CLASE #1: REPASO DE ALGEBRA LINEAL.

Introduccion En esta primera clase haremos un repaso de las nociones elementales de Algebra Lineal.
Veremos espacios vectoriales, producto interno y espacios eucldeos.

ESPACIOS VECTORIALES

Definici on: Un conjunto V dotado de una operacion suma, +, y de una operacion producto por escalar,
, en que
+:V V V :CV V
se llama espacio vectorial sobre los complejos (o espacio lineal sobre los complejos) si se satisfacen las
siguientes propiedades:

I: {V, +} es un grupo abeliano, es decir,

I.a) Asociatividad: (~x + ~y ) + ~z = ~x + (~y + ~z), para todo ~x, ~y , ~z V .

I.b) Existencia del elemento identidad: Existe ~0 V de modo que ~x + ~0 = ~0 + ~x = ~x, para todo ~x V .

I.c) Elemento inverso: Para todo ~x V , existe (~x) V tal que ~x + (~x) = ~0.

I.d) Conmutatividad: ~x + ~y = ~y + ~x, para todo ~x, ~y V .

II) 1 ~x = ~x, para todo ~x V , en que 1 C es el elemento unidad en los complejos.

III) Asociatividad: ( ~x) = () ~x, para todo , C, y todo ~x V .

IV.a) Distributividad: ( + ) ~x = ~x + ~x, para todo , C, y para todo ~x V .

IV.b) Distributividad: (~x + ~y ) = ~x + ~y , para todo C, ~x, ~y V .

De la misma manera se puede definir un espacio vectorial sobre los reales.

Ejemplos: La recta real, R, el plano, R2 , el espacio usual, R3 , son ejemplos de espacios vectoriales reales.
En general Rn es un espacio vectorial real. Del mismo modo Cn es un espacio vectorial complejo. El
conjunto de polinomios reales de grado n, Pn (x), es un espacio vectorial real. El conjunto de vectores
unitarios de R3 (i.e., la esfera bidimensional S2 ) no es un espacio vectorial porque en general la suma de
dos vectores unitarios no es unitaria.

Independencia lineal: Decimos que dos vectores, ~x e ~y en V son linealmente independientes si

(1) ~x + ~y = 0,
implica que = = 0. En general, decimos que un conjunto de vectores {~xi }ni=1 son linealmente
independientes si
Xn
(2) i ~xi = 0,
i=1
implica que i = 0, para todo i = 1, . . . n.
1
2

Dimension de un espacio vectorial: Se define la dimension de un espacio vectorial V , dim (V ), como el

numero maximo de vectores linealmente independientes en V . La dimension de un espacio vectorial es
una cantidad intrnseca de V . Por el momento solo consideraremos espacios vectoriales de dimensi on
finita.

Base de un espacio vectorial: Dado un espacio vectorial, V , de dimension finita, dim (V ) = n, una base
para V es cualquier conjunto de n vectores linealmente independientes en V .

Ejemplos: En R3 , , , k son linealmente independientes y forman base. La dimension de R3 es 3. En

el espacio vectorial, Pn (x), de polinomios reales de grado n, en x, los polinomios 1, x, x2 , . . . , xn , son
linealmente independientes. Este espacio vectorial V tiene dimension n.

Dada una base de un espacio vectorial V de dimension n, digamos {~ei }ni=1 . podemos descomponer cual-
quier vector ~v V en terminos de la base.
n
X
(3) ~v = vi ~ei .
i=1
Para una base dada, las cantidades vi C (componentes del vector ~v en la base dada) son u
nicas. En
efecto, si hubiera dos descomposiciones en una base, digamos (3) y
n
X
(4) ~v = v 0 i ~ei ,
i=1
entonces v 0 i = vi para todo i = 1, . . . , n. En efecto, si restamos (4) de (3) obtenemos de inmediato que,
Xn
(5) [v 0 i vi ] ~ei = 0,
i=1
y, como los ~ei son linealmente independientes, obtenemos de inmediato (ver ecuacion (2)) que
v 0 i = vi ,
para todo i = 1, . . . n.

Subespacio de un Espacio Vectorial: Dados un espacio vectorial V sobre C (o sobre R) y un subconjunto,

no vaco, U de V , decimos que U es un subespacio vectorial de V si para todo u, v U y para todo
, C,
u + v U.

Suma de Espacios Vectoriales: Dados dos subespacios vectoriales U, W de un espacio vectorial V , defini-
mos la suma U + W como el subconjunto de V dado por,
(6) U + W = {v = u + w, u U, w W }.
Es f
acil demostrar que si U y W son subespacios vectoriales de V , U + W definido por (6) tambien lo es.

Intersecci
on de Subespacios Vectoriales: Dados dos subescpacios vectoriales, digamos U y W de V , su
on U W tambien lo es.
intersecci

Dadas las definiciones inmediatamente anteriores, podemos enunciar el Teorema de Grassmann (1844)
cuya demostracion la dejamos de tarea.
 3

Teorema de Grassmann. Dados dos subespacios vectoriales, U y W de un espacio vectorial V se tiene que
(7) dim (U + W ) = dim (U ) + dim (W ) dim (U W ).

Suma Directa de Subsespacios Vectoriales. Dados dos subespacios vectoriales U , W de V , decimos que
U + W es una suma directa, la que denotaremos como U W , si U W = . Dejamos de ejercicio al
lector demostrar que en este caso la descomposicion de un vector cualquiera de U W como suma de un
vector de U mas un vector de W es u nica.

PRODUCTO INTERNO, Y ESPACIOS EUCLIDEOS:

Dado un espacio vectorial, V , sobre los complejos, definiremos producto interno sobre V a la aplicaci
on:
(8) ( , ):V V C
que satisface las siguientes propiedades:

i) ( , ) es lineal en el segundo argumento, i.e.,

(~x, ~y + ~z) = (~x, ~y ) + (~x, ~z),
para todo , C, y todo ~x, ~y , ~z V .

ii) (~x, ~y ) = (~y , ~x), para todo ~x, ~y V .

iii) (~x, ~x) 0, para todo ~x V , y

iv) (~x, ~x) = 0 si y s

olo si ~x = 0.

Se llama Espacio Eucldeo a todo espacio lineal de dimension finita provisto de producto interno.
Pn
Ejemplo: V = C3 , con el producto interno, (~x, ~y ) = i=1 xi yi es un espacio eucldeo (verifique que el
producto interno as definido satisface las propiedades requeridas).

La Desigualdad de Schwarz: Si V es un espacio eucldeo sobre los complejos, con producto interno ( , )
entonces se tiene
2
(9) |(~x, ~y )| (~x, ~x)(~y , ~y ),
para todo ~x, ~y V .

Demostraci on:
Consideremos el vector ~x ~y de la figura y consideremos el largo de ese vector como funci
on de .
Intuitivamente (ver figura), el largo de dicho vector es mnimo cuando ~x ~y es perpendicular a ~y .
Usaremos precisamente esta intuici on para demostrar la desigualdad de Schwarz. Calculemos pues,
2
(10) 0 (~x ~y , ~x ~y ) = (~x, ~x) (~y , ~x) (~x, ~y ) + || (~y , ~y ).
La desigualdad de Schwarz sigue de (10) eligiendo
(~x, ~y )
= .
(~y , ~y )
4

x
x - y

y
Figura 1. desigualdad de Schwarz

Reemplazando este valor de en (10), usando la propiedad ii) del producto interno, obtenemos
|(~x, ~y )|2
0 (~x, ~x) .
(~y , ~y )

Ejemplo: Como aplicaci on de la desigualdad de Schwarz podemos demostrar que para cualquier colecci
on
de numeros complejos {zi }ni=1
v
u n
u X
(11) |z1 + z2 + + zn | nt |zi |2 .
i=1
Pn
En efecto, basta tomar el producto interno usual en los complejos (i.e., en Cn ): (x, y) = i=1 xi y1 , en
que xi = 1 para todo i, e yi = zi . Entonces, (11) sigue de inmediato de la desigualdad de Schwarz.

Norma de un Vector: Dado un espacio eucldeo V uno puede definir el largo o norma de un vector,
~x V , como:
p
(12) ||~x|| (~x, ~x).
La norma de un vector satisface las siguientes propiedades,

i) ||~x|| 0 para todo ~x V , y ||~x|| = 0 si y solo si ~x = 0.

ii) ||~x|| = ||||~x||, para todo C, y todo ~x V .

iii) Desigualdad Triangular:

(13) ||~x + ~y || ||~x|| + ||~y ||.

Las propiedades de la norma siguen de las propiedades del producto interno. En particular, la desigualdad
triangular es una consecuencia de la desigualdad de Schwarz.

Ortogonalidad, Bases Ortonormales, Procedimiento de GrammSchmidt:

Decimos que dos vectores son ortogonales entre s si el producto interno entre ellos es cero. En otras
palabras, ~x ~y s y s
olo s (~x, ~y ) = 0.

Consideremos un espacio eucldeo de dimesnion n. Diremos que { ei }ni=1 es una base ortonormal de V , si
ei ej , para todo i 6= j, y ||
ei || = 1, para todo 1 i n.
 5

A partir de una base cualquiera de V es posible construir una base ortonormal de V , usando el algoritmo
de GrammSchmidt que describimos a continuacion.

Procedimiento de GrammSchmidt:

Sea {f~i }ni=1 la base original y construyamos la secuencia de vectores

f~1
e1 ,
||f~1 ||
~e2 = f~2 (f~2 , e1 )
e1 ,
y e2 = ~e2 /||~e2 || (i.e., para construir ~e2 simplemente tomamos el segundo vector de la base original y le
sacamos su proyecci on a lo largo de e1 ).
~e3 = f~3 (f~3 , e1 )
e1 (f~3 , e2 )
e2 ,
y e3 = ~e3 /||~e3 || y as sucesivamente, hasta llegar a
n1
X
~en = f~n (f~n , ei )
ei .
i=1

Ejemplo: Los polinomios de Legendre.

Uno puede considerar el conjunto de funciones continuas definidas en el intervalo [1, 1], C([1, 1]). Es
f
acil demostrar que C([1, 1]) es un espacio vectorial real. Se puede dotar a C([1, 1]) del producto
interno usual, i.e., Z 1
(f, g) = f (x) g(x) dx.
1
Las funciones 1, x, x2 , . . . pertenecen a C([1, 1]) pero no son ortogonales entre s. Sin embargo, uno
puede utilizar el procedimiento de GrammSchmidt para construir, a partir de la familia de funciones
1, x, x2 , . . . un conjunto de funciones ortogonales (dejamos al lector esta construccioon). Las funciones
as obtenidas se conocen como Polinomios de Legendre. Los primeros polinomios de Legendre est an dados
por 1, x, (3x2 1)/2, etc. M as adelante estudiaremos los Polinomios de Legendre en detalle.

REFERENCIAS:

[1] I. M. Gelfand, Lectures on Linear Algebra, Interscience Tracts in Pure and Applied Mathematics,
9, Interscience Publishers, NY, 1961.

[2] H. Hochstadt, The Functions of Mathematical Physics, Dover, NY, 1986.

[3] S. Hassani, Mathematical Physics: A Modern Introduction to its Foundations, Springer,

NY, 2000.

Rafael
c Benguria D., 2017