Académique Documents
Professionnel Documents
Culture Documents
0
]= [
0
]
Tambin V. entonces se aplica la parte 2 de la definicin. Por consiguiente, es un subespacio de R
3.
EJEMPLO 3
I. V= {(x, y, x+y), x, y R} es un subespacio de R
3.
EXPLICACION:
V es un no vacio (Por qu? Sean V1= (x1, y1, x1+y1) y V2= (x2, y2, x2+y2) cualesquiera elemento
de V y sea cualquier escalar entonces
(X1, y1, x1+y1)+(X2, y2, x2+y2)=(x1+x2, y1+y2, (x1+x2)+(y1+y2)
C(x1, y1, x1+y1)= (cx1, cy1, (cx1) + (cy1)
Por consiguiente, V1+V2, cV1 V. entonces, V es un subespacio de R
3.
TEOREMA 1
Si V1,..V
K
Son vectores n, entonces Gen (V1,..V
K
) es un subespacio en
Rn
10
EJEMPLO 4 toda lnea/ que pase por el origen en R2 (R3) es un subespacio de R2 (R3)
z
y z
x x
X y y
SOLUCION
Sea u un vector 2 no cero en /. Entonces/ = Gen {u}. Como vimos en la seccin 2.3. Pero Gen {u}.
Es un subespacio de R
2
, de acuerdo con el teorema. De igual manera puede demostrarse que una
lnea/ en R3 es un subespacio de R3.
EJEMPLO5: Es el conjunto un espacio de R
3
?
V= {[
3
2 +
], a, b R}
RESPUESTA:
Si por que [
3
2 +
]= a[
1
2
1
]+ b[
3
1
0
]
Vemos que V = gen {[
1
2
1
],[
3
1
0
]} por consiguiente, V es un subespacio de R
3
, segn el teorema 1
BASE DE UN SUBESPACIO DE R
n
DEFINICION
Vanse en la figura 4.3 Y 4.4
(BASE)
Un subconjunto no vacio B de un espacio V no cero de R
n
es una base de V si
1. B es linealmente independiente;
2. B genera a V
11
Tambin se acostumbra decir que el conjunto vacio es la nica base del subespacio cero {0}
v2 v2 v1
V2
V1
V1
Figura 4.3 algunas bases del plano.
v2
v1
v3
EJEMPLO 6 compruebe que
B= {[
1
1
1
] , [
0
1
2
] , [
2
1
0
]}
Es una base de R
3
SOLUCION primero es necesario demostrar que B es linealmente independiente que genera R
3.
Sea
A la matriz cuyas columnas son los vectores de B como
A=
1 0 2
1 1 1
1 2 0
~
1 0 2
0 1 3
0 0 8
Vemos que cada columna de A es una columna pivote; y por tanto, las columnas de A son
linealmente. Tambin cada regln de A tiene una posicin pivote. Por consiguiente, las columnas de
A genera R
3
de acuerdo con los teoremas anteriores.
12
EJEMPLO 7
es el conjunto S={(1,0,0),(0,1,0)} Es S una base del subespacio V= {(x,y,,0),x,y R} de R
3
RESPUESTA
S es linealmente independiente, por que todas las columnas de A =[
1
0
1
0
1
0
] son pivote. S no es una
base de R
3
por que A tiene 3 renglones y solo 2 pivotes, de modo que S no genera a R3. Por otra
parte, S genera al menor espacio V por que
(X, Y, 0)=X (1, 0,0)+Y (0, 1,0)
Por consiguiente, S si es una base de V.
EJEMPLO 8
Es el subconjunto T= {(1,1,1),(2,1,-1),(1,0,-2) } una base de R
3
RESPUESTAS
No, puesto que [
1 2 1
1 1 0
1 1 2
] ~ [
1 2 1
1 1 1
0 0 0
] T no es linealmente independiente (3
columnas y solo 2 pivotes). En realidad T ni siquiera genera a R
3
(3 renglones, solo 2 pivotes)
EJEMPLO 8
Es el conjunto S= {(1,0,0),(0,1,0), (0,0,1),(1,1,1) } una base en R
3
?
RESPUESTA
No, por que S linealmente independiente.
UNICIDAD DE COORDENADAS
EJEMPLO 9
Determine las coordenadas y el vector de coordenadas de v= (4,0,-4) con respecto a la base B =
{(1,1,-1),(0,1,2),(-2,1,0) }de R
3
UN SUBCONJUNTO B={ V1.V2} de V es una base de V si y solo si para cada
vector v en v hay escalares nicos c1.c
k
tales que
V= C1V1+.+C
K
V
K
13
SOLUCION
El hecho de que B sea de R
3
se verifica en el ejemplo. Ahora se necesita escalares c1, c2 y c3 tales
que c1
1
1
1
+c2[
0
1
2
]+c3[
2
1
0
]=[
4
0
4
] al resolver el sistema correspondiente se obtienen c1= 2, c2= y
c3= -1. Por consiguiente [v] B=[
2
1
1
]
4.3 PROPIEDADES DE VECTORES, COMBINACIN LINEAL, DEPENDENCIA E INDEPENDENCIA
LINEAL
Independencia lineal
Se dice que un conjunto de vectores v1,,vn de un espacio vectorial V es linealmente dependiente si
hay escalares c1,,cn, no todos cero, tales que
Se dice que v1,,vn es linealmente independientes si no es linealmente dependiente. En otras
palabras, la ecuacin (4.1) implica que 0 ...
1
= = =
n
c c .
Si S es cualquier subconjunto de V (posiblemente infinito), solo lo llamaremos linealmente
dependiente cuando contenga un subconjunto finito linealmente dependiente. En cualquier otro caso,
S es linealmente independiente
Ejemplos:
1.- El conjunto es linealmente dependiente en
2.- El conjunto { } C B A , , es linealmente dependiente en
n
M porque A=B+C
0 .....
1 1
= + +
n n
v c v c
( ) ( )
2 2 2
3
2 2 2 4 4 x x x x x x porque P + + = +
{ }
2 2 2
4 4 , 2 , 2 x x x x x x + + +
0 2
1 1
= A
2 0
0 1
= B
2 2
1 0
= C
14
3.- Los conjuntos { } { } x sen x senx y x x 2 , cos , cos , 2 cos , 1
2
son linealmente dependientes en
F(R),porque
x senx x xysen x cos 2 2 2 cos
2
1
1 .
2
1
cos
2
= + = para toda R x e
4.- demuestre que el conjunto { }
22 21 12 11
, , , E E E E es linealmente independiente en M22
SOLUCION sean
Por consiguiente, 0
4 3 2 1
= = = = c c c c
DEPENDENCIA E INDEPENDENCIA LINEAL
A continuacin se definen las nociones de dependencia e independencia lineal. Estos conceptos
juegan un papel dentro de la teora del algebra lineal y de las matemticas en general.
DEFINICION: sea V un espacio vectorial sobre un cuerpo K. se dice que los vectores V v v
m
e ,...,
1
son linealmente dependientes sobre K, o simplemente dependientes, si existen escalares
K a a
m
e ,...,
1
, no todos 0, tales que
0 ....
2 2 1 1
= + +
m m
v a v a v a
En caso contrario se dice que los vectores son linealmente independientes sobre K, o simplemente
independientes.
Observemos que la relacin (*) se verifica siempre si los a1 son todos 0. Si la relacin solo se
verifica en este caso, es decir,
0 ....
2 2 1 1
= + +
m m
v a v a v a Implica
Los vectores sern linealmente independientes. Sin embargo, si (*) tambin es valida cuando uno de
los ai no es 0, los vectores sern linealmente dependientes.
Se dice que un conjunto { }
m
v v v ,...., ,
2 1
de vectores es linealmente dependiente o independiente
segn lo sean los vectores
m
v v v ,...., ,
2 1
. Un conjunto infinito S de vectores es linealmente
+
0 0
0 0
1 0
0 0
0 1
0 0
0 0
1 0
0 0
0 1
1
4 3 2
c c c c
0 0
0 0
4 3
2 1
c c
c c
0 ,..... 0
1
= =
m
a a
15
dependientes si existen vectores
k
u u ,...,
1
en S que lo son; en caso contrario, S es linealmente
independiente.
Las siguientes observaciones derivan de las definiciones precedentes.
NOTA 1: Si 0 es uno de los vectores
m
v v ,...,
1
digamos 0
1
= v , los vectores deben ser linealmente
dependientes, ya que
Y el coeficiente de v1 es distinto de 0.
NOTA 2: cualquier vector no nulo v es por si solo linealmente independientes, debido a que
0 , 0 = = v kv Implica 0 = k
NOTA 3: si dos de los vectores
m
v v v ,...., ,
2 1
son iguales, o si uno es un mltiplo escalar de otro,
digamos
2 1
kv v = , los vectores son linealmente dependientes, puesto que
0 0 .... 0
3 2 1
= + + +
m
v v kv v
Y el coeficiente de v1 no es 0.
COMBINACIONES LINEALES Y DEPENDENCIA LINEAL
Las nociones de combinacin lineal y dependencia lineal estn estrechamente relacionadas. De
forma especfica, demostraremos que los vectores
m
v v v ,...., ,
2 1
, cuando hay ms de uno, son
linealmente dependientes si y solo si uno de ellos es la combinacin lineal de los otros:
m m i i i i i
v a v a v a v a v + + + + + =
+ +
... ....
1 1 1 1 1 1
Entonces sumando vi a ambos miembros, obtenemos
0 ... ....
1 1 1 1 1 1
= + + + + +
+ + m m i i i i i
v a v a v v a v a
Donde el coeficiente de vi no es 0; por consiguiente, los vectores son linealmente dependientes.
Recprocamente, supongamos que los vectores son linealmente dependientes, digamos.
En ese caso
m m j j j j j j j j j
v b b v b b v b b v b b v
1
1 1
1
1 1
1
1 1
1
.... .....
+ +
=
De modo que vj es una combinacin lineal del resto de los vectores.
Establecemos ahora un resultado algo mas potente que el anterior (vase el problema 5.36 para su
demostracin), que tiene numerosas consecuencias importantes.
0 0 .... 0 0 . 1 0 ..... 0 1
2 1
= + + + = + + +
m
v v v
0 0 .... ....
1 1
= = + + + +
j m m j j
dondeb v b v b v b
16
4.4 BASES Y DIMENSION
Comenzando estableciendo dos caminos equivalentes para definir una base de un espacio vectorial
V.
Definicin A: si un conjunto S= { u1, u2 un } de vectores es una base de V si se verificaran las dos
condiciones:
1.- u1, u2 un son linealmente independientes
2.- u1, u2 un generan V
Definicin B:
Un con junto S={ u1, u2 un } de dos vectores es una base de V si todo vector veV puede
escribirse de forma nica como combinacin lineal de sus vectores.
Se dice que un espacio vectorial es de dimensin finita n o que es n-dimensional, escrito
Dim V=n
Si V tiene una base como la anterior, con n elementos. La dimensin esta bien definida, a la vista del
siguiente teorema.
Teorema 1.-
Sea un vector espacio vectorial de dimensiones finito. Entonces todas la bases de V tienen el mismo
nmero de elementos.
El espacio vectorial {0} tiene dimensiones 0, por definicin. Cuando un espacio vectorial no es de
dimensin finita, se dice que es de dimensin infinita.
Ejemplo:
a)
consideremos el espacio vectorial M2,3 de todas las matrices 2x3 sobre un cuerpo K. las seis
matrices siguientes forman una base M2,3:
Con mayor generalidad en el espacio vectorial Mr,s de las matrices r x sse Ei,j la matriz cuya
17
entrada ij es 1, siendo 0 las restantes. Todas la matrices Eij tales constituyen una base Mr,s
denominada su base usual. Consecuentemente , dim Mr,s.. en particular e1= (1, 0, ...,0), en =(0,
0, ,0, 1) forma la base usual de K
n
b) considrenos el espacio vectorial Pn (t) de los polinomios de grado s n. lo polinomios 1t, t
2
,
.t
n
, forman una base de Pn (t) y por lo tanto dim Pn (t) = n +1.
El teorema fundamental anterior sobre dimensin es una consecuencia del importante lema de
sustitucin
Lema: supongamos que { v1, v2 ,vn}que genera V y que {w1, w2 wm} es linealmente
independiente. En ese caso, msn y V esta generado por un conjunto de la forma
{w1, w2 wm, v1, v2 ,vn-,m}
Asi, en particular, n+1 o mas vectores en V son linealmente dependientes.
Observemos, en el lema precedente, que hemos sustituido m vectores de conjunto generador por los
m vectores independientes y aun conservamos un conjunto generador.
Los teoremas enunciados a continuacin se utilizaran con frecuencia:
Teorema 2.- supongamos que S genera un espacio vectorial V
i) cualquier numero mximo de vectores linealmente independiente s en S es una base de V
ii) si se suprime de S todo vector que sea combinacin lineal de los precendentes, los vectores
que quedan constituyen una base de V
Teorema 3.- sean V un espacio vectorial de dimensin finita y S= { u1, u2 un } un conjunto de
vectores linealmente independientes en V. En ese caso, S es parte de una base de V, es decir
extebnderse a una base de V
Ejemplo:
a) consideremos en R
4
los cuatro vectores
18
(1,1,1,1) (0,1,1,1) (0,0,1,1) (0,0,0,1)
Notese que los vectores formaran una matriz escalonada, por lo que son linealmente
independientes.
Ms an, dado que dim R
4
= 4, los vectores constituyen una base de R
4
b) consideremos los n +1 polinomios en Pn (t):
1, t-1, (t-1)
2
(t-1)
n
El grado de (t-1)
k
es K, luego ningn polinomio puede ser combinacin lineal de los precedentes.
Adems, constituyen una base de Pn (t) por que dim Pn (t)= n+1.
El siguiente teorema nos da la relacin bsica entre la dimensin de un espacio vectorial y la de
un subespacio.
Teorema 4.- sea W un subespacio de un espacio n-dimensional V. entonces dim Wsn. si en
particular, dim W= n, necesariamente W=V
Ejemplo:
Sea W un subespacio de espacio vectorial real R
3
=3; por consiguiente, segn el teorema 4, la
dimensin de W solo puede ser 0, 1,2 3. Podemos distinguir los casos:
i) dim W=0, con lo que W={0}, un punto
ii) dim W=1, con lo que W es una recta por el origen
iii) dim W = 2, con lo que W es un plano por el origen.
iv) Dim W= 3 con lo que W es un espacio R
3
entero
.
4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS PROPIEDADES
Sea V un espacio vectorial real. Supongamos que a cada par de vectores u, u V se le asigna un
numero real, denotado por<u,v>.esta funcin se llama producto interno(real) en V si satisface las
axiomas:
[I1](Propiedad lineal)<au1+bu2,u>=a<u1,u>+b<u2,u>.
19
[I2] propiedad simtrica v u, =
. , u u
[I3] propiedad definida positiva 0 , ; 0 , = > u u y u u si y solo si u= 0
El espacio vectorial V se denomina entonces espacio (real) con producto interno.
El axioma [I1] es equivalente a las dos condiciones:
u u u u u u u a , 2 , 1 , 2 1 ) + = + y w u k u ku b , , ) =
Usando [I1] y el axioma de simetra [I2] llegamos a
2 , 1 , , 2 , 1 , 2 1 2 1 , u u d u u c u u d u u c u du cv v cv u + = + = + = + O equivalentemente,
alas dos condiciones
2 , 1 , 2 1 , ) v u v u v v u a + = + y v u k kv u b , , ) =
Esto es, la funcin producto interno es tambin lineal en su segunda posicin (variable) por
induccin tendremos
+ + + = + + ... , 2 2 , 1 1 , ... 1 1 v u a v u a v arur u a v ur ar , y
vs u bs v u b v u b bsvs v b v b u , ... 2 , 2 1 , 1 ... 2 2 1 1 , + + + = + + +
Combinar estas propiedades nos conducen a la formula general escrita a continuacin:
= = = =
=
s
j
r
i
r
i
s
j
vj ui aibj bjvj aiui
1 1 1 1
, ,
Podemos hacer, por orden las siguientes observaciones:
Nota 1: el axioma [I1] por si mismo implica 0 0 , 0 0 , 0 0 , 0 = = = v v
En consecuencia, [I1],[I2],e[I3] son equivalentes a [I1],[I2] y el axioma :
[I3] si u 0, necesariamente u u, >0
O sea una funcin que satisface [I1],[I2],e[I3] es un producto interno.
Nota 2: de acuerdo con [I3], u u, es no negativo y por lo tanto existe una raz cuadrada real positiva
.utilizamos la notacin u u u , = el numero real no negativo u se determina la normal o
longitud de u. Esta funcin satisface los axiomas de una norma para un espacio vectorial.
Ejemplo 1.-
a) Sea V el espacio vectorial de las funciones reales continuas en el intervalo a t b. el
siguiente es un producto interno en V:
20
=
a
b
dt t g t f g f ) ( ) ( ,
Donde f(t) y g(t) son ahora funciones continuas cualquiera en [a,b].
b) Sea V nuevamente el espacio vectorial de las funciones reales continuas en el intervalo a t
b.si w(t) es una funcin continua dada ,positiva en [a,b] otro producto interno en V es:
=
b
a
dt t g t f t w g f ) ( ) ( ) ( ,
En este caso w(t) se denomina una funcin peso para el producto interno.
4.6 CAMBIO DE BASE ORTONORMAL, PROCESO DE ORTONORMALIZACION GRAM-SCHMIDT
CAMBIO DE BASE
Sea v un vector en el espacio vectorial V de dimensiones finitas, y sean
{ } { }
, ,
1
,
1
,...., ,...,
n n
v v yB v v B = =
dos bases. A continuacin definiremos una relacin entre
| | | | ,
B B
v y v
.
Como B, es una base, los elementos de B son combinaciones lineales de los elementos de B,
Entonces hay escalares
nn
a a a ,..., ,
12 11
tales que
, ,
1 1
...
n ni i i
v a v a v + + = n i ,....., 2 , 1 =
P es la matriz cuyo elemento (i,j) es aij
Sean { } { }
, ,
1
,
1
,...., ,...,
n n
v v yB v v B = =
dos bases de un espacio vectorial de dimensin finita. Sea P
la matriz n x n cuyas columnas son
| | | | , ,
,...., 1 B n B
v v
Entonces P es invertible y esta es la nica matriz en la que para todo V v e ,
| | | | | | | | , , , ....
2 1 B n B B
v v v P =
| | | |
B B
v P v = ,
21
PROCESO DE ORTONORMALIZACION GRAM-SCHMIDT
En este prrafo describiremos un mtodo muy importante, llamado proceso de Gram-Schmidt, que
nos permite ortogonalizar cualquier base B de cualquier subespacio V de R; es decir, transformar a
esta en una nueva base de V que tenga vectores ortogonales.
Sea V cualquier subespacio de R y { }
k
v v B ,....,
1
= cualquier base de V.se desea reemplazar en
forma en forma gradual a los vectores
k
v v ,.....,
1
por los vectores
k
u u ,......,
1
que sean ortogonales y
que sigan formando una base V. primero, reemplazamos el conjunto { }
2 1
, v v por un conjunto
ortogonal { }
2 1
, u u tal que Gen { }
2 1
, v v =Gen { }
2 1
, u u . Tan solo hacemos que u1 sea v1, y que u2,
sea el componente de v2 ortogonal a v1. Segn la ecuacin (8.15), { }
2 1
, u u es ortogonal. Segn la
ecuacin (8.13), { }
2 1
, v v y{ }
2 1
, u u tienen el mismo generador. Tambin
1
1 1
1 2
2 2
1 1
.
.
u
u u
u v
v u
v u
=
=
Continuamos de la misma manera, para ortogonalizar el conjunto { }
3 2 1
, , v u u . Sustituimos v3 por
u3, el componente de v2 ortogonal a Gen { }
2 1
, u u . Entonces { }
3 2 1
, , u u u es ortogonal y genera a
Gen { }
3 2 1
, , v v v adems
2
2 2
2 3
1
1 1
1 3
3 3
.
.
.
.
u
u u
u v
u
u u
u v
v u =
Por induccin continuamos hasta que todo B queda reemplazado con { }
k
u u ,.....,
1
, que es ortogonal
y genera al generador de B, cuya totalidad se encuentra en V. es el proceso
Teorema 16 proceso de Gram-Schmidt
Todo subespacio V de R
n
tiene al menos una base ortogonal y una base ortonormal. Si
{ }
k
v v B ,.....,
1
= es cualquier base de V, entonces { }
k
u u B ,.....,
1
,
= , es una base ortogonal, donde
22
{ } { } k i u u Gen v v Gen
y
u
u u
u v
u
u u
u v
u
u u
u v
v u
u
u u
u v
u
u u
u v
v u
u
u u
u v
v u
v u
i i
k
k k
k k k k
k k
,......, 1 , ,......., ,.......,
.
.
....
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1
1
1 1
1
2
2 2
2
1
1 1
1
2
2 2
2 3
1
1 1
1 3
3 3
1
1 1
1 2
2 2
1 1
= =
=
=
=
=
Una base ortonormal B se obtiene normalizando B:
=
k
k
u
u
u
u
B ,......., "
1
1
Ejercicio
Determine una base ortonormal y una ortonormal de R
3
aplicando el proceso de Gram-Schmidt a la
base { }
3 2 1
, , v v v B = , en el cual
=
4
2
1
,
1
3
2
,
1
1
1
3 2 1
v v v
Solucin: sea u1=v1. Como en ese caso
=
=
1
1
0
1
1
1
3
6
1
3
2
.
.
1
1 1
1 2
2 2
u
u u
u v
v u
Ya que 2 . 2 . , 5 .
2 2 2 3 1 3
= = = u yu u v u v entonces
2
2 2
2 3
1
1 1
1 3
3 3
.
.
.
.
u
u u
u v
u
u u
u v
v u =
3 . 6 .
1 1 1 2
= = u yu u v
23
=
3
4
3
4
3
8
1
1
0
2
2
1
1
1
3
5
4
2
1
As la base ortogonal es
=
3
4
3
4
3
8
,
1
1
0
,
1
1
1
3 2 1
u u u
Por ultimo, normalizamos para obtener una base ortonormal B:
=
6
1
6
1
6
2
,
2
1
2
1
0
,
3
1
3
1
3
1
" B
El teorema del proceso de Gram-Schmidt asegura que existen bases ortogonales.
{ } donde u u u B , , ,
3 2 1
,
=
24
CONCLUSIN
Este trabajo se ha hecho con el fin de comprender de que no hay que dejar tirado lo que hemos
aprendido antes ya que eso nos va a ayudar a solucionar problemas en nuestro futuro, citando el
dicho popular si no aprendemos de nuestros errores del pasado los mismo nos estarn esperando
en un futuro.
Se han visto mas detallado y con mas exactitud los teoremas y propiedades que hilan todos los
temas propuestos por este trabajo y se ha se ha llegado a la conclusin de todos los temas estn
relacionados en cierta forma ya que en varios de estos se necesita recurrir a las propiedades que se
han visto en temas anteriores.
Con esto podramos decir que nos ha enseado a tener un amplio criterio de la utilidad de temas ya
vistos en nuestra carrera, ya que no podemos omitir las enseanzas pasadas ya que estas nos
forman las bases para comprender y analizar y poder poner en practica los temas futuros.
El espacio vectorial V involucra un cuerpo arbitrario K. Sea V un espacio vectorial real.
Supongamos que a cada par de vectores u, u V se le asigna un numero.
En el tema de los espacios vectoriales nos damos cuenta de que nos son muy tiles los mtodos
que este utiliza ya que nos ofrece ventajas como el ahorro de tiempo y esfuerzo a la hora de
aplicarlos tanto en nuestro campo de trabajo como en otras situaciones que requieran de estos
mtodos. Con esto podramos decir que nos ha enseado a tener un amplio criterio de la utilidad de
temas ya vistos en nuestra carrera.
25
BIBLIOGRAFIA
GEORGE NAKOS, ET AL, ALGEBRA LINEAL CON APLICACIONES
EDICION 1, EDITORIAL THOMSON.2007, PAG.226- 235