Índice

Espacios Vectoriales ....................................................................................... 2

Definición de espacio vectorial ..................................................................... 2
Definición de subespacio vectorial y sus propiedades. .................................. 4
Combinación lineal. Independencia lineal. .................................................... 5

Combinación lineal ....................................................................................... 5

Independencia lineal .................................................................................... 5
Base y dimensión de un espacio vectorial, cambio de base.. ......................... 6

Base ............................................................................................................. 6
Dimensión .................................................................................................... 7
Cambio de base ............................................................................................ 7
Espacio vectorial con producto interno y sus propiedades.. .......................... 8

Producto interior .......................................................................................... 8

Base ortonormal, proceso de ortonormalización de Gram-Schmidt.............. 9

Base ortonormal .......................................................................................... 9

Proceso de ortonormalización de Gram-Schmidt ........................................ 9
Bibliografias... ............................................................................................... 12
 Espacios vectoriales

Definición de espacio vectorial

Los espacios vectoriales siempre han formado parte del entorno fisico. Se trata de
una estructura algebraica cuyas propiedades introducen los conceptos fisicos de
direccion, magnitud y sentido. En algebra lineal esas caracterisiticas se enuncian
por medio de sumas y multiplicaciones.

Un espacio vectorial real 𝑽 es un conjunto de objetos, denominados vectores,

junto con dos operaciones denominadas suma (denotada por 𝒙 + 𝒚) y
multiplicación por un escalar (denotada por 𝜶𝒙) que satisfacen los siguientes
axiomas:

 Si 𝒙 ∈ 𝑽 y 𝒚 ∈ 𝑽 entonces 𝒙 + 𝒚 ∈ 𝑽 (cerradura bajo la suma).

 Para todo 𝒙, 𝒚 y 𝒛 en 𝑽, (𝒙 + 𝒚) + 𝒛 = 𝒙 + (𝒚 + 𝒛) (ley asociativa de la
suma de vectores).
 Existe un vector 𝟎 ∈ 𝑽 tal que para todo 𝒙 ∈ 𝑽, 𝒙 + 𝟎 = 𝟎 + 𝒙 = 𝒙 (el 0 se
llama vector cero o idéntico aditivo)
 Si 𝒙 ∈ 𝑽, existe un vector −𝒙 en 𝑽 tal que 𝒙 + (−𝒙) = 𝟎 (−𝒙 se llama
inverso aditivo de 𝒙).
 Si 𝒙 y 𝒚 están en 𝑽, entonces 𝒙 + 𝒚 = 𝒚 + 𝒙 (ley conmutativa de la suma
de vectores).
 Si 𝒙 ∈ 𝑽 y 𝜶 es un escalar, entonces 𝜶𝒙 ∈ 𝑽 (cerradura bajo la
multiplicación por un escalar).
 Si 𝒙 y 𝒚 están en 𝑽 y 𝜶 es un escalar, entonces 𝜶(𝒙 + 𝒚) = 𝜶𝒙 + 𝜶𝒚
(primera ley distributiva).
 Si 𝒙 ∈ 𝑽 y 𝜶 y 𝜷 son escalares, entonces (𝜶 + 𝜷)𝒙 = 𝜶𝒙 + 𝜷𝒙 (segunda
ley distributiva).
 Si 𝒙 ∈ 𝑽 y 𝜶 y 𝜷 son escalares, entonces 𝜶(𝜷𝒙) = (𝜶𝜷)𝒙 (ley asociativa
de la multiplicación por escalares).
 Para cada vector 𝒙 ∈ 𝑽, 1𝒙 = 𝒙

Los escalares tienen una estructura denominada campo, la cual consiste en un

conjunto de elementos y dos operaciones binarias (por ejemplo, los número reales
y las operaciones de adición y multiplicación).

2
Teorema

Sea 𝑽 un espacio vectorial. Entonces

 𝜶𝟎 = 𝟎 para todo escalar 𝜶.

 𝟎 ∙ 𝒙 = 𝟎 para todo 𝒙 ∈ 𝑽.
 𝜶𝒙 = 𝟎 entonces 𝜶 = 𝟎 o 𝒙 = 𝟎 (o ambos).
 (−𝟏)𝒙 = −𝒙 para todo 𝒙 ∈ 𝑽.

Ejemplos de espacios vectoriales

 El espacio vectorial ℝ𝒏 , formado por los vectores de n componentes

(𝒙𝟏 , … , 𝒙𝒏 ) es un espacio vectorial real, en el que se pueden sumar vectores
y multiplicar por un escalar (real) de la forma habitual.
Se puede comprobar que se cumplen las propiedades requeridas para
ambas operaciones. Vector cero es (0,. . .,0).

 Consideremos el conjunto ℙ𝟐 de los polinomios de grado ≤ 2 con

coeficientes reales:
ℙ𝟐 = {𝒂𝒙𝟐 + 𝒃𝒙 + 𝒄 ∶ 𝒂, 𝒃, 𝒄 ∈ ℝ}

Es un espacio vectorial real, pues podemos sumar dos elementos de ℙ𝟐 y

obtenemos otro elemento de ℙ𝟐 ; también podemos multiplicar un elemento
de ℙ𝟐 por un escalar real y obtenemos otro elemento de ℙ𝟐

 Consideremos el conjunto 𝕄𝟐𝒙𝟐 (también denotado por 𝕄𝟐 ) de las matrices

2 x 2 con términos reales:
𝒂 𝒄
𝕄𝟐𝒙𝟐 = {( ) ∶ 𝒂, 𝒃, 𝒄, 𝒅 ∈ ℝ}
𝒃 𝒅
Es un espacio vectorial real, pues podemos sumar dos matrices de 𝕄𝟐𝒙𝟐
obteniendo otra matriz de 𝕄𝟐𝒙𝟐 , y multiplicar una matriz de 𝕄𝟐𝒙𝟐 por un
escalar real obteniendo otra matriz de 𝕄𝟐𝒙𝟐 .
 El conjunto ℂ de los números complejos se puede considerar como un
espacio vectorial real. En efecto, se pueden sumar dos números complejos
obteniéndose otro número complejo; y se puede multiplicar un complejo por
un escalar real, obteniéndose otro complejo.

3
 Definición de subespacio vectorial y sus propiedades

Al ser un conjunto, un espacio vectorial tiene una infinidad de subconjuntos; dichos

subconjuntos pueden ser por si mismos espacios vectoriales.

Se dice que 𝑯 es un subespacio vectorial de 𝑽 si 𝑯 es un subconjunto no vacío de

𝑽, y 𝑯 es un espacio vectorial, junto con las operaciones de suma entre vectores y
multiplicación por un escalar definidas para 𝑽.

Como 𝑽 es un espacio vectorial, posee unas operaciones (suma, producto por un

escalar) que en particular se pueden efectuar en 𝑯. Sólo necesitaremos que, al
efectuarlas, su resultado quede dentro de 𝑯.

Teorema

Un subconjunto no vacío 𝑯 de un espacio vectorial 𝑽 es un subespacio de 𝑽 si se

cumplen las dos reglas de cerradura:

 Si 𝒙 ∈ 𝑯 y 𝒚 ∈ 𝑽, entonces 𝒙 + 𝒚 ∈ 𝑯
 Si 𝒙 ∈ 𝑯, entonces 𝜶𝒙 ∈ 𝑯 para todo escalar 𝜶.

Sea 𝑯𝟏 y 𝑯𝟐 dos subespacios de un espacio vectorial 𝑽. Entonces 𝑯𝟏 ∩ 𝑯𝟐 es un

subespacio de 𝑽.

Ya no hace falta comprobar que se cumplen las propiedades asociativa,

conmutativa, etc. puesto que sabemos que se cumplen en 𝑽, y por tanto también
en 𝑯 (se dice que 𝑯 “hereda” las propiedades de las operaciones en 𝑽).

Por supuesto si para 𝑽 utilizamos escalares reales, también para 𝑯; si para 𝑽

utilizamos complejos, también para 𝑯.

Este teorema demuestra que para probar si 𝑯 es o no un subespacio 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

4
 Combinación lineal. Independencia lineal

Combinación lineal
Dado un conjunto de vectores 𝒗𝟏 , … , 𝒗𝒏 se llama una combinación lineal de ellos a
cualquier vector de la forma:

𝒗 = 𝜶𝟏 𝒗𝟏 , … , 𝜶𝒏 𝒗𝒏

Donde 𝜶𝟏 , … , 𝜶𝒏 son escalares, llamados coeficientes de la combinación lineal.

Teorema

Para probar que un conjunto 𝑯 es subespacio, basta probar que:

La combinación lineal de elementos de 𝑯 está en 𝑯.

(Ello es debido a que calcular una combinación lineal de vectores involucra tanto
la suma como el producto por escalares, así que equivale a probar ambas cosas
por separado).

Esto se suele expresar diciendo que un subespacio es un conjunto “cerrado” para

las combinaciones lineales.

Independencia lineal
Sean 𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 , n vectores en un espacio vectorial 𝑽. Entonces se dice que los
vectores son linealmente dependientes si existen n escalares 𝒄𝟏 , 𝒄𝟐 , … , 𝒄𝒏 no todos
cero tales que:

𝒄𝟏 𝒗𝟏 , 𝒄𝟐 𝒗𝟐 , … , 𝒄𝒏 𝒗𝒏 = 𝟎

En caso de que un conjunto de vectores no sea linealmente dependiente, se dice

que es linealmente independiente (o libre).

Por tanto, escribiendo la negación de la definición de dependencia lineal,

tendremos que un conjunto de vectores es linealmente independiente cuando:

 Ninguno de ellos es combinación lineal de los demás. O equivalentemente.

5
  El vector ⃗𝟎 no es combinación lineal de ellos, a no ser que la combinación
tenga coeficientes todos nulos.
La única forma de poner 𝟎⃗ como combinación lineal de los vectores, es con
todos los coeficientes nulos.
 Cualquier conjunto de n vectores linealmente independientes en ℝ𝒏 genera
a ℝ𝒏 .
 Un conjunto de n vectores en ℝ𝒎 es linealmente independiente si 𝒏 > 𝒎.

Base y dimensión de un espacio vectorial, cambio de

base.

Base
Un conjunto finito de vectores {𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } es una base para un espacio vectorial
𝑽 si:

i) {𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } es linealmente independiente.

ii) {𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } genera a 𝑽.

Todo conjunto de n vectores linealmente independiente en ℝ𝒏 es una base en ℝ𝒏 .

En ℝ𝒏 se define:

𝟏 𝟎 𝟎 𝟎
𝟎 𝟏 𝟎 𝟎
𝒆𝟏= 𝟎 , 𝒆𝟐= 𝟎 , 𝒆𝟑= 𝟏 , 𝒆𝒏= 𝟎
… … … …
𝟎
( ) 𝟎
( ) 𝟎
( ) (𝟏)
Teorema

Si {𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } es una base para V y si v P V, entonces existe un conjunto único

de escalares 𝒄𝟏 , 𝒄𝟐 , … , 𝒄𝒏 tales que 𝒗 = 𝒄𝟏 𝒗𝟏 + 𝒄𝟐 𝒗𝟐 + ⋯ + 𝒄𝒏 𝒗𝒏 .

Si {𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒎 } y {𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } son bases en un espacio vectorial 𝑽, entonces

𝒎 = 𝒏; es decir, cualesquiera dos bases en un espacio vectorial 𝑽 tienen el mismo
número de vectores.

6
Un espacio vectorial 𝑽 se dice de dimensión finita si tiene un conjunto finito de
vectores que forman una base, y llamaremos dimensión de 𝑽 , dim 𝑽 , al número
de vectores de cualquier base de 𝑽 .

Al espacio vectorial 𝑽 = {𝟎} le consideramos de dimensión finita, de dimensión

cero, aun cuando no tiene conjuntos linealmente independientes.

Si no existe un conjunto finito de este tipo, se dice que 𝑽 es de dimensión infinita

(y no nos son ajenos pues ℝ|𝒙| es un espacio vectorial de dimensión infinita).

Dimensión
Si el espacio vectorial 𝑽 tiene una base con un número finito de elementos,
entonces la dimensión de 𝑽 es el número de vectores en todas las bases y 𝑽 se
denomina espacio vectorial de dimensión finita. De otra manera, 𝑽 se denomina
espacio vectorial de dimensión infinita. Si 𝑽 = {𝟎}, entonces se dice que 𝑽 tiene
dimensión cero.

Teorema

Suponga que dim 𝑽 = 𝒏. Si 𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒎 es un conjunto de 𝒎 vectores

linealmente independientes en 𝑽, entonces 𝒎 ≤ 𝒏.

Sea 𝑯 un subespacio de un espacio vectorial de dimensión finita 𝑽. Entonces 𝑯

tiene dimensión finita y:

𝐝𝐢𝐦 𝑯 ≤ 𝒅𝒊𝒎 𝑽

Cambio de base
𝟏 𝟎
En ℝ𝒏 se expresaran vectores en terminos de la base conica 𝒊 = ( ) , 𝒋 = ( ).
𝟎 𝟏
En ℝ𝒏 se definio la base conica {𝒆𝟏 , 𝒆𝟐 , … , 𝒆𝒏 }. En ℙ𝒏 se definio la base estandar
como {𝟏, 𝒙, 𝒙𝟐 , … , 𝒙𝒏 }. Estas bases se usan ampliamente por la sencillez que
ofrecen a la hora de trabajar con ellas. Pero en ocaciones ocurre que es mas

7
conveniente alguna otra base. Existe un numero infinito de bases, ya que un
espacio vectorial de dimension n, cualesquiera n vectores, linealmente
independientes, forman una base.

Ejemplo:

𝟏 𝟎
 Sean 𝒖𝟏 = ( ) y 𝒖𝟐 = ( ). Entonces 𝑩𝟏 = {𝒖𝟏 , 𝒖𝟐 } es la base conica en ℝ𝟐 .
𝟎 𝟏
.

Espacio vectorial con producto interno y sus propiedades

Producto interior
Un producto interior en un espacio vectorial real 𝑽 es una función que a cada par
de vectores 𝒖, 𝒗 ∈ 𝑽 le asocia un número real, que denotaremos por 〈𝒖, 𝒗〉, de tal
manera que se cumplen las siguientes propiedades:

 〈𝒖, 𝒗〉 = 〈𝒖, 𝒗〉; ∀𝒖, 𝒗 ∈ 𝑽.

 〈𝒖 + 𝒗, 𝒘〉 = 〈𝒖, 𝒘〉 + 〈𝒗, 𝒘〉; ∀𝒖, 𝒗, 𝒘 ∈ 𝑽.
 〈𝒌𝒖, 𝒗〉 = 𝒌〈𝒖, 𝒗〉; ∀𝒖, 𝒗 ∈ 𝑽 y ∀𝒌 ∈ ℝ.
 〈𝒖, 𝒗〉 ≥ 0; ∀𝒖 ∈ 𝑽 y 〈𝒖, 𝒗〉 = 𝟎 ⟺ 𝒖 = 𝟎.

Si 𝑽 es un espacio vectorial con producto interior, entonces la norma (o longitud o

módulo) de un vector 𝒗 ∈ 𝑽 se denota mediante ‖𝒗‖ y se define como:

‖𝒗‖ = +√〈𝒖, 𝒗〉

La distancia entre dos vectores 𝒖 y 𝒗 de 𝑽 se denota mediante 𝑑(𝒖, 𝒗) y se define

como

𝑑(𝒖, 𝒗) = ‖𝒖 − 𝒗‖ = +√(𝒖 − 𝒗, 𝒖 − 𝒗)

8
 Base ortonormal, proceso de ortonormalización de
Gram- Schmidt

Base ortonormal
Conjunto ortonormal en ℝ𝒏 .

Se dice que un conjunto de vectores 𝑺 = {𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒎 } en ℝ𝒏 es un conjunto

ortonormal si (𝒊 ≠ 𝒋):

𝒖𝒊 ∙ 𝒖𝒋 = 𝟎

𝒖𝒊 ∙ 𝒖𝒊 = 𝟏

Si sólo se satisface la ecuación se dice que el conjunto es ortogonal.

Longitud o norma de un vector

Si 𝒗 ∈ ℝ𝒏 , entonces la longitud o norma de 𝒗, denotada por |𝒗|, está dada por:

|𝒗| = √𝒗 ∙ 𝒗

Proceso de ortonormalización de Gram-Schmidt

Sea 𝑯 un subespacio de dimensión 𝒎 de ℝ𝒏 . Entonces 𝑯 tiene una base
ortonormal.

Paso 1. Elección del primer vector unitario

𝒗𝟏
Sea 𝒖𝟏 =
|𝒗𝟏 |

𝒗 𝒗 𝟏
Entonces 𝒖𝟏 ∙ 𝒖𝟏 = (|𝒗𝟏 |) ∙ (|𝒗𝟏 |) = (|𝒗 |𝟐) (𝒗𝟏 ∙ 𝒗𝟏 ) = 𝟏
𝟏 𝟏 𝟏

De manera que |𝒖𝟏 | = 𝟏.

9
Paso 2. Escoja un segundo vector ortogonal a 𝒖𝟏
𝒖∙𝒗 𝒖∙𝒗
El vector 𝒘 = 𝒖 − 𝒗 , en este caso |𝒗|𝟐 𝒗 es la proyección de 𝒖 sobre 𝒗.
|𝒗|𝟐

Resulta que el vector 𝒘 dado es ortogonal a 𝒗 cuando 𝒘 y 𝒗 están en ℝ𝒏 para

cualquier n ≥ 2.

Sea

Entonces

de manera que 𝒗’𝟐 es ortogonal a 𝒖𝟏

Paso 3. Elección de un segundo vector unitario

𝒗´𝟐
Sea 𝒖𝟐 = entonces es evidente que {𝒖𝟏 , 𝒖𝟐 } es un conjunto ortonormal.
|𝒗´𝟐 |

Paso 4. Continuación del proceso

Sea

Entonces para 𝒊 = 𝟏, 𝟐, … , 𝒌

Pero 𝒖𝒊 ∙ 𝒖𝒋 = 𝟎 si 𝒊 ≠ 𝒋 y 𝒖𝒊 ∙ 𝒖𝒊 = 𝟏.

Por lo tanto

10
Paso 5

Sea

Entonces es claro que es un conjunto ortonormal y se

puede continuar de esta manera hasta que 𝒌 + 𝟏 = 𝒎 con lo que se completa la
prueba.

11
 Bibliografías

 Ron Larson. Fundamentos de Álgebra lineal. Sexta edición. Editorial

Cengage Learning, México.
 Lay, David C. Álgebra lineal y sus aplicaciones. Cuarta edición. Editorial
PEARSON EDUCACIÓN, México, 2012.
 David Poole. Álgebra lineal, Una introducción moderna. Tercera edición.
Editorial Cengage Learning, México, 2011.
 Stanley I. Grossman y José Job Flores Godoy. Álgebra lineal. Séptima
edición. Editorial McGraw-Hill, México, 2012.
 Kolman, Bernard; Hill, David R. Álgebra lineal. PEARSON EDUCACIÓN,
México, 2006.

12