UNIDAD DOS

ESPACIOS VECTORIALES
2.1. ESPACIOS Y SUBESPACIOS VECTORIALES, SOBRE EL CUERPO DE
LOS REALES
2.11. Definicion y Propiedades
Un espacio vectorial es un conjunto no vacío VV de objetos, llamados vectores,
en el que se han definido dos operaciones: la suma y el producto por un escalar (número
real) sujetas a los diez axiomas que se dan a continuación. Los axiomas deben ser
válidos para todos los vectores uu, vv y ww en VV y todos los escalares αα y ββ reales.
Llamamos u+vu+v a la suma de vectores en VV, y αvαv al producto de un número
real αα por un vector v∈Vv∈V (algebra, 2017).
Propiedades
1. u+v∈Vu+v∈V
2. u+v=v+uu+v=v+u
3. (u+v)+w=u+(v+w)(u+v)+w=u+(v+w)
4. Existe un vector nulo 0V∈V0V∈V tal que v+0V=vv+0V=v
5. Para cada vv en VV, existe un opuesto (–v)∈V(–v)∈V tal que v+(–v)=0Vv+(–v)=0V
6. αv∈Vαv∈V
7. α(u+v)=αu+αvα(u+v)=αu+αv
8. (α+β)v=αv+βv(α+β)v=αv+βv
9. α(βv)=(αβ)vα(βv)=(αβ)v
10. 1v=v

A partir de los axiomas de espacios vectoriales, pueden demostrarse estas

propiedades que resultan «naturales»:

Propiedad 1

0u=0V0u=0V
Propiedad 2

α0V=0Vα0V=0V
Propiedad 3
(–α)u=–(αu)(–α)u=–(αu)
En particular, para α=1α=1 :(–1)u=–u(–1)u=–u
Propiedad 4

αu=0V⇒α=0∨u=0Vαu=0V⇒α=0∨u=0V
Veamos cómo puede demostrarse esta última propiedad:
Si α=0α=0 , se cumple la proposición.
Si α≠0α≠0 , podemos multiplicar por 1α1α :
αu=0V⇒1ααu=1α0V⇒u=0V

2.1.2 Subespacio Vectorial

Sea H un subconjunto no vacío 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 sub espacio de V. 

Existen múltiples ejemplos de sub espacio, sin embargo, en primer lugar, se demostrará
un resultado que hace relativamente sencillo determinar si un subconjunto de V es en
realidad sub espacio de V

Teorema de sub espacio

Un subconjunto no vacio de H de un espacio vectorial V es un sub espacio de V

si se cumplen las dos reglas de cerradura:

Reglas de cerradura para ver si un subconjunto no vació es un sub espacio

i)                  Si x € H y y € H, entonces x + y € H.

ii)               Si x € H, entonces αx € H para todo escalar α.

Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura se

deberán cumplir. De lo contrario, para demostrar que es un espacio vectorial, se deberá
demostrar que los axiomas i) a x) de la definición cumplen bajo las operaciones de suma
de vectores y multiplicación por un escalar definidas en V. Las dos operaciones de
cerradura [axiomas i) y iv)] se cumplen por hipótesis, como los vectores en H son
también vectores en V, las identidades asociativa, conmutativa, distributiva y
multiplicativa [axiomas ii), v), vii), viii), ix) y x)] se cumplen.

Este teorema demuestra que para probar si H es o no es un sub espacio 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.

Propiedades de sub espacio vectorial

1). El vector cero de V está

en H.2
 
2). H es cerrado bajo la suma de vectores. Esto es, para cada u y v en    
       H, la suma u + v está en H.
 
3). H es cerrado bajo la multiplicación por escalares. Esto es, para cada
     u en  H y  cada escalar c, el vector cu está en H (Sistemas Algebra Lineal, n.d.).

2.1.3 Combinaciones lineales. subespacio generador y generado.

Definicion

Sea V un espacio vectorial sobre un campo F, y sean v1,…,vn vectores en V. Por

definición, V contiene a todos los vectores de la forma c1v1+⋯+cnvn con c1,…,cn∈F.
La colección de los vectores de este estilo es importante y le damos una definición
formal:

Definición. Sean v1,…,vn vectores en un espacio vectorial V sobre F.

1. Un vector v es una combinación lineal de los vectores v1,…,vn si existen

escalares c1,…,cn∈F tales que
v=c1v1+c2v2+⋯+cnvn.
2. El espacio generado (que a veces abreviaremos como el generado) por v1,
…,vn es el subconjunto de V de todas las combinaciones lineales de v1,…,vn, y
lo denotamos por span(v1,…,vn) (El Blog de Leo, 2017).
Subespacio generado

Sean v1,v2,…,vrv1,v2,…,vr vectores de un espacio vectorial VV.

1. El vector nulo puede expresarse como combinación lineal de dichos vectores:

0V=0v1+0v2+…+0vr0V=0v1+0v2+…+0vr
2. Si sumamos dos combinaciones lineales de los vectores dados, obtenemos otra
combinación lineal:

(a1v1+…+arvr)+(b1v1+…+brvr)=(a1+b1)v1+…+(ar+br)vr(a1v1+…+arvr)+(b1v1+…
+brvr)=(a1+b1)v1+…+(ar+br)vr
3. Si multiplicamos un escalar k por una combinación lineal de los vectores dados,
obtenemos una combinación lineal de dichos vectores:

k(a1v1+…+arvr)=(ka1)v1+…+(kar)vrk(a1v1+…+arvr)=(ka1)v1+…+(kar)vr
Estas tres condiciones permiten afirmar que el conjunto de todas las combinaciones
lineales de v1,v2,…,vrv1,v2,…,vr es un subespacio de VV.
Entonces:

Dados los vectores v1,v2,…,vrv1,v2,…,vr en VV, llamamos subespacio

generado por v1,v2,…,vrv1,v2,…,vr al conjunto de todas las combinaciones lineales de
estos vectores. Lo denotamos con la expresión gen{v1,v2,…,vr}gen{v1,v2,…,vr}
gen{v1,v2,…,vr}={v∈V:v=α1v1+α2v2+…+αrvr,conαi∈R}gen{v1,v2,
…,vr}={v∈V:v=α1v1+α2v2+…+αrvr,conαi∈R}
subespacio de VV ([Link], n.d.).

2.1.4 Dependencia e Independencia Lineal.

Un conjunto de vectores libres son linealmente independientes si ninguno de
ellos se puede escribir como una combinación lineal de los otros.

Es decir, dado un conjunto de vectores   estos son

linealmente independientes si la única solución de la siguiente ecuación:
Son todos los coeficientes   iguales a 0:

Un conjunto de vectores libres del plano son linealmente dependientes si alguno de

ellos se puede expresar como combinación lineal de otros vectores que forman el
sistema.

Es decir, dado un conjunto de vectores   estos son

linealmente dependientes si existe alguna solución de la siguiente ecuación:

En la que algún coeficiente   es diferente de 0:

También se cumple el recíproco: si un vector es combinación lineal de otros vectores,

entonces todos los vectores del conjunto son linealmente dependientes.

A parte, si dos vectores son paralelos implica que son linealmente dependientes.

En ocasiones también se abrevia y se dice simplemente que son vectores LD. O incluso
que los vectores tienen dependencia lineal.
  Si el determinante de la matriz compuesta por las componentes de los
vectores es diferente de cero, significa que el sistema de ecuaciones solo

tiene una solución ( ) y, en

consecuencia, los vectores son linealmente independientes
 En cambio, si el determinante de la matriz compuesta por las
componentes de los vectores es igual a cero, implica que el sistema de
ecuaciones tiene más de una solución y, en consecuencia, los vectores
son linealmente dependientes.

La dependencia o independencia lineal de vectores posee las siguientes características:

 Dos vectores proporcionales son paralelos y, en consecuencia, son

linealmente dependientes porque tienen la misma dirección.
 Del mismo modo, si dos vectores no tienen la misma dirección o no son
proporcionales, estos son linealmente independientes.
 Tres vectores coplanarios (que están en el mismo plano) son linealmente
independientes.

 El vector nulo   es linealmente dependiente con

cualquier vector.
 Un conjunto de vectores linealmente independientes generan un espacio
vectorial y forman una base vectorial. Si los tres vectores son
perpendiculares se trata de una base ortogonal. Y si, además, su módulo
es igual a 1 corresponde a una base ortonormal (Geometria Analitica,
2012).

2.1.5 Bases y dimensión.

Se llama base de un espacio (o subespacio) vectorial a un sistema generador de
dicho espacio o subespacio, que sea a la vez linealmente independiente. Propiedades de
las bases.
1. Una base de S es un sistema generador minimal de S (lo más pequeño posible). 2.
Además es un conjunto independiente maximal dentro de S (lo más grande posible). 3.
Una base de S permite expresar todos los vectores de S como combinación lineal de
ella, de manera única para cada vector.
Todas las bases de un mismo espacio o subespacio tienen el mismo número de vectores.
Se llama dimensión de dicho espacio o subespacio.
Por tanto, la dimensión es el máximo número de vectores independientes que podemos
tener en el espacio o subespacio. En otras palabras, es el máximo rango que puede tener
un conjunto de vectores dicho [Link] también el rango de cualquier sistema
generador de dicho espacio.
Propiedades de la dimensión.
1. Significado físico de la dimensión: el espacio tiene dimensión 3, los planos
dimensión 2, las rectas dimensión 1, el punto dimensión 0. El subespacio {0} es el
único de dimensión 0. 2. La dimensión de un subespacio en ℜn , coincide con el número
de parámetros libres en su forma paramétrica. (1 parámetro=recta, 2 parámetros=
plano...) 3. Si S y T son subespacios y S está contenido en T, entonces dim S ≤ dim T.
Además, si se da la igualdad, dim S = dim T, entonces ambos espacios han de coincidir.
4. El rango de una familia de vectores, es igual a la dimensión del subespacio que
generan. Es decir: si v1,v2,. . . vn generan un cierto subespacio S, y si el rango de dicho
conjunto es r, entonces dim S = r. (Si un cierto conjunto de vectores tienen rango 2,
entonces generan un plano; etc (Bases, 2015).
2.1.6 Operaciones con Subespacios vectoriales: Suma, suma directa, intersección.
Suma de subespacios

Dados S,TS,T subespacios de VV, se define la suma como sigue:

S+T={v∈V:v=v1+v2,conv1∈S,v2∈T}S+T={v∈V:v=v1+v2,conv1∈S,v2∈T} suma de
subespacios
Propiedad: S+TS+T es un subespacio del espacio vectorial VV.
Dejamos la demostración a cargo del lector.

Si conocemos conjuntos generadores de S y de T, podemos hallar generadores de la

suma:

S=gen{v1,v2,…,vq}S=gen{v1,v2,…,vq} y T=gen{w1,w2,…,wr}T=gen{w1,w2,…,wr} 
⇒S+T=gen{v1,v2,…vq,w1,w2,…,wr}⇒S+T=gen{v1,v2,…vq,w1,w2,…,wr}
Para hallar la suma es usual buscar las bases de SS y TT. Como las bases son conjuntos
generadores LI, si conocemos una base de cada subespacio podremos obtener un
conjunto generador de la suma:
Dadas las bases:

Bs={v1,v2,…,vq}Bs={v1,v2,…,vq} y BT={w1,w2,…,wr}BT={w1,w2,…,wr}
Resulta:

{v1,…,vq,w1,…,wr}{v1,…,vq,w1,…,wr} conjunto generador de la suma.

Observación: Se obtiene así un conjunto generador de la suma pero no siempre es
linealmente independiente.

 Si es LI, encontramos una base de la suma.

 Si es LD, podemos extraer una base de la suma eliminando los vectores
«que sobran».

Suma directa

La suma de dos subespacios es directa si y sólo si la intersección de los

subespacios es el vector nulo (Alegebra y geometria analitica, n.d.).

S+Tesdirecta⇔S∩T={0V}S+Tesdirecta⇔S∩T={0V}
Cuando la suma es directa se escribe:

S⊕T
Intersección

Sean SS y TT subespacios del mismo espacio vectorial VV. Definimos la intersección

como sigue:
S∩T={v∈V:v∈S∧v∈T}S∩T={v∈V:v∈S∧v∈T}     intersección de subespacios
Propiedad

S∩TS∩T es subespacio de VV

Demostración

1. 0V∈S∧0V∈T⇒0V∈S∩T0V∈S∧0V∈T⇒0V∈S∩T
2. Consideremos u,v∈S∩Tu,v∈S∩T
⇒u∈S∧u∈T∧v∈S∧v∈T⇒u∈S∧u∈T∧v∈S∧v∈T
u∈S∧v∈S⇒u+v∈S[1]u∈S∧v∈S⇒u+v∈S[1]
u∈T∧v∈T⇒u+v∈T[2]u∈T∧v∈T⇒u+v∈T[2]
De [1] y [2] se deduce que u+v∈S∩Tu+v∈S∩T
3. Dejamos a cargo del lector demostrar:

u∈S∩T⇒(ku)∈S∩T
2.1.7 Vectores Coordenados
Un número real puede ser representado como un punto de una línea recta, una
pareja de números reales puede ser representado por un punto en el plano y una terna de
números reales puede ser representado por un punto en el espacio. Aunque no se pueda

dar una representación geométrica de las n-tuplas ordenadas   existen

interpretaciones útiles para ellas. Por ejemplo como solución de un sistema de
ecuaciones lineales de n incógnitas, al igual que en el espacio de dos dimensiones nos
referimos a los pares ordenados como puntos del espacio de dos dimensiones nos
referimos a las n-tuplas ordenadas como puntos en el espacio de n dimensiones
([Link], n.d.).

Fig 3.31a
Fig 3.31b

Fig 3.31c
DEFINICIÓN 3.5

Una n-tupla de números reales se denota por   donde cada xi es un

número real. Las n-tuplas de números reales   y   

son iguales si   .

El conjunto formado por todas las n-tuplas de números reales ordenadas se denota

por   , es decir

DEFINICIÓN 3.6

Si   y   son n-tuplas de números reales, se

define la suma   como la n-tupla

se dice que la suma se define con base a sus componentes. Como vimos anteriormente a

cada punto del plano coordenado se le puede asociar un vector fijo. Si   

es una pareja ordenada de números reales (un vector de   ) le podemos asociar el
vector libre OX que tiene por punto inicial el origen de coordenadas O y por punto
terminal X (Docencia, n.d.).

2.2. ESPACIOS EUCLIDEOS

2.2.1 Producto Interno, canónico, particular sobre el cuerpo de los reales.
Relaciones métricas: norma, distancia, ángulo entre vectores.
Producto interno
Algunas nociones geometricas en R 2 y en R 3 pueden definirse a partir del
producto escalar. La definicion que sigue es una generalizaci´on del producto escalar a
otros espacios vectoriales
Definicion
Sea V un espacio vectorial sobre R (respectivamente C). Un producto interno
sobre V es una funci´on Φ : V × V → R (respectivamente C) que cumple:
i) Para cada α ∈ R (respectivamente C), y v, w, z ∈ V • Φ(v + w, z) =
Φ(v, z) + Φ(w, z) • Φ(α.v, z) = α. Φ(v, z)
ii) ii) Φ(v, w) = Φ(w, v) ∀ v, w ∈ V . (Notar que esta condici´on
implica que para cada v ∈ V , Φ(v, v) = Φ(v, v), es decir que Φ(v, v)
∈ R.)
iii) iii) Φ(v, v) > 0 si v 6= 0.

Notacion.
Si Φ es un producto interno, escribiremos Φ(v, w) = hv, wi. 190 Espacios
vectoriales con producto interno (Mate dm, n.d.).
A un espacio vectorial real (respectivamente complejo) provisto de un producto interno
se lo llama un espacio euclıdeo (respectivamente espacio unitario).
De las condiciones i) y ii) de la definici´on de producto interno se deduce que si Φ : V
× V → R (respectivamente C) es un producto interno, para cada α ∈ R (respectivamente
C), y v, w, z ∈ V vale:
Φ(v, w + z) = Φ(v, w) + Φ(v, z),
Φ(v, α.w) = α .Φ(v, w).
Canonico

A partir del plano XY que contiene los ejes coordenados (abscisas y ordenadas)

es posible establecer un nuevo sistema de referencia para el espacio tridimensional.

Si se toma un eje, al que se llamará eje de cotas, y su notación .

El eje de cotas está situado perpendicularmente al plano XY y lo atraviesa por el punto
(0, 0) u origen de coordenadas, cortando a los otros dos ejes. Es decir que:

Lo que hace que el punto cero (0, 0, 0) sea el único punto del espacio donde los
tres ejes de coordenados se encuentran.

La base canónica del espacio euclídeo debe de estar compuesta por tres
vectores linealmente independientes, que sean ortogonales y estén normalizados.

Los vectores i , j y k cumplen con estas condiciones, además son únicos, ya que de

entre todos los posibles, son los más sencillos de todos (Wikipedia, n.d.).

 para el espacio , siendo sus coordenadas referidas en ese espacio: 

Un vector  forma una combinación lineal única con los vectores de la base de la

siguiente forma:

Ortogonalidad
Se dice que dos vectores  y  de un espacio vectorial euclídeo son ortogonales
(o perpendiculares) cuando  ·  = 0 Un sistema de vectores se dice que es un sistema
ortogonal de vectores cuando los vectores son ortogonales dos a dos. Si además todos
los vectores son unitarios entonces se dirá que el sistema es ortonormal
Propiedades: En un espacio vectorial euclídeo se verifican las siguientes
propiedades:
1. Un sistema formado por un solo vector es un sistema ortogonal.
2. La base canónica de R es una base ortonormal de este espacio vectorial, si estamos
considerando el producto escalar euclídeo en R. 4
3. Un sistema ortogonal de vectores no nulos es un sistema LI de vectores. En
consecuencia un sistema ortonormal de vectores es un sistema LI de vectores.
4. La ortogonalidad es una propiedad que se conserva por CL, en particular por
múltiplos. De este modo, si  es un vector ortogonal a  entonces  es ortogonal a todo
múltiplo de  (del mismo modo se cumple que si  no es ortogonal a  entonces no es
ortogonal a ningún múltiplo de ). Como casos particularmente interesantes tenemos
los siguientes:
a) Si tenemos una base ortogonal podemos multiplicar cada vector por un escalar no
nulo que el resultado sigue siendo una base ortogonal.
b) Si en una base ortogonal de un espacio vectorial euclídeo de  dividimos cada vector
por su norma, entonces el sistema resultante de vectores es una base ortonormal de  .
3.1. Método de ortogonalización de Gram-Schmidt
Sea {1 2  } una base de un espacio vectorial euclídeo  . Vamos a
construir una base ortogonal de  a partir de la base dada. Empezamos cogiendo 1 =
1 Después buscamos un vector de la forma 2 = 2 + 211 donde 21 es un
escalar del cuerpo, el único para el que se cumple que 2 es ortogonal a 1. Para
hallarlo se hace el producto escalar por el vector 1 en la igualdad anterior, y
obtenemos la igualdad 2 · 1 =0= 2 · 1 + 211 · 1 de donde deducimos que
21 = − 2 · 1 1 · 1 El tercer vector será de la forma 3 = 3 + 311 +
322 donde 31 y 32 son escalares del cuerpo, los únicos para los que se cumple
que 3 es ortogonal a 1 y a 2. Para hallarlos se hace el producto escalar en la
igualdad anterior, por un lado por el vector 1, y obtenemos 3 · 1 =0= 3 · 1 +
311 · 1 + 322 · 1 de donde deducimos que 31 = − 3 · 1 1 · 1
(tengamos en cuenta que 2 y 1 son ortogonales, luego su producto escalar se anula).
Y por otro lado, ahora toca cambiar los papeles de 1 y 2 y multiplicar escalarmente
por este último. Entonces obtenemos 3 · 2 =0= 3 · 2 + 311 · 2 + 322 ·
2 5 de donde deducimos que 32 = − 3 · 2 2 · 2 (tengamos en cuenta que 2 y
1 son ortogonales, luego su producto escalar se anula). Supongamos que tenemos
definidos vectores ortogonales 1 2  −1, para −1  . Entonces buscaremos
un nuevo vector de la forma  =  + 11 +  + −1−1 donde los 1
2  −1 se hallan imponiendo que  es ortogonal a 1 2  −1,
respectivamente, de una forma similar a la anterior (o sea, multiplicando escalarmente
 por 1 2  −1). Así cada uno de los escalares puede calcularse mediante la
expresión  = − ·   ·  De este modo se obtiene una base ortogonal {1
2  } de  . Además, a partir de esta base ortogonal puede obtenerse una
ortonormal {0 1 0 2  0 } tomando 0  =  kk ([Link], n.d.).
La proyección ortogonal
En vez de plantearse si dos vectores son ortogonales, cabe preguntarse si dos
subespacios vectoriales lo son. En algunas aplicaciones esto indica que los subespacios
no tienen absolutamente nada que ver
. En relación con esto, en un espacio vectorial V con producto escalar, dado un
subespacio W ⊂ V se define el complemento ortogonal de W como W⊥ = ~v ∈ V :
h~v, ~wi = 0 para todo ~w ∈ W .
Esto es, W⊥ está constituido por todos los vectores que son ortogonales a los vectores
de W. Es muy fácil comprobar que es un subespacio vectorial de V . Un subespacio y su
complemento ortogonal determinan una descomposición del espacio total Proposición
Sea V un espacio vectorial de dimensión finita con producto escalar y sea W un
subespacio suyo. Entonces dim W⊥ = dim V −dim W y para cada ~v ∈ V existe un
único ~w ∈ W y un único ~u ∈ W⊥ tales que ~v = ~w + ~u ([Link], n.d.).