Espacios Vectoriales

Álgebra Lineal I
Espacios Vectoriales
Guillermo Garro y Araceli Guzmán

Febrero, 2018
Facultad de ciencias, UNAM

Índice
Guillermo Garro y Araceli Guzmán Facultad de Ciencias, UNAM Febrero, 2018 1 / 100
Espacios Vectoriales
Espacio Vectorial
Un espacio vectorial (o lineal) sobre un campo F, es un conjunto no vacío V, cuyos

elementos son llamados vectores, en el cual están definidas dos operaciones:
(a) suma de vectores:

+ : V × V → V.
Para todos u, v ∈ V, escribimos
u+v
en lugar de
+(u, v).
(b) producto por escalares:

• :F×V→V
Para todo α ∈ F y todo v ∈ V, escribimos
αv
en lugar de
• (α, v).
Espacio Vectorial: Propiedades de la suma de vectores
Propiedades de la suma: El sistema (V, +, 0) es un grupo conmutativo, esto es:
(i) La suma es conmutativa:
u + v = v + u, ∀u, v ∈ V.
(ii) La suma es asociativa:
(u + v) + w = u + (v + w), ∀u, v, w ∈ V.
(iii) Existe un único neutro para la suma:
∃!0 ∈ V (∀v ∈ V)( v + 0 = v) .
(iv) Todo elemento de V tiene un único inverso relativo a la suma en V:
∀v ∈ V(∃! −v ∈ V)( v + (−v) = 0 ).
Para todo u y v en V, definimos
u − v := u + (−v).
En particular,
v − v = 0.
Espacio Vectorial: Propiedades del producto por escalares:
Propiedades del producto por escalares:
(i) El producto por escalares puede asociarse de cualquier forma:
α(βv) = (αβ)v, ∀ α, β ∈ F y ∀ v ∈ V.
(ii) El neutro 1 ∈ F es neutro para el producto por escalares:
1v = v, ∀ v ∈ V.
(iii) El producto por escalares se distribuye bajo la suma de vectores:
α(u + v) = αu + αv, ∀ α ∈ F y ∀ u, v ∈ V.
(iv) El producto por escalares distribuye la suma de escalares:
(α + β)v = αv + βv, ∀ α, β ∈ F y ∀ v ∈ V.
La definción de Rincón
Definición (Rincón)
Un espacio vectorial es una quinteta (V, +̃, 0, F, • : F × V → V) tal que
1. (V, +̃, 0) es un grupo conmutativo (abeliano).

2. • : F × V → V satisface las propiedades (i)-(iv) del producto por escalares.
Observaciones
(1) Otros autores ofrecen definiciones similares con la idea de ser formalmente más
preciso. No significa que la definición usada aquí sea imprecisa, sólo es más
“coloquial”. Ambas definiciones, la de Rincón y la nuestra, dicen lo mismo.
(2) Se usa +̃ para distinguir la suma de vectores de la suma + definida en el campo
F. Nosotros, siguiendo el convenio mayormente extendido, no haremos tal
distinción notacional. Haremos la distinción conceptual según el contexto. Pero
conviene mantener en cuenta que se trata de cosas esencialmente distintas.
(3) Mantemos un distintivo para el vector nulo, que será escrito en negritas 0, en
contraste al neutro 0 del campo F. Rincón usa el distintivo de flecha ⃗0.
(4) Para nosotros bastará poner (V, F) para referirnos a un espacio vectorial.
Los ejemplos triviales
1. Si X = {x} (i.e. X tiene un único elemento), definimos
x + x = x.
Y si F es cualquier campo, también definimos
α x = x, ∀ α ∈ F.
Entonces X = {x} es un espacio vectorial sobre F.

Observe en este caso que el neutro para la suma de vectores es el mismo
elemento x.
2. Todo campo F es un espacio vectorial sobre sí mismo.
3. Más aún, un campo F es espacio vectorial sobre cualquiera de sus subcampos
K ⊂ F.
Productos de copias de un campo F
Recordemos de los cursos básicos de Geometría que los espacios lineales Rn , n ≥ 1,

con la suma de vectores y el producto por escalares usuales, son espacios vectoriales
sobre R. En particular, R es un espacio vectorial sobre sí mismo.
Esta idea es generalizable de la forma siguiente:
Dado un campo F y n ≥ 1, sea Fn el conjunto de todas las n-adas ordenadas x =

(x1 , ..., xn ) tales que xi ∈ F para toda 1 ≤ i ≤ n.
Definimos la suma de dos n-adas x = (x1 , ..., xn ) y y = (y1 , ..., yn ) en Fn como la n-ada
x + y = (x1 + x2 , ..., xn + yn ),
donde xi + yi es la suma de los elementos xi y yi en el campo F, para toda 1 ≤ i ≤ n.
Y si α ∈ F, definimos el producto por escalares como la n-ada
α x = (α x1 , ..., α xn ),
donde α xi es el producto de α y xi en F, para toda 1 ≤ i ≤ n.
Con estas operaciones Fn es un espacio vectorial sobre F.
Observe que el neutro para la suma es el vector nulo 0 = (0, ..., 0).
El espacio de funciones en un espacio vectorial
Los anteriores ejemplos son casos particulares de lo siguiente.
Sea (V, F) un espacio vectorial y sea X un conjunto no vacío. Consideremos el conjunto
V X = {f : X → V : f es función }.
Sobre V X definimos la suma de funciones del siguiente modo: Dadas dos funciones
f, g : X → V, la suma de f y g es la función f + g : X → V tal que
(f + g)(x) = f(x) + g(x), ∀ x ∈ X,
donde la suma de la parte derecha de la igualdad es la suma de vectores en V.
Definimos el producto por escalares del modo siguiente: Para todo α ∈ F y toda fun-
ción f : X → V, el producto de α con f es la función α f : X → V dada por
(α f)(x) = α f(x), ∀ x ∈ X,
donde el producto de la derecha de la igualdad es el producto por escalares del espacio

vectorial V.
Entonces V X es un espacio vectorial sobre F. El neutro es la función nula f : X → V tal

que f(x) = 0, ∀ x ∈ X.
El espacio vectorial de las matrices con coeficientes en un campo
Sea F un campo y sean m, n ≥ 1 enteros. Una matriz de tamaño m × n con coeficientes

en F, es una función A : {1, ..., m} × {1, ..., n} → F. Generalmente escribimos Aij en
lugar de A(i, j), y para la descripción de A se usa el típico arreglo rectangular
 
A11 A21 ··· A1n
 
 A21 A22 ··· A2n 
 
A= . .. .. .. 
 . . 
 . . . 
Am1 Am2 ··· Amn
También escribiremos A = (Aij )m×n .
Dadas dos matrices A = (Aij )m×n y B = (Bij )m×n , y un escalar α ∈ F, las operaciones
de suma A + B y producto por escalares α A están dadas por
(A + B)ij = Aij + Bij y (α A)ij = α Aij , ∀ (i, j) ∈ {1, ..., m} × {1, ..., n}.
El espacio de todas las matrices de m × n con coeficientes en F se denota como

Mm×n (F) ó Fm×n . El neutro es la matriz nula 0m×n cuyos coeficientes son todos
iguales a 0.
Observe que este es también un caso particular del ejemplo anterior.

El anillo de polinomios sobre un campo
Sea K un campo. Y sea K[x] el conjunto de todos los polinomios
p(x) = an xn + an−1 xn−1 + · · · + a1 x + a0 ,
donde
• n es cualquier entero positivo,

• a0 , a1 , ..., an−1 , an son constantes en K,
• x es un variable que toma valores en K.
Entonces K[x] con la suma de polinomios y el producto por escaleres usuales, es un

espacio vectorial sobre K.
El neutro es el polinomio cero dado por p(x) = 0.
Propiedades distributivas
Lema
Sea (V, F) un espacio vectorial y sean α1 , ..., αn ∈ F y v ∈ V. Entonces
(α1 + · · · + αn )v = α1 v + · · · + αn v.
Lema
Sea (V, F) un espacio vectorial y sean v1 , ..., vn ∈ V y α ∈ F. Entonces
α (v1 + · · · + vn ) = α v1 + · · · + α vn .
Teorema
Sea (V, F) un espacio vectorial y sean α1 , ..., αn ∈ F y v1 , ..., vm ∈ V. Entonces
(α1 + · · · + αn )(v1 + · · · + vm ) = α1 v1 + · · · + αn vm .
Propiedades fundamentales
Teorema
Si V es un espacio vectorial sobre F, entonces
1. 0v = 0, para toda v ∈ V.
2. α0 = 0, para toda α ∈ F.
3. (−1)v = −v, para toda v ∈ V.
Demostración
1. Sea v ∈ V. Entonces
0 + 0v = 0v
= (0 + 0)v
= 0v + 0v.
Por la ley cancelativa de la suma de vectores, se sigue que
0 = 0v.
■
Teorema
3. (−1)v = −v, para toda v ∈ V.
Demostración
2. Sea α ∈ F. Entonces
0 + α0 = α0
= α(0 + 0)
= α0 + α0.
Por la ley cancelativa de la suma de vectores, se sigue que
0 = α0.
■
Teorema
3. (−1)v = −v, para toda v ∈ V.
Demostración
3. Sea v ∈ V, entonces
(−1)v + v = (−1)v + 1v
= (−1 + 1)v
= 0v
= 0.
De donde (−1)v = −v. ■
Consecuencias
Corolario (1)
Para toda α ∈ F y toda v ∈ V,
αv = 0 ⇔ α = 0 ó v = 0.
Demostración
[⇐] Ya está probado.
[⇒] Supongamos que α v = 0. Si α ̸= 0, tomamos α−1 el inverso multiplicativo de α,

y entonces
v = 1v = (α−1 α)v = α−1 (αv) = α−1 0 = 0.
Corolario (2)
Para todas y toda u, v ∈ V,
(i) (−u)v = u(−v) = −uv.

(ii) (−u)(−v) = uv.
Subespacios
Subespacios
Definición (Hoffman y Kunze)

Sea V un espacio vectorial sobre el campo F. Un subespacio de V es un subconjunto W
de V el cual es él mismo un espacio vectorial sobre F, con las operaciones de suma de
vectores y multiplicación por escalares definidas en V.
Definición (Friedberg et all.)

Un subconjunto W de un espacio vectorial V sobre un campo F es llamado un
subespacio de V, si W es un espacio sobre F con las operaciones de adición y
multiplicación por escalares definidas sobre V.
Definición (Hugo Rincón)

Sea (V, +, 0, F, • : F × V → V) un espacio vectorial, y sea W ⊂ V. Diremos que W es un
subespacio vectorial de V si
(W, +W×W , 0, F, •F×W : F × W → W) .
Observación
Un subconjunto W de un espacio vectorial sobre F es un subespacio si y sólo si,
(W, +, 0) es un subgrupo conmutativo de (V, +, 0); y si W es cerrado bajo el producto
por escalares y cumple las propiedades (i)-(iv) del producto por escalares.
Caracterización de subespacios
Teorema (Rincón y Friedberg)

Si V un espacio vectorial sobre F, entonces W ⊂ V es subespacio de V si y sólo si,
(i) W es cerrado bajo +: Para todos u, v ∈ W,
u + v ∈ W.
(ii) El vector nulo en W es 0 mismo, y en consecuencia 0 ∈ W.
(iii) W es cerrado bajo • : Para todo α ∈ F y todo v ∈ W,
αv ∈ W
Demostración
[⇒] Supongamos que W es un subespacio de V.
Las condiciones (i) y (iii) se cumplen de forma obvia a partir de la definición de

subespacio.
Vamos a probar (ii). Sea 0W el vector nulo del espacio W. Sea w ∈ W cualquier vector.
Tenemos
0W + w = w = 0 + w.
Por la ley cancelativa para la suma, 0W = 0. Esto prueba que 0 ∈ W. ■

Caracterización de subespacios
Teorema (Rincón y Friedberg)

Si V un espacio vectorial sobre F, entonces W ⊂ V es subespacio de V si y sólo si,
(i) W es cerrado bajo +: Para todos u, v ∈ W,
u + v ∈ W.
(ii) El vector nulo en W es 0 mismo, y en consecuencia 0 ∈ W.
(iii) W es cerrado bajo • : Para todo α ∈ F y todo v ∈ W,
αv ∈ W
Demostración
[⇐] Supongamos que (i), (ii) y (iii) se cumplen. En particular, por (i) se sigue que W
hereda las propiedades de la suma, por lo que + es asociativa y conmutativa en W.
Mientras que por (ii), se sigue 0 es el neutro en W. Así que (W, +, 0) es un monoide
conmutativo. Y por (iii) se tiene en particular que −w ∈ W para todo w ∈ W. Luego,
(W, +, 0) es un subgrupo de (V, +, 0).
También por (iii) (W es cerrado bajo el producto por escalares) se sigue que W hereda
las propiedades (i)-(iv) del producto por escalares. ■
Otra caracterización típica de subespacio
Corolario (Hoffman y Kunze)

Si V un espacio vectorial sobre F, entonces W ⊂ V es subespacio de V si y sólo si, para
todos v, w ∈ W y todo escalar α ∈ F, se cumple v + α w ∈ W.
Demostración
[⇒] Es obvio.
[⇐] Supongamos que se cumple la condición del corolario. En particular, para todo
v, w ∈ W, si elegimos α = 1,
v + w ∈ W.
Y si elegimos w = v y α = −1, entonces
0 = v − v ∈ W.
Finalmente, para todo w ∈ W, si elegimos v = 0 y α = −1,
−w = 0 − w ∈ W.
Por lo que se cumple (i), (ii) y (iii) del teorema anterior. ■
Los ejemplos básicos
Sea V un espacio vectorial sobre un campo F.
1. V mismo es un subespacio de V. Este es el subespacio “más grande” de V. A veces

nos referimos a éste como el subespacio trivial.
2. El conjunto {0} es también un subespacio de V. Éste es el subespacio “más pequeño”

de V, llamado subespacio nulo.
3. Si v ∈ V, entonces el conjunto
L(v) = {α v : α ∈ F}
Es un subespacio de V.
4. Si v, w ∈ V, entonces el conjunto
L(v, w) = {α v + β w : α, β ∈ F}
es un subespacio de V.
Combinaciones lineales
Definición
Dado un espacio vectorial (V, F), una combinación lineal de una colección de n ≥ 1
vectores v1 , ..., vn de V, es una suma de la forma
α1 v1 + α v2 + · · · + αn vn ,
donde α1 , ..., αn son escalares en F.
Proposición
Si v1 , ..., vn son vectores de V, entonces el subconjunto
L(v1 , ..., vn ) = {α v1 + · · · + αn vn : αi ∈ F, 1 ≤ i ≤ n},
de todas las combinaciones lineales de v1 , ..., vn , es un subespacio de V.
Demostración
Sean a = α1 v1 + · · · + αn vn y b = β1 v1 + · · · + βn vn en L(v1 , ..., vn ) y sea λ ∈ F.
Entonces
a + λ b = (α1 v1 + · · · + αn vn ) + λ(β1 v1 + · · · + βn vn )
= α1 v1 + · · · + αn vn + λβ1 v1 + · · · + λβn vn
= (α1 + λ β1 )v1 + · · · + (αn + λ βn )vn ∈ L(v1 , ..., vn ). ■
El subespacio de las combinaciones lineales
Proposición
Sea S un subconjunto no vacío de un espacio vectorial (V, F). Entonces el conjunto de
todas las combinaciones lineales de vectores de S, dado por
L(S) := {α1 v1 + · · · + αn vn : n ≥ 1; v1 , ..., vn ∈ V; α1 , ..., αn ∈ F},
es un subespacio de V.
Demostración
Observe que la suma de dos combinaciones lineales de vectores de S, es una
combinación lineal de vectores en S.
Ahora, si elegimos arbitrariamente algún v ∈ S, entonces 0 = 0v ∈ L(S).
Por último, si w = α1 v1 + · · · + αn vn es una combinación lineal de los vectores

v1 , ..., vn en S, y α es un escalar en F, entonces claramente
α w = α α1 v1 + · · · + α αn vn
es también una combinación lineal de los vectores v1 , ..., vn . ■
Subespacios de polinomios
1. Si F es un campo, entonces el espacio F[x] de los polininomios con coeficientes

en F, es un subespacio de espacio F F de todas las funciones de F en F.
2. Sea n ≥ 0 fijo y sea F un campo. El espacio Fn [x] de todos los polinomios con
coeficientes en F, de grado menor o igual a n, es un subespacio de F[x].
3. Sea x0 ∈ F y sea Px0 = {p ∈ F[x] : p(x0 ) = 0}. Entonces Px0 es un subespacio de

F[x].
Subespacios de funciones
1. El espacio C 0 (R) de todas las funciones de R en R continuas, es un subespacio

del espacio R R de todas las funciones de R en R.
2. El espacio de todas las funciones diferenciables C 1 (R) es un subespacio de

C 0 (R).
3. El espacio C (1) (R) de todas las funciones diferenciable con derivada continua, es
un subespacio de C 1 (R).
4. Sean a < b números reales. El espacio L1 ([a, b]) de las funciones f : [a, b] → R
(Riemann) integrables en [a, b] es un espacio vectorial real.
Subespacios de matrices
1. El espacio Sn (F) de las matrices simétricas de tamaño n es un subespacio del

espacio Mn (F) de las matrices cuadradas de tamaño n.
2. El espacio Tn (F) de las matrices triangulares superiormente, es un subespacio de

Mn (F).
3. El espacio de las matrices de traza igual a 0 es un subespacio de Mn (F).
4. El espacio de las matrices diagonales Dn (F) es un subespacio de Mn (F).

Observe que Dn (F) = Sn (F) ∩ Tn (F).
Subespacios generados
Intersecciones de subespacios son subespacios
Teorema
Si U y W son subespacios de un espacio vectorial V sobre F, entonces U ∩ W es un
espacio vectorial sobre F.
Observación
Como U y W son subespacios de V, en particular 0 ∈ U y 0 ∈ W, por lo que 0 ∈ U ∩ W.
Así que U ∩ W ̸= ∅.
Demostración
Sean v1 y v2 en U ∩ W y sea α ∈ F. En particular
u1 + αu2 ∈ U y u1 + αu2 ∈ W.
Por lo tanto u1 + αu2 ∈ U ∩ W. ■
Teorema (Rincón / Hoffman y Kunze / Friedberg)

Sea Γ un conjunto no vacío, y supongamos que para toda γ ∈ Γ, Wγ es un subespacio
∩
de un espacio vectorial (V, F). Sea W = γ∈Γ Wγ . Entonces W es un subespacio de V.
Subespacios generados
Definición (Rincón / Hoffman y Kunze)

Si (V, F) es un espacio vectorial y sea S ⊂ V. El subespacio generado por S, es la
intersección de todos los subespacios de V que contienen a S, el cual denotamos
como ⟨S⟩. En símbolos,
∩
⟨S⟩ = {W ⊂ V : W es subespacio y S ⊂ W}.
Observación
1. ⟨S⟩ es el subespacio más “pequeño” que contiene a S, en el sentido de que si W

es un subespacio tal que S ⊂ W, entonces ⟨S⟩ ⊂ W. Esto es inmediato de la
definición. (Rincón lo pone como un Teorema)
2. Si W es un subespacio de V, entonces ⟨W⟩ = W.
3. Si S ⊂ R son subconjuntos de un espacio vectorial V, entonces ⟨S⟩ ⊂ ⟨R⟩.
Subespacios generados por conjuntos finitos
Teorema (Hoffman y Kunze)

Sea (V, F) un espacio vectorial. Entonces
(i) ⟨∅⟩ = {0}.

(ii) Si v1 , ..., vn ∈ V,
⟨v1 , ..., vn ⟩ = L(v1 , ..., vn ) = {α1 v1 + · · · + αn vn : αi ∈ F, 1 ≤ i ≤ n}.
Demostración
(i) 0 ∈ W para todo subespacio W de V, o equivalentemente, {0} ⊂ W. Así que, de
hecho, {0} es el subespacio más pequeño de V. Pero es claro que ∅ ⊂ {0}. Luego,
⟨∅⟩ = {0}. ■
Subespacios generados por cojuntos finitos
Teorema (Hoffman y Kunze)

Sea (V, F) un espacio vectorial. Entonces
(i) ⟨∅⟩ = {0}.

(ii) Si v1 , ..., vn ∈ V,
⟨v1 , ..., vn ⟩ = L(v1 , ..., vn ) = {α1 v1 + · · · + αn vn : αi ∈ F, 1 ≤ i ≤ n}.
Demostración
(ii) L(v1 , ..., vn ) es un subespacio que contiene a {v1 , ..., vn }. Por lo tanto
⟨v1 , ..., vn ⟩ ⊂ L(v1 , ..., vn ).
Por otro lado, dado que ⟨v1 , ..., vn ⟩ es un subespacio que contiene a {v1 , ..., vn },
entonces en particular, toda combinación lineal de los vectores v1 , ..., vn está en
⟨v1 , ..., vn ⟩. Esto es
L(v1 , ..., vn ) ⊂ ⟨v1 , ..., vn ⟩.
Forma general del subespacio generado
Teorema (Rincón / Hoffman y Kunze)

Sea S un subconjunto no vacío de un espacio vectorial (V, F). Entonces
⟨S⟩ = L(S) = {α1 v1 + · · · + αn vn : n ≥ 1; α1 , ..., αn ∈ F; v1 , ..., vn ∈ V}.
Es decir, el subespacio generado por S es el conjunto de todas las combinaciones

lineales de vectores en S.
Demostración
El modelo de demostración no es distinto al del teorema anterior, y por ellos se deja
como ejercicio. ■
Dependencia e independencia
lineal
Dependencia e independencia lineal
Definición (Hoffman y Kunze/Friedberg)

Decimos que un subconjunto S de un espacio vectorial V es linealmente dependiente
(abrv. l.d.) si existe un número finito de vectores distintos u1 , ...., un en S y escalares
α1 , ..., αn , no todos cero, tales que
α1 u1 + · · · + αn un = 0.
En otras palabras, S es linealmente dependiente si existe una representación no trivial

de 0 como una combinación lineal de vectores en S.
Si S está constituido por conjunto finito de vectores v1 , ..., vn entonces decimos que los
vectores v1 , ..., vn son linealmente dependientes.
Definición
Un subconjunto S de un espacio vectorial V es linealmente independiente (abrv. l.i.) si
no es linealmente dependiente.
Si S está constituido por conjunto finito de vectores v1 , ..., vn , entonces decimos que
los vectores v1 , ..., vn son linealmente inpendientes.
Dos consecuencias inmediatas
Proposición
{0} es l.d.
Demostración
■
Proposición
∅ es l.i.
Demostración
■
Un par de ejercicios
Teorema
Sean R ⊂ S subconjuntos de un espacio vectorial V. Si R el l.d. entonces S es l.d.
Demostración
Ejercicio. ■
Pregunta
¿Es cierto el recíproco del teorema anterior?
Teorema
Sean R ⊂ S subconjuntos de un espacio vectorial V. Si S el l.i. entonces S es l.i.
Demostración
Ejercicio. ■
Pregunta
¿Es cierto el recíproco del teorema anterior?
Algunas equivalencias
Proposición (Rincón)
Si (V, F) es un espacio vectorial y S ⊂ V, son equivalentes
(i) S es l.d.
(ii) Existe v ∈ S tal que v ∈ L(S\{v}).
(iii) Existe v ∈ S tal que L(S) = L(S\{v}).
Demostración
■
Un teorema típico
Teorema (Friedberg)
Sea S un subconjunto linealmente independiente de un espacio vectorial V, y sea
v ∈ V\S. Entonces S ∪ {v} el linealmente dependiente si y sólo si v ∈ L(S).
Demostración
[⇒] ■

Espacios Vectoriales

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Espacios Vectoriales

Transféré par

Droits d'auteur :

Formats disponibles

Álgebra Lineal I

Guillermo Garro y Araceli Guzmán

Facultad de ciencias, UNAM

Un espacio vectorial (o lineal) sobre un campo F, es un conjunto no vacío V, cuyos

(a) suma de vectores:

(b) producto por escalares:

Propiedades de la suma: El sistema (V, +, 0) es un grupo conmutativo, esto es:

(i) La suma es conmutativa:

(ii) La suma es asociativa:

(iii) Existe un único neutro para la suma:

∃!0 ∈ V (∀v ∈ V)( v + 0 = v) .

(iv) Todo elemento de V tiene un único inverso relativo a la suma en V:

∀v ∈ V(∃! −v ∈ V)( v + (−v) = 0 ).

Para todo u y v en V, deﬁnimos

Propiedades del producto por escalares:

(i) El producto por escalares puede asociarse de cualquier forma:

(ii) El neutro 1 ∈ F es neutro para el producto por escalares:

(iii) El producto por escalares se distribuye bajo la suma de vectores:

(iv) El producto por escalares distribuye la suma de escalares:

1. (V, +̃, 0) es un grupo conmutativo (abeliano).

1. Si X = {x} (i.e. X tiene un único elemento), deﬁnimos

Y si F es cualquier campo, también deﬁnimos

Entonces X = {x} es un espacio vectorial sobre F.

Recordemos de los cursos básicos de Geometría que los espacios lineales Rn , n ≥ 1,

Esta idea es generalizable de la forma siguiente:

Dado un campo F y n ≥ 1, sea Fn el conjunto de todas las n-adas ordenadas x =

donde xi + yi es la suma de los elementos xi y yi en el campo F, para toda 1 ≤ i ≤ n.

Y si α ∈ F, deﬁnimos el producto por escalares como la n-ada

donde α xi es el producto de α y xi en F, para toda 1 ≤ i ≤ n.

Con estas operaciones Fn es un espacio vectorial sobre F.

Los anteriores ejemplos son casos particulares de lo siguiente.

Sea (V, F) un espacio vectorial y sea X un conjunto no vacío. Consideremos el conjunto

(f + g)(x) = f(x) + g(x), ∀ x ∈ X,

donde la suma de la parte derecha de la igualdad es la suma de vectores en V.

donde el producto de la derecha de la igualdad es el producto por escalares del espacio

Entonces V X es un espacio vectorial sobre F. El neutro es la función nula f : X → V tal

Sea F un campo y sean m, n ≥ 1 enteros. Una matriz de tamaño m × n con coeﬁcientes

También escribiremos A = (Aij )m×n .

El espacio de todas las matrices de m × n con coeﬁcientes en F se denota como

Observe que este es también un caso particular del ejemplo anterior.

Sea K un campo. Y sea K[x] el conjunto de todos los polinomios

p(x) = an xn + an−1 xn−1 + · · · + a1 x + a0 ,

• n es cualquier entero positivo,

Entonces K[x] con la suma de polinomios y el producto por escaleres usuales, es un

El neutro es el polinomio cero dado por p(x) = 0.

Por la ley cancelativa de la suma de vectores, se sigue que

Por la ley cancelativa de la suma de vectores, se sigue que

De donde (−1)v = −v. ■

[⇒] Supongamos que α v = 0. Si α ̸= 0, tomamos α−1 el inverso multiplicativo de α,

(i) (−u)v = u(−v) = −uv.

Deﬁnición (Hoffman y Kunze)

Deﬁnición (Friedberg et all.)

Deﬁnición (Hugo Rincón)

(W, +W×W , 0, F, •F×W : F × W → W) .

Teorema (Rincón y Friedberg)

(i) W es cerrado bajo +: Para todos u, v ∈ W,

Las condiciones (i) y (iii) se cumplen de forma obvia a partir de la deﬁnición de

Por la ley cancelativa para la suma, 0W = 0. Esto prueba que 0 ∈ W. ■

Teorema (Rincón y Friedberg)

(i) W es cerrado bajo +: Para todos u, v ∈ W,

Corolario (Hoffman y Kunze)

Y si elegimos w = v y α = −1, entonces

Finalmente, para todo w ∈ W, si elegimos v = 0 y α = −1,

Por lo que se cumple (i), (ii) y (iii) del teorema anterior. ■