Relatoría Espacios Vectoriales

Relatoría Espacios Vectoriales, 30 de Mayo del 2018

Con el siguiente tema de la clase de algebra lineal, se nos propuso comenzar la siguiente
relatoría del tema número cuatro llamada “Espacio Vectorial” basándonos del libro
“Algebra Lineal (Stanley I. Grossman; Sexta Edición)”.

En este nuevo tema, se nos presenta un capitulo diferente al anterior con diferencia de las
soluciones de ecuaciones y del manejo de vectores que establecen en todos los espacios
naturales de los vectores, pero antes que nada, para poder hablar del siguiente tema,
debemos definir lo básico del tema en cuestión de resolver dudas y tener un criterio más
extenso de ello, es por ello que realizaremos las siguientes interrogantes.

Definición de un espacio vectorial (real V)

Según Grossman, un espacio vectorial es un conjunto de objetos, denominados vectores,
junto con dos operaciones binarias llamadas suma y multiplicación por un escalar y que
satisfacen los diez axiomas enumerados (Si x y y están en V y si a es un numero real,
entonces la suma se escribe como x + y y el producto escalar de α y x como α x).

Agregando un paréntesis al tema, Grossman nos recuerda la existencia de que estos

vectores y dado su relación con el espacio mismo de nuestro entorno, explica esa
diferencia de lo que es “real” matemáticamente en los vectores. Expresa que al manejar
un espacio vectorial, con frecuencia ocurre que el espacio vectorial parece ser muy
diferente a estos cómodos espacios. La definición ofrece que un espacio vectorial real. La
palabra “real” significa que los escalares que se usan son números reales. Sería
igualmente sencillo definir un espacio vectorial complejo utilizando números complejos en
lugar de reales, pero las generalizaciones a otros conjuntos de escalares presentan muy
poca dificultad.

Un ejemplo de ello es la determinante de cada vector en R𝒓𝒏 es una matriz de n * 1.

Según la definición de suma de matrices x + y son matrices de n * 1

Desglosando todo los espacios vectoriales posibles y marcando sus subtemas, podemos
decir que hay una gran variante de ellos, como ejemplo:
1. Espacio vectorial trivial
2. Conjunto que no es un espacio vectorial
3. El conjunto de puntos en R 2 que se encuentran en una recta:
- Que pasa por el origen constituye un espacio vectorial
-Que no pasa por el origen constituye un espacio vectorial
4. El conjunto de puntos en R 3 que se encuentran en un plano
5. El espacio vectorial Pn
6. Los espacios vectoriales C[0, 1] y C[a, b]
7. El espacio vectorial Mnm
8. Un conjunto de matrices invertibles puede no formar un espacio vectorial
9. Un conjunto de puntos en un semiplano puede no formar un espacio vectorial
10. El espacio Cn
Definición de Subespacios vectoriales y sus propiedades

La fisiología de nuestro entorno vectorial, que vimos anteriormente, nos lleva a decir que
todos los espacios vectoriales tienen subconjuntos que también son espacios vectoriales,
pero con diferencia del factor principal, Para Grossman, Sea H un subconjunto no vacio
de un espacio vectorial V y suponga que H es en sí un espacio vectorial bajo las
operaciones de suma y multiplicación por un escalar definidas en V. Entonces se dice que
H es un subespacio de V.
Así que estos subconjuntos se examinan en laa definición desde el punto de vista de
Grossman.
Se puede decir que el subespacio H hereda las operaciones del espacio vectorial “padre”
V. Existen múltiples ejemplos de subespacios, sin embargo, en primer lugar, se
demostrara un resultado que hace relativamente sencillo determinar si un subconjunto de
V es en realidad un subespacio de V.

Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura deben
cumplirse. De lo contrario, para demostrar que H es un espacio vectorial, debe
demostrarse que los axiomas

Las propiedades de estos subespacios, básicamente difiere del estado que se encuentra.

1) El subespacio trivial.
Para cualquier espacio vectorial V, el subconjunto {0} que consiste en el vector cero es
únicamente un subespacio ya que 0 + 0 = 0 y α0 = 0 para todo número real α. Esto se
denomina el subespacio trivial.

2) Un espacio vectorial es un subespacio en sí mismo.

Para cada espacio vectorial V, V es un subespacio de si mismo.
Los primeros dos ejemplos muestran que todo espacio vectorial V contiene dos
subespacios, {0} y V (que coinciden si V = {0}). Es más interesante encontrar otros
subespacios. Los subespacios distintos a {0} y V se denominan subespacios propios.

3) Un subespacio propio de R2
Sea H = {(x, y): y = mx}. H es un subespacio de R2 se verá que si H es cualquier
subespacio propio de R2, entonces H consiste en el conjunto de puntos que se
encuentran sobre una recta que pasa por el origen; es decir, un conjunto de puntos que
se encuentra sobre una recta que pasa por el origen es el único tipo de subespacio propio
de R2.
.
4) Un subespacio propio de R3
Sea H = {(x, y, z): x = at, y = bt y z = ct; a, b, c, t reales}. Entonces H consiste en los
vectores en R3 que se encuentran sobre una recta que pasa por el origen. Para ver que
H es un subespacio de R3, sea x = (at1, bt1, ct1) ϵ H y y = (at2, bt2, ct2) ϵ H. Entonces

+ y = (a(t1 1 t2), b(t1 1 t2), c(t1 1 t2)) ϵH

X
α x= (α(α tl), b( t2), c(αt3)) ϵ H.
Asi, H es un subespacio de R3.
5) R no tiene subespacios propios

Sea H un subespacio de R Si H ≠ {0}, entonces H contiene un numero real a diferente de

cero.
Por el axioma 1= (1/ α) α ϵ H y β1= β ϵ H para todo número real β. Así, si H no es el
subespacio trivial, entonces H = R. Es decir R, no tiene subespacios propios.

6) Un subespacio propio de Mmn

Sea Mmn el espacio vectorial de matrices de m * n con componentes reales y sea H = {A

P Mmn: an = 0}. Por la definicion de suma de matrices y multiplicación por un escalar, es
obvio que los dos axiomas de cerradura se cumplen de manera que H es un subespacio.

7) Un subespacio propio de C[0, 1]

Pn[0, 1] ‡ C[0, 1] porque todo polinomio es continuo y Pn es un espacio vectorial para todo
entero n de manera que cada Pn[0, 1] es un subespacio de C[0, 1].

Agregando un paréntesis, he observado que R es un espacio vectorial real; es decir, R es

un espacio vectorial en donde los escalares se toman como los números reales y Pn[0, 1]
denota el conjunto de polinomios de grado menor o igual a n, definidos en el intervalo [0,
1].

Combinación lineal e independencia lineal

Combinación lineal.

Sean v1, v2, . . . , vn. Vectores en un espacio vectorial V. cualquier vector la forman,
donde, a1, a2, . . . , an son escalares se denomina una combinación lineal de v1, v2, . . .
, vn.

En R3 una determinante de -7,7,7 es una combinación lineal de la determinante -1, 2, 4 y

5, -3, 1, ya que la determinante de -7,7,7 = 2 de las determinantes -1, 2, 4 y 5, -3, 1.

En Pn todo polinomio se puede escribir como una combinación lineal de los “monomios” 1,
x, x2, . . . , xn.

Independencia lineal

En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o

independencia lineal de los vectores. Para Grossman se define el significado de
independencia lineal y se muestra su relación con la teoría de sistemas homogéneos de
ecuaciones y determinantes.

¿Existe una relación especial entre los vectores v1 y v 2 ?

Durante las lecciones de ellas el vector cero se puede escribir como una combinación no
trivial de v1 y v2 (es decir, donde los coeficientes en la combinación lineal no son ambos
cero).
Se ha escrito el vector cero como una combinación lineal de v1, v2 y v3. Parece que los
dos vectores y los tres vectores tienen una relación más cercana que un par arbitrario de
2-vectores o una terna arbitraria de 3-vectores. En cada caso, se dice que los vectores
son linealmente dependientes. En términos generales, se tiene la importante definición
que a continuación se presenta.

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 Si los vectores no son linealmente dependientes, se dice que son
linealmente independientes.

Agregando una nota se debe recordar que los vectores v1, v2, . . . , vn son linealmente
independientes (o dependientes), o que el conjunto de vectores {v1, v2, . . . , vn} es
linealmente independiente (o dependiente). Esto es, se usan las dos frases
indistintamente; dos vectores en un espacio vectorial son linealmente dependientes si y
solo si uno de ellos es un múltiplo escalar del otro.

Bases y dimensión de un espacio vectorial

Base
Un conjunto finito de vectores {v1, v2, . . . , vn} es una base para un espacio vectorial V si
 {v1, v2, . . . , vn} es linealmente independiente.
 {v1, v2, . . . , vn} genera a V.

Ya se han analizado algunos ejemplos de bases. Se ve que cualquier conjunto de n

vectores linealmente independientes en Rn genera a Rn. De esta forma, todo conjunto de
n vectores linealmente independiente en Rn es una base en Rn.

Puesto que los vectores ei son las columnas de una matriz identidad (que tiene
determinante 1), {e1, e2, . . . en} es un conjunto linealmente independiente y, por lo tanto,
constituye una base en n. Esta base especial se denomina base canónica en n. Ahora se
encontraran bases para algunos otros espacios.

Si {v1, v2, . . . , vn} es una base para V y si v ϵ V, entonces existe un conjunto único de
escalares c1, c2, . . . , cn tales que v = c1v1 + c2v2 + . . . + cn vn.

Existe cuando menos un conjunto de dichos escalares porque {v1, v2, . . . , vn} genera a V.
Suponga entonces que v se puede escribir de dos maneras como una combinación lineal
de los vectores de la base.

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.
No se ha demostrado que todo espacio vectorial tiene una base. Esta difícil prueba no se
requiere para que la definición 2 tenga sentido, ya que si V tiene una base finita, entonces
V es de dimensión finita. De otra manera, V tiene dimensión infinita. Por lo tanto, con el fin
de demostrar que V tiene dimensión infinita, solo es necesario demostrar que V no tiene
una base finita lo que se puede hacer probando que V contiene un número infinito de
vectores linealmente independientes

Espacios con producto interno y sus propiedades

Un espacio vectorial complejo V se denomina espacio con producto interno si para

cada par ordenado de vectores u y v en V, existe un numero complejo único (u, v),
denominado producto interno de u y v, tal que si u, v y w están en V y α ϵ, entonces:

Observando esto, entendí que si (u, v) es real, entonces (u, v) = (u, v) y se puede eliminar
usando la formula V). Sea V un espacio con producto interno y suponga que u y v están
en V.
Para las formulas de raíz usa la doble barra en lugar de una sola para evitar confusión
con el valor absoluto.

Bases ortonormales y proceso de ortonormalización de gram-schmidt

Se dice que un conjunto de vectores S 5 {u1, u2, . . . , uk} en n es un conjunto

ortonormal si

Si solo se satisface la ecuación (1), se dice que el conjunto es ortogonal

Como se trabajara ampliamente con el producto escalar en esta sección, recordaremos
algunos hechos básicos Sin mencionarlos de nuevo en forma explícita.
Si u, v y w están en Rn y α es un numero real, entonces utilizaremos estas propiedades

Un conjunto de vectores es ortonormal si cualquier par de ellos es ortogonal y cada uno

tiene longitud 1. Los conjuntos de vectores ortonormales son bastante sencillos de
manejar, e probara que cualquier conjunto finito de vectores ortogonales diferentes de
cero es linealmente independiente.
Proceso de ortonormalización de Gram-Schmidt
Sea H un subespacio de dimension m de n. Entonces H tiene una base ortonormal.
Sea S = {v1, v2, . . . , vm} una base de H. Se probara el teorema construyendo una base
ortonormal a partir de los vectores en S. Antes de dar los pasos para esta construcción, se
observa el hecho sencillo de que un conjunto de vectores linealmente independiente no
contiene al vector cero.

Elección del primer vector unitario

Observé que H puede ser Rn en este teorema. Es decir, Rn mismo tiene una base
ortonormal.

Como cada ui es una combinación lineal de vectores vi, gen {u1, u2, . . ., uk } es un
subespacio de gen {v1, v2, . . . , vn} y como cada espacio tiene dimensión k, los espacios
son iguales.