Espacios Vectoriales

Definición de espacio, subespacio vectorial y sus propiedades

un vector es una magnitud que consta de módulo, dirección y sentido.

Algunos, sin embargo; más teóricos, explicarían que un vector es una

entidad tal que para ser expresada necesita de n escalares (números); siendo n

cualquier número natural.

Definición de espacio vectorial y propiedades

Un espacio vectorial es un conjunto no vacío de V objetos, llamados

vectores, en el que están definidas dos operaciones, llamadas suma y

multiplicación por Escalares (números reales), sujetas a diez axiomas (o reglas)

que se dan a continuación. Los axiomas deben valer para todos los vectores u, v,

y w en V y

todos los escalares c y d.

1. La suma de u y v, denotada por u + v, está en V

2. u + v = v + u

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

4. Existe un vector 0 en V tal que u + 0 = u

 5. Para cada u en V, existe un vector –u en V tal que u + (-u ) = u.

6. El múltiplo escalar de u por c, denotado cu, está en V

7. c (u + v) = cu + cv

8. (c+ d) u = cu + du

9. c(du) = (cd)u

10. 1u=u

Los espacios de n ℜ con n ≥ 1, son los ejemplos principales de espacios

vectoriales. La intuición geométrica desarrollada para 3 ℜ nos ayudará a entender

y a visualizar muchos conceptos durante el capítulo.

Subespacio vectorial y propiedades

Definición.

Un subespacio vectorial V es un subconjunto H de V que tiene tres

propiedades:

a. El vector cero de V está en H

b. H es cerrado bajo la suma de vectores. Esto es, para cada u y v en H, la

suma u + v está en H
 c. 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 Ejemplo. El conjunto que consta

únicamente de un vector cero en un espacio vectorial V es un subespacio de V

llamado subespacio cero se escribe {0}

Propiedad de Vectores, Combinación Lineal, dependencia e independencia

lineal

Propiedades.

Cuales quiera que sean los vectores, y en:

1., (anti conmutatividad)

2. (el producto vectorial es perpendicular a cualquiera de los factores),

3. Si y entonces (el producto cruz de dos vectores paralelos es cero).

Otras propiedades

Continuando con los vectores del apartado anterior y con la norma vectorial

habitual: •. El valor absoluto de esta operación corresponde al volumen del

paralelepípedo formados por los vectores, y. A esta operación se la conoce como

producto mixto, pues combina producto escalar y producto vectorial.

• siendo θ el ángulo menor entre los vectores y; esta expresión relaciona al

producto vectorial con el área del paralelogramo que definen ambos vectores.

• El vector es el vector normal al plano que contiene a los vectores y Dados dos

vectores: y , y dos números: a y b, el vector se dice que es una combinación lineal

de y . Una combinación lineal de dos o más vectores es el vector que se obtiene al

sumar esos vectores multiplicados por sendos escalares.

 Cualquier vector se puede poner como combinación lineal de otros dos que

tengan distinta dirección. Esta combinación lineal es única.

Dependencia e Independencia lineal Definición: Sean. Diremos que son

linealmente dependientes si al menos uno de ellos se puede escribir como

combinación lineal del resto. ejemplo Consideremos los siguientes vectores

 ¿Se puede expresar el vector como combinación lineal de los tres primeros

vectores? Para resolver esta, primero definimos estos vectores

y a continuación planteamos la ecuación vectorial

Es decir que el vector se puede expresar como combinación lineal de los

tres primeros vectores. La dependencia que tiene este vector respecto del resto se
traduce en la existencia de una dependencia lineal en el conjunto de los cuatro

vectores. Independencia Lineal Definición:

Sean. Diremos que son linealmente independientes si ninguno de ellos

puede expresarse como combinación lineal de los restantes. ejemplo Si tenemos

los vectores (1,1,1), (1,1,0), (1,0,0), podríamos intentar ver si alguno de ellos se

puede expresar como combinación lineal de los dos restantes. Para efectuar esta

comprobación en DERIVE, primero definiríamos nuestros tres vectores

• Intentemos ver si u1 se puede expresar como combinación lineal de u2 y

u3. Para ello, primero editamos la ecuación vectorial

Cuyo sistema de ecuaciones viene dado por

 que si intentamos resolver luego esta primera combinación lineal no es

posible. Intentemos ver si u2 se puede expresar como combinación lineal de u1 y

u3, efectuando

Sistema claramente sin solución.

Base y dimensión de un espacio vectorial Base de un vector

Si un espacio vectorial V tiene una base con n vectores, entonces toda

base de V tiene n vectores Base

Base <un conjunto finito de vectores {v1, v2, v3 vn} es una base para un

espacio

vectorial de V si

I. {v1, v2, v3, vn} es linealmente independiente

II. {v1, v2, v .3 vn} genera a V

 Todo conjunto de n vectores linealmente independientes en n ℜ es una

base de n

Propiedades 1.

Sea V un espacio vectorial de dimensión finita. Entonces todas las bases

de V tienen el mismo número de elementos. El espacio vectorial {0} tiene

dimensión 0 por definición. Cuando un espacio vectorial no es de dimensión finita,

se dice que es de dimensión infinita.

2. Sea V un espacio vectorial de dimensión finita n, cualquier conjunto de

n+1 o más vectores son linealmente dependientes. Dimensión de un espacio

vectorial Si un espacio vectorial V tiene una base que consta de n vectores,

entonces el número n se denomina dimensión de V y se denota por dim (V)=n. Si

V consta solamente del vector cero, entonces la dimensión de V se define como

cero

. Dimensión de vectores espaciales

 Espacio vectorial con producto interno y sus propiedades

Un espacio complejo V se llama espacio vectorial con producto interno si

para cada par ordenado u y v en V, existe un número complejo único (u, v),

llamado producto interno de u y v, tal que si u, v y w están en V y α ∈C, entonces:

La barra en las condiciones 5 y 7 denota el conjugado complejo además si

(v.u) es real, entonces (v, u) = (v.u) y se puede eliminar la barra en (v).

 Ejemplo Producto interno de dos vectores en C3 En C3 sean x= (1+i, -3,4-

3i) y y= (2-i,-i,2+i) entonces (x, y) = (1+ i) (2 − i)+ (− 3)(− i) + (4 − 3i)(2 + i)

La barra en las condiciones 5 y 7 denota el conjugado complejo además si

(v.u) es real, entonces (v, u) = (v.u) y se puede eliminar la barra en (v).

Ejemplo

Producto interno de dos vectores en C3 En C3 sean x=(1+i,-3,4-3i) y y=(2-

i,-i,2+i) entonces (x, y) = (1+ i)(2 − i)+ (− 3)(− i) + (4 − 3i)(2 + i)

= (1+ i) (2 + i)+ (− 3)(i)+ (4 − 3i)(2 − i)

(x, y) = (1+ 3i) − 3i + (5 −10i) = 6 −10i

Cambio de base, base orto normal, proceso de orto normalización

GramSchimdt

Cambio de base de un vector

Sea x un vector que en base B1 (de vectores unitarios u1, u2, ...) será igual

a m1u1+

m2u2 + m3u3 + ...

 El mismo vector, utilizando otra base B2 (de vectores unitarios v1, v2, ...)

será

n1v1+ n2v2 + n3v3 + ...

Supongamos que u1, u2, ... se representan en la base B2 de esta forma:

u1 = a11v1 + a21v2 + ... + an1vn

u2 = a12v1 + a22v2 + ... + an2vn

.............................................................

un = a1nv1 + a2nv2 + ... + annvn

Por lo tanto, sustituyendo estas ecuaciones en la fórmula original nos

queda:

x = m1(a11v1 + a21v2 + ... + an1vn) + m2(a12v1 + a22v2 + ... + an2vn) + ...

Reordenando queda:

x = (m1a11 + m2a12 + ... + mna1n) v1 + ... + (m1an1 + m2an2 + ... +

mnann) vn

Comparando con la fórmula x = n1v1+ n2v2 + n3v3 + ... deducimos que:

n1 = m1a11 + m2a12 + ... + mna1n

n2 = m1a21 + m2a22 + ... + mna2n

.................................................................
 nn = m1ann + m2an2 + ... + mnann

Esto se puede expresar de forma matricial:

n1 a11 + a12 + ... + a1n m1

n2 = a21 + a22 + ... + a2n m2

nn a2n + an2 + ... + ann mn Llamando A a la matriz de coeficientes, X' al

vector en la base B2 y X al vector en la base B1 nos queda: X' = AX despejando X

nos queda: X = A-1X' Base Orto normal Son ortogonales si i. u y v si (u,v)=0 ii. la

norma de u, denotada por u está dada por u = (u, u) Nota. Aquí se usa doble barra

para evitar confusión con el valor absoluto. Ejemplo. Dos vectores ortogonales en

C2. En C2 los vectores (3,-i) y (2,6i) son ortogonales porque ((,3 −i), (6,2 i)) = 3 ⋅ 2

+ (− i) (6i) = 6 + (− i) (− 6i) = 6 − 6 = 0 Además (3 −i) = 3 ⋅ 3 + (− i) (i) = 10.

Proceso de Orto normalización de Gram-Schmidt Sea H un subespacio de

dimensiones m de R n. Entonces H tiene una base orto normal. Paso 1.-Elección

del primer valor unitario sea

u De

manera que u1 = 1. Paso 2.- Elección del segundo vector ortogonal a u1

 Definición de transformación lineal.

Se denomina transformación lineal, función lineal o aplicación lineal a toda

aplicación cuyo dominio y condominio sean espacios vectoriales y se cumplan las

siguientes condiciones: Transformación lineal: Sean V y W espacios vectoriales

reales. Una transformación lineal T de V en W es una función que asigna a cada

vector v ϵ V un vector único Tv ϵ W y que satisface, para cada u y v en V y cada

escalar ∝, 1. T (u+v) = Tu+Tv 2. T(∝v) = ∝Tv, donde ∝ es un escalar.

 Terminología: las transformaciones lineales con frecuencia se llaman

operadores lineales.

Ejemplo

Defina T: R→R por Tx = 2x + 3. Entonces la gráfica de {(x, Tx ): xϵ R} es

una línea recta en el plano xy; pero T no es lineal porque T(x+ y) = 2(x +y) + 3 = 2x

+ 2y + 3y Tx + ty = (2x+3) + (2y+3) = 2x + 2y + 6.

Algunas transformaciones lineales:

Transformación lineal Nula.

En particular, si c =1:

Transformación lineal Identidad.

Entonces es transformación lineal.

Transformación determinada por la matriz A

(El producto matricial está definido si los vectores se

colocan como vectores columnas).

() 0 , W T V W T v =

v
 V

T: V V, T (v) = cv,

V, con c

K, c fijo.

:, () , V V I V V I v = v

() m n A M × R

T: Rn Rm, T (v) = Av

Núcleo e imagen de una transformación lineal

. En esta sección se desarrollan algunas propiedades básicas de las

transformaciones lineales. Teorema 1. Sea T: V W una transformación lineal.

Entonces para todos los vectores u, v, v1, v2,….vn en V y todos los escalares
 Nota en la parte i el 0 de la izquierda es el vector cero en v; mientras que el

cero de la derecha es el vector cero en W.

i. T (0) = T (0 + 0)= T(0) + T(0). Así 0= T (0) – T (0) = T(0) + t(0) – T(0)

= T(0)

ii. ii.T(u-v) = T[u + (-1)v] = Tu + T[(-1)v] = Tu + (-1)Tv = Tu – Tv.

iii. Esta parte se prueba por inducción (vea el apéndice 1).

iv. Para n = 2 se tiene T(α1v1 + α2v2) = T (α1v1) + T(α2v2) = α1Tv1 +

α2Tv2. Así, la ecuación (1) se cumple para n = 2. Se supone que se

cumple para n = k y se prueba para n=k + 1: T (α1v1 + α2v2+ ….+

αkvk+αk+1vk-1 ) = T(α1v1 + α2v2+….+αkvk) + T(αk+1vk+1), y

usando la ecuación en la parte iii para n= k, esto es igual a (α1Tv1 +

α2Tv2+….αkTvk) + αk+1Tvk+1, que es lo que se quería demostrar.

Esto completa la prueba.

Observación.

Los incisos i) y ii) del teorema 1 son casos especiales del inciso iii). Un

dato importante sobre las transformaciones lineales es que están completamente

determinadas por el efecto sobre los vectores de la base.

Teorema 2 Sea v un espacio vectorial de dimensión finita con base B=

{v1,v2,.vn}. Sean w1, w2, wn vectores en W. Suponga que T1y T2 son dos
transformaciones lineales de V en W tales que T1vi = T2vi = wi para i = 1, 2,n.

Entonces para cualquier vector v ϵ v, T 1v = T2v; es decir T1 = T2.

Como B es una base para V, existe un conjunto único de escalares α1, α2,

αn. Tales que v = α1v1 + α2v2 + …+ αn vn. Entonces, del inciso iii) del teorema 1,

T1v = T1(α1 v1 + α2v2 + …+ αnvn) = α1T2v1 + α2T2v2 +… + αnTnvn = α1w1 +

α2w2 +…+ αnTnvn De manera similar T2v = T2(α1v1 + α2v2 + …+ αnvn) =

α1T2v1 + α2T2v2 +…+ αnTnvn = α1w1 + α2w2 +…+ αnvn Por lo tanto, T1v =T2v.

El teorema 2 indica que si T: v W y V tiene dimensión finita, entonces sólo

es necesario conocer el efecto que tiene T sobre los vectores de la base en V.

Núcleo e imagen de una transformación lineal Sean V y W dos espacios

vectoriales y sea T: V W una transformación lineal. Entonces i . El núcleo de T,

denotado por un, está dado por

 Observación 1. Observe que un T es no vacío porque, de acuerdo al

teorema 1, T (0) = 0 de manera que 0 ϵ un T para cualquier transformación lineal

T. Se tiene interés en encontrar otros vectores en V que “se transformen en 0”. De

nuevo, observe que cuando escribimos T (0) = 0, el 0 de la izquierda está en V y el

de la derecha en W. Observación 2. La imagen de T es simplemente el conjunto

de “imágenes” de los vectores en V bajo la transformación T. De hecho, si w = Tv,

se dice que w es la imagen de v bajo T. Antes de dar ejemplos de núcleos e

imágenes, se demostrará un teorema de gran utilidad.

Representación matricial de una transformación lineal

 No hay mejor manera de partir a la explicación de un tema que empezando

por definirle, la representación matricial de una transformación lineal se define

como:

"Sean V y W dos espacios vectoriales de dimensión n y m,

respectivamente, y sea T: V→W una transformación lineal, entonces existe una

matriz A de orden m × n llamada matriz de transformación o representación

matricial de T que satisface T(v) = Av para toda v en V".

Esto puede parecer algo complicado de interpretar, sin embargo, plantearé

a medida que avance este post una serie de ejemplos encontrados en la web,

además de agregar material de apoyo para que así sea más fácil el entendimiento

de este tema.

A continuación, se muestra un ejemplo que encontré, este ejemplo se me

hizo bastante interesante, ya que nos muestra un proceso más completo y nos

permite analizar e interpretarle de una manera más sencilla.