sean v, v2, …, vk, k vectores de un espacio vectorial V. el espacio generado por {v1, v2, …,

vk} es el conjunto de combinaciones lineales v1, v2, …, vk. Es decir

donde a1, a2, …, ak, son

escalares arbitrarios.

Teorema: si v1, v2, …, vk son vectores en un espacio vectorial V, entonces gen {v1, v2, …,

vk} es un subespacio de V.

Ejemplo: el espacio generado por dos vectores en R3

Sea v1= (2,-1,4) y v2= (4,1,6). Entonces H=gen{v1, v2}={v:v=a1(2,-1,4)+a2(4,1,6)}. ¿Cuál

ESPACIOS VECTORIALES 9

es la apariencia de H? si v=(x, y,z)ÎH, entonces tiene x=2a1+4a 2, y=-a1+a2 y z=4a 1+6ª 2. Si

se piensa que (x, y, z) esta fija, entonces estas ecuaciones se pueden ver como un sistema de

tres ecuaciones con tres incógnitas a1, a2. Este sistema se resuelve en la forma usual:

Independencia lineal

En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o

independencia lineal de los vectores. En esta sección se define el significado de

independencia lineal y se muestra su relación con la teoría de sistemas homogéneos de

ecuaciones y determinantes.

Existe una relación espacial entre los vectores , se puede

apreciar que v2=2v1; o si se escribe esta ecuación de otra manera. 2v1-v2=0.

En otras palabras, el vector cero se puede escribir como una combinación no trivial de v1 y

v2 (es decir, donde los coeficientes en la combinación lineal no son ambos cero). ¿Qué tienen

de especial los vectores ?

La respuesta a esta pregunta es más

difícil a simple vista. Sin embargo, es sencillo verificar que v3=3v1+2v2; rescribiendo esto se

obtiene .
ESPACIOS VECTORIALES 10

Se ha escrito el vector cero como una combinación lineal de v1, v2, y v3. Parece que los dos

vectores de la ecuación y los tres vectores de la otra ecuación tienen una relación más cercana

que un par arbitrario de 2-vectores a una terna arbitraria de 3-vectores. En cada caso, se dice

que los vectores son linealmente dependientes. En términos generales, se tiene la importante

definición a continuación presentada.

Definición: sean v1, v2, …, vn vectores en un espacio vectorial V. entonces se dice que lois

vectores son linealmente dependientes si existen n escalares c1, c2, …, cn no todos ceros

tales que .

Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.

Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si la ecuación

c1v1+c2v2+…+cnvn=0 se cumple únicamente para c1=c2=…=cn=0. Son linealmente

dependientes si el vector cero en V se puede expresar como una combinación lienal de v1,

v2,…,vn con coeficientes no todos iguales a cero.

Nota. Se dice que los vectores v1, v2, …, vn son linealmente independientes (o

dependientes), o que el conjunto de vectores {v1, v2, …, vn} es linealmente independiente (o

pendiente). Esto es, se usan las dos frases indistintivamente.

ESPACIOS VECTORIALES 11

Teorema: dependencia e independencia lineal

Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno de

ellos es un múltiplo escalar del otro.

Demostración: primero suponga que v2=cv1 para elgun escalar c≠0. Entonces cv1-

v2=0 y v1 y v2 son linealmente dependientes. Por otro parte, suponga que v1 y v2 son

linealmente dependientes. Entonces existen constantes c1 y c2 al menos uno distinto a cero,

tales que c1v1+c2v2=0. Si c1≠0, entonces dividiendo entre c1 se obtiene v1+(c2/c1)v2=0, o

sea,

Es decir, v1 es un múltiplo escalar de v2. Si c1=0, entonces c2≠0 y, por lo tanto, v2=0=0v1.
ESPACIOS VECTORIALES 12

4.4 Base y dimensión de un espacio vectorial, cambio de base

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

denomina base de V si se cumplen las siguientes condiciones.

* S genera a V.

* S es linealmente independiente

Una base posee 2 características que se acaban de ver, debe tener suficientes valores

para generar a V, pero no tantos de modo que uno de ellos pueda escribirse como una

combinación lineal de los demás vectores en S. Si un espacio vectorial consta de un número

finito de vectores, entonces V es de dimensión finita. En caso contrario, V es de dimensión

infinita.

Base

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

vectores del espacio, a partir de los cuales se puede obtener cualquier otro vector de dicho

espacio, haciendo uso de las operaciones en él definidas.

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

Rn .

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

V se puede expresar como:

1. V = c1v1+ c2v2+…+ cnvn

2. V = k1v1+ k2v2+…+ knvn

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)

ESPACIOS VECTORIALES 13

Proponer vector arbitrario, combinación lineal

b = c1v1+ c2v2+ c3v3

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

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

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

2c1 + 9c2 + 3c3 = b2 = [36+6]-[27+16]

c1 +4c3 = b3 = -1 Si genera a R3

Unicidad representación de la base

Si S = {v1, v2,…, vn} es una base de un espacio vectorial V, entonces todo vector

en V puede escribirse de una y solo una forma como combinación lineal de vectores en S.

Para demostrar la unicidad (que en un vector dado puede representarse sólo de una

manera), se supone que u tiene otra representación u= b1v1 + b2v2+…+bnvn. Al restar la

segunda representación de la primera se obtiene:

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

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.

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.

ESPACIOS VECTORIALES 14

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 Wes menor o igual que n.

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.
ESPACIOS VECTORIALES 15

4.5 Espacio Vectorial o Producto Interno y sus Propiedades

Un espacio vectorial

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

cada par ordenado de vectores 𝒖 𝑦 𝒗 en 𝑉, existe un número único(𝒖, 𝒗) denominado

producto interno de 𝒖 𝑦 𝒗, los cuales si 𝒖, 𝒗 𝑦 𝒘 están en 𝑉 y 𝛼 es un número cualquiera,

entonces se cumplen las siguientes propiedades:

(𝒗, 𝒗) ≥ 𝟎

(𝒗, 𝒗) = 𝟎 𝒔𝒊 𝒚 𝒔ó𝒍𝒐 𝒔𝒊 𝒗 = 𝟎.

(𝒖, 𝒗 + 𝒘) = (𝒖, 𝒗) + (𝒖, 𝒘)

(𝒖 + 𝒗, 𝒘) = (𝒖, 𝒘) + (𝒗, 𝒘)

̅̅̅̅̅̅̅̅
(𝒖, 𝒗) = (𝒗, 𝒖)

(𝜶𝒖, 𝒗) = 𝜶(𝒖, 𝒗), 𝜶 𝒆𝒔 𝒖𝒏 𝒆𝒔𝒄𝒂𝒍𝒂𝒓

(𝒖, 𝜶𝒗) = 𝜶(𝒖, 𝒗), 𝒔𝒆𝒂 𝜶 𝒖𝒏 𝒆𝒔𝒄𝒂𝒍𝒂𝒓

También se tiene que si 𝑉 es un espacio con producto interno y suponga que 𝒖 𝑦 𝒗

están en el, entonces también se cumplirá que:

𝒖 𝑦 𝒗 son ortogonales si (𝒖, 𝒗) = 0

La norma de 𝒖 la cual se denota como ‖𝒖‖ la cual se obtendrá de la siguiente forma

‖𝒖‖ = √(𝒖, 𝒖)
ESPACIOS VECTORIALES 16

4.6 Base Ortonormale y Proceso de Ortonormalización de Gram-

Schmidt

Conjunto ortormal

Un conjunto de vectores denotado por 𝑠 = {𝒖𝟏 , 𝒖𝟐, … 𝒖𝒌 } en 𝘙𝑛 es ortonormal si

cumple las siguientes condiciones:

𝒖𝒊 ∙ 𝒖𝒋 = 𝟎 si solo cumple esta ecuación se dice que el conjunto es ortogonal

𝒖𝒊 ∙ 𝒖𝒊 = 𝟏

Longitud o norma o vector

La longitud o norma de un vector 𝒗 ∈ 𝘙𝑛 , se denota por |𝒗| y esta es igual a la

siguiente fórmula:

|𝒗| = √𝒗 ∙ 𝒗

En otras palabras si 𝒗 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ), entonces |𝒗| = √𝒗 ∙ 𝒗 =

√(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∙ (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = √𝑥12 + 𝑥22 +, … , +𝑥𝑛2

Ejemplo de norma de un vector.

Sea 𝒗 = (4,5)𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 |𝒗| = √(4,5) ∙ (4,5) = √16 + 25 = √41

Un conjunto de vectores es ortonormal si cualquiera par de ellos es ortogonal y su

norma o longitud es igual a 1.

Proceso de Ortonormalización de Gram-Schmidt

Cualquier base en 𝘙𝑛 se puede convertir en una base ortonormal empleando el

proceso de Ortonormalización de Gram-Schmidt; el cual se describirá a continuación con un

ejemplo.
ESPACIOS VECTORIALES 17

Primero se tiene la base 𝑠 la cual queremos hacer ortonormal, en nuestro ejemplo

1 0 1
tomamos a 𝑠 = {𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 } = {(1) , (1) , (0) } (es una base en 𝘙3 );
0 1 1

Para encontrar nuestro primer vector 𝑢1 de la base ortonormal tomamos a nuestro

1
primer vector de la base que se nos dio, es decir; 𝒗𝟏 = (1). A este vector le sacaremos su
0

norma la cual es |𝒗𝟏 | = √(1)2 + (1)2 + (0)2 = √2; ahora el para sacar a 𝒖𝟏 a cada

1 √2
1
elemento de nuestro vector 𝒗𝟏 = (1) lo dividiremos entre su norma es decir 𝒖𝟏 = √2
=
0 0
(√2)
1
√2
( 1 ). Este es nuestro primer vector de la base ortonormal.
√2
0

Ahora para sacar el segundo vector; es decir 𝒖𝟐 sacaremos otro vector 𝒗′𝟐 que se

1
0 √2 0
1
obtendrá con la siguiente formula 𝒗′𝟐 = 𝒗𝟐 − (𝒗𝟐 ∙ 𝒖𝟏 )𝒖𝟏 = (1) − ( 1 ) = (1) −
√2
1 √2 1
0

1⁄ − 1⁄2
2 3
(1⁄ ) = ( 1⁄ ), despues obtendremos su norma, es decir; |𝒗′𝟐 | = √2. Ya obtenido esto
2 2
0 1

se sacara 𝒖𝟐 el cual es igual al dividir cada elemento del vector 𝒗′𝟐 entre su norma (entre

− 1⁄
√6
′
|𝒗𝟐 |). Por lo que obtenemos que el vector 𝒖𝟐 = 1⁄ .
√6
2
( ⁄√6 )

Ahora obtendremos nuestro último vector que es 𝒖𝟑 ; al igual que en el paso anterior

obtendremos otro vector antes de pero ahora se llamar

ESPACIOS VECTORIALES 18

1
1
√6
1 1 √2 1 1
𝒗′𝟑 = 𝒗𝟑 − (𝒗𝟑 ∙ 𝒖𝟏 )𝒖𝟏 − (𝒗𝟑 ∙ 𝒖𝟐 )𝒖𝟐 = (0) − 1 −
2 √6 √6
1 √2 2
(0)
(√6)

−1
1 2
6 3
1 √2 1 2
= (0) − 1 − = −
1 6 3
√2 2 2
(0) ( ) ( 3 )
6
2
De la misma forma sacamos su norma es decir|𝒗′𝟑 | = ; para obtener el vector que
√3

nos interesa que es el 𝑢3 hay que dividir cada elemento de nuestro vector 𝒗′𝟑 entre su norma

1⁄
√3
′ 2
|𝒗𝟑 | = con lo que obtendremos que 𝑢3 = −1⁄ .
√3 √3
1
( ⁄√3 )

Por último ya obtenidos nuestros tres vectores concluimos que nuestra base

1⁄ − 1⁄ 1⁄
√6 √3
√2 1 −1
ortonormal es 𝑠 ′ = 1⁄ , ⁄ , ⁄
√6 √3
√2 2 1
( 0 )
{ ( ⁄√6 ) ( ⁄√3 )}

Para generalizar la formula anterior la cual nos da los vectores de la nueva base la

cual será ortonormal tendremos la siguiente fórmula:

𝒗′𝒌+𝟏 = 𝒗′𝒌+𝟏 − (𝒗𝒌+𝟏 ∙ 𝒖𝟏 )𝒖𝟏 − (𝒗𝒌+𝟏 ∙ 𝒖𝟐 )𝒖𝟐 − ⋯ − (𝒗𝒌+𝟏 ∙ 𝒖𝒌 )𝒖𝒌

ESPACIOS VECTORIALES 19

CONCLUSION.

Con este trabajo nos pudimos dar una idea de que los vectores están muy relacionados

con las matrices y además del amplio campo que tiene el álgebra lineal. Así mismo pudimos

ver que hay muchas maneras de trabajar con ellos; así como de las diferentes operaciones que

se puede realzar con estos como lo son el producto punto, la bases ortotormales, la norma o

longitud, etc.

También nos sirvió para darnos cuenta de que todo lo que hemos visto en la materia

está muy relacionado con estos últimos temas y de la gran importancia que tienen; ya que son

demasiados útiles para muchas aplicaciones en la actualidad.

ESPACIOS VECTORIALES 20

Referencias

Algebra Lineal - De José Job Flores

Algebra lineal para estudiantes de ingeniería y ciencias – Del Valle, J. C.

Fundamentos De Algebra Lineal – Larson R.

https://www.youtube.com/watch?v=85INoJkycAU