Espacio Vectorial, Definiciones y Propiedades

Introducción y propiedades de los subespacios vectoriales

ESPACIO VECTORIAL

Un espacio vectorial real es una dupla (V, R) conformada por un conjunto no

vacío V y el conjunto de los números reales R, el cual está provisto de dos

operaciones llamadas suma (+) y multiplicación por escalar (·) que satisfacen los

siguientes axiomas:

Axiomas para a suma

S1. Cerradura de la suma: Si u y v son elementos de V , entonces

u+v∈V.

S2. Conmutatividad de la suma: Si u y v son elementos de V , entonces

u + v = v + u.

S3. Asociatividad de la suma: Si u, v y w son elementos de V , entonces

(u + v) + w = u + (v + w).

S4. Existencia de elemento neutro aditivo: Existe un elemento en V , el cual

llamaremos vector nulo de V y denotado como 0V tal que, para cada u ∈ V se

tiene que u + 0V = 0V + u = u.

S5. Existencia de elemento opuesto para la suma: Para cada u ∈ V , existe un

u´nico elemento en V , llamado vector opuesto de u y denotado por −u, tal que

u + (−u) = (−u) + u = 0V .
 Axiomas para la multiplicación:

M1. Cerradura de multiplicación por escalar: Si α ∈ R y u es un elemento de V,

entonces αu ∈ V.

M2. Distributivita respecto a la suma de vectores: Si α ∈ R y u, v ∈ V, entonces

α(u + v) = αu + αv.

M3. Distributivita de la multiplicación por escalar con respecto a la suma

de dos escalares: Si α, β ∈ R y u ∈ V entonces

(α + β) u = αu + β u.

M4. Asociatividad de la multiplicación por escalar: Si α, β ∈ R y u ∈ V

entonces (αβ) u = α (β u) = β (αu).

M5. Propiedad del escalar 1: Si u ∈ V entonces 1 · u = u.

SUBESPACIO VECTORIAL

Dado un espacio vectorial V, se dice que un subconjunto S de V es un subespacio vectorial

si contiene al vector K, y si al efectuar las operaciones de suma y producto por escalar entre

vectores de S, el resultado permanece en S.

(Se puede decir que S es “cerrado” para las operaciones suma y producto por escalar.)

Es decir:

•0∈S.K

• Si v, w ∈ S entonces v + w ∈ S.

• Si v ∈ S y λ es un escalar, entonces λv ∈ S.
 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 S (se dice que “hereda” las
propiedades de las operaciones en V).
Por supuesto si para V utilizamos escalares reales, también para S; si para V utilizamos
complejos, también para S.
Ejemplo de subespacios.
1) La recta x=y es un subespacio de2 ℜ. Está formado por los vectores de la forma (a,a).
Contiene al vector (0,0).
Además, es cerrado para la suma y producto por escalar:
• Suma: (a,a) + (b,b) = (a+b, a+b) que también es un elemento de la recta.
• Producto por un escalar: λ∈ℜ , λ(a,a) = (λa, λa) que también es un elemento de la recta.

Descripción de los subespacios de Rn.

Los subespacios de ℜ n pueden describirse de dos formas: implícita y paramétrica.

• Forma implícita: Mediante ecuaciones. Los vectores que verifiquen las ecuaciones son
los que pertenecen al subespacio.

• Forma paramétrica: Mediante una expresión con parámetros, los cuales al tomar
distintos valores producen todos los vectores del subespacio.

 Para pasar de una a otra forma:

• De la forma implícita a la paramétrica: Basta considerar las ecuaciones implícitas como

un sistema, y resolverlo. La solución general del sistema (que podrá depender de parámetros)
es la expresión paramétrica.
• De la forma paramétrica a la implícita: Podemos decir, aunque no es un método
riguroso, que se trata de “describir” mediante ecuaciones cómo es el vector genérico del
subespacio.

DEPENDENCIA E INDEPENDENCIA LINEAL

Definición: 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 S es subespacio, basta probar que:
La combinación lineal de elementos de S está en S.
(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.

Ejemplo.
Veamos si es subespacio de ℜ2 el conjunto U={ (λ, λ) : λ∈ ℜ }.
Tomamos dos elementos genéricos de U, (λ, λ) y (µ, µ). Una combinación lineal de ellos
es:
α (λ, λ) + β (µ, µ) = (αλ+βµ, αλ+βµ) que también es un elemento de U.
Por tanto U es subespacio.
 Definición: Dependencia lineal.
Se dice que un conjunto de vectores es linealmente dependiente (o ligado) si:
(a) Al menos uno de ellos es combinación lineal de los demás.
Esto se puede expresar también así:
G
(b) El vector 0 es combinación lineal de ellos (con coeficientes no todos nulos).

Observación

Si un conjunto es linealmente dependiente, entonces por (a) sabremos que existe algún
vector entre ellos que es combinación lineal de los demás. Pero esto no quiere decir que
“cualquier” vector de ellos sea combinación lineal de los demás.

Por ejemplo, el siguiente conjunto en ℜ3 podemos comprobar que es ligado:

u=(1,0,0), v=(0,1,0), w=(1,1,0), k=(0,0,1),

ya que, por (a), tenemos que w = u + v (es decir, w=1u + 1v + 0k ), hay un vector que es
combinación lineal de los demás. Pero no “cualquier” vector lo es, puesto que k no es
combinación lineal de los demás. Esto se puede ver poniendo
(0,0,1) = α (1,0,0) + β (0,1,0) + γ (1,1,0)
k
y viendo que se obtiene un sistema incompatible.
u
v
w

Definición: Independencia lineal.

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:
(a) Ninguno de ellos es combinación lineal de los demás.

(b) La única forma de poner 0 como combinación lineal de los vectores, es con todos los
coeficientes nulo.
SISTEMAS GENERADORES

Definición: Subespacio generado y sistema generador.

Dado un conjunto de vectores v1, . . . , vr , el conjunto de todas las posibles
combinaciones lineales de ellos se llama subespacio generado (o engendrado) por v1, . . . ,
vr .
Se dice también que dichos vectores son un sistema generador del subespacio (o del
espacio, en su caso).

Observación.

Notar que, dado un conjunto de vectores, el conjunto de todas sus combinaciones lineales
es efectivamente un subespacio:
- la suma de dos combinaciones lineales de v1, ... , vr es otra combinación lineal de v1, ... , vr .
- el producto de un escalar por una combinación lineal de v1, ... , vr es otra combinación
lineal de v1, ... , vr .

Ejemplos.

1) En ℜ2 , un vector no nulo v genera una recta ( los vectores de la forma αv ).

2) En ℜ3 : Dos vectores generan un plano.

Tres vectores que estén en el mismo plano, generan ese plano.
Tres vectores que no estén en el mismo plano, generan todo el espacio ℜ3 .
 APLICACIÓN:

EJEMPLO #1:

El conjunto de puntos en ℜ2 que esta en la recta y=3x+2 ¿Es un espacio vectorial?

- Este conjunto de vectores lo podemos escribir de la suma {x, 3x+2},

⃗ = {𝑥1 , 3𝑥 + 2} y 𝑣 = {𝑥2 , 3𝑥2 + 2}

Sea 𝑢

⃗ + 𝑣 = (𝑥1 , 3𝑥 + 2) + (𝑥2 , 3𝑥2 + 2 )

𝑢

= (𝑥1 + 𝑥2 , 3𝑥 + 3𝑥2 , 4)

= (𝑥1 + 𝑥2 , 3(𝑥 + 𝑥2 ), 4) ≠ (𝑥1 + 𝑥2 , 3(𝑥 + 𝑥2 ), 2)

Es un vector que no está en el conjunto {𝑥1 , 3𝑥 + 2} y no se cumple la prop 1 de la

suma. El conjunto no es espacio vectorial.

EJEMPLO#2:

𝒗𝟏 = (𝟏, 𝟐, 𝟑)
a) Constituyen los vectores ⃗⃗⃗⃗ ⃗ 𝟐 = (𝟐, −𝟏, 𝟎) ⃗⃗⃗
𝒗 𝒗 𝟑 = (𝟏, 𝟏, 𝟎)

una base de ℜ3

b) Hallar las coordenadas de (2,4,6) en dicha base

1 2 3
𝐴 = 2 −1 0
1 1 0

R(A)=n° vectores l. independientes

R(A)= dimensiones (V)

1
 1 2 3
|2 −1 0| = 0 + 0 + 6 + 3 + 0 + 0 = 9 ≠ 0
1 1 0

R(A)= 3 → ⃗⃗⃗⃗
𝑣1 𝑣2 𝑦 𝑣
⃗⃗⃗ 3 son Lin. Independientes.

Después de saber que son linealmente independientes Hay que comprobar si

es un ¿Conjunto de generadores?

Entonces será un conjunto de generadores si los vectores (x, y, z) son

combinación lineal de cada uno de los vectores dados

(𝑥, 𝑦, 𝑧) = 𝛼1 (1,2,3) + 𝛼2 (2, −1,0) + 𝛼3 (1,1,0)

𝑥 = 𝛼1 + 2𝛼2 + 𝛼3

𝑦 = 2𝛼1 − 𝛼2 + 𝛼3

𝑧 = 3𝛼1

Después de sustituir las ecuaciones serian:

𝑧
𝛼1 =
3
𝑥 𝑦 𝑧
𝛼2 = − +
3 3 9

𝑥 2 5
𝛼3 = + 𝑦− 𝑧
3 3 9

2
 Reemplazando las coordenadas (2,4,6) en nuestra base

X=2 , Y=4 , Z=6

𝛼1 = 2

𝛼2 =0

𝛼3 =0

Las coordenadas son (2, 0, 0)

EJEMPLO#3:

⃗ = (1,0,1) 𝑦 𝑣 = (1,1,1)
Sea el subespacio A€ ℜ3 generado por 𝑢

a) Determine una base, unas ecuaciones paramétricas e implícitas.

Antes de realizar el ejercicio tenemos que comprobar si son linealmente

dependientes o independientes, por lo tanto:

𝟏 𝟎 𝟏
A=
𝟏 𝟏 𝟏
𝟏 𝟎
| |=𝟏−𝟎=𝟏≠𝟎
𝟏 𝟏

R(A)=2 𝑢
⃗ 𝑦 𝑣
⃗⃗⃗ 𝑠𝑜𝑛 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

(𝑥, 𝑦, 𝑧) = 𝜆(1,0,1) + 𝛽(1,1,1)

Resolviendo la combinación lineal:

𝒙=𝝀 +𝜷
ECUACIONES
𝒚=𝜷
PARAMÉTRICAS
𝒛=𝝀+𝜷

3
 𝒙=𝝀+𝒚
𝒙=𝒛−𝒚+𝒚
𝒙=𝒛
ECUACIÓN

𝒙−𝒁=𝒐 IMPLICITA

4
 Transformación lineal

Definición y propiedades de las transformaciones lineales

¿Qué son las transformaciones lineales?

En primer lugar, una transformación lineal es una función. Por ser función, tiene

su dominio y su codominio, con la particularidad de que éstos son espacios vectoriales.

Tenemos dos espacios vectoriales VV y WW, y una función que va de VV a WW. O sea,

una regla de asignación que transforma vectores de VV en vectores de WW. Pero no

toda función que transforme vectores de VV en vectores de WW es una transformación

lineal. Debe cumplir ciertas condiciones:

F:V→WF:V→W es una transformación lineal si y sólo si:

1. F(u+v)=F(u)+F(v) ∀u,v∈VF(u+v)=F(u)+F(v) ∀u,v∈V

2. F(k.v)=k.F(v) ∀v∈V, ∀k∈RF(k.v)=k.F(v) ∀v∈V, ∀k∈R

Propiedades de una transformación lineal

Propiedad 1

La imagen del vector nulo del dominio 0V0V es el vector nulo del codominio 0w0w:

T(0V)=0wT(0V)=0w

Demostración:

T(0V)=T(0.v)=0.T(v)=0.w=0WT(0V)=T(0.v)=0.T(v)=0.w=0W

Donde hemos expresado a 0V0V como el producto del escalar 00 por cualquier vector del

espacio vectorial VV, hemos usado la segunda condición que debe cumplir una transformación

5
lineal, y finalmente hemos vuelto a usar la propiedad de espacios vectoriales sobre el producto

del escalar 0 por cualquier vector.

Propiedad 2

La imagen del vector –v–v es igual al opuesto de la imagen de vv:

T(–v)=–T(v)T(–v)=–T(v)

Demostración:

T(–v)=T(–1.v)=–1.T(v)=–T(v)T(–v)=T(–1.v)=–1.T(v)=–T(v)

La justificación de los pasos dados en la demostración es similar a la anterior.

Propiedad 3

Consideremos rr vectores del espacio vectorial VV:

v1,v2,…,vr∈Vv1,v2,…,vr∈V

Tomemos una combinación lineal en el dominio:

α1v1+α2v2+α3v3+...+αrvrα1v1+α2v2+α3v3+...+αrvr

Donde αi∈Rαi∈R.

Si aplicamos la transformación lineal FF de VV a WW, teniendo en cuenta las propiedades

enunciadas en la definición, resulta:

F(α1v1+α2v2+α3v3+...+αrvr)=α1F(v1)+α2F(v2)+…+αrF(vr)F(α1v1+α2v2+α3v3+.

..+αrvr)=α1F(v1)+α2F(v2)+…+αrF(vr)

Es decir que una transformación lineal “transporta” combinaciones lineales de VV a WW,

conservando los escalares de la combinación lineal.

6
 Proyección de vectores
El concepto de ángulo entre vectores es bien conocido de cursos anteriores y geomé-

tricamente intuitivo. Este concepto nos permite “imaginar” el resultado de aplicar ciertas

transformaciones lineales en los espacios vectoriales R2 y R3, presentes constantemente

en el día a día, como son las rotaciones o las proyecciones. En este tema nos vamos a

centrar en estas últimas, que suelen interpretarse como la sombra que un vector dibujaría

sobre una recta o un plano; la longitud de esta sombra dependerá, obviamente, del

ángulo con que la luz incide en la recta o plano de proyección.

7
 Rotaciones
Movimiento rotacional es el movimiento de cambio de orientación de un cuerpo rígido

de forma que dado un punto cualquiera del mismo, este permanece a una distancia

constante de un punto fijo. En este video hablaremos sobre el concepto de rotación,

consideraremos principalmente la rotación de objetos rígidos.

Un objeto rígido es un cuerpo que tiene una forma definida que no cambia, y las

partículas que lo componen permanecen fijas.

Un objeto rígido puede presentar dos movimientos distintos, estos movimientos son

conocidos como movimiento de rotación y movimiento de traslación.

El movimiento rotacional es el movimiento de cambio de orientación de un cuerpo

rígido, de forma que dado un punto (P) cualquiera del mismo, este permanece a una

distancia constante de un punto fijo (O). Para determinar cuánto a girado o rotado el

cuerpo, se debe indicar su posición angular especificando el ángulo θ que une el punto

P con el eje de rotación con respecto a una línea de referencia,que en este caso es el

eje horizontal X, en otras palabras, el ángulo θ es el ángulo formado por el radio (r) o

distancia del punto P al origen y el eje de referencia, que en este caso es el eje X,

podemos decir entonces que este ángulo mide cuanto a rotado el cuerpo en un tiempo

determinado.

La distancia recorrida por el punto P para este movimiento en un tiempo determinado

es igual a la longitud de arco asociada con el ángulo θ. A pesar que la manera más

utilizada para medir los ángulos son los grados, para este tipo de movimiento se usan

los radianes (rad), un radián se define como el ángulo subtendido por un arco de longitud

igual al radio. Teniendo en cuenta estas definiciones tenemos entonces que

8
matemáticamente el ángulo θ puede ser determinado como: θ=l/r donde l es la longitud

de arco y r es el radio medido entre el origen y el punto P o que l=θr, a partir de estas

dos ecuaciones podemos llegar a la relación entre grados y radianes, en el video se

explica como llegan a la conclusión de que 360°=2πrad

9
 Reflexiones

Una reflexión es una transformación que representa un giro de una figura. Las

figuras pueden ser reflejadas en un punto, una recta, o un plano. La imagen es

congruente a la premiaren.

Hay algunas reflexiones sencillas, que se pueden utilizar fácilmente en el plano.

Antes que nada, hay 2 métodos que se explicara

Reflexión en el eje de las Y :

En una Reflexión de Un Punto Sobre el eje de las Y

Se puede utilizar el método de matrices

−1 0 𝑥 −𝑥
[ ] [𝑦 ] = [ 𝑦 ]
0 1

O llevar directamente (𝑥, 𝑦) → (−𝑥, 𝑦)

Reflexión en el eje de las X:

En una Reflexión de Un Punto Sobre el eje de las X

Se puede utilizar el método de matrices

1 0 𝑥 𝑥
[ ] [𝑦] = [−𝑦]
0 −1

O llevar directamente (𝑥, 𝑦) → (𝑥, −𝑦)

10
Reflexión en la recta Y = X :

En una Reflexión de Un Punto Sobre el eje de las Y = X

Se puede utilizar el método de matrices

0 1 𝑥 𝑦
[ ] [𝑦 ] = [ ]
1 0 𝑥

O llevar directamente (𝑥, 𝑦) → (𝑦, 𝑥)

Reflexión en la recta Y = -X :

En una Reflexión de Un Punto Sobre el eje de las Y = X

Se puede utilizar el método de matrices

−1 0 𝑥 −𝑥
[ ] [𝑦] = [−𝑦]
0 −1

O llevar directamente (𝑥, 𝑦) → (−𝑥, −𝑦)

11
 Núcleo e Imagen de una Transformación Lineal

Definición (la imagen de una transformación lineal)

Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L (V, W). La imagen de

T se define como el conjunto de todos los valores de la aplicación T.

Definición (el núcleo de una transformación lineal)

Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L (V, W). El núcleo

(kernel, espacio nulo) de T se define como la preimagen completa del vector nulo:

Proposición (el núcleo de una transformación lineal es un subespacio vectorial del

dominio)

Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L (V,W).Entonces ker(T

) es un subespacio de V .

Proposición (la imagen de una transformación lineal es un subespacio vectorial del

codominio)

12
 Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L (V, W ). Entonces im

(T ) es un subespacio de W .

Parte de demostración. Se aplica el criterio de subespacio. Se demuestra que el conjunto

im (T ) es cerrado bajo la adición y bajo la multiplicación por escalares, además contiene

al vector cero.

Mostremos que el conjunto im (T) es cerrado bajo la adición. Sean w1, w2 ∈ im (T).Por

la definición de la imagen, existen v1, v2 ∈ V tales que w1 = T (v1), w2 = T (v2). Por la

linealidad de T,

T (v1 + v2) = T (v1) + T (v2) = w1 + w2.

Logramos encontrar un vector x = v1 + v2 tal que T (x) = w1 + w2. Por la definición de

la imagen, esto implica que w1 + w2 ∈ im (T ).

Núcleo e Imagen son subespacios

La propiedad fundamental del núcleo y del contradominio es que ambos son espacios

vectoriales:

Teorema Sea T: V → W una transformación lineal. Entonces

Ker (T) es un subespacio de V.

R (T) es un subespacio de W.

Demostración

El núcleo de T es subespacio

Sean v1 y v2 elementos del núcleo de T y c un escalar cualquiera. Así T(v1) = 0 =

T(v2), y por tanto:

13
 T (c1 v1 + c2 v2) = c1 T(v1) + c2 T(v2) = c1 0 + c2 0 = 0

Probando que c1 v1 + c2 v2 está también en el núcleo de T. Lo cual a su vez prueba

que el núcleo de T es un subespacio de V.

La imagen de T es subespacio

Sean w1 y w2 elementos de la imagen de T y c un escalar cualquiera. Así T (v1) = w1

y T (v2) = w2 para algunos v1 y v2 en V, y por tanto:

T (c1 v1 + c2 v2) = c1 T(v1) + c2 T(v2) = c1 w1 + c2 w2

Probando que c1 w1 + c2 w2 es imagen de c1 v1 + c2 v2 y por consiguiente c1 w1 +

c2 w2 está también en la imagen de T. Lo cual a su vez prueba que la imagen de T es

un subespacio de W.

14