INSTITUTO TECNOLGICO SUPERIOR DE CALKINI EN EL ESTADO DE

CAMPECHE


CARRERA:
INGENIERIA EN INDUSTRIAS ALIMENTARIAS

III SEMESTRE

ASIGNATURA:
MATEMATICAS IV (ALGEBRA LINEAL)

UNIDAD 4 ESPACIOS VECTORIALES

PROF: ING. GOMEZ KU RICARDO

ALUMNO:
REYNA CANDELARIA CERVERA ALVARADO
SAYLI IVONNE ORDOEZ COLLI
ISMAEL MAY CANUL
CARLOS HUMBERTO PEREA QUEN
KIMBERLY BEATRIZ KANTUN CAUICH
FREDDY MANUEL KU ZI
LIZULY MAGALY SALAYANDIA PERERA
CALKINI CAMPECHE
ESPACIOS VECTORIALES
La definicin de espacio vectorial involucra un
cuerpo arbitrario cuyos elementos se denominan
escalares. Se utiliza la siguiente notacin.


K El cuerpo de escalares
, b, c k Los elementos de K
V El espacio vectorial dado
u, v, w Los elementos de V.



Definicin: Sean K un cuerpo dado y V un conjunto no
vaco, con reglas de suma y producto por un escalar que
asignan a cada par u, vV una suma u+vV y a cada par
uV, kK un producto KuV. V recibe el nombre de espacio
vectorial sobre K ( y los elementos de V se llaman
vectores) y se satisfacen los siguientes axiomas.


[A1 ] para toda terna de vectores u, v wV, ( u+v) + u + (u
+w ).

[A2 ] existe un vector en V, denotado por 0 denominado
el vector cero, tal que u + 0= u para todo vector uV.

[A3 ] para todo vector uV existe un nico vector en V,
denotado por -u, tal que u+(-u)=0.

[A4 ] para todo par de vectores u, uV, u+v=v+u.





[M1] para todo escalar kK y todo par de vectores
u,vV, k (u+v)=ku+kv.

[M2 ]para todo escalar , bK y todo vector uV,
(+b )u=u + bu.

[M3 ]para todo par de escalares , bK y todo
vector uV, (b)u= (bu).

[M4 ]el escalar unidad 1K cumple 1u=u para
todo vector uV.
Los axiomas procedentes se desdoblan de forma natural en
dos categoras. Los cuatro primeros ataen nicamente a la
estructura aditiva de V y pueden resumirse diciendo que V es
un grupo conmutativo bajo la suma. De ello .se deriva que
cualquier suma de vectores de la forma
v
1
+ v
2
+...+ v
m

no requiere parntesis y no depende del orden de los

sumandos, que el vector 0, es unico, que el opuesto -u de u
es nico y que se verifica la ley de cancelacin; esto es, para
tres vectores cualesquiera u, v, wV.

U + w = v + w implica u = v














Asimismo, la resta se define segn

u v = u + (-v)

Por otra parte, los cuatro axiomas restantes se
refieren a la accin del cuerpo K sobre V.
Obsrvese que la rotulacin de los axiomas
refleja este desdoblamiento. Empleando estos
axiomas adicionales probaremos las siguientes
Propiedades elementales de un espacio
vectorial.



Teorema 5.1 : sea V u espacio vectorial sobre
un cuerpo K.

i) para todo escalar kK y 0V, K0= 0.
ii) para 0K y todo vector uV, 0u= 0.
iii) si ku=0 donde kK y uV, entonces k = 0 o
u = 0.
iv) para todo kK y todo uV, (-k)u = k(-u) = -
ku.




EJEMPLOS DE ESPACIOS VECTORIALES
ESPACIO K
n
Sea K un cuerpo arbitrario. La notacin K
n
se usa
frecuentemente para designar el conjunto de todas las
n-plas de elementos de K. Aqu K
n
se ve como un
espacio vectorial sobre K, en el que la suma vectorial y el
producto por un escalar se define segn:





(
1

2,...,

n
) + (b
1
b
2,...,
b
n
) = (
1
+ b
1
,
2
+ b
2
, ...,
n
+ b
n
) y

k (
1
,
2
,...,
n
) = (k
1
,k
2
,...,k
n
)
el vector cero en K
n
es la n-plas de ceros
0 = (0,...,0)
y el opuesto de un vector se define por
-(
1

2,...,

n
) = (-
1
-
2,...,
-
n
)
La demostracin de que K
n
es un espacio
vectorial es idntica al teorema 2.1, que ahora
puede considerarse como la afirmacin de
que R
n
, con la operaciones ah definidas, es
un espacio vectorial sobre R.










ESPACIO DE MATRICES M
M, N.



La notacin M
m, n,
o simplemente M, se utilizara para
designar el conjunto de todas las matrices m*n sobre un
cuerpo arbitrario K.M
m, n.
, es un espacio vectorial sobre K
con respecto a las operaciones usuales de suma matricial y
producto por un escalar.




ESPACIO DE POLINOMIOS P(T)

Denotamos por P(t) el conjunto de todos los polinomios

0 +

1
t+
2,
t
2
+...+
n,
t
n

con coeficientes ai en algn cuerpo k. P(t) es un espacio
vectorial sobre K con respecto a las operaciones usuales de
suma de polinomios producto de un polinomio por una
constante.

ESPACIO DE FUNCIONES F(X)

Sean X un conjunto no vaco y K un cuerpo arbitrario.
Consideremos el conjunto F(X) de todas las funciones de X
en K.( ntese que F(X) es no vaco por serlo X). la suma de
dos funciones f,gF(X) es la funcin f+gF(X) definida por:

(f + g)(x) = f(x) + g(x) xX

y el producto de un escalar kK por una funcin fF(X) es la
funcin kfF(X) definida por:

(kf)(x)= kf(x) xX


(SUBESPACIO DE R
N
)



Un subconjunto V no vacio de R
n
se llama subespacio (vectorial o
lineal) de R
n
si satisface la siguiente propiedades.

1.- si U Y V, entonces U+V estn V.
2.-si C es cualquier escalar y U esta en V, entonces CU esta en V.

Las propiedades 1 y 2 implican que cualquier combinacin lineal de
elementos de V tambin estn V. si un conjunto S no vacio de R
n
satisface la parte

1 la definicin, se dice que S es cerrado bajo (o
respecto a) a la suma (vectorial). Si S cumple la parte 2, se dice que S
es cerrado bajo (o respecto a) a la multiplicacin por escalares. As, un
subespacio de R
n
es un subconjunto cerrado bajo la suma vectorial y la
multiplicacin por escalares.
Todo subespacio V de R
n
contiene el sector cero. 0 (V es un no vacio,
de modo que tiene al menos un elemento, por ejemplo u. pero entonces
0u=0 esta en V, segn la parte 2 de la definicin).
EJEMPLO: 1 {0 } Y R
n
. son subespacio de R
n


EXPLICACION {0 } es un subespacio de R
n
por que
0+0=0 y c0=o para toda c R


R
n
Es un subespacio de R
n
por que la suma de los vectores n
cualesquiera es un vector n, y cualquier mltiplo escalar de un vector
n es nuevo vector de n.
{0 } tambin se llama subespacio cero de R
n
. {0 } y R
n
. son
subespacios triviales de R
n
.




EJEMPLO 3
V= {(x,y,x+y),x,y R} es un subespacio de R
3.

EXPLICACION:

V es un no vacio (Por qu? Sean V1= (x1,y1,x1+y1) y V2=
(x2,y2,x2+y2) cualesquiera elemento de V y sea cualquier escalar
entonces

(x1,y1,,x1+y1)+(x2,y2,x2+y2)=(x1+x2,y1+y2,(x1+x2)+(y1+y2)
C(x1,y1,x1+y1)= (cx1,cy1,(cx1)+(cy1)
Por consiguiente, V1+V2,cV1 V. entonces, V es un subespacio de
R
3.


BASE DE UN SUBESPACIO DE RN
(
(BASE)

Un subconjunto no vacio B de un espacio V no cero de R
n
es una base de
V si
1.-B es linealmente independiente
2.-B genera a V

EJEMPLO 6 compruebe que
B={ , , }

Es una base de R
3


SOLUCION primero es necesario demostrar que B es linealmente
independiente que genera R
3.
Sea A la matriz cuyas columnas son
los vectores de B como

A= ~


EJEMPLO 7
es el conjunto S={(1,0,0),(0,1,0)} Es S una base del subespacio V=
{(x,y,,0),x,y R} de R
3

RESPUESTA
S es linealmente independiente, por que todas las columnas de A =


son pivote. S no es una base de R
3
por que A tiene 3 renglones y solo
2 pivotes, de modo que S no genera a R3. Por otra parte, S genera al
menor espacio V por que
(X, Y, 0)=X (1, 0,0)+Y (0, 1,0)
Por consiguiente, S si es una base de V.

EJEMPLO 8
Es el subconjunto T= {(1,1,1),(2,1,-1),(1,0,-2) } una base de R
3

RESPUESTAS

No, puesto que [ ][ ]



T no es linealmente independiente (3 columnas y solo 2 pivotes). En
realidad T ni siquiera genera a R
3
(3 renglones, solo 2 pivotes)

UNICIDAD DE COORDENADAS







UN SUBCONJUNTO B={ V1.V2} de V es una base de V si y solo si para
cada vector v en v hay escalares nicos c1.c
k
tales que
V= C1V1+.+C
K
V
K

EJEMPLO 9
Determine las coordenadas y el vector de coordenadas de v= (4,0,-4)
con respecto a la base B = {(1,1,-1),(0,1,2),(-2,1,0) }de R
3


SOLUCION
El hecho de que B sea de R
3
se verifica en el ejemplo. Ahora se
necesita escalares c1, c2 y c3 tales que c1
+C2 +C3 = al resolver el sistema


correspondiente se obtienen c1= 2, c2= y c3= -1. Por consiguiente [v]



INDEPENDENCIA LINEAL
Se dice que un conjunto de vectores v
1
,,v
n
de un espacio vectorial V es
linealmente dependiente si hay escalares c
1
,,c
n
, no todos cero, tales que





Se dice que v
1
,,v
n
es linealmente independientes si no es linealmente
dependiente. En otras palabras, la ecuacin (4.1) implica que .
Si S es cualquier subconjunto de V (posiblemente infinito), solo lo
llamaremos linealmente dependiente cuando contenga un subconjunto
finito linealmente dependiente. En cualquier otro caso, S es linealmente
independiente

0 .....
1 1
= + +
n n
v c v c
DEPENDENCIA E INDEPENDENCIA LINEAL

sea V un espacio vectorial sobre un cuerpo K. se dice que los vectores
son linealmente dependientes sobre K, o simplemente dependientes, si existen
escalares , no todos 0, tales que

V v v
m
e ,...,
1
K a a
m
e ,...,
1
0 ....
2 2 1 1
= + +
m m
v a v a v a
En caso contrario se dice que los vectores son linealmente independientes
sobre K, o simplemente independientes.
Observemos que la relacin (*) se verifica siempre si los a1 son todos 0. Si
la relacin solo se verifica en este caso, es decir,

0 ....
2 2 1 1
= + +
m m
v a v a v a
Implica
0 ,..... 0
1
= =
m
a a
COMBINACIONES LINEALES Y DEPENDENCIA
LINEAL

Las nociones de combinacin lineal y dependencia lineal estn
estrechamente relacionadas. De forma especfica, demostraremos que los
vectores , cuando hay ms de uno, son linealmente
dependientes si y solo si uno de ellos es la combinacin lineal de los otros:



Entonces sumando vi a ambos miembros, obtenemos



Donde el coeficiente de vi no es 0; por consiguiente, los vectores son
linealmente dependientes. Recprocamente, supongamos que los vectores
son linealmente dependientes, digamos.

m
v v v ,...., ,
2 1
m m i i i i i
v a v a v a v a v + + + + + =
+ +
... ....
1 1 1 1 1 1
0 ... ....
1 1 1 1 1 1
= + + + + +
+ + m m i i i i i
v a v a v v a v a
0 0 .... ....
1 1
= = + + + +
j m m j j
dondeb v b v b v b
La dimensin (del latn dimensio, "medida") es,
esencialmente, el nmero de grados de libertad para
realizar un movimiento en el espacio. Comnmente, las
dimensiones de un objeto son las medidas que definen
su forma y tamao
Comenzando estableciendo dos caminos equivalentes
para definir una base de un espacio vectorial V.
Definicin A: si un conjunto S= { u1, u2 un } de
vectores es una base de V si se verificaran las dos
condiciones:
1.- u1, u2 un son linealmente independientes
2.- u1, u2 un generan V
DEFINICIN B:

Un con junto S={ u1, u2 un } de dos vectores es
una base de V si todo vector veV puede escribirse
de forma nica como combinacin lineal de sus
vectores.
Se dice que un espacio vectorial es de dimensin
finita n o que es n-dimensional, escrito
Dim V=n
TEOREMA 1.-

Sea un vector espacio vectorial de dimensiones
finito. Entonces todas la bases de V tienen el
mismo nmero de elementos.
El espacio vectorial {0} tiene dimensiones 0, por
definicin. Cuando un espacio vectorial no es de
dimensin finita, se dice que es de dimensin
infinita.
Lema: supongamos que { v1, v2 ,vn}
que genera V y que {w1, w2 wm} es linealmente
independiente. En ese caso, msn y V esta
generado por un conjunto de la forma

{w1, w2 wm, v1, v2 ,vn-,m}
TEOREMA 2.- SUPONGAMOS QUE S
GENERA UN ESPACIO VECTORIAL V
cualquier numero mximo de vectores linealmente
independiente s en S es una base de V
si se suprime de S todo vector que sea combinacin
lineal de los precendentes, los vectores que quedan
constituyen una base de V
TEOREMA 3.-
sean V un espacio vectorial de dimensin finita y S= {
u1, u2 un } un conjunto de vectores linealmente
independientes en V. En ese caso, S es parte de una
base de V, es decir extebnderse a una base de V
TEOREMA 4.-
sea W un subespacio de un espacio n-dimensional
V. entonces dim Wsn. si en particular, dim W= n,
necesariamente W=V
4.5 ESPACIO VECTORIAL CON PRODUCTO
INTERNO Y SUS PROPIEDADES












ESPACIO VECTORIAL CON PRODUCTO INTERNO Y
SUS PROPIEDADES

Sea V un espacio vectorial real. Supongamos que a
cada par de vectores u, u V se le asigna un numero
real, denotado por<u,v>.
esta funcin se llama producto interno(real) en V si
satisface las axiomas:
[I
1
](propiedad lineal)<au1+bu2,u>=a<u1,u>+b<u2,u>.
[I
2
] propiedad simtrica =
[I
3
]propiedad definida positiva si y solo si u= 0

u u v u , , =
El espacio vectorial V se denomina entonces
espacio (real)con producto interno.
El axioma [I1] es equivalente a las dos condiciones:
A)
B)
w u k u ku , , =
u u u u u u u , 2 , 1 , 2 1 + = +
EJEMPLOS
1) Si u=(3,-2), v=(4,5) .Calcular <u,v>


2) Si u=(4,-3), v=(5,6) .Calcular <u,v>

ORTOGONALIDAD
Sea V un espacio con producto interno, se
dice que los vectores u,v V son ortogonales
y que u es ortogonal a v si

La relacin es claramente simtrica, es decir si
u es ortogonal a v necesariamente y
por lo tanto v es ortogonal a u. Hacemos notar
que 0 es ortogonal a todo ya que

Recprocamente si u es ortogonal a todo ,
entonces, luego por
observemos que son ortogonales si y solo
si ,siendo el ngulo entre ,lo que es
cierto si y solo si son perpendiculares esto es
si ).
EJEMPLO 6.5
Consideremos un vector arbitrario en
R. Un vector es ortogonal a u si
COMPLEMENTOS ORTOGONALES
Sea S un subconjunto de un espacio con
producto interno v. El complemento ortogonal de
S, denotado por S (ledo S perp), consiste en
aquellos vectores de V que son ortogonales a
todo vector
En particular, para un vector dado u en V,
tendremos
Es decir, u consiste en todos los vectores que son
ortogonales al vector dado u. Probemos que S
es un sub espacio de V.
Obviamente, Puesto que 0 es ortogonal
a todo vector V. Supongamos ahora que
En tal caso, para todo par de escalares a y b y
todo vector



De este modo,
Establezcamos formalmente este resultado.
Sea v un vector en el espacio vectorial V de dimensiones finitas, y sean
dos bases. A continuacin definiremos una relacin

entre .

{ } { }
, ,
1
,
1
,...., ,...,
n n
v v yB v v B = =
| | | | ,
B B
v y v
Como B, es una base, los elementos de B son combinaciones lineales de los
elementos de B, Entonces hay escalares tales que

nn
a a a ,..., ,
12 11
, ,
1 1
...
n ni i i
v a v a v + + = n i ,....., 2 , 1 =
P es la matriz cuyo elemento (i,j) es a
ij



{ } { }
, ,
1
,
1
,...., ,...,
n n
v v yB v v B = =
Sean
dos bases de un espacio vectorial de dimensin finita. Sea P la matriz n x n cuyas
columnas son

| | | | , ,
,...., 1 B n B
v v
| | | | | | | | , , , ....
2 1
B
n B B
v v v P =
Entonces P es invertible y esta es la nica matriz en la que para todo ,

V v e
| | | |
B B
v P v = ,
En este prrafo describiremos un mtodo muy importante, llamado proceso de
Gram-Schmidt, que nos permite ortogonalizar cualquier base B de cualquier
subespacio V de R; es decir, transformar a esta en una nueva base de V que tenga
vectores ortogonales.

Sea V cualquier subespacio de R y cualquier base de V.se desea
reemplazar en forma en forma gradual a los vectores por los vectores
que sean ortogonales y que sigan formando una base V. primero, reemplazamos el
conjunto por un conjunto ortogonal tal que Gen =Gen .

{ }
k
v v B ,....,
1
=
k
v v ,.....,
1 k
u u ,......,
1
{ }
2 1
, v v { }
2 1
, u u { }
2 1
, v v { }
2 1
, u u
Ejercicio

Determine una base ortonormal y una ortonormal de R
3
aplicando el proceso de
Gram-Schmidt a la base , en el cual

(
(
(

=
(
(
(

=
(
(
(

=
4
2
1
,
1
3
2
,
1
1
1
3 2 1
v v v
Solucin: sea u1=v1. Como en ese caso

3 . 6 .
1 1 1 2
= = u yu u v
(
(
(

=
(
(
(

(
(
(

=
=
1
1
0
1
1
1
3
6
1
3
2
.
.
1
1 1
1 2
2 2
u
u u
u v
v u
Ya que 2 . 2 . , 5 .
2 2 2 3 1 3
= = = u yu u v u v entonces
2
2 2
2 3
1
1 1
1 3
3 3
.
.
.
.
u
u u
u v
u
u u
u v
v u =
(
(
(
(
(
(

=
(
(
(

(
(
(

(
(
(

=
3
4
3
4
3
8
1
1
0
2
2
1
1
1
3
5
4
2
1
As la base ortogonal es

{ } donde u u u B , , ,
3 2 1
,
=
(
(
(
(
(
(

=
(
(
(

=
(
(
(

=
3
4
3
4
3
8
,
1
1
0
,
1
1
1
3 2 1
u u u
Por ultimo, normalizamos para obtener una base ortonormal B:

=
6
1
6
1
6
2
,
2
1
2
1
0
,
3
1
3
1
3
1
" B