IEN

ESPACIOS
VECTORIALES
-ALUMNO: Francisco Muratalla Sandoval
-MATRICULA: 220133
-MATERIA: Algebra Lineal
-PROFESOR: Dr. Guillermo Adolfo Anaya Ruiz
-TRAYECTORIA: Ingeniería En Energía
-GRUPO Y GRADO: 2°A
-UNIVERSIDAD: UCEMICH
-FECHA DE ENTREGA: 05/06/23
 INDICE
INTRODUCCION ---------------------------------------11
HISTORIA-----------------------------------------------‖𝟐‖
DEFINICION---------------------------------------𝐜𝐨𝐬−𝟏 2
CONCEPTOS—------------------------------------------√𝟑
𝟒 4
PROPIEDADES ----------------------------------–( )
4 4
𝟔
EJEMPLOS-------------------------------------------------
6

MATRICES Y MAPAS LINEALES----------------∫ 𝟏𝟎

CONSTRUCCIONES BASICAS -------------------∑ 𝟏𝟐
CONCLUSION---------------------------------------------→
𝟏𝟗

REFERENCIAS----------------------------------------∐ 𝟐𝟎
 1

INTRODUCCION
El primer estudio sobre los vectores lo inicio el gran matemático irlandés William Hamilton,
Aunque en su época se consideró que los vectores no tenían ninguna utilidad, en la actualidad
se usan cada vez más frecuentemente en física clásica y moderna y aun en las ciencias
biológicas y sociales1
Para muchas aplicaciones físicas (incluyendo influencia en fuerza, velocidad, aceleración y
momento) es importante pensar en el vector no como un punto sino como una entidad que
tiene “longitud” y “dirección”. Es decir, vamos a representar los vectores (x, y) como una
flecha que parte desde el origen y que termina en el punto (x, y).
Los espacios vectoriales más conocidos son los que se construyen sobre . En este capítulo
vamos a repasar estos espacios y después vamos a generalizarlos a espacio vectoriales
arbitrarios. Estamos suponiendo que el lector está familiarizado con , pero para iniciar
este trabajo de investigación, vamos a dar un resumen de sus propiedades más importantes.
 2

HISTORIA
Los espacios vectoriales parten de una geometría afín mediante la inserción de coordenadas en un
plano o espacio tridimensional. Alrededor de 1636, los matemáticos franceses René Descartes y
Pierre de Fermat sentaron las bases de la geometría analítica al encontrar soluciones a la ecuación de
dos variables con puntos en una curva plana. Para lograr soluciones geométricas sin coordenadas,
Bolzano introdujo en 1804 ciertas operaciones con puntos, líneas y planos, que son los antecesores
de los vectores. Möbius (1827) introdujo el concepto de coordenadas baricéntricas. Bellavitis (1833)
introdujo el concepto de dos puntos, o segmentos orientados, con un extremo como origen y el otro
como destino, en la representación de Argand y Hamilton de los números complejos, y se retomaron
los vectores al principio de los cuartos. del último.
Estos son elementos de R y R; Su tratamiento de las combinaciones lineales se remonta a Laguerre
en 1867, quien también definió los sistemas de ecuaciones lineales. En 1857, Cayley introdujo la
notación matricial, que permite unificar y simplificar los mapas lineales. Casi al mismo tiempo,
Grassmann estudió cálculo baricéntrico iniciado por Möbius. Imaginó conjuntos de objetos abstractos
que tenían operaciones.
Los conceptos de independencia lineal y de dimensión y producto escalar están presentes en su obra.
De hecho, el trabajo de Grassmann de 1844 va más allá de los espacios vectoriales, ya que su
consideración de la multiplicación también condujo a lo que ahora se conoce como álgebra. El
matemático italiano Peano fue el primero en dar la definición moderna de espacios vectoriales y
mapas lineales en 1888.
Un desarrollo importante de los espacios vectoriales se debe a la construcción de espacios funcionales
de Henri Lebesgue. Más tarde fue formulado por Banach y Hilbert alrededor de 1920. Alrededor de
ese tiempo, el álgebra y el nuevo campo del análisis funcional comenzaron a interactuar,
especialmente con conceptos clave como las funciones p integrables y los espacios de Hilbert. En esa
época también se realizaron los primeros estudios de espacios vectoriales de dimensión infinita.

DEFINICION
En pocas palabras, un espacio vectorial representa el conjunto de elementos de la región formada por
dos vectores, es decir, todos los elementos posibles entre cada uno de dichos vectores, representados
en un plano rectangular.
 3

CONCEPTOS
Un espacio vectorial sobre un campo F es un conjunto V junto con dos operaciones binarias que
satisfacen los ocho axiomas enumerados a continuación. En este contexto, los elementos de V se
denominan comúnmente vectores y los elementos de F se denominan escalares.

• La primera operación, llamada suma de vectores o simplemente suma, asigna a dos vectores
cualesquiera v y w en V un tercer vector en V que se escribe comúnmente como v + w y se
llama la suma de estos dos vectores.
• La segunda operación, llamada multiplicación escalar, asigna a cualquier escalar a en F ya
cualquier vector v en V otro vector en V, que se denota como v.
Para tener un espacio vectorial estas dos operaciones deben satisfacer los ocho axiomas siguientes
que deben cumplirse para todo u, v y w en V, y a y b en F.

Si el campo escalar es real, el espacio vectorial se llama espacio vectorial real. Si el campo escalar es
complejo, el espacio vectorial se denomina espacio vectorial complejo. Estos dos casos son los más
comunes, pero también se consideran comúnmente espacios vectoriales con escalares en un campo
arbitrario F.
Este espacio vectorial se denomina espacio vectorial F o espacio vectorial F. Se puede dar una
definición equivalente de espacios vectoriales, que es más concisa pero menos fundamental: los
primeros cuatro axiomas dicen que los espacios vectoriales son grupos abelianos bajo y, mientras que
los cuatro restantes dicen que la multiplicación escalar define homomorfismos de anillos. Del campo
F al anillo automórfico de este grupo.
 4

PROPIEDADES
Combinación Lineal Dada una colección G de elementos V de un espacio vectorial F,
la combinación lineal de elementos de G es un elemento de la forma V
𝑎1𝑔1 + 𝑎2𝑔2 + ⋯ + 𝑎𝑘𝑔𝑘
En donde 𝑎1, … , 𝑎𝑘 ∈ 𝑉. Y los escalares 𝑎1 , … , 𝑎𝑘 se llaman coeficientes de combinación lineal.
Linealmente independientes Los elementos G de un subconjunto G de un espacio vectorial FV se dice
que son linealmente independientes si ningún elemento de G puede escribirse como una combinación
lineal de cualquier otro elemento de G. Asimismo, dos combinaciones lineales de elementos de G son
linealmente independientes si definen los mismos elementos de V si y sólo si tienen los mismos
coeficientes. De manera similar, las combinaciones lineales son linealmente independientes
si producen un vector cero si y solo si todos sus coeficientes son cero.
Un subespacio lineal o subespacio vectorial W en un espacio vectorial V es un subconjunto vacío de
V que se cierra bajo la suma vectorial y la multiplicación escalar; es decir, la suma de dos elementos
de W y el producto de un elemento de V por un escalar pertenecen a W. Esto significa que toda
combinación lineal de elementos de W pertenece a W. Un subespacio lineal es un espacio
vectorial que induce la suma y la multiplicación escalar; esto significa que la propiedad de clausura
implica que se satisfacen los axiomas de los espacios vectoriales.
La propiedad de cierre también significa que cada intersección de subespacios lineales es un
subespacio lineal. Un tramo lineal Si G es un subconjunto de un espacio vectorial V, el tramo de un
tramo lineal, o simplemente G, es el subespacio lineal más pequeño de V que contiene G en el sentido
de que es la intersección de todos los subespacios lineales que contienen G . . El lapso de G es también
el conjunto de combinaciones lineales de todos los elementos de G. Si W es una dimensión de
G, entonces se dice que G abarca o cubre W, y G se denomina conjunto generado o conjunto
generado de W. y sobre espacios vectoriales. Cada espacio vectorial tiene al menos una base y, por
lo general, más de una base (ver Base (álgebra lineal) § Prueba de que todo espacio vectorial tiene
una base). Además, todas las bases de un espacio vectorial tienen la misma cardinalidad, lo que
se conoce como la dimensión del espacio vectorial (ver El teorema de la dimensión de los espacios
vectoriales). Esta es una propiedad fundamental de los espacios vectoriales, que se explica con más
detalle en el resto de esta sección.

La base es una herramienta esencial para explorar espacios vectoriales, especialmente cuando el
número de dimensiones es limitado. En el caso de la dimensión infinita, la existencia de una base
infinita (a menudo llamada base de Hamel) depende de los axiomas elegidos. Por lo tanto,
normalmente ninguna base puede describirse sin ambigüedades. Por ejemplo, los números reales
forman un espacio vectorial de dimensión infinita sobre los números racionales y se desconoce
la base específica.
Consideraremos que una base (𝑏1, 𝑏2, … , 𝑏𝑛) dentro de nun espacio vectorial n sobre un campo Esto
es definido por la base que implica que todo 𝑣 ∈ 𝑉 también se puede escribir 𝑣 = 𝑎1𝑏1 + ⋯ + 𝑎𝑛𝑏𝑛.
 5

Con 𝑎1, … 𝑎𝑛 𝑒𝑛 𝐹, y que esta descomposición es única. Los escalares 𝑎1, … , 𝑎𝑛 se llaman
las coordenadas de v sobre la base. También se dice que son los coeficientes de la descomposición
de v sobre la base. Se dice también que la n -tupla de las coordenadas es el vector de coordenadas
de v sobre la base, ya que el conjunto de 𝐹 𝑛 las n -tuplas de elementos de F es un espacio vectorial
de suma por componentes y multiplicación escalar, cuya dimensión es n.
La correspondencia uno a uno entre los vectores y sus vectores de coordenadas asigna la suma de
vectores a la suma de vectores y la multiplicación escalar a la multiplicación escalar. Se trata pues de
un isomorfismo de espacio vectorial, que permite traducir razonamientos y cálculos sobre vectores
en razonamientos y cálculos sobre sus coordenadas. A su vez, si estas coordenadas se ordenan como
matrices, estos razonamientos y cálculos sobre coordenadas pueden expresarse de manera concisa
como razonamientos y cálculos sobre matrices. Además, una ecuación lineal que relaciona matrices
se puede expandir en un sistema de ecuaciones lineales y, a la inversa, cada uno de estos sistemas se
puede compactar en una ecuación lineal en matrices.
Entonces, en resumen, el álgebra lineal de dimensión finita se puede expresar en tres lenguajes
equivalentes:

• Espacios vectoriales, que proporcionan declaraciones concisas y sin coordenadas,

• Matrices, que son convenientes para expresar cálculos explícitos concisos,
• Sistemas de ecuaciones lineales, que proporcionan formulaciones más elementales.
 6

EJEMPLOS
FLECHAS DE AVION
El primer ejemplo de un espacio vectorial consiste en flechas en un plano fijo que parten de un punto
fijo. Se utiliza en física para describir la fuerza o la velocidad. Dadas dos de esas flechas v y w, el
paralelogramo cortado por estas dos flechas contiene una flecha diagonal que también comienza en
el origen. Esta nueva flecha se llama la suma de las dos flechas indicadas por v + w. En el caso
especial de dos flechas en la misma línea, su suma es una flecha en esa línea cuya longitud es la
suma de las longitudes o la diferencia de longitud, dependiendo de si las flechas tienen la misma
dirección. Otra operación que se puede realizar con las flechas es el escalado: para cualquier número
real positivo a, la flecha tiene la misma dirección que v, pero se expande o contrae cuando su
longitud se multiplica por a, llamados v y a. Etiquetarlo como v. Si a es negativo, v se define
como una flecha que apunta en la dirección opuesta.
He aquí algunos ejemplos: Para a = 2, el vector resultante a w tiene la misma dirección que w, pero
se estira al doble de la longitud de w (extremo inferior derecho). Asimismo, 2w es la suma de w.
Además, (−1) v = − v tiene la misma dirección y longitud que v (el vector azul hacia abajo en
la figura de la derecha).

PARES ORDENADOS DE NUMEROS

Otro buen ejemplo de un espacio vectorial es el par de números reales x e y. (El orden de los
componentes x e y es importante, por lo que estos pares también se denominan pares ordenados). Tal
par se escribe como (x,y). La suma de dos de estos pares y el producto del par por un número
se definen de la siguiente manera:
(𝑥1, 𝑦1) + (𝑥2, 𝑦2) = (𝑥1 + 𝑥2, 𝑦1 + 𝑦2)

𝑦𝑎(𝑥, 𝑦) = (𝑎𝑥, 𝑎𝑦)

El primer ejemplo anterior se reduce a este ejemplo, si una flecha está representada por un par de
coordenadas cartesianas de su punto final.
 7

ESPACIO DE COORDENADAS
El ejemplo más simple de un espacio vectorial sobre un campo F es el propio campo F (ya que es un
grupo de suma conmutativa que debe ser un campo en parte), más su suma (que se convierte en suma
vectorial) y multiplicación (que se convierte en multiplicación escalar). Más generalmente, todas
las n-tuplas.
Los elementos a de F forman un espacio vectorial, generalmente denotado por F, llamado espacio de
coordenadas. El caso n = 1 es el ejemplo más simple anterior, donde el campo F también
se trata como su propio espacio vectorial. El caso con F = R y n = 2 (es decir, R) se
discutió anteriormente en la introducción.
La resta de dos vectores se puede definir como 𝑣 − 𝑤 = 𝑣 + (−𝑤)
Entonces las consecuencias directas de los axiomas incluyen que, para todos 𝑠 ∈ 𝐹𝑦 𝑣 ∈ 𝑉, uno
tiene:

• 𝑠𝑣 = 0 𝑖𝑚𝑝𝑙𝑖𝑐𝑎 𝑠 = 0𝑜𝑣 = 0,
• (−1)𝑣 = −𝑣,
• s0 = 0,
• 0v = 0.
AXIOMA SIGNIFICADO

Asociatividad de la suma de vectores tu + (v + w) = (tu + v) + w

Conmutatividad de la suma de vectores tu + v = v + tu

Existe un elemento 0 ∈ V, llamado vector cero,

Elementos de identidad de la suma de vectores tal que v + 0 = v para todo v ∈ V

Para todo v ∈ V, existe un elemento − v ∈ V,

Elementos inversos de la suma de vectores llamado inverso aditivo de v, tal que v + (− v)
= 0.

Compatibilidad de la multiplicación escalar un (segundo v) = (ab) v

con la multiplicación de campo

Elemento de identidad de la multiplicación 1 v = v, donde 1 denota la identidad

escalar multiplicativa en F.

Distributividad de la multiplicación escalar con una (tu + v) = una tu + una v

respecto a la suma vectorial

Distributividad de la multiplicación escalar con (un + segundo) v = un v + segundo v

respecto a la suma de campos
 8

NUMEROS COMPLEJOS Y MAS EXTENCIONES DEL CAMPO

El conjunto de los números complejos C, es decir, los números que se pueden escribir en la
forma x + iy para los números reales x e y donde i es la unidad imaginaria, forman un espacio
vectorial sobre los reales con las sumas y multiplicaciones habituales: (x + iy) + (a + ib) = (x + a)
+ yo (y + b) y c ⋅ (x + iy) = (c ⋅ x) +i (c ⋅ y) para números reales x, y, a, b y c. Los diversos axiomas
de un espacio vectorial se derivan del hecho de que las mismas reglas se aplican a la aritmética de
números complejos.
De hecho, el ejemplo de los números complejos es esencialmente el mismo que (es decir, es isomorfo)
el espacio vectorial de pares ordenados de números reales mencionado anteriormente: si pensamos
que el número complejo x + i y representa el par ordenado (x, y) en el plano complejo, entonces
vemos que las reglas para la suma y la multiplicación escalar corresponden exactamente a las del
ejemplo anterior.
De manera más general, las extensiones de campo proporcionan otra clase de ejemplos de espacios
vectoriales, particularmente en álgebra y teoría algebraica de números: un campo F que contiene un
campo más pequeño E es un espacio vectorial E, por las operaciones de multiplicación y suma dadas
de F. Por ejemplo, los números complejos son un espacio vectorial sobre R y la extensión del campo
es 𝑄(𝑖√5) un espacio vectorial sobre Q.

ESPACIOS DE FUNCIONES
Las funciones de cualquier conjunto fijo Ω a un campo F también forman espacios vectoriales,
realizando sumas y multiplicaciones escalares por puntos. Es decir, la suma de dos funciones f y g es
la función (f + g) dada por (F + gramo) (w) = f (w) + gramo (w),

y lo mismo para la multiplicación. Dichos espacios de funciones ocurren en muchas situaciones

geométricas, cuando Ω es la línea real o un intervalo, u otros subconjuntos de R. Muchas nociones
en topología y análisis, como la continuidad, la integralidad o la diferenciabilidad, se comportan bien
con respecto a la linealidad: las sumas y los múltiplos escalares de funciones que poseen tal
propiedad todavía la tienen. Por tanto, el conjunto de tales funciones son espacios vectoriales, cuyo
estudio pertenece al análisis funcional.
 9

ECUACIONES LINEALES
Los sistemas de ecuaciones lineales homogéneas están estrechamente ligados a los espacios
vectoriales. Por ejemplo, las soluciones de

UN + 3b_ + C =0

4 UN + 2b_ + 2c_ =0

están dadas por ternas con arbitrarias a, b = a /2 yc = −5 a / 2. Forman un espacio vectorial: las sumas
y los múltiplos escalares de tales triples aún satisfacen las mismas proporciones de las tres variables;
por lo tanto, también son soluciones. Las matrices se pueden usar para condensar múltiples ecuaciones
1 3 1
lineales como las anteriores en una ecuación vectorial, a saber, A x = 0, donde 𝐴 =
4 2 2
es la matriz que contiene los coeficientes de las ecuaciones dadas, x es el vector (a, b, c), A x denota
el producto de matriz y 0 = (0, 0) es el vector cero. De manera similar, las soluciones de ecuaciones
diferenciales lineales homogéneas forman espacios vectoriales.
Por ejemplo, f ′′ (x) + 2 f ′ (x) + f (x) = 0
da como resultado f (x) = a e + bx e, donde a y b son constantes arbitrarias y e es la función
exponencial natural.
 10

MATRICES Y MAPAS LINEALES

Una relación entre dos espacios vectoriales se puede expresar mediante un mapa o una
transformación lineales.

Estas son funciones que reflejan la estructura del espacio vectorial. Es decir, conserva la suma y la
multiplicación escalar.

f(v + w) = f(v) + f(w) y f (a · v) = a · f (v) para todo vyw en V, todo a en F.

Un isomorfismo es una función lineal f: V → W tal que existe una inversa g: W → V tal que las dos
posibles composiciones f ∘ g: W → W y g ∘ f: V → V son cartas es una función tal que, de identida
d De manera similar, f es uno a uno (inyectivo) o más (sobreyectivo). Se dice que dos espacios son i
somorfos si existe un isomorfismo entre V y W. Son esencialmente idénticos a los espacios vectoria
les, ya que cada identidad mantenida en V se propaga a través de f a identidades similares en W y vi
ceversa a través de g.

Por ejemplo, los espacios vectoriales de "Flechas en el plano" y "Pares de números ordenados" en la
introducción son isomorfos. Una flecha plana v que emana del origen del sistema de coordenadas (f
ijo) se puede representar como un par ordenado considerando: Los componentes x e y de la flecha, c
omo se muestra en la imagen de la derecha. Por el contrario, dado un par (x,y), una flecha que pasa
por x se mueve hacia la derecha (hacia la izquierda si x es negativo) y y mueve la flecha hacia arrib
a (hacia abajo si y es negativo). v.

Una aplicación lineal V → W entre dos espacios vectoriales forma un espacio vectorial Hom F (V,
W), también llamado L (V, W) o (V, W).
El espacio de mapas lineales de V a F se denomina espacio de vector doble denotado por V. La apli
cación natural inyectiva V → V permite incrustar cualquier espacio vectorial en su espacio dual. Un
mapa es un isomorfismo solo si el espacio es de dimensión finita.

Una vez que se elige una base para V, el mapeo lineal f: V → W se determina completamente dand
o una imagen de los vectores base, ya que cada elemento de V solo se puede representar como una c
ombinación lineal de ellos. Si dim V = dim W , las bases fijas de V y W corresponden 1:1, lo que pr
oduce una asignación lineal que asigna cada elemento base de V al elemento base correspondiente d
e W . Por definición es un isomorfismo. Así, dos espacios vectoriales son isomorfos si sus dimensio
nes coinciden y viceversa. Otra forma de expresar esto es que todo espacio vectorial está completam
ente clasificado (excepto isomorfismos) por su dimensión, un número. En particular, todo espacio v
ectorial V de F es un isomorfismo n-
dimensional de F. Sin embargo, no existe un isomorfismo "canónico" o recomendado. De hecho, el
isomorfismo φ: F → V es equivalente a mapear la base de V, la base canónica de F, en V sobre φ. L
a libertad de elegir una base apropiada es especialmente útil en contextos de dimensión infinita. con
sulte lo siguiente.
 11

MATRICES
Una matriz es un concepto útil para codificar mapas lineales. Estos se escriben como matrices recta
ngulares de escalares, como se muestra en la figura de la derecha. Una matriz A de m por n conduce
a un mapeo lineal de F a F de la siguiente manera
x = (x1, x2, . . . , xn) → (∑nj=1 a1jxj, ∑nj=1 a2jxj, . . . , ∑nj=1 amjxj) donde ∑ indica suma,
O use la multiplicación de matrices de la matriz A y el vector de coordenadas x:x ↦ A x.

Además, después de elegir una base para V y W, esta asignación asegura que cada aplicación lineal
f: V → W esté representada de manera única en la matriz.

El determinante det (A) de una matriz cuadrada A es un escalar que especifica si los mapas asociad
os son isomorfos. Para ello, es suficiente y necesario que el determinante sea distinto de cero. Las tr
ansformaciones lineales en R acomodan matrices reales de n por n y conservan la dirección solo si e
l determinante es positivo.

VALORES PROPIOS Y VECXTORES PROPIOS

Los endomorfismos, mapas lineales f: V → V, son particularmente importantes porque en este caso
el vector v se puede comparar con la imagen debajo de f, f(v). Un vector v distinto de cero que satis
face λ v = f(v), donde λ es un escalar, se denomina vector propio de f con valor propio λ. De manera
similar, v es un elemento del núcleo de diferencia f − λ Id (Id es el mapa de identidad V → V).
Si V es de dimensión finita, esto se puede reformular usando el determinante. Una f con valores pro
pios λ es equivalente a det (F - λ Id) = 0.

Al formular la definición del determinante, la expresión de la izquierda se convierte en El lado de la

mano es una función polinomial sobre λ llamada polinomio característico de f. Si el campo F es lo
suficientemente grande como para contener los ceros de este polinomio (esto sucede automáticamen
te porque F = C para un F algebraicamente cerrado), entonces todo mapa lineal tiene al menos uno d
e sus vectores propios. Un espacio vectorial V puede o no tener una base propia, una base compuest
a de vectores propios. Este fenómeno está determinado por el formato estándar del mapa de Jordani
a. El conjunto de todos los vectores propios correspondientes a un valor propio particular de f forma
un espacio vectorial conocido como el espacio propio correspondiente a ese valor propio (y f).
 12

CONSTRUCCIONES BACICAS
SUBESPACIOS Y ESPACIOS COCIENTES
Un subconjunto no vacío W de un espacio vectorial V cerrado por suma y multiplicación escalar (y
que por lo tanto contiene el vector 0 en V) es un subespacio lineal de V, o simplemente V si el espa
cio circundante es únicamente un espacio vectorial. . Los subespacios de V son en sí mismos espaci
os vectoriales (en el mismo campo). La intersección de todos los subespacios que contienen el conju
nto S de vectores se denomina lapso, el subespacio más pequeño de V que contiene el conjunto S. U
n lapso representado por un elemento es un subespacio que consta de todas las combinaciones de lo
s elementos lineales de S.

Un subespacio lineal de dimensión 1 es una línea vectorial. Un subespacio lineal en 2D es un plano

vectorial. Un subespacio lineal que contiene todos menos un elemento de la base espacial circundan
te es un hiperplano vectorial. Así, en un espacio vectorial de dimensión finita n, el hiperplano vector
ial es un subespacio de dimensión n − 1. El equivalente del subespacio

es el espacio vectorial cociente. Dado cualquier subespacio W ⊂ V, el espacio cociente V / W ("V-

ley W") se define como Como conjunto, consta de v + W = { v + w: w ∈ W }. donde v es cualquier
vector en V. La suma de estos dos elementos v 1 + W y v 2 + W es (v 1 + v 2) + W y la multiplicaci
ón escalar viene dada por (v + W) = (a v ). +w La clave de esta definición es que v 1 + W = v 2 + W
si y solo si la diferencia entre v 1 y v 2 es W. De esta forma el espacio cociente "olvida" la informa
ción contenida en el subespacio W.

El kernel ker(f) del mapeo lineal f: V → W consiste en el vector v que se mapea a los 0 de W. El ke
rnel y la imagen im(f) = { f (v): v ∈ V } son subespacios de V y W respectivamente. La existencia d
e núcleos e imágenes es parte de la afirmación de que son categorías de espacios vectoriales (sobre
campos fijos). F ) es una categoría abeliana, un corpus de objetos matemáticos y mapeos (categorías
) que preservan la estructura entre ellos. Se comporta de forma muy parecida a la categoría de grupo
s abelianos. Por esta razón, muchas declaraciones como el primer teorema de isomorfismo (también
llamado teorema de nulidad de rango para matrices) son V / ker(f) ≡ im(f).

y el segundo y tercer teoremas de isomorfismo se pueden formular y demostrar de manera similar a

los enunciados correspondientes en el grupo.

Un ejemplo importante es el núcleo del mapa lineal x ↦ A x de la matriz fija A anterior. El corazón
de este mapa es el subespacio del vector x con A x = 0, que es exactamente el conjunto solución del
sistema homogéneo de ecuaciones lineales asociado con A . Este concepto se extiende también a las
ecuaciones diferenciales lineales.
df d2f dnf
a0f + a1 dx + a2 dx2 +. . . +an dxn = 0, donde los coeficientes a, también son funciones en x.
dif
en el mapa correspondiente f → D(f) = ∑ni=0 ai .
dxi
 13

La diferenciación de una función f parece lineal (a diferencia de, por ejemplo, f"(x) ) porque la difer
enciación es un procedimiento lineal (es decir, (f + g)' = f ' + g ' y (cf)' = c f 'constante c ), esta asign
ación es lineal y se denomina operador diferencial lineal. En particular, la solución de la ecuación di
ferencial D(f) = 0 forma un espacio vectorial (sobre R o C).

PRODUCTO Y SUMA DIRECTOS

El producto directo de espacios vectoriales y la suma directa de espacios vectoriales son dos formas
de combinar una familia indexada de espacios vectoriales en un nuevo espacio vectorial.
El producto directo ∏i ∈ I Vi de una familia de espacios vectoriales V i consiste en el conjunto de
todas las tuplas (v i) i ∈ I, que especifican para cada índice i en algún conjunto de índices I un
elemento v i de V i. La suma y la multiplicación escalar se realizan por componentes. Una variante
de esta construcción es la suma directa ⊕ i ∈ I Vi, donde solo se permiten tuplas con un número
finito de vectores distintos de cero. Si el conjunto de índices I es finito, las dos construcciones
concuerdan, pero en general son diferentes.

PRODUCTO TENSORIAL
El producto tensorial V ⊗ F W, o simplemente V ⊗ W, de dos espacios vectoriales V y W es una de
las nociones centrales del álgebra multilínea que se ocupa de extender nociones como mapas lineales
a varias variables. Un mapa g: V × W → X se llama bilineal si g es lineal en ambas variables vy w.
Es decir, para w fijo el morfismo v ↦ g (v, w) es lineal en el sentido anterior e igualmente para v fija.
El producto tensorial es un espacio vectorial particular que es un receptor universal de mapas
bilineales g, como sigue. Se define como el espacio vectorial que consta de sumas finitas (formales)
de símbolos llamados tensores. V 1 ⊗ w 1 + v 2 ⊗ w 2 + ⋯ + v norte ⊗ w norte,
sujeto a las reglas a · (v ⊗ w) = (a · v) ⊗ w = v ⊗ (a · w), donde a es un escalar, (v 1 + v 2)
⊗ w = v 1 ⊗ w + v 2 ⊗ w, yv ⊗ (w 1 + w 2) = v ⊗ w 1 + v ⊗ w 2.
Estas reglas aseguran que el mapa f de V × W a V ⊗ W que mapea una tupla (v, w) a v ⊗ w es
bilineal. La universalidad establece que dado cualquier espacio vectorial X y cualquier aplicación
bilineal g: V × W → X, existe una aplicación única u, que se muestra en el diagrama con una flecha
punteada, cuya composición con f es igual a g: u (v ⊗ w) = gramo (v, w). Esto se denomina
propiedad universal del producto tensorial, una instancia del método, muy utilizado en álgebra
abstracta avanzada, para definir objetos indirectamente especificando mapas desde o hacia este
objeto.
 14

ESPACIOS VECTORIALES CON ESTRUCTURA ADICIONAL

Desde el punto de vista del álgebra lineal, los espacios vectoriales se entienden completamente en la
medida en que todo espacio vectorial se caracteriza, hasta el isomorfismo, por su dimensión. Sin
embargo, los espacios vectoriales per se no ofrecen un marco para tratar la cuestión, crucial para el
análisis, de si una secuencia de funciones converge en otra función. Del mismo modo, el álgebra
lineal no está adaptada para tratar con series infinitas, ya que la operación de suma permite sumar
solo un número finito de términos. Por lo tanto, las necesidades del análisis funcional requieren
considerar estructuras adicionales.
A un espacio vectorial se le puede dar un orden parcial ≤, bajo el cual se pueden comparar algunos
vectores. Por ejemplo, el espacio real R de n dimensiones se puede ordenar comparando sus vectores
por componentes. Los espacios vectoriales ordenados, por ejemplo, los espacios de Riesz, son
fundamentales para la integración de Lebesgue, que se basa en la capacidad de expresar una función
como diferencia de dos funciones positivas
f = f + - f -, donde f + denota la parte positiva de f y f - la parte negativa
 15

ESPACIOS VECTORIALES NORMADOS Y ESPACIOS DE

PRODUCTOS INTERNOS
La "medición" de vectores se realiza especificando una norma, un dato que mide longitudes de
vectores, o un producto interno, que mide ángulos entre vectores. Las normas y los productos internos
se denotan |v| y 〈v, w〉, respectivamente. El dato de un producto interior implica que también se
pueden definir longitudes de vectores, definiendo la norma asociada |v|: = √〈v, v〉. Los espacios
vectoriales dotados de dichos datos se conocen como espacios vectoriales normados y espacios
de productos internos, respectivamente.
El espacio de coordenadas F se puede equipar con el producto escalar estándar:
〈x, y〉 = x ∙ y = x1y1 +. . . + xnyn.

En R, esto refleja la noción común del ángulo entre dos vectores x e y, por la ley de los cosenos:
x ∙ y = cos(< (x, y)) ∙ |x| ∙ |y|.
Debido a esto, dos vectores que satisfacen 〈x, y〉 = 0 se llaman ortogonales. En el espacio de
Minkowski se utiliza una variante importante del producto escalar estándar: R dotado del producto
de Lorentz〈x|y〉 = x1y1 + x2y2 + x3y3 − x4y4.
A diferencia del producto escalar estándar, no es definido positivo: 〈x|x〉 también toma valores
negativos, por ejemplo, para x = (0,0,0,1). Hay que destacar la cuarta coordenada, que corresponde
al tiempo, a diferencia de las tres dimensiones del espacio, lo hace útil para el tratamiento matemático
de la relatividad especial.

ESPACIOS VECTORIALES TOPOLOGICOS

Las cuestiones de convergencia se tratan considerando espacios vectoriales V que tienen una
topología compatible, una estructura que permite hablar de elementos que están cerca unos de otros.
Compatible aquí significa que la suma y la multiplicación escalar tienen que ser mapas continuos.
Aproximadamente, si x e y en V y a en F varían en una cantidad acotada, entonces también lo
hacen x + y y a x. Para que tenga sentido especificar la cantidad de cambios de un escalar, el
campo F también debe tener una topología en este contexto; una opción común son los reales o los
números complejos.
En tales espacios vectoriales topológicos se pueden considerar series de vectores. la suma infinita
∑∞
i=0 fi

Denota el límite de las correspondientes sumas parciales finitas de la secuencia (f i) i ∈ N de

elementos de V. Por ejemplo, las fi podrían ser funciones (reales o complejas) pertenecientes a algún
espacio de funciones V, en cuyo caso la serie es una serie de funciones. El modo de convergencia de
la serie depende de la topología impuesta al espacio de funciones. En tales casos, la convergencia
puntual y la convergencia uniforme son dos ejemplos destacados.
Una forma de asegurar la existencia de límites de ciertas series infinitas es restringir la atención a los
espacios donde cualquier sucesión de Cauchy tiene un límite; tal espacio vectorial se llama completo.
 16

Aproximadamente, un espacio vectorial está completo siempre que contenga todos los límites
necesarios. Por ejemplo, el espacio vectorial de polinomios en el intervalo unitario [0,1], equipado
con la topología de convergencia uniforme, no es completo porque cualquier función continua en
[0,1] puede aproximarse uniformemente por una secuencia de polinomios, por la Teorema de
aproximación de Weierstrass. Por el contrario, el espacio de todas las funciones continuas en [0,1]
con la misma topología es completo. Una norma da lugar a una topología al definir que una secuencia
de vectores vn converge a v si y solo si lim |vn − v| = 0
n→∞

Los espacios de Banach y Hilbert son espacios vectoriales topológicos completos cuyas topologías
vienen dadas, respectivamente, por una norma y un producto interno. Su estudio, una pieza clave del
análisis funcional, se centra en espacios vectoriales de dimensión infinita, ya que todas las normas
sobre espacios vectoriales topológicos de dimensión finita dan lugar a la misma noción de
convergencia. La imagen de la derecha muestra la equivalencia de la norma 1 y la norma ∞ en R:
como las "bolas" unitarias se encierran entre sí, una secuencia converge a cero en una norma si y solo
si lo hace en la otra norma. Sin embargo, en el caso de dimensión infinita, generalmente habrá
topologías no equivalentes, lo que hace que el estudio de espacios vectoriales topológicos sea más
rico que el de espacios vectoriales sin datos adicionales.
Desde un punto de vista conceptual, todas las nociones relacionadas con los espacios vectoriales
topológicos deben coincidir con la topología. Por ejemplo, en lugar de considerar todos los mapas
lineales (también llamados funcionales) V → W, se requiere que los mapas entre espacios vectoriales
topológicos sean continuos. En particular, el espacio dual (topológico) V consta de funcionales
continuos V → R (o a C). El teorema fundamental de Hahn-Banach se ocupa de separar subespacios
de espacios vectoriales topológicos apropiados mediante funcionales continuos.

ESPACIOS DE BANACH
Los espacios de banach son normados y completos

Como primer ejemplo el espacio vectorial ℓ𝜌 formado por un numero infinito de vectores
compuestos de elementos reales x = (x1, x2, . . . . . . . , xn, . . . . ) cuya 𝜌-norma (1 ≤ 𝜌 ≤ ∞) dada por
1
|x|p : = (∑i|xi|p )p para ‖x‖∞ : = sup|xi|.

Las topologías dentro del espacio de dimensión infinita ℓ𝜌 son equivalentes para diferentes P. por
ejemplo, la sucesión de vectores xn = (2-n , 2-n , . . . . , 2-n , 0 ,0, . . . )en que las primeras 2n
componentes son 2-n y las siguientes son 0, converge el vector cero para p = ∞,pero no para p =
n
1:‖xn ‖∞ = sup(2-n , 0) = 2-n → 0, pero ‖xn ‖1 = ∑2i=1 2-n = 2n ∙ 2-n = 1.

Estos espacios están completos. (Si se usa la integral de Riemann en su lugar, el espacio no es
completo, lo que puede verse como una justificación para la teoría de integración de Lebesgue).
Concretamente, esto significa que para cualquier secuencia de funciones integrables de Lebesgue
 17

ESPACIOS DE HILBERT
Un espacio de producto interno completo se llama espacio de Hilbert, en honor a David Hilbert. La
habitación de Hilbert L (∩), con producto interior dado por 〈f, g〉 = ∫∩ f(x)g(x)dx donde g(x) denota
el complejo conjugado de g(x), es un caso clave.
Por definición, en el espacio de Hilbert, todas las sucesiones de Cauchy convergen en un límite. Por
el contrario, es igualmente importante encontrar un conjunto de funciones f n con propiedades dese
ables que se aproximen a la función límite dada. Al amparo de la aproximación de Taylor, el primer
análisis estableció una aproximación polinomial de la función derivable f.
Por el teorema de Stone_Weierstrass, cualquier función continua en [a,b] puede aproximarse exacta
mente mediante un polinomio si se desea. Una técnica de aproximación similar que utiliza funcione
s trigonométricas se denomina comúnmente expansión de Fourier y se usa ampliamente en ingenierí
a. Por favor refiérase a la siguiente.
De manera más general y conceptual, el teorema proporciona una explicación simple de lo que es u
na "función básica", o en espacios abstractos de Hilbert. Sus vectores base son suficientes para gene
rar el espacio de Hilbert H en el sentido del cierre de sus tramos (es decir, una combinación lineal fi
nita). y su límite) es todo el espacio. El conjunto de tales funciones se denomina base de H y su card
inalidad se conoce como la dimensión del espacio de Hilbert. Este teorema no solo describe una fun
ción base adecuada que es lo suficientemente buena para fines de aproximación, sino que, en combi
nación con el proceso de Gram-
Schmidt, también permite la construcción de una base para vectores ortogonales. Tal base ortogonal
es una generalización del espacio de ejes de Hilbert a un espacio euclidiano de dimensión finita.

Las soluciones a varias ecuaciones diferenciales se pueden interpretar utilizando espacios de Hilbert
. Por ejemplo, en muchos campos de la física y la ingeniería, se derivan ecuaciones de este tipo, las
soluciones con propiedades físicas particulares se utilizan a menudo como funciones base y, a menu
do, son ortogonales. Como ejemplo en física, la ecuación de Schrödinger de la mecánica cuántica de
pendiente del tiempo describe los cambios en las propiedades físicas a lo largo del tiempo mediante
ecuaciones diferenciales parciales, cuyas soluciones se denominan funciones de onda.
Ciertos valores de propiedades físicas como la energía y el momento corresponden a valores propio
s de ciertos operadores diferenciales (lineales), y las funciones de onda asociadas se denominan esta
dos propios. Su teorema espectral descompone estas funciones propias y un operador lineal compact
o que actúa sobre la función en términos de sus valores propios.
 18

ALGEBRA SOBRE CAMPOS

Los espacios vectoriales generales no poseen una multiplicación entre vectores. Un espacio vectorial
equipado con un operador bilineal adicional que define la multiplicación de dos vectores es un álgebra
sobre un campo. Muchas álgebras se derivan de funciones en algún objeto geométrico: dado que las
funciones con valores en un campo dado se pueden multiplicar por puntos, estas entidades forman
álgebras. El teorema de Stone-Weierstrass, por ejemplo, se basa en álgebras de Banach que son tanto
espacios de Banach como álgebras.
El álgebra conmutativa hace un gran uso de anillos de polinomios en una o varias variables,
presentados anteriormente. Su multiplicación es tanto conmutativa como asociativa. Estos anillos y
sus cocientes forman la base de la geometría algebraica, porque son anillos de funciones de objetos
geométricos algebraicos.
Otro ejemplo crucial son las álgebras de Lie, que no son ni conmutativas ni asociativas, pero el hecho
de no serlo está limitado por las restricciones ([ x, y ] denota el producto de x e y):

• [ x, y ] = −[ y, x ]
• [ x, [ y, z ]] + [ y, [ z, x ]] + [ z, [ x, y ]] = 0
Los ejemplos incluyen el espacio vectorial de n -por- n matrices, con [ x, y ] = xy − yx, el conmutador
de dos matrices, y R, dotado del producto vectorial.
El álgebra tensorial T(V) es una forma formal de sumar productos a cualquier espacio vectorial V para
obtener un álgebra. Como espacio vectorial, está dividido por símbolos, llamados tensores simples.
v 1 ⊗ v 2 ⊗ ⋯ ⊗ v n, donde el grado n varía.
La multiplicación se obtiene concatenando dichos símbolos, imponiendo la ley distributiva bajo la
suma y requiriendo que la multiplicación escalar conmute con el producto tensorial ⊗, de la misma
manera que con el producto tensorial de dos espacios vectoriales presentado anteriormente. En
general, no hay relaciones entre v 1 ⊗ v 2 y v 2 ⊗ v 1. Obligar a dos de estos elementos a ser iguales
conduce al álgebra simétrica, mientras que forzar v 1 ⊗ v 2 = − v 2 ⊗ v 1 produce el álgebra
exterior.
Cuando un campo, F se establece explícitamente, un término común utilizado es F -álgebra.
 19

CONCLUSION
Al realizar este trabajo sobre los espacios vectoriales me a ayudado a comprender mejor los temas
previamente vistos en la clase igualmente entender poco más sobre los vectores y sus diferentes
formas de calcularlos y identificarlos, de igual forma también me ayudo a entender mas sobre los
signos ya que tuve que investigar el significado de algunos utilizados en este trabajo.
 20

REFERENCIAS
(https://aga.frba.utn.edu.ar/espacios-y-subespacios-vectoriales/)

(https://personales.unican.es/camposn/1_ESPACIOS_VECTORIALES.pdf)

(https://cursos.aiu.edu/Algebra%20Lineal/PDF/Tema%204.pdf)

(https://signos10.win/signos-matematicos/)

(https://www.youtube.com/watch?v=h_mXuYQOGDc)