Espacios Vectoriales PDF

Instituto de Matemática
Universidad Austral de Chile
Capítulo 2: Espacios Vectoriales

2.0.- Introducción.
2.1.- Espacios Vectoriales.
Subespacios Vectoriales.
2.2.- Combinaciones Lineales. Espacio Generado.
Dependencia Lineal. Base y Dimensión.
2.3.- Espacios con Producto Interno.
2.4.- Ortogonalización.
Espacios Vectoriales Universidad Austral de Chile
2.0.- Introducción.
ℝ2 Puntos del plano Vectores de Posición
en
el plano
( a1 , a2 ) A a
y
A
( a1 , a2 )
a
2
y
Adición:

a + b = Suma de los vectores a y b
b
a+b

a
x
Multiplicación por Escalar:

ka = Producto del escalar k por el vector a y

3a

3
a
a
4
x
−2a
3
ℝ 2 con estas operaciones cumple:

1) ( a + b ) + c = a + (b + c )

2)a + b = b + a

3)a + 0 = a

4)a + (− a ) = 0

5 )k (l a ) = (kl )a

6) k ( a + b ) = k a + k b Cualquier conjunto de objetos
que se puedan sumar, multiplicar por
7)( k + l ) a = k a + l a
números reales (escalares) y que cumplen
8 )1 ⋅ a = a estas 8 propiedades será un:
ESPACIO VECTORIAL
4
ℝ3 con las operaciones, de suma de vectores y producto por

escalar, cumple con las mismas 8 propiedades de espacio
vectorial.
π π : Plano determinado por

z los vectores a y b
C
C ∈π

b c a αa

βb
y
x
- Dado un punto

C del plano π éste determina un vector de
posición c .

- Se expresa: c = α a + β b, o sea es una COMBINACIÓN LINEAL

de a y b .
- Para todos los puntos del plano π ocurre ésto, por eso se dice

que el plano π está

generado por los vectores a y b .
se anota: π =< a, b >

- El conjunto Β = {a , b} se llama base de π , pues a partir de estos
dos vectores pueden formarse todos los puntos del plano π ,
haciendo combinaciones lineales con coeficientes reales y además

ninguno de los vectores a y b es múltiplo del otro.
6
z
L
D L recta determinada
d
por el vector a

a
y
x
-Dado unpunto D, de la recta L, éste determina un vector de

posición d , que se expresa d = δ a .

- L está generado por el vector a , o sea : L= <a>

y {a} es base de L .
π y L son subconjuntos de ℝ pero a su vez ellos son espacios

3
vectoriales, pues cumplen las 8 propiedades anteriores. Se dirá que:

π y L son Subespacios Vectoriales de ℝ 3 .

En el plano π se tenía que: c = α a + β b

Es decir: α a + β b + ( − 1) c = 0...(* )

Entonces diremos que {a , b , c } es un subconjunto
Linealmente Dependiente (L.D), pues existe dependencia
lineal entre ellos, expresada por la ecuación(*).
Si no existe tal dependencia se dirá que el conjunto de

vectores es Linealmente Independiente (L.I).
8
Espacios Vectoriales
Universidad Austral de Chile
y S i a y b son colineales y están

L contenidos en L.
b
E n t o n c e s :
a
L = < a >
x
L = < b >

L = < a , b >

B1 = { },
a B 2 = { } son bases de L, pero
b B3 = {a , b }
no es base, pues aunque genera a L, es L.D.
Z π
Si a está contenido en π

entonces: { }a e s L .I
a pero no es base de π ,
y ya que no lo genera:

< a > ≠ π
x 9

- En ℝ 2 , el conjunto {i , j } donde i = (1, 0), j = (0,1)

es una base, pues: ∀ a = ( a 1 , a 2 ) ∈ ℝ 2 , se cumple:

a = ( a 1 , a 2 ) = ( a 1 , 0 ) + (0 , a 2 ) = a1 (1, 0) + a 2 (0,1)
a = a1 i + a 2 j

O sea {i , j } genera a ℝ2 y además {i , j } es L.I

{i, j} se llama Base Canónica
de ℝ 2.

{
En ℝ 3 , i , j , k } (donde i = (1,0,0) , j = (0,1,0), k = (0,0,1) )
es base canónica.
10
2.1.- Espacios Vectoriales. Subespacios Vectoriales.

V conjunto, K cuerpo ( ℝ o C )
- Adición x , y ∈ V , x + y ∈ V
- Multiplicación por escalar: k ∈ K , x ∈V , kx ∈V
V es espacio vectorial sobre el cuerpo K si:
1) ( x + y ) + z = x + ( y + z ), ∀ x , y , z ∈ V
2) x + y = y + x,∀ x, y ∈ V
3) ∃ 0 ∈ V / x + 0 = 0 + x = x
4) ∀ x ∈ V , ∃ − x ∈ V / x + ( − x ) = 0
5 ) k ( lx ) = ( k l ) x , ∀k,l ∈ K , ∀x ∈ V
6 ) k ( x + y ) = kx + ky , ∀k ∈ K , ∀x, y ∈ V
7) ( k + l ) x = kx + lx, ∀k , l ∈ K , ∀x ∈ V
8) 1⋅ x = x, ∀x ∈ V 11
•Los elementos de V se llaman vectores.

•Los elementos de K se llaman escalares.
• Se pueden demostrar otras propiedades, por ejemplo:
0 ⋅ x = 0; ∀ x ∈ V
k ⋅ 0 = 0, ∀k ∈ K
(−k)x = k(−x) = −kx, ∀k ∈ K, ∀x ∈V
• Para distinguir el cero de V y el cero de K, se anota, si hay ambigüedad:
0 V ,0 K
Ejemplos:
• ℝ n = {( x 1 , x 2 , ..., x n ) / x i ∈ ℝ } es espacio vectorial sobre ℝ
•ℂn = {( z 1 , z 2 , ..., z n ) / z i ∈ ℂ } es espacio vectorial sobre ℝ y ℂ .

• M m×n (ℝ ) es espacio vectorial sobre ℝ.
• Pn (ℝ) = {a0 + a1x +... + an x / ai ∈ℝ} es espacio vectorial sobre R
n
• F( A , ℝ ) = { f : A⊂ ℝ → ℝ / f funcion ′ } es espacio vectorial sobre ℝ .

12
Subespacio Vectorial:
Sea V espacio vectorial sobre K y W ⊆V, W ≠φ
Si W con las operaciones definidas en V, restringidas a W, es

espacio vectorial sobre K, entonces se dice que:
W es subespacio vectorial de V, se anota: W ≤V.
Se cumple que:
 (1 ) W ⊆ V , W ≠ φ
W ≤V ⇔ 
 (2) ∀ x, y ∈ W , x + y ∈ W
 (3 ) ∀ α ∈ K , x ∈ W ,α x ∈ W

ó
 (1) W ⊆ V , W ≠ φ
W ≤V ⇔ 
 (2) ∀α , β ∈ K ; x, y ∈W ; α x + β y ∈W
13
Ejemplos:
1)V espacio vectorial:
V ≤V y {0 v } ≤ V
Se llaman subespacios vectoriales triviales
2) C ( A, ℝ ) = { f : A ⊆ ℝ → ℝ / f continua}
D ( A, ℝ ) = {f : A ⊆ ℝ → ℝ / f derivable}
Se cumple:
D ( A, ℝ ) ≤ C ( A, ℝ ) ≤ F ( A, ℝ )
3) W = { A ∈ M n ( ℝ ) / AT = A} (Matrices Simétricas).
W ≤ M n (ℝ )
14
4) L recta en ℝ 2 que pasa por (0,0).

L ≤ ℝ 2.
5) π plano en ℝ que pasa por (0,0,0).

3
L recta en ℝ 3 que pasa por (0,0,0).

Se cumple: π ≤ ℝ 3, L ≤ ℝ 3
6) Sea V espacio vectorial sobre K.

W 1 ,W 2 subespacios de V.
Entonces: W1 ∩ W 2 ≤ V .
15
Dem.:
(1) W1 ∩ W2 ⊆ V ,
x ∈W1 ∩ W2 ⇒ x ∈W1 ∧ x ∈W2
⇒ x ∈ V , pues W1 ⊆ V , W2 ⊆ V
W1 ∩ W 2 ≠ φ 0 v ∈ W1 ∧ 0 v ∈ W 2 ya que son subespacios.

∴ 0 v ∈ W1 ∩ W 2
( 2 ) S e an α , β ∈ K ; x , y ∈ W 1 ∩ W 2
⇒ x ∈ W1 , y ∈ W1 , x ∈ W 2 , y ∈ W 2 .
⇒ α x + β y ∈ W1 p u e s W1 ≤ V y α x + β y ∈ W 2 p u es W 2 ≤ V
⇒ α x + β y ∈ W1 ∩ W 2 ∴ W1 ∩ W 2 ≤ V
16
2.2.- Combinaciones Lineales. Espacio Generado.

Dependencia Lineal. Base y Dimensión.
V espacio vectorial sobre K (ℝ o ℂ).
x1, x 2 , ..., x n ∈ V
n
α 1 ,α 2 , ..., α n ∈ K
∑i= 1
α i x i = α 1 x1 + α 2 x 2 + ... + α n x n
se llama Combinación Lineal de los vectores x 1 , x 2 , ..., x n
Sean x 1 , x 2 , . . . , x n ∈ V vectores fijos.

W = { x ∈ V / x = α1 x1 + α 2 x2 + ... + α n xn , α1 , α 2 ,..., α n ∈ K }
(Conjunto de todas las combinaciones lineales de los vectores
x 1 , x 2 , ..., x n )
17
W ≤V
W se llama subespacio generado por los vectores
x 1 , x 2 , ..., x n y se anota W =< x1 , x 2 , ..., x n >
Ejemplo:
W = < (1, 2 , 3 ) , ( 4 , 5 , 6 ) > es el subespacio de ℝ3 generado por los
vectores (1,2,3) y (4,5,6).
(x, y, z) ∈W ⇔ ∃α, β ∈ ℝ / α (1,2,3) + β (4,5,6) = (x, y, z)
α + 4 β = x 
 tiene solución.
⇔ 2α + 5 β = y 
3 α + 6 β = z 
18
 1 4 x  1 4 x  1 4 x 
   f 2 + ( −2)1    
 [ A / B ] =  2 5 y  
f3 + ( −3)1
→ 0 −3 −2 x + y  
f3 + ( −2)2
→ 0 −3 −2 x + y  
  3 6 z  0 −6 −3x + z  0 0 x − 2 y + z  
 
⇔ x − 2 y + z = 0, pues así:
r ([ A / B ]) = r ( A )
∴W = {( x , y , z ) ∈ ℝ 3
/ x − 2 y + z = 0}
es el plano determinado por los vectores (1,2,3) y (4,5,6).
19
W =< x1 , x2 ,..., xn >
- Es el “menor” subespacio de V, que contiene a los vectores

x1 , x2 ,..., xn .
- Es la intersección de todos los subespacios de V que contienen a
x 1 , x 2 , ..., x n .
- Es el conjunto de todas las combinaciones lineales de los vectores
x 1 , x 2 , ..., x n .
20
V espacio vectorial:
x1 , x 2 , ..., x n ∈ V .
{ x1 , x2 ,..., xn } es conjunto Linealmente Dependiente (L.D).

si ∃ α 1 , α 2 , ..., α n ∈ K no todos nulos / α 1 x1 + α 2 x2 + ... + α n xn = 0
{ x 1 , x 2 , . . . , x n } es conjunto Linealmente Independiente (L.I).

si ∃ α1 , α 2 ,..., α n ∈ K no todos nulos / α1 x1 + α 2 x2 + ... + α n xn = 0
Es decir:
({x , x ,..., x } es L.I)
1 2 n ⇔ (α1x1 +α2 x2 +... +αn xn = 0 ⇒ α1 = α2 = ... = αn = 0)
21
V espacio vectorial.
S = { x1 , x2 ,..., xn } ⊂ V .
Puede ocurrir:
- S genera a V y es L.D.
Por Ej.: S = {(1, 0, 0), (0,1, 0), (0, 0,1), (1,1,1)} , V = R 3
- S no genera a V y es L.I.
Por Ej.: S = {(1, 0 , 0 ) , ( 0 , 1, 0 ) } , V = R 3
- S no genera a V y es L.D.
Por Ej.: S = {(1, 2 , 3 ) , ( 2 , 4 , 6 ) } , V = R 3
- S genera a V y es L.I.
Por Ej.: S = {(1, 0 , 0 ) , ( 0 , 1, 0 ) , ( 0 , 0 , 1) } , V = R 3
22
B = { x1 , x2 ,..., xn } ⊂ V
B es una base de V si B genera a V y B es L.I.
Es decir:
- Una Base de un espacio vectorial es un conjunto de vectores que
generan a V, pero si se agrega uno más deja de ser L.I.
-Una Base de un espacio vectorial, es un conjunto de vectores que
es L.I, pero si se quita uno de ellos deja de generar a V.
Se tiene que:
- Si { x 1 , x 2 , . . . , x r } es L.I, pero no genera a V, (r < n)
entonces puede agregarse vectores x r + 1 , . . . , x n tales que:
{ x 1 , x 2 , . . . , x r , x r + 1 , . . ., x n } es una base.
23
- Si { x1 , x2 ,..., xm } genera a V, pero no es L.I (m > n), entonces puede

eliminarse vectores de modo que queden n que forman una base.
- Si V es espacio vectorial y B = { x 1 , .. ., x n } es una base, entonces
todas las bases de V tiene n elementos.
-El número de elementos de todas las bases de un espacio vectorial V,

se llama dimensión de V, se anota d i m ( V ) .
Ejemplos:
dim( ℝ 2 ) = 2, dim( ℝ ) = 3, dim( M 2 ( ℝ )) = 4
3
d i m ( P4 ( ℝ ) ) = 5 , d im ( M 2 x3 ( ℝ )) = 6
24
2.2.- Espacios con Producto Interno.

2.3.-
Conocemos el producto punto en R 2 , R3 y también en R n .
Este concepto nos permite calcular, en estos espacios, la longitud
de un vector, la distancia y el ángulo entre dos vectores.
Hay situaciones en que es necesario usar estos conceptos en espacios
vectoriales generales, como obtener la mejor aproximación de un
vector mediante vectores de un determinado subespacio, en particular,
con funciones.
Generalizaremos la idea de producto punto a espacios vectoriales
arbitrarios y usaremos esta idea para definir la norma de un vector,
distancia y ángulo entre vectores y otros conceptos.
25
Para ello, es deseable dar a los espacios vectoriales alguna estructura

adicional. Motivados por algunas propiedades del producto punto,
se define la estructura siguiente.
Producto Interno
V espacio vectorial sobre K .
Un producto interno en V es una función
⋅, ⋅ :V × V → K tal que para todo a ∈ K, para todo u , v, w ∈ V ,
se satisface:
1) u , u ≥ 0; u, u = 0 ⇔ u = 0V
2) u , v = v, u
3) u + v, w = u , w + v, w
4) au , v = a u , v
26
Observaciones
Un espacio con producto interno es un espacio vectorial provisto
de un producto interno. Esta definición es, en general, para un espacio
vectorial sobre el cuerpo C .
Por las dos últimas igualdades de la definición se dice que el producto
interior es lineal en la primera variable. Además, son equivalentes a una
sola igualdad.
Para a , b ∈ K , u , v, w ∈ V
u + v, w = u , w + v, w , au, v = a u , v ⇔ au + bv, w = a u, w + b v, w
Como u, u coincide con su conjugado, u, u = u, u , entonces u,u ∈ R
Se cumple que: u, v + w = u, v + u, w
u, av = a u, v
27
Si V es un espacio vectorial sobre K =ℝ entonces la condición 2) de

la definición de Producto Interno queda:
u , v = v, u , pues v, u ∈ R
Además: u, av = a u, v = au, v con a ∈ ℝ
Si K =ℝ se tiene que el producto interno es lineal en las dos variables.

.
Se dice que es bilineal.
En general
si a1 , a 2 , ..., a n , b1 , b 2 , ..., b m ∈ R y u1 , u2 ,..., un , v1 , v2 ,..., vm ∈ V
∑ a u , ∑ j =1 b j v j ∑ ∑
n m n m
entonces: i =1 i i
= i =1
a b j ui , v j
j =1 i
28
Sea V espacio vectorial sobre K = R

Un producto interno en V es una función
⋅, ⋅ :V × V → R tal que para todo a ∈ R , para todo u , v, w ∈ V , se satisface:
1) u, u ≥ 0; u, u = 0 ⇔ u = 0V
2) u, v = v,u
3) u + v, w = u, w + v, w
4) au, v = a u, v
Se llama espacio unitario a un espacio vectorial complejo de

dimensión finita, en el que se ha definido un producto interno.
Se llama espacio euclidiano ( o espacio euclídeo ) a un espacio
vectorial real de dimensión finita, en el que se ha definido un
producto interno.
29
Ejemplos:
1) En V = ℝ n el producto punto ( o producto usual o escalar ) ,
definido por:
u ⋅ v = x1 y1 + x2 y2 +... + xn yn , con u = ( x1, x2,..., xn ) , v = ( y1, y2,..., yn ) ∈Rn
es producto interno y se llama producto interno usual o estándar
en ℝn .
2) En V = ℂn , se define:
, con u = ( z , z ,..., z ) , v = ( z ' , z ' ,..., z ' ) ∈ ℂ
u , v = z 1 z '1 + z 2 z ' 2 + ... + z n z ' n 1 2 n 1 2 n
n
es producto interno y se llama producto interno usual o estándar

en ℂ n .
30
3) En V = M n×n ( ℝ)
Si A = ( aij ) , B = ( bij ) entonces ( )
A, B = tr B t A = ∑ i =1 ∑ j =1 aij bij
n n
es un producto interno en M n×n ( ℝ ) .
4) En V = Pn ( ℝ)
Si p( x) = a0 + a1 x + a2 x2 + ... + an xnn y q( x) = b + b x + b x + ... + b x

2 n
0 1 2 n
entonces p ( x ), q ( x ) = ∑ i = 1 a i b i es un producto interno en Pn ( ℝ ) .
5) Sea V = C [ a, b ] = { f / f : [a, b ] → R, f continua} , el espacio vectorial de las

funciones de valores reales continuas en [a , b ] entonces, un
producto interno en V es:
( x ) g ( x )dx
b
f,g = ∫ a
f
31
Este producto interno también se usa para polinomios, pero se

debe restringir a un intervalo [a, b] .
6) En todo espacio vectorial de dimensión finita se puede definir un

producto interno
Sea V un espacio vectorial y B = {v1 , v2 ,..., vn } una base ordenada de V
Se demuestra que el producto definido por:

u , v = a 1b1 + a 2 b 2 + ... + a n b n
donde u =av
1 1 +a2v2 +...+anvn, v =bv
1 1 +bv
2 2 +...+bv
n n es un producto interno.
32
Norma en un Espacio Vectorial

Una norma en un espacio vectorial V es una función
:V → ℝ que satisface:
1) v ≥ 0, ∀v ∈V v = 0 ⇔ v = 0V
2) kv = k v , ∀k ∈ K , ∀v ∈ V
3) u + v ≤ u + v ,∀u , v ∈ V ( Desigualdad triangular ).

También se cumple:
u,v ≤ u v (Desigualdad de Cauchy-Schwarz)
33
Para la condición 2) en el caso complejo se toma el módulo y el caso

real se considera el valor absoluto de k , siendo ambos números reales.
En principio, una norma no está relacionada con un producto interno.
Sin embargo, a partir de un producto interno, siempre es posible
definir una norma.
Sea V un espacio vectorial sobre K con producto interno ⋅, ⋅
Entonces, la función definida por v = v, v , para v ∈V

es una norma en V asociada al producto interno , llamada norma
euclídea. A partir de la norma se define distancia y ángulo:
34
Norma, Distancia y Ángulo

1) La norma euclídea ( o longitud ) de v, v ∈V , es: v = v, v
v ∈ V se dirá vector unitario si v = 1 .
2) La distancia euclídea entre los vectores u y v de V es:
d (u , v ) = u − v
3) El ángulo θ , θ ∈ [0 , π ] , entre u y v, con u , v ≠ 0V , está dado por

u,v
cos θ =
u v
Vector Normalizado
v ∈ V , v ≠ 0V ⇒ v es vector unitario en la dirección de v.
v
llamado vector normalizado de v.
35
Propiedades de la Distancia
∀u , v ∈ V , d (u , v ) ≥ 0 , d ( u, v ) = 0 ⇔ u = v
∀u , v ∈ V , d ( u , v ) = d ( v, u )
∀u, v, w ∈V , d (u , v ) ≤ d (u , w ) + d ( w, v )
Se llama espacio métrico a un espacio vectorial en el que se define

una función distancia, con las propiedades anteriores.
Tiene sentido definir el ángulo θ entre u y v de la forma anterior,
pues usando la desigualdad de Cauchy-Schwarz para:
u , v ∈ V , con u , v ≠ 0V
u, v u, v
u, v ≤ u v ⇔ ≤ 1 ⇔ −1 ≤ ≤1
u v u v
36
Sea V = ℝ n con producto interior estándar:

Si u = ( x1, x2,..., xn ) , v = ( y1, y2,..., yn ) ∈ V =ℝn, entonces:
La distancia entre u y v inducida por este producto interno es:

d ( u, v) = u − v = u − v , u − v = ( u − v) ⋅ ( u − v)
= ( y1 −x1) +( y2 −x2) +...+( yn −xn)
2 2 2
Ejemplo:
Sea V un espacio vectorial con producto interno. Pruebe que ∀u , v ∈ V :
2 2 2 2
a) u + v + u − v = 2 u + 2 v
b) u, v =
1
2
(
u+v − u
2 2
− v
2
)
c) u, v =
1
4
(u +v − u−v
2 2
)
37
2.4.- Ortogonalización.
Conjuntos Ortogonales y Conjuntos Ortonormales
En ℝ n , M m×n ( R ), Pn ( R )
los cálculos se reducen cuando se trabaja con la base canónica
Para un espacio vectorial cualquiera, una base con las mismas

propiedades de la base canónica, será una en que se cumple:
• los vectores de dicha base sean unitarios (de longitud 1)
• dos vectores cualesquiera de ella sean ortogonales
(producto interno 0).
38
Sea V espacio vectorial con producto interno ⋅, ⋅ .

1) u , v ∈ V se dicen ortogonales (respecto a este producto interno), si
u, v = 0
2) u, v ∈ V se dicen ortonormales si u, v = 0, y además: u = v =1
Sea V un espacio vectorial con producto interno. Se cumple:

1) 0V ∈ V es ortogonal a cualquier vector de V .
2) Sean u, v ∈V , u, v ≠ 0V con θ el ángulo entre ellos. Entonces:
u , v linealmente dependientes ⇔ θ = 0 ó θ = π
u , v ortogonales ⇔ θ = π / 2
Esto es, dos vectores no nulos son ortogonales si forman ángulo de 90º.
39
Ejemplo:
Sea V un espacio vectorial sobre un cuerpo K con producto interno.
Demostrar que: a) Si u + v es ortogonal a u − v entonces u = v . ( K = R)
b) Si u y v son ortogonales, entonces u + v 2 = u 2 + v 2
Sea V un espacio vectorial con producto interno y
S = {v1 , v2 ,..., vn } ⊂ V .
1) S es un conjunto ortogonal si vi , v j = 0, para todo i, j = 1, 2,..., n, i ≠ j.

2) S es un conjunto ortonormal si S es ortogonal y vi = 1,
para i = 1, 2,..., n
A partir de un conjunto ortogonal, siempre podemos obtener
un conjunto ortonormal:
{v1 , v2 ,..., vm } ortogonal ⇒ {v1 / v1 , v2 / v2 ,..., vm / vm } ortonormal
40
Bases Ortogonales y Bases Ortonormales.

Una base ortogonal es una base que es un conjunto ortogonal
Una base ortonormal es una base que es un conjunto ortonormal.
Sea V un espacio vectorial sobre un cuerpo K , con producto interno.
Se cumple que:
a) Si v es un vector ortogonal a u y a w, entonces v es ortogonal a todo

vector generado por u y por w.
b) Todo conjunto ortogonal de vectores no nulos en V ,

es lineamente independiente.
41
Sea V un espacio vectorial de dimensión n con producto interno
Sea B = {v1 , v2 ,..., vn } un conjunto ortonormal en V. Entonces:
v = ∑ i =1 ai vi ,
n
1) B es una base de V , y además, ∀v ∈ V , con
ai = v, vi , i = 1, 2,..., n.
2) Para todo v ∈V se verifica que :

2
∑
2 n
v = i =1
v , vi (Identidad de Parseval)
Utilidad de trabajar con bases ortonormales:

Sabemos que si B = {v1 , v2 ,..., vn } es una base de un espacio vectorial
V,para un vector v en V , v = a1v1 + a2v2 +... + anvn , donde los coeficientes
42
a1 , a 2 ,..., a n se obtienen resolviendo un sistema de n ecuaciones lineales

con n incógnitas.
Si B es una base ortonormal de V entonces las coordenadas de
v ∈V en esa base se obtienen fácilmente:
v = v, v1 v1 + v, v2 v2 + ... + v, vn vn
Método de Ortogonalización de GRAM-SCHMIDT

El método de ortogonalización de Gram-Schmidt, permite construir,
a partir de un conjunto dado de vectores L.I., un conjunto ortogonal.
En particular, a partir de una base cualquiera de un espacio vectorial,
permite construir una base ortogonal de ese espacio, y de aquí, una base
ortonormal.
También se habla de método de ortonormalización de Gram-Schmidt.
43
La idea consiste en, partiendo del primer vector del conjunto dado,
que será el primer vector del conjunto ortogonal buscado, ir
construyendo este conjunto de modo que cada vector que
agregamos sea ortogonal con los vectores ya construidos.
Sea {u1 , u2 ,..., um } un conjunto de vectores linealmente independiente.

Formaremos un conjunto {v , v ,..., v } ortogonal.
1 2 m
v2 = u2 + α v1 de modo que v2 , v1 = 0
u 2 , v1
v2 , v1 = u 2 , v1 + α v1 , v1 = 0 ⇒ α = −
v1 , v1
u2 , v1
v1 = u1 v2 = u2 − v1
v1 , v1
44
v3 = u3 + β v1 + γ v2 de manera que v3 , v1 = v3 , v2 = 0
u3 , v1
v3 , v1 = u3 , v1 + β v1 , v1 = 0 ⇒ β = −
v1 , v1
u3 , v2
v3 , v2 = u3 , v2 + γ v2 , v2 = 0 ⇒ γ = −
v2 , v2
∴ v3 = u3 −
u3 , v1
v1 , v1
u ,v
v1 − 3 2 v2
v2 , v2
ui , v1 ui , v2 ui , vi−1
En general: vi = ui − v1 − v2 −... − vi−1
v1, v1 v2 , v2 vi−1, vi−1
Así se obtiene un conjunto ortogonal {v1 , v2 ,..., vm }

 v1 v2 v 
Y de allí un conjunto ortonormal  , ,..., m 
 1
v v 2 vm 
45
Si {u1 , u2 ,..., um } es una base de un espacio vectorial V con producto

interno, a partir de ella y usando el proceso de Gram-Schmidt,
podemos encontrar una base ortogonal {v1 , v2 ,..., vm } posteriormente
normalizando, encontramos una base ortonormal {w 1 , w 2 , ..., w m }
para el espacio.
Observemos que:
1) Si u, v son vectores no nulos en un espacio vectorial con
producto interno, entonces: u, v = 0 ⇒ au, v = 0 para todo escalar a
2) En el método de Gram-Schmidt se puede simplificar los cálculos si
cada vez que se obtiene un vector v se hace uso de la parte 1) i
y se multiplica por un escalar adecuado para eliminar

las fracciones (si las hay) y así usar un vector v 'i , i = 1, 2,..., m
3) Todo espacio vectorial de dimensión finita con producto

interno, admite una base ortonormal. 46
Complemento Ortogonal
Sean V un espacio vectorial provisto de un producto interno y

S ⊂V.
El complemento ortogonal de S , denotado S⊥, es el conjunto:
S ⊥ = {v ∈ V / v, s = 0, ∀s ∈ S }
Sean V un espacio vectorial provisto de un producto interno y S ⊂ V.
Entonces, S ⊥ es subespacio vectorial de V .
El complemento ortogonal de un subconjunto de V es un subespacio

vectorial, aún cuando el conjunto no sea un subespacio.
47
En el caso que el conjunto sea un subespacio se tiene:

(1) El complemento ortogonal del espacio vectorial {0 } V
es el espacio V y recíprocamente: {0V } = V , V ⊥ = {0V }

⊥
(2) Sea W = v1 , v2 ,..., vr ≤ V , entonces: v ∈W ⊥ ⇔ v es ortogonal a

vi , i = 1, 2,..., r
(En particular, es válido si {v1 , v2 ,..., vr } es base de W ).
(3) Sean V un espacio vectorial provisto de un producto interno y
W ≤ V . Entonces: V =W ⊕W ⊥
⊥
Si d im V < ∞ entonces d im W + d im W = d im V
(4) Sean V un espacio vectorial provisto de un producto interno y
(W ) = W ⊥ ⊥
W , W ' ≤ V . Entonces:
(W + W ') = W ⊥ ∩ W '⊥
⊥
(W ∩ W ' ) = W ⊥ + W
⊥
'⊥ 48

Espacios Vectoriales PDF

Transféré par

Informations du document

Titre original

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 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Instituto de Matemática

Universidad Austral de Chile

Capítulo 2: Espacios Vectoriales

Multiplicación por Escalar:

ℝ 2 con estas operaciones cumple:

ℝ3 con las operaciones, de suma de vectores y producto por

π y L son subconjuntos de ℝ pero a su vez ellos son espacios

vectoriales, pues cumplen las 8 propiedades anteriores. Se dirá que:

Si no existe tal dependencia se dirá que el conjunto de

y S i a y b son colineales y están

2.1.- Espacios Vectoriales. Subespacios Vectoriales.

•Los elementos de V se llaman vectores.

•ℂn = {( z 1 , z 2 , ..., z n ) / z i ∈ ℂ } es espacio vectorial sobre ℝ y ℂ .

• F( A , ℝ ) = { f : A⊂ ℝ → ℝ / f funcion ′ } es espacio vectorial sobre ℝ .

Si W con las operaciones definidas en V, restringidas a W, es

Se llaman subespacios vectoriales triviales

4) L recta en ℝ 2 que pasa por (0,0).

5) π plano en ℝ que pasa por (0,0,0).

L recta en ℝ 3 que pasa por (0,0,0).

6) Sea V espacio vectorial sobre K.

W1 ∩ W 2 ≠ φ 0 v ∈ W1 ∧ 0 v ∈ W 2 ya que son subespacios.

2.2.- Combinaciones Lineales. Espacio Generado.

se llama Combinación Lineal de los vectores x 1 , x 2 , ..., x n

Sean x 1 , x 2 , . . . , x n ∈ V vectores fijos.

W =< x1 , x2 ,..., xn >

- Es el “menor” subespacio de V, que contiene a los vectores

- Es el conjunto de todas las combinaciones lineales de los vectores

{ x1 , x2 ,..., xn } es conjunto Linealmente Dependiente (L.D).

{ x 1 , x 2 , . . . , x n } es conjunto Linealmente Independiente (L.I).

- Si { x1 , x2 ,..., xm } genera a V, pero no es L.I (m > n), entonces puede

-El número de elementos de todas las bases de un espacio vectorial V,

2.2.- Espacios con Producto Interno.

Para ello, es deseable dar a los espacios vectoriales alguna estructura

Como u, u coincide con su conjugado, u, u = u, u , entonces u,u ∈ R

Si V es un espacio vectorial sobre K =ℝ entonces la condición 2) de

Además: u, av = a u, v = au, v con a ∈ ℝ

Si K =ℝ se tiene que el producto interno es lineal en las dos variables.

Sea V espacio vectorial sobre K = R

Se llama espacio unitario a un espacio vectorial complejo de

es producto interno y se llama producto interno usual o estándar

es un producto interno en M n×n ( ℝ ) .

Si p( x) = a0 + a1 x + a2 x2 + ... + an xnn y q( x) = b + b x + b x + ... + b x

entonces p ( x ), q ( x ) = ∑ i = 1 a i b i es un producto interno en Pn ( ℝ ) .

5) Sea V = C [ a, b ] = { f / f : [a, b ] → R, f continua} , el espacio vectorial de las

Este producto interno también se usa para polinomios, pero se

6) En todo espacio vectorial de dimensión finita se puede definir un

Se demuestra que el producto definido por:

Norma en un Espacio Vectorial

3) u + v ≤ u + v ,∀u , v ∈ V ( Desigualdad triangular ).

Para la condición 2) en el caso complejo se toma el módulo y el caso

Entonces, la función definida por v = v, v , para v ∈V

Norma, Distancia y Ángulo

3) El ángulo θ , θ ∈ [0 , π ] , entre u y v, con u , v ≠ 0V , está dado por

Se llama espacio métrico a un espacio vectorial en el que se define

Sea V = ℝ n con producto interior estándar:

La distancia entre u y v inducida por este producto interno es:

los cálculos se reducen cuando se trabaja con la base canónica

Para un espacio vectorial cualquiera, una base con las mismas

Sea V espacio vectorial con producto interno ⋅, ⋅ .

2) u, v ∈ V se dicen ortonormales si u, v = 0, y además: u = v =1

Sea V un espacio vectorial con producto interno. Se cumple:

1) S es un conjunto ortogonal si vi , v j = 0, para todo i, j = 1, 2,..., n, i ≠ j.

Bases Ortogonales y Bases Ortonormales.