04 Espacios Vectoriales1

Indice general
1. Espacios vectoriales y transformaciones lineales 2

1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Espacios Vectoriales y subespacios vectoriales . . . . . . . . . . . . . . . . . 3
1.3. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1. El espacio nulo de una matriz . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.2. Espacio fila y espacio columna de una matriz . . . . . . . . . . . . . . 21
1.4.3. Operaciones con subespacios . . . . . . . . . . . . . . . . . . . . . . . 22
1.4.4. Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 28
1.6. Espacios vectoriales con producto interior y espacios normados . . . . . . . 39
1.6.1. Definiciones, ejemplos y propiedades . . . . . . . . . . . . . . . . . . . 39
1.7. Longitud o norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.8. Bases ortonormales; Proceso de Gram Schmidt . . . . . . . . . . . . . . . . . 53
1.9. Coordenadas; Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
1.9.1. Problema de cambio de base . . . . . . . . . . . . . . . . . . . . . . . . 65
1.9.2. Trabajo Encargado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
1
Captulo 1
Espacios vectoriales y
transformaciones lineales
1.1.
Introduccion

Hasta ahora hemos trabajado con matrices y n- uplas. Como consecuencia, podemos
n

afirmar que el conjunto IR de todas las n- uplas (o matrices columnas de n elementos si
se prefiere), con las operaciones ya conocidas

x1 y1 x1 + y1 x1 x1
x2 y2 x2 + y2 x2 x2

.. + .. = .. y .. = ..
. . . . .
xn yn xn + yn xn xn
satisface las siguientes propiedades:
1. x + y = y + x, (propiedad conmutativa)
2. (x + y) + z = x + (y + z), (propiedad asociativa)
3. x + 0 = 0 + x = x, (elemento neutro)
4. x + (x) = (x) + x = 0, (elemento opuesto)
5. (x + y) = x + y, (propiedad distributiva)
6. ( + )x = x + x, (propiedad distributiva)
7. (x) = ()x,
8. 1 x = x
donde x, y, z IRn y , IR.
Estas mismas propiedades se cumplen cuando se trabaja con matrices. Existen otros
conjuntos diferentes de estos, como veremos posteriormente, que con respecto a unas ope-
raciones suma y producto por un escalar satisfacen las ocho propiedades anteriores.
2

Curso: Alg. vectorial lineal y matricial Tema: Espacios Vectoriales 3
1.2. Espacios Vectoriales y subespacios vectoriales

En esta seccion el objetivo fundamental es generalizar las caractersticas geometricas
esenciales que poseen los vectores en el plano cartesiano y en el espacio de tres dimensio-

nes a espacios cuyos vectores tienen mayor numero de coordenadas, los llamados espacios
n
vectoriales IR y generalizar a otros tipos de conjuntos, como los veremos:
Definicion 1.1. Un espacio vectorial es un conjunto no vaco V de objetos, llamados

vectores, en el que estan
definidas dos operaciones, llamadas sumas de vectores y multi-
plicacion por escalares (numeros
reales), sujetos a los 10 axiomas que se listan a continua-
cion. Los axiomas deben ser validos
para todos los vectores u, v, w, V y para todos los
escalares , IR
1. La suma de u y v, denotado con u + v, esta definido en V, es decir:
+ : V V 7 V, (u, v) 7 u + v
2. u + v = v + u (Propiedad conmutativa)
3. (u + v) + w = u + (v + w) (Propiedad asociativa)
4. Existe un unico
vector cero 0, tal que u + 0 = u
5. Para cada u V, existe un unico

vector u V tal que: u + (u) = 0
6. El multiplo
escalar de u por , que se denota con u V, es decir:
: IR V 7 V, (, v) 7 v
7. (u + v) = u + v
8. ( + )u = u + u
9. (u) = (u)
10. 1u = u
Nota.
1. A los elementos de un espacio vectorial se les llama vectores. A partir de este

momento, entonces, la palabra vectorno tendra relacion alguna con el concepto
geometrico de flecha, aunque se vera que s existen de hecho algunos espacios
vectoriales de flechas.
2. En vista de la generalidad de la definicion de espacio vectorial, se podran

tener, en-
tonces, espacios vectoriales de objetos cualesquiera(estos objetos seran los vecto-
res) con tal de que en ese conjunto de objetos exista una suma y una multiplicacion
por escalares, y que e stos verifiquen los axiomas requeridos.
J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Teorema 1.1. Sea V = es un espacio vectorial, que satisface las siguientes propiedades
adicionadas las dos operaciones:
La suma de vectores es otro vector,
La multiplicacion de un escalar por un vector arbitrario es otro vector.
1. 0 u = 0, u V IR
2. (1)v = v, v V 6. ()(v) = v, v V, IR
3. 0 = 0, IR
7. u + w = v + w u = v, u, v, w V
4. ()v = v, u V
8. Si IR, = 0, u = v u =
5. ()v = ( v) = (v u V, v, u, v V
Ejemplo 1.1. Consideremos el conjunto
V = IRn = { x = (x1 , x2 , . . . , xn ) / i = 1, 2, . . . , n, xi IR }
Definimos en este conjunto las operaciones de suma y el producto por escalares como:
x + y = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

x = (x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )
Demuestre que el conjunto de IRn es un espacio vectorial.
Este es el ejemplo mas importante de espacio vectorial, pues en cierto sentido que se pre-
cisara que muchos de los espacios vectoriales con los que se trabajara, son equivalentes
a este espacio vectorial.
V = IR2 = {x = (x1 , x2 ) / i = 1, 2, xi IR}
Definimos en este conjunto las operaciones de suma y el producto por escalares como:
x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 y1 , x2 y2 )

x = (x1 , x2 ) = (x1 , x2 )
En IR2 con estas operaciones es un espacio vectorial?
V = IR3 = {x = (x, y, z) / x, y, z IR}
En e ste conjunto se definen las operaciones de suma de vectores y producto por escalares
como se indica en cada uno de los siguientes incisos. Determine en cada caso si el conjunto
IR3 con tales operaciones es un espacio vectorial.

1. (x, y, z) + (x , y , z ) = (x + x , y + y , z + z ), (x, y, z) = (x, y, z), IR
2. (x, y, z) + (x , y , z ) = (x + x , y + y , 0), (x, y, z) = (x, y, 0), IR
3. (x, y, z) + (x , y , z ) = (x x , y y , z z ), (x, y, z) = (x, y, z), IR
Ejemplo 1.4. Considere el conjunto de las matrices IR22 = M22 , es decir:

{ [ ] }
a b
IR22 = A = / a, b, c, d IR
c d
Definamos en el conjunto IR22 la suma y el producto por escalares como:

[ ] [ ] [ ]

a b a b a+a b+b
+ =
c d c d c + c d + d
[ ] [ ]
a b a b
=
c d c d
Demuestre que el conjunto IR22 es un espacio vectorial.
Ejemplo 1.5. El espacio vectorial V = Pn

Sea n ZZ+ , V = Pn es el conjunto de todos los polinomios con coeficientes reales de grado
menor o igual a n, es decir:
V = Pn = { p(x) = a0 + a1 x + + an xn / a0 , a1 . . . , an IR }
En este conjunto se define la suma de polinomios coeficiente a coeficiente, es

decir, sean
p(x) = a0 + a1 x + + an xn y q(x) = b0 + b1 x + + bn xn
dos polinomios de V = Pn , su suma es el polinomio p(x) + q(x) definido por:
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + + (an + bn )xn V
Para el polinomio p(x) = a0 + a1 x + + an xn Pn y el escalar IR, se define el

producto de p(x) por el escalar como el polinomio
p(x) = a0 + a1 x + + an xn V
Se verifica que el conjunto Pn con estas operaciones es un espacio vectorial.
Nota.
La igualdad en este conjunto se define como sigue:

p(x) = a0 + a1 x + + an xn Pn es igual a q(x) = b0 + b1 x + + bn xn Pn si, y solo
si a0 = b0 , a1 = b1 , . . . , an = bn

El vector cero de este conjunto es 0 = 0 + 0x + 0x2 + 0xn Pn
Dado el polinomio p(x) = a0 + a1 x + + an xn Pn , su inverso aditivo es el polinomio

p(x) = a0 a1 x an xn Pn
Ejemplo 1.6. El espacio V = IRmn = Mmn .

Sea IRmn es el conjunto de todas las matrices de orden m n, es decir:
IRmn = { A = [aij ]mn / i = 1, 2, . . . , m, j = 1, 2, . . . , n }
En el captulo anterior se ha definido la suma de matrices de IRmn , as como la multipli-

cacion de una matriz por un escalar, con estas operaciones se demuestra que el conjunto
IRmn es un espacio vectorial.
Ejemplo 1.7. El espacio F(I).

Sea F(I)el conjunto de todas las funciones reales definidas en el subconjunto I de los nume-

ros reales, es decir:
F(I) = {f : I IR 7 IR / f es una funcion}
Sean f, g F(I), definamos la suma de funciones como la funcion f + g : I IR 7 IR tal que:
(f + g)(x) = f(x) + g(x)
Si f F(I) y IR, defnase el producto de f por el escalar como la funcion g : I IR 7 IR

tal que:
( f)(x) = f(x)
se verifica que el conjunto V = F(I) con estas operaciones de suma y producto por escalares
es un espacio vectorial.
Teorema 1.2. (Reglas de productos nulos) Sean v V y IR, entonces:
1. 0 v = 0
2. 0 = 0
3. Si v = 0 = 0 v = 0
Sean u, v V y , IR, entonces:

Teorema 1.3. Reglas de simplificacion
1. Si u = u y u = 0, entonces =
2. Si u = v y = 0, entonces u = v

1.3. Subespacios
Sea V un espacio vectorial y considerese un subconjunto W de V, W hereda de manera
natural, las operaciones de espacio vectorial que estaban definidas en V. Se tiene as, un
conjunto W en donde existen operaciones basicas
de suma y producto por escalares.
Es W un espacio vectorial?
Veamos los dos ejemplos siguientes:
Ejemplo 1.8. Sea V = IR2 el espacio vectorial. Sea W el subconjunto de IR2 formado por
todos aquellos vectores (x, y) que tiene su segunda componente positiva (geometricamente
W corresponde al semiplano superior del plano XY). Es decir,
W = {(x, y) / x, y IR, y > 0}
Las operaciones entre los elementos de W son las que estan

definidas en IR2 , es decir
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

(x1 , y1 ) = ( x1 , y1 )
Uno se pregunta si W es un espacio vectorial.
De hecho, existen muchas razones por las que la respuesta a esta pregunta es NO. En
principio, la operacion de producto por escalares no es cerrada, pues si se toma el escalar
< 0, el vector (x, y) = ( x, y) no pertenece a W, pues siendo y > 0, se tendra y < 0.
Consecuencia de este hecho es que dado un vector (x, y) W, e ste no tiene inverso aditivo.
Geometricamente esto se ve como muestra la figura
Ejemplo 1.9. Sin embargo, si W es el siguiente conjunto de IR2
W = {(x, y) / x, y IR, y = 2x}
(O sea, W es el conjunto de los pares ordenados de la forma (x, 2x), x IR), se puede
ver que en este caso W si es un espacio vectorial con las operaciones usuales de IR2 . En

principio observemos que si u = (x1 , 2x1 ) y v = (x2 , 2x2 ) son dos vectores de W, entonces
u + v = (x1 + x2 , 2x1 + 2x2 ) = (x1 + x2 , 2[x1 + x2 ]) W. Similarmente podemos demostrar
que cualquier recta de IR2 que pase por el origen es un subespacio propio.
En muchos problemas, un espacio vectorial se compone de un subconjunto adecuado de

vectores de un espacio vectorial mas
grande. En este caso, solo se deben comprobar tres de
los 10 axiomas de un espacio vectorial, y el resto se satisfacen de manera automatica.

1.2. Sea V un espacio vectorial, W = y W V, se dice que W es un subes-

Definicion
pacio vectorial de V si tiene estas tres propiedades:
1. El vector cero de V esta en W.
2. W es cerrado bajo la suma de vectores. Es decir, para cada par de vectores u, v W,

la suma u + v W.
3. W es cerrado bajo la multiplicacion por escalares. Es decir, para cada u W y cada

escalar , el vector u W.
Ejemplo 1.10. El conjunto que consta solo del vector 0, es decir, si W = {0} en un espacio
vectorial es un subespacio de V, llamado subespacio cero, o subespacio trivial y se re-
presenta por {0}.
Nota. Todo espacio vectorial V tiene al menos dos subespacios. El propio V es un subespa-
cio y el conjunto W = {0} que solo consta del vector cero de V es otro subespacio denominado
subespacio cero, ambos subespacios son llamados los subespacios triviales. Si el espacio
contiene otros subespacios diferentes de los triviales, son llamados subespacios no tri-
viales.
Ejemplo 1.11. Sea V = IR2 , los subespacios no triviales de este espacio vectorial son cual-
quier recta que pasa por el origen, es decir:
W = { ta / t IR, a = 0, a = (a1 , a2 ) } V
Ejemplo 1.12. Sea V = IR3 , los subespacios no triviales de este espacio vectorial son cual-
quier recta que pasa por el origen y cualquier plano que pasa por el origen.
Ejemplo 1.13. En el espacio vectorial V = IR3 se considera el conjunto
W = {(x, y, z) IR3 / z = 0}
este conjunto es un subespacio de IR3 .
El subespacio W del ejemplo.1.13 geometricamente es el plano XY.

Observacion.
Ejemplo 1.14. Sea P el conjunto de todos los polinomios con coeficientes reales, con opera-
ciones en P definidas como en las funciones. De esta forma, P es un subespacio del espacio

para cada n 0, Pn es un
de todas las funciones de valores reales definidas en IR. Ademas,
subespacio de P, ya que Pn es un subconjunto de P que contiene el polinomio cero; la suma
de dos polinomios en Pn tambien esta en Pn y un multiplo
escalar de un polinomio en Pn
tambien esta en Pn .
Ejemplo 1.15. Comprobar que el conjunto C([a, b]) de las funciones continuas definidas
en el intervalo [a, b] es un subespacio vectorial del espacio vectorial F([a, b]) de todas las
funciones definidas en [a, b].
Ejemplo 1.16. Sea W M22 tal que:

{ [ ] }
a b
W= A= / a, b, c IR
c 0
W es un subespacio de M22
Ejemplo 1.17. El espacio vectorial IR2 no es un subespacio de IR3 , porque IR2 no es un

subconjunto de IR3 . (Todos los vectores de IR3 tienen tres componentes, mientras que los vec-
tores de IR2 tienen solo dos componentes).
Sin embargo el conjunto

W = { (s, t, 0) / s, t IR }
si es subespacio vectorial del espacio vectorial V = IR3 .
Solucion. El vector cero esta en W, y W es cerrado bajo la suma de vectores y la multi-

plicacion escalar debido a que estas operaciones sobre los vectores de W siempre producen
vectores cuyas terceras componentes son iguales a cero (por lo tanto, pertenecen a W). Por
consiguiente, W es un subespacio de IR3 .
Ejemplo 1.18. Un plano en IR3 que no pasa por el origen no es un subespacio de IR3 , porque
el plano no contiene al vector cero de IR3 . Del mismo, una recta en el espacio vectorial IR2
que no pasa por el origen, como se ve en la Figura.1.1 no es un subespacio de IR2 .

Figura 1.1: Grafica de una recta que no pasa por el origen

Ejemplo 1.19. (Espacio de sucesiones) Sea IR = { u = (an )nIN / u es una sucesion }; es

decir IR es el conjunto de las sucesiones de numeros
reales u = (a1 , a2 , a3 , . . . , an , . . .). Con
la suma de sucesiones y el producto de un escalar por una sucesion; esto es:
(a1 , a2 , a3 , . . . , an , . . .)+(b1 , b2 , b3 , . . . , bn , . . .) = (a1 +b1 , a2 +b2 , a3 +b3 , . . . , an +bn , . . .)
(a1 , a2 , a3 , . . . , an , . . .) = (a1 , a2 , a3 , . . . , an , . . .)
IR es un espacio vectorial como se puede comprobar facilmente.

Ejemplo 1.20. (Espacio solucion) Sea A Rmn , el conjunto x IRn que es solucion del
sistema lineal homogeneo Ax = 0 IRm es un subespacio de IRn , llamado el subespacio
de dicho sistema o el espacio nulo de la matriz A.
solucion
En efecto.
Si x = 0 IRn , por lo tanto, 0 S
Si x, y S, Ax = 0, Ay = 0 por lo tanto, A(x + y) = Ax + Ay = 0 IRm . As x + y S.
Si IR y x S, Ax = 0. Entonces A(x) = (Ax) = 0
Ejemplo 1.21. Sea W = {x / x = a(1, 0, 2)+b(1, 1, 3)} donde a y b pueden ser dos numeros

reales cualesquiera. Es W un subespacio de IR ?.
3

Solucion.
Si x = 0 IR3 , por lo tanto, 0 = 0(1, 0, 2) + 0(1, 1, 3) W
Si x, y W, existen escalares tales que:
a, b IR tal que: x = a(1, 0, 2) + b(1, 1, 3)

c, d IR tal que: y = c(1, 0, 2) + d(1, 1, 3)
Sumando de estas dos ultimas
ecuaciones, se tiene:
x + y = (a(1, 0, 2) + b(1, 1, 3)) + (c(1, 0, 2) + d(1, 1, 3))

= (a + c)(1, 0, 2) + (b + d)(1, 1, 3)
= e(1, 0, 2) + f(1, 1, 3), donde e = a + c, f = b + d
Si IR y x W. Entonces
x = (a(1, 0, 2) + b(1, 1, 3)), a, b IR

= ( a)(1, 0, 2) + ( b)(1, 1, 3)) W
As W es un subespacio vectorial de IR3 .

Ejemplo 1.22. Sean V = IR3 y x / x = (x1 , x2 , 1)} IR3 Es W un subespacio de IR3 ?.

Solucion.
El vector cero = (0, 0, 0) no es un elemento de W, pues la tercera componente no es

uno.
suponga que x = (x1 , x2 , 1) W y y = (y1 , y2 , 1) W, si sumamos con la

Ademas,
suma del espacio vectorial IR3 , tenemos:
x + y = (x1 , x2 , 1) + (y1 , y2 , 1)
= (x1 + y1 , x2 + y2 , 2)
Del mismo, vemos que la tercera componente no es uno.
Sea = 1, entonces se tiene:
x + y = (x1 , x2 , 1)
= ( x1 , x2 , )
Como = 1, entonces la tercera componente no es uno.
Por lo tanto, W no es subespacio vectorial de IR3 .
Ejemplo 1.23. (Espacio de Matrices simetricas) Sea V = Mn el espacio de las matrices

cuadradas de orden n con las operaciones usuales. Y sea W el subconjunto de las matrices
simetricas de orden n n. Demostrar que W es un subespacio de Mn .

Solucion.
Claramente la matriz cero de orden n es simetrica.
Sean A, B Mn , entonces A = AT y B = BT , luego sumamos
(A + B)T = AT + BT
= A+B
As A + B Mn
Si IR y A Mn , entonces
(A)T = AT
= A
As, W es un subespacio vectorial de Mn .

1.4. Combinaciones lineales

Definicion 1.3. Se dice que un vector v V es combinacion lineal de los vectores
x1 , x2 , . . . , xn de V, si existen escalares 1 , 2 , . . . , n tales que:
v = 1 x1 + 2 x2 + + n xn

donde los escalares 1 , 2 , . . . , n reciben el nombre de coeficientes de la combinacion
lineal.
Ejemplo 1.24. Determinar si el vector u = (7, 1, 16) es combinacion lineal de los vectores
u1 = (1, 2, 2) y u2 = (3, 1, 4).
Veamos si es posible hallar a1 , a2 IR tales que u = a1 u1 + a2 u2

Solucion.
(7, 1, 16) = a1 (1, 2, 2) + a2 (3, 1, 4)

= (a1 + 3a2 , 2a1 a2 , 2a1 + 4a2 )
Entonces se debe tener el sistema lineal de dos incognitas

a1 + 3a2 = 7
2a1 a2 = 1

2a + 4a = 16
1 2
resolviendo este sistema lineal:

1 3 7 1 3 7 1 3 7 1 0 2

2 1 1 0 5 15 0 1 3 0 1 3
2 4 16 0 10 30 0 0 0 0 0 0
vemos que Rang(E) = Rang(E) = 2 = # de incognitas, por lo tanto el sistema lineal tiene
solucion unica,
as, a1 = 2 y a2 = 3.

Comprobacion
2u1 + 3u2 = 2(1, 2, 2) + 3(3, 1, 4)

= (2, 4, 4) + (9, 3, 12)
= (7, 1, 16) = u
Ejemplo 1.25. Comprobar si los vectores u = (4, 2, 5) y v = (1, 1, 1) de IR3 son combi-
naciones lineales de los vectores x1 = (1, 1, 2) y x2 = (2, 0, 1)

Solucion.
Si
u = ax1 + bx2

entonces
(4, 2, 5) = a(1, 1, 2) + b(2, 0, 1)

4 = a + 2b
2 = a
5 = 2a + b
el sistema lineal tiene como solucion unica

a = 2 y b = 1, por lo tanto u es combina-
cion lineal de los vectores x1 y x2 .
Por otro lado,

v = ax1 + bx2
entonces
(1, 1, 1) = a(1, 1, 2) + b(2, 0, 1)

1 = a + 2b
1 = a
1 = 2a + b
Puesto que este sistema lineal es incompatible, por lo tanto u no es combinacion lineal
de los vectores x1 y x2 .
Ejemplo 1.26. El vector (14, 12, 2) IR3 es combinacion lineal de los vectores (1, 2, 1) y
(3, 2, 1), puesto que:
(14, 12, 2) = 2(1, 2, 1) + 4(3, 2, 1)
[ ]
3 4
Ejemplo 1.27. El vector v = es combinacion lineal de los vectores
2 5
[ ] [ ]
1 0 3 2
v1 = y v2 =
2 1 2 1
Puesto que se puede escribir v = 3v1 2v2 , como se puede verificar directamente.

4

Ejemplo 1.28. Encuentre el o los valores h para los cuales v = 3 esta en el subespa-
h

1 5 3

cio generado por los vectores u1 = 1 , u2 = 4 , u3 = 1 ,
2 7 0
En este caso solo es resolver el sistema lineal:
Solucion.
v = xu1 + yu2 + zu3

Ejemplo 1.29. Dados dos vectores v1 , v2 de un espacio vectorial V, y sea H = Gen{v1 , v2 },

es decir el conjunto H es de las combinaciones de los vectores v1 y v2 . Demuestre que H es
un subespacio de V.

Solucion.
El vector cero esta en H, pues: 0 = 0 v1 + 0 v2
Para demostrar que H es cerrado bajo la suma de vectores, tomemos dos vectores
arbitrarios de H, por ejemplo,
u = s1 v1 + s2 v2 y w = t1 v1 + t2 v2
pero, sabemos que:
u + w = (s1 v1 + s2 v2 ) + (t1 v1 + t2 v2 )
= (s1 + t1 ) v1 + (s2 + t2 ) v2
en conclusion, se tiene que u + w H
Sea escalar arbitrario, entonces

u = (s1 v1 + s2 v2 )
= (s1 ) v1 + (s2 ) v2
lo que demuestra que u esta en H, y H es cerrado bajo la multiplicacion por escala-
res.
Por lo tanto H es un subespacio de V .
Luego veremos, que todo subespacio vectorial del espacio IR3 distinto de los subespacios
triviales, es Gen{v1 , v2 } para algunos vectores v1 y v2 que sean linealmente independientes
o Gen{v} para v = 0. En el primer caso, el subespacio es un plano que pasa por el origen;
en el segundo caso caso, se trata de una recta que pasa por el origen (Vease la figura.1.2).
Es util
tener en mente estas imagenes geometricas, incluso para subespacios abstractos.
Figura 1.2:

Definicion 1.4. Se llama envoltura lineal de los vectores x1 , x2 , . . . , xn del espacio vecto-
rial V, al conjunto de todas las combinaciones lineales de dichos vectores. La denotaremos
por
Env{x1 , x2 , . . . , xn }
Ejemplo 1.30. Obtener la envoltura lineal de los vectores x = (1, 1, 0) y y = (0, 1, 1) en

el espacio vectorial IR3 .
Para cada par de escalares a y b los vectores z de la envoltura lineal de x y

Solucion.
y se escriben como
z = ax + by z = a(1, 1, 0) + b(0, 1, 1) z = (a, b a, b)
luego
Gen{ x, y} = { (a, b a, b) IR3 / a, b IR }
Teorema 1.4. Sean x1 , x2 , . . . , xp vectores de un espacio vectorial V. Si F = { x1 , x2 , . . . , xp },

entonces:
1. F es un subespacio vectorial de V
2. F contiene a los vectores x1 , x2 , . . . , xp
3. F es el menor subespacio vectorial de V, que contiene a los vectores x1 , x2 , . . . , xp (Es

decir, si G es otro subespacio que contiene a los vectores x1 , x2 , . . . , xp , entonces F G)

Demostracion.
1. Como 0 = 0x1 + 0x2 + + 0xp , se tiene que 0 F.

Si u = a1 x1 + a2 x2 + + ap xp y v = b1 x1 + b2 x2 + + bp xp son dos elementos
arbitrarios de F entonces
u + v = (a1 + b1 )x1 + (a2 + b2 )x2 + + (ap + bp )xp
luego u + v es combinacion lineal de x1 , x2 , . . . , xp , y por lo tanto esta en F.

Si t IR es un escalar arbitrario, el vector tu se escribe
tu = (ta1 )x1 + (ta2 )x2 + + (tap )xp
As pues F es un subespacio vectorial de V
2. Cada vector xi es combinacion lineal de x1 , x2 , . . . , xp , ya que este vector se escribe as
xi = 0x1 + 0x2 + + 1xi + + 0xp , i = 1, 2, . . . , p

3. Sea G un subespacio vectorial de V que contiene a todos los vectores xi , i = 1, 2, . . . , p,

entonces tenemos que probar que F G.
Por ser G subespacio vectorial, tambien contiene a los vectores ai xi con ai IR, i =
1, 2, . . . , p. Y tambien a los vectores a1 x1 + a2 x2 + + ap xp , que son justamente las
combinaciones lineales de los vectores x1 , x2 , . . . , xp
1.5. Sea W un subespacio vectorial de V. Se dice que {x1 , x2 , . . . , xp } es un
Definicion
conjunto generador de W, si W = Gen{x1 , x2 , . . . , xp }
Ejemplo 1.31. Comprobar que el conjunto de vectores {e1 , e2 , e3 }, donde
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
es un conjunto generador del espacio vectorial IR3

Solucion.
1. Puesto que e1 , e2 y e3 son vectores de IR3 , de acuerdo a la definicion de envoltura lineal
resulta evidente que:
Gen{e1 , e2 , e3 } IR3
2. Por otro lado, si v = (x, y, z) es cualquier vector arbitrario de IR3 , es evidente que
v = (x, y, z) = xe1 + ye2 + ze3
Por lo tanto, tenemos:
IR3 Gen{e1 , e2 , e3 }
Ejemplo 1.32. 2x2 3x + 1 Gen{2, 1 x, x2 }?
Encontremos a1 , a2 , a3 IR tales que:

Solucion.
a1 (2) + a2 (1 x) + a3 x2 = 2x2 3x + 1
Entonces, al reducir,
(2a1 + a2 ) a2 x + a3 x2 = 2x2 3x + 1
Y puesto que los dos polinomios son iguales si los coeficientes de las mismas potencias de
x son iguales, se tiene:

2a1 + a2 = 1
a2 = 3

a3 = 2
de donde se obtiene: a1 = 1, a2 = 3, a3 = 2. por lo tanto: 2x2 3x + 1 Gen{2, 1 x, x2 }
Ejemplo 1.33. Comprobar que el conjunto {u1 , u2 , u3 , u4 } IR3 donde
u1 = (1, 1, 1), u2 = (1, 1, 0), u3 = (1, 0, 0), u4 = (0, 1, 1)
es tambien un conjunto generador de IR3 .
Razonando de forma analoga
Solucion. al ejemplo anterior se obtiene el resultado, que
estos vectores no generan el espacio vectorial IR3 .

Ejemplo 1.34. Comprobar que los vectores x = (1, 2, 0) y y = (1, 1, 0) del espacio IR3 son un
conjunto generador del subespacio vectorial
W = {(a + b, 2a + b, 0) / a, b IR}
que geometricamente representa los vectores que se encuentran en el plano horizontal.

Solucion.
1. Notemos en primer lugar que cualquier vector de W se puede escribir como:
(a + b, 2a + b, 0) = a(1, 2, 0) + b(1, 1, 0) = ax + by
Por lo tanto W Gen{x, y}
2. Recprocamente, si u es un vector de Env{x, y}, entonces
u = px + qy
= p(1, 2, 0) + q(1, 1, 0)
= (p + q, 2p + q, 0)
para algunos escalares p y q, con los que u esta en W. Por lo tanto Gen{x, y} W.
Ejemplo 1.35. Comprobar que el conjunto generador de polinomios {1, x, x2 } es un conjun-

to generador del subespacio W = P2 , subespacios de los polinomios con coeficientes reales
de grado menor o igual a 2.
Dado un sistema generador de un subespacio vectorial W es interesante saber si existen

otros sistemas generadores mas
simples (es decir, con menos vectores) que tambien generen
W y como hallarlos.
Teorema 1.5. Si x es un vector de un espacio vectorial V que es combinacion lineal de los

vectores x1 , x2 , . . . , xp , entonces
Gen{x1 , x2 , . . . , xp } = Gen{x1 , x2 , . . . , xp , x}
En efecto
1. Es evidente que
Gen{x1 , x2 , . . . , xp } Gen{x1 , x2 , . . . , xp , x}
pues
a1 x1 + a2 x2 + + ap xp = a1 x1 + a2 x2 + + ap xp + 0x

2. Ahora comprobemos la inclusion contraria. Sea
u = a1 x1 + a2 x2 + + ap xp + ax
Pero como x es combinacion lineal de x1 , x2 , . . . , xp , se puede escribir entonces
x = b1 x1 + b2 x2 + + bp xp
con lo que
u = a1 x1 + a2 x2 + + ap xp + ax
= a1 x1 + a2 x2 + + ap xp + a(b1 x1 + b2 x2 + + bp xp )
= (a1 + b1 )x1 + (a2 + b2 )x2 + + (ap + bp )xp
es decir, u es combinacion lineal de x1 , x2 , . . . , xp y por lo tanto
Gen{x1 , x2 , . . . , xp , x} Gen{x1 , x2 , . . . , xp }
entonces
Gen{x1 , x2 , . . . , xp } = Gen{x1 , x2 , . . . , xp , x}
Como consecuencia de este teorema podemos afirmar que si de un conjunto de vectores

eliminamos aquellos que son combinacion de los restantes, el conjunto de vectores resul-
tante genera la misma envoltura lineal que el conjunto inicial.
Ejemplo 1.36. Si u y v son dos vectores de un espacio vectorial cualquiera, entonces las
envolturas lineales siguientes son iguales:
Gen{u, v, u + v} = Gen{u, v, 2u + v}
= Gen{u, v, 2u v}
= Gen{u, v, u + v, 2u v}
= Gen{u, v}
1.4.1. El espacio nulo de una matriz

En aplicaciones de algebra
lineal, los subespacios de Rn normalmente surgen de dos
maneras:
1. como el conjunto de todas las soluciones de un sistema homogeneo de ecuaciones
lineales, o
2. como el conjunto de todas las combinaciones lineales de ciertos vectores especficos.

En esta seccion se compararan y contrastaran las dos descripciones para los subespacios,
lo cual permitira practicar el uso del concepto de subespacio. En realidad, como pronto se
descubrira, ya se ha realizado cierto trabajo con subespacios desde la seccion. La principal
caracterstica nueva aqu es la terminologa. La seccion termina con una explicacion del
nucleo
y del rango de una transformacion lineal.

El espacio nulo de una matriz
Considere el siguiente sistema de ecuaciones homogeneas:

{
x1 3x2 2x3 = 0
(1.1)
5x1 + 9x2 + x3 = 0
En arreglo matricial, este sistema se escribe como Ax = 0, donde

[ ]
1 3 2
(1.2)
5 9 1
Recuerde que el conjunto de todas las x que satisfacen (1.1) se denomina conjunto solucion
del sistema ((1.1)). A menudo conviene relacionar este conjunto directamente con la matriz
A y la ecuacion Ax = 0. Al conjunto de las x que satisfacen Ax = 0 se le llamara espacio
nulo de la matriz A.
1.6. El espacio nulo de una matriz A Mmn , que se escribe Nul A, es el

Definicion
conjunto de todas las soluciones del sistema lineal homogenea Ax = 0. En notacion de
conjuntos,
Ker(A) = Nul A = { x IRn / Ax = 0 }
Una descripcion mas dinamica
de Nul A es el conjunto de todas las x en Rn que se mapean
en el vector cero de Rm mediante la transformacion lineal x 7 Ax.

5

Ejemplo 1.37. Sea A como (1.2) y sea u = 3 . Determine si u pertenece al espacio
2
nulo de A.
Para probar si u satisface Au = 0, simplemente calcule

Solucion.

[ ] 5 [ ] [ ]
1 3 2 5 9 + 4 0
Au = 3 = =
5 9 1 25 + 27 2 0
2
Entonces u esta en Nul A.
El termino espacio en espacio nulo resulta adecuado porque el espacio nulo de una
matriz es un espacio vectorial, como se vera en el teorema siguiente.
Teorema 1.6. El espacio nulo de una matriz A Mmn es un subespacio de Rn . De manera

equivalente, el conjunto de todas las soluciones de un sistema Ax = 0 de m ecuaciones
lineales homogeneas con n incognitas es un subespacio de Rn .
Ejemplo 1.38. Sea W el conjunto de todos los vectores en R4 cuyas coordenadas a, b, c, d

satisfacen las ecuaciones a 2b + 5c = d y c a = b. Demuestre que W es un subespacio

de R4 .
Al reacomodar las ecuaciones que describen los elementos de W, se observa que
Solucion.
W es el conjunto de todas las soluciones del siguiente sistema homogeneo de ecuaciones
lineales: {
a 2b + 5c d = 0
a b + c =0
Por el teorema.1.6, W es un subespacio de R4 .
Es importante que las ecuaciones lineales que definen al conjunto W sean homogeneas.
En caso contrario, definitivamente, el conjunto de soluciones no sera un subespacio (puesto
que el vector cero no es solucion de un sistema no homogeneo). Tambien, en algunos casos,
el conjunto de las soluciones podra estar vaco.
explcita de Nul A
Una descripcion
No hay ninguna relacion evidente entre los vectores de Nul A y las entradas de A. Se
dice que Nul A esta definido implcitamente, porque se define mediante una condicion que
debe verificarse. No hay una descripcion ni una lista explcita de los elementos contenidos
en Nul A. Sin embargo, resolver la ecuacion Ax = 0 equivale a producir una descripcion
explcita de Nul A.
Ejemplo 1.39. Encuentre un conjunto generador para el espacio nulo de la matriz

3 6 1 1 7

A = 1 2 2 3 1
2 4 5 8 4
El primer paso es encontrar la solucion general de Ax = 0 en terminos de varia-

Solucion.
bles libres. Reduzca por filas la matriz aumentada [A | 0] a la forma escalonada reducida
para escribir las variables basicas
en terminos de las variables libres:

3 6 1 1 7 0 1 2 0 1 3 0

A = 1 2 2 3 1 0 0 0 1 2 2 0
2 4 5 8 4 0 0 0 0 0 0 0

x1 2x2 x4 + 3x5 = 0
x3 + 2x4 2x5 = 0

0=0
La solucion general es x1 = 2x2 + x4 3x5 , x3 = 2x4 + 2x5 , con x2 , x4 y x5 como variables
libres. Enseguida, descomponga el vector que proporciona la solucion general como una

combinacion lineal de vectores, donde los pesos son las variables libres. Esto es,

x1 2x2 + x4 3x5 2 1 3
x 1 0 0
2 x2

x3 = 2x5 2x4 = x2 0 + x4 2 + x5 2

x4 x4 0 1 0
x5 x5 0 0 1
= x2 u + x4 v + x5 w
Toda combinacion lineal de u, v y w es un elemento de Nul A. Entonces {u, v, w} es un
conjunto generador para Nul A.
1.4.2. Espacio fila y espacio columna de una matriz

Definicion 1.7. Si A Mmn , se define el espacio fila de A como el subespacio de IRn ge-
nerado por las mfilas de A; y al subespacio de Rm , generado por las ncolumnas de A, se
le llama el espacio columna de A. Al espacio fila y al espacio columna se les denotara por
Ef (A) y Ef (A), respectivamente

3 1 2 0

Ejemplo 1.40. Si 2 1 3 4 M34
0 1 2 3
Ef (A) = Gen{(3, 1, 2, 0), (2, 1, 3, 4), (0, 1, 2, 3)}
Ec (A) = Gen{(3, 2, 0), (1, 1, 1), (2, 3, 2), (0, 4, 3)}
Teorema 1.7. Si A Mmn , entonces b Ec (A) el sistema lineal Ax = b tiene solu-
cion.
En efecto Supongamos que

a11 a12 a1n
a21 a22 a2n

A= .. .. .. ..
. . . .
am1 am2 amn
b Ec (A) si y solo si existen x1 , x2 , . . . , xn IR tales que

a11 a12 a1n
a21 a22 a2n

b = x1 . + x2 . + + xn .
. . . . ..
am1 am2 amn
y la ultima
desigualdad se da si y solo si

a11 a12 a1n x1
a21 a22 a2n x2

b= . .. .. .. ..
.. . . . .
am1 am2 amn xn

Es decir, si y solo si el sistema Ax = b tiene solucion.
Criterio para determinar si un vector en IRn es combinacion

lineal de otros vec-
tores
Podemos utilizar el teorema.1.7 para determinar si un vector dado b, es combinacion

lineal de los vectores u1 , u2 , . . . , un en IRn (lo cual equivale a que b pertenezca al subespacio
generado por estos vectores) de la siguiente manera:
Se forma la matriz cuyas columnas son los vectores u1 , u2 , . . . , un .
Se resuelve el sistema Ax = b (Por el metodo de GaussJordan)
Si este sistema tiene solucion x = (a1 , a2 , . . . , an ), entonces b pertenece al subespacio

generado por los vectores ui , y ademas

b = a1 u1 + a2 u2 + . . . + an un
Si el sistema lineal Ax = b es inconsistente, entonces b no es combinacion lineal de

los vectores u1 , u2 , . . . , un .
Ejemplo 1.41. Determine si b = (2, 6, 1) pertenece al espacio generado por u1 = (1, 2, 3), u2 =
(2, 5, 2) y u3 = (1, 2, 1). En caso afirmativo, hallar x1 , x2 , x3 tales que
b = x1 u1 + x2 u2 + x3 u3
Resolvamos el sistema lineal

Solucion.

1 2 1 x1 2

A = 2 5 2 x2 = 6
3 2 1 x3 1
Por el metodo de Gauss

3
1 2 1 2 1 0 0
4

2 5 2 6 0 1 0 2
3 2 1 1 0 0 1 114
1.4.3. Operaciones con subespacios

Sean W1 y W2 dos subespacios del espacio vectorial V, entonces se definen los siguientes
subconjuntos de V:
de W1 y W2 definida como
1. La interseccion
W1 W2 = {v V / v W1 v W2 }

de W1 y W2 definida como
2. La union
W1 W2 = {v V / v W1 v W2 }
3. La suma de W1 y W2 denotada como W1 + W2 y definida
W1 + W2 = {v V / v = w1 + w2 , w1 W1 w2 W2 }
Siendo W1 y W2 dos subespacios del espacio vectorial V, es natural preguntarnos si los

siguientes conjuntos
W1 W2 , W1 W2 y W1 W2
son tambien subespacios de V.
Es inmediato verificar que el conjunto W1 W2 es un subespacio de V.

Por otra parte la union de dos subespacios de V no es en general un subespacio de V
Teorema 1.8. Sean W1 y W2 dos subespacios del espacio vectorial V,

entonces S = W1 W2 es subespacio de V.
En efecto.
1. S = , pues 0 W1 0 W2 0 S. As S = . Pues W1 y W2 son subespacios

vectoriales de V.
2. S esta incluido en V, ya que W1 V y W2 V, entonces S = W1 W2 W1 y

S = W1 W2 W2
3. S es cerrado para la suma.

En efecto. Sean u S v S u W1 W2 v W1 W2 , entonces
u W1 u W2 ,
analogamente,
tenemos v W1 v W2 ,
entonces
u + v W1 u + v W2 u + v S
pues W1 y W2 son subespacios vectoriales de V.
4. S es cerrado para el producto de escalares.

Consideremos escalar arbitrario y u S. Ahora bien
K u S K u W1 u W2
u W1 u W2
u S
Ejemplo 1.42. Sea V = IR3 el espacio vectorial, y consideremos los subespacios no triviales
W1 = {(x, y, z) IR3 / z = 0}, W2 = {(x, y, z) IR3 / x = 0}

La interseccion de estos subespacios es
W = W1 W2 = {(x, y, z) IR3 / x = 0 z = 0}
Esto significa que un vector generico de W es una terna del tipo (0, y, 0) que puede expre-
IR.
sarse mediante (0, , 0) para algun
Entonces
W = {(0, , 0) IR3 / IR}
o sea, W es el eje Y.
Teorema 1.9. Sean W1 y W2 dos subespacios del espacio vectorial V, si W1 W2 es subes-

pacio de V, entonces W1 W2 o W2 W1
de subespacios
Union
Sean W1 y W2 dos subespacios del espacio vectorial V, entonces W1 W2 , no es necesa-

riamente un subespacio de V, como vemos el siguiente ejemplo.
Ejemplo 1.43. Sea V = IR2 y los subespacios no triviales de la figura

La union de ambos es el par de rectas, y eligiendo u W1 , v W2 , distintos del vector

nulo se tiene:
u W1 u W1 W2
v W2 v W1 W2
pero u+v
/ W1 W2
1.4.4. Suma de subespacios

Sean W1 y W2 dos subespacios del espacio vectorial V. Definimos el conjunto
S = { v V / v = u1 + u2 , u1 W1 u2 W2 }
O sea
S = { v V / u1 W1 u2 W2 , v = u1 + u2 }
El conjunto S se llama suma de los subespacios W1 y W2 y se denota
S = W1 + W2
Teorema 1.10. La suma de dos subespacios de V es un subespacio de V.
En efecto.
S no es vaco, pues
0 W1 0 W2 0 = 0 + 0 W1 + W2 0 S, as S =
S es una parte de V, por la definicion de S
S es cerrado para la suma, ya que

x S y S x = u1 + v1 ; y = u2 + v2 , donde u1 , u2 W1 v1 , v2 W2
x + y = (u1 + v1 ) + (u2 + v2 ) = (u1 + u2 ) + (v1 + v2 ),
(u1 + u2 ) W1 (v1 + v2 ) W2
x+yS
S es cerrado para el producto por escalares, pues

K x S K x = u1 + v1 ; u1 W1 v1 W2
x = u1 + v1 , donde u1 W1 v1 W2
Por consiguiente, la suma de subespacios es un subespacio.
Un caso particular importante se presenta cuando los subespacios W1 y W2 son disjuntos,
es decir, si W1 W2 = {0}. En esta situacion, el subespacio S = W1 + W2 recibe el nombre de
suma directa de W1 y W2 , y se denota
S = W1 W2
Sintetizamos esto en la siguiente definicion
S = W1 W2 S = W1 + W2 W1 W2 = {0}

Ejemplo 1.44. Sea V = IR3 .
1. Consideremos los siguientes subespacios de IR3
W1 = {(, , 0) / IR IR} W2 = {(0, , ) / IR IR}
El subespacio suma S = W1 + W2 esta formado por todas las ternas del tipo
(, + , ) = (, , )
y es S = IR3 . Ambos subespacios son los planos indicados en la figura, y como su

interseccion es el eje Y, la suma S = W1 + W2 no es directa.
2. En cambio, si
W1 = {(, 0, 0) / IR} W2 = {(0, , 0) / IR}
se tiene
S = W1 + W2 = {(, , 0) / IR IR}
O sea, la suma es directa y se identifica con el plano horizontal XY, es decir
Ejemplo 1.45. Hallar los vectores generadores del subespacio W de V = IR3 , donde
W = {(x, y, z) IR3 / x + y = 2z y = 2z x }

Sea w W, donde w = (x, y, z), este se satisface as w = (x, 2z x, z), entonces

Solucion.
w = (x, 2z x, z) = (x, x, 0) + (0, 2z, z)

= x(1, 1, 0) + z(0, 2, 1)
Luego los vectores generadores del subespacio W = (1, 1, 0), (0, 2, 1)
Ejemplo 1.46. Hallar los vectores generadores del subespacio U, si U IR4 , donde
U = { (x, y, z, t) IR4 / x y = 3t, x + y + z = 0 }
Despejando x, z en funcion y, t tenemos:

Solucion.
x = y + 3t, z = 2y 3t
Luego para todo u U, tiene la forma u = (x, y, z, t) = (y + 3t, y, 2y 3t, t), de donde
u = (y + 3t, y, 2y 3t, t) = (y, y, 2y, 0) + (3t, 0, 3t, t)

= y(1, 1, 2, 0) + t(3, 0, 3, 1).
De manera que los vectores generadores del subespacio U = (1, 1, 2, 0), (3, 0, 3, 1)
Ejemplo 1.47. Dados W1 = { t(2, 3) / t IR } IR2 y W2 = { r (1, 1) / r IR } IR2 .

Probar que: IR2 = W1 W2
Si u = a(2, 3) W1 y v = b(1, 1) W2 , entonces

Solucion.
u + v = a(2, 3) + b(1, 1) = (2a + b, 3a b),
luego: W1 + W2 = {(2a + b, 3a b) / a, b IR} IR2

Esta suma es directa. Pues si x W1 W2 , debe ser
a IR b IR
x = a(2, 3) = b(1, 1) para algun
de donde se tiene: a = b = 0. Luego W1 W2 = {0}.
Por otro lado, sea x = (x1 , x2 ) IR2 , como queremos que

x W1 W2 , debemos determinar numeros r, s tales que
x = r(2, 3) + s(1, 1)
que a su vez se plantea el sistema lineal
3r + s = x1
3r s = x2
1 1
cuya solucion es: r = (x1 + x2 ), s = (3x1 2x2 ).
5 5
1 1
Por lo tanto: x = r(2, 3) + s(1, 1) x = (x1 + x2 )(2, 3) + (1, 1).
5 5
Esto verifica que IR2 W1 W2 . Y con ella el ejercicio esta probado.

1.5. Dependencia e independencia lineal

1.8. Un conjunto de vectores M = {x1 , x2 , . . . , xp } de un espacio vectorial V se
Definicion
dice que es linealmente independiente (L. I.) si la igualdad
a1 x1 + a2 x2 + + ap xp = 0
solo se satisface cuando a1 = a2 = = ap = 0.
Es decir, cuando se resuelve el sistema lineal homogeneo, que sabemos que un sistema
lineal homogeneo siempre tiene solucion, pero es linealmente independiente si la solu-
cion del sistema lineal homogeneo es la trivial.
En caso contrario, es decir si la combinacion lineal anterior no solo ocurre con coefi-
cientes nulos, sino tambien con algun
coeficiente no nulo, entonces se dice que los vectores
son linealmente dependiente (L. D.).
Nota. Sean V un espacio vectorial y M = {x1 , x2 , . . . , xk } vectores de V. Se dice que es-

tos vectores son linealmente dependientes (L. D.) si uno de ellos es combinacion de los
otros. En caso contrario diremos que los vectores son linealmente independientes (L. I.)
Observese que si los vectores {u1 , u2 , . . . , uk } son L. I., entonces cualquier subconjunto
no vaco de ellos es tambien L. I.
Los vectores {u1 , u2 , . . . , uk } son L. D. si y solo si hay un subconjunto de ellos que es

L. D.
Si alguno de los vectores ui , i = 1, 2, . . . , k es el vector neutro aditivo del espacio, 0V ,

entonces estos vectores son L. D.
Si M = {u} es L. I. si y solo si u = 0V
Ejemplo 1.48. Son los vectores v1 = (1, 2, 3, 1), v2 = (2, 2, 1, 3) y v3 = (1, 2, 7, 3) L. I. o

L. D.?
Si x, y, z IR
Solucion. y xv1 + yv2 + zv3 = 0RI 4
(x + 2y z, 2x + 2y + 2z, 3x + y + 7z, x + 3y 3z) = (0, 0, 0, 0)
que equivale al sistema lineal homogeneo

x + 2y z = 0,

2x + 2y + 2z = 0,

3x + y + 7z = 0,

x + 3y 3z = 0.

Resolvamos el sistema lineal homogeneo

1 2 1 0 1 0 3 0
2 2
2 0 0 1 2 0

3 1 7 0 0 0 0 0
1 3 3 0 0 0 0 0

x 3r

Por lo tanto y = 2r r IR; es decir, el sistema lineal tiene solucion no trivial.
z r
Por lo tanto, los vectores v1 , v2 , v3 son L. D.
Ejemplo 1.49. El conjunto de vectores {(2, 1, 1), (1, 1, 3), (1, 0, 0)} del espacio vectorial
IR3 , es L. I. pues:
a1 (2, 1, 1) + a2 (1, 1, 3) + a3 (1, 0, 0) = (0, 0, 0)
equivale a resolver el sistema lineal homogeneo

2a1 + a2 + a3 = 0
a1 + a2 = 0

a 3a
1 2 = 0
Resolviendo el sistema lineal homogeneo, tenemos:

Solucion.

2 1 1 0 1 0 0 0

1 1 0 0 0 1 0 0
1 3 0 0 0 0 1 0
cuya unica
solucion es la trivial a1 = a2 = a3 = 0
Ejemplo 1.50. Los vectores (1, 2) y (2, 4) de IR2 son L. D., puesto que de la combinacion
lineal
a1 (1, 2) + a2 (2, 4) = (0, 0)
se tiene el sistema lineal homogeneo
{
a1 2a2 = 0
2a1 + 4a2 = 0
que tiene soluciones no triviales. En forma parametrica (a1 , a2 ) = t(2, 1), t IR
Nota. Notese que cuando un conjunto de vectores es L. D. existen diferentes valores no

nulos de los coeficientes que verifican la combinacion lineal, y entre ellos algunos de los
i son ceros. Sin embargo, cuando los vectores son L. I. entonces la combinacion lineal de
ellos igualada al vector nulo solo se cumple cuando los coeficientes son todos nulos, en este
caso diremos que solo se satisface la combinacion lineal trivial.

Ejemplo 1.51. Averiguar si el conjunto de polinomios
M = {1 x, 2 + x + 2x2 , 1 + x2 }
es L. I. o L. D.
Solucion. Sea la combinacion lineal nula
a1 (1 x) + a2 (2 + x + 2x2 ) + a3 (1 + x2 ) = 0 = 0 + 0 x + 0 x2
Identificando coeficientes en ambos miembros tenemos:

a1 + 2a2 + a3 = 0
a1 + a2 = 0

2a2 + a3 = 0

1 2 1 0 1 0 0 0

1 1 0 0 0 1 0 0
0 2 1 0 0 0 1 0
Este sistema lineal homogeneo solo tiene la solucion trivial a1 = a2 = a3 = 0, por lo tanto
el conjunto de polinomios M = {1 x, 2 + x + 2x2 , 1 + x2 } es L. I.
Ejemplo 1.52. Determinar si M = {x2 1, x2 +1, 4x, 2x3} son linealmente independientes
o linealmente dependiente en el espacio de polinomios.
Si
Solucion.
1 (x2 1) + 2 (x2 + 1) + 3 (4x) + 4 (2x 3) = 0
entonces
(1 + 2 )x2 + (43 + 24 )x 1 + 2 34 = 0
De donde obtenemos el sistema lineal homogeneo

1 + 2 = 0,
43 + 24 = 0,

+ 3 = 0,
1 2 4
Llevemos a forma escalonada la matriz de coeficientes:

3
1 1 0 0 0 1 0 0 0
2

0 0 4 2 0 0 1 0 32 0
1
1 1 0 3 0 0 0 1 2
0
Este sistema lineal homogeneo tiene una infinidad de soluciones dadas

1 3/2
3/2
2
=
3 1/2
4 0
En particular, tiene soluciones no triviales, y por ende los polinomios son L. D.

Ejemplo 1.53. Los vectores v1 , v2 , v3 , IR22 dados por

[ ] [ ] [ ]
1 16 2 3 1 2
v1 = , v2 = , v3 =
1 13 3 4 2 1
son L. D.
En efecto. Escribamos el vector nulo de IR22 como combinacion lineal de estos vectores, es
decir: [ ] [ ] [ ] [ ]
1 16 2 3 1 2 0 0
c1 + c2 + c3 =
1 13 3 4 2 1 0 0
Al realizar las operaciones indicadas se obtiene
[ ] [ ]
c1 + 2c2 c3 16c1 + 3c2 + 2c3 0 0
=
4c1 + 3c2 2c3 13c1 + 4c2 + c3 0 0
o sea, se tiene el sistema lineal homogeneo
c1 + 2c2 c3 = 0
16c1 + 3c2 + 2c3 = 0
4c1 + 3c2 2c3 = 0
13c1 + 4c2 + c3 = 0
Al resolver por operaciones elementales, se tiene:

1 2 1 0 1 0 1/5 0

16 3 2 0 0 1 2/5 0

4 3 2 0 0 0 0 0
13 4 1 0 0 0 0 0
De modo que el sistema lineal homogeneo tiene infinitas soluciones, es decir:

t 2
c1 = , c2 = t, c3 = t, t IR
5 5
Lo que muestra que los vectores v1 , v2 , v3 , IR22 son L. D.
Criterios de independencia lineal en el espacio IRn
Sean M = {u1 , u2 , . . . , uk } IRn ; estos vectores son L. D. si y solo si el sistema
x1 u1 + x2 u2 + + xk uk = 0RI n
tiene soluciones no triviales. Esto es, si el sistema homogeneo
Av = 0RI n
donde A es la matriz que tiene como columnas a los vectores ui , tiene soluciones no triviales.

Teorema 1.11. (Criterios para que k vectores de IRn son L. I. o L. D.) Sean u1 , u2 , . . . , uk , k
vectores de IRn y A la matriz que tiene como columnas a estos vectores. Entonces:
1. Los vectores son L. I. si y solo si Av = 0RI n tiene unicamente

la solucion trivial.
2. Los vectores son L. D. si y solo si Av = 0RI n tiene soluciones no triviales.
3. Si k = n:
a) los vectores son L. I. si y solo si A es inversible.

b) los vectores son L. D. si y solo si A no es inversible.
4. Si k > n los vectores son L. D.
Ejemplo 1.54. Determinar si los vectores dados son L. I. o L. D. en el espacio vectorial IR4 .
1. {(1, 2, 3, 2), (1, 0, 1, 1), (3, 2, 1, 1)}
2. {(1, 2, 3, 2), (1, 0, 1, 1), (5, 4, 9, 1)}
3. {(1, 2, 1, 3), (1, 1, 1, 1), (1, 1, 0, 0), (1, 1, 0, 1), (1, 0, 0, 4)}
4. {(1, 0, 1, 0), (2, 1, 1, 1), (2, 1, 1, 3), (3, 0, 0, 1)}

Solucion.
1. Resolvamos el sistema homogeneo Ax = 0, donde A es la matriz que tiene como co-

lumnas a estos vectores.

1 1 3 0 1 0 0 0

2 0 2 0 0 1 0 0

3 1 1 0 0 0 1 0
2 1 1 0 0 0 0 0
De donde, el sistema solo tiene la solucion trivial, por lo que los vectores son L. I.
2. Resolvamos el sistema homogeneo Ax = 0, donde A es la matriz que tiene como co-

lumnas a estos vectores.

1 1 5 0 1 0 2 0

2 0 4 0 0 1 3 0

3 1 9 0 0 0 0 0
2 1 1 0 0 0 0 0
De donde el sistema tiene una infinidad de soluciones, donde

x1 2r

x2 = 3r r IR
x3 r

3. En este caso tenemos 5 vectores en IR4 son L. D. (k > n)
4. En este caso tenemos 4 vectores en IR4 , y seran

L. I. si y solo si la matriz A, que tiene de
columnas a estos vectores, es invertible. LLevemos esta matriz a la forma escalonada

1 2 2 3 1 0 0 0

0 1 1 0 0 1 0 0

1 1 1 0 0 0 1 0
0 1 3 1 0 0 0 1
Dado que la matriz escalonada es equivalente a la matriz identidad, y por lo tanto,
es invertible, luego los vectores son L. I.
Teorema 1.12. Sean u1 , u2 , . . . , un , n vectores de IRn y A es la matriz que tiene por colum-
nas a estos vectores, entonces las siguientes condiciones son equivalentes:
1. u1 , u2 , . . . , un son L. I.
2. u1 , u2 , . . . , un generan a IRn
3. A es invertible.
Teorema 1.13. Sea M = {x1 , x2 , . . . , xp } un conjunto de vectores L. I. de un espacio vecto-
rial V. Si el vector u es combinacion lineal de ellos entonces los coeficientes son unicos.

En efecto. Supongamos que el vector u se escribe de dos formas diferentes como com-
binacion de los vectores de M, es decir:
u = a1 x1 + a2 x2 + + ap xp
u = b1 x1 + b2 x2 + + bp xp
restando ambas ecuaciones se obtiene:
0 = (a1 b1 )x1 + (a2 b2 )x2 + + (ap bp )xp
esta es la combinacion trivial y como los vectores de M son L. I. entonces
a1 b1 = a2 b2 = = ap bp = 0 a1 = b1 , a2 = b2 , . . . , ap = bp
Teorema 1.14. Los n vectores u1 , u2 , . . . , un del espacio vectorial V son linealmente depen-
dientes si y solo si al menos uno de ellos puede escribirse como combinacion de los n 1
vectores restantes.
En efecto.
Si los n vectores u1 , u2 , . . . , un son L. D., segun
la definicion existen escalares c1 , c2 , . . . , cn
no todos nulos, tales que
c1 u1 + c2 u2 + + cn un = 0 (1.3)
Supongamos que c1 = 0, entonces la expresion (1.3), se puede escribir como:
c2 cn
u1 = u2 un
c1 c1
lo que muestra que el vector u1 es una combinacion de los n 1 vectores u2 , u3 , . . . , un

De manera al item anterior se puede hacer la demostracion para algun

vector ui
Teorema 1.15. Sean u1 , u2 , . . . , un vectores del espacio vectorial V
1. Si ui = uj para i = j, i, j = 1, 2, . . . , n, entonces estos vectores son L. D.
2. Si existe i, 1 i n, tal que ui = 0, entonces estos vectores son L. D.
3. Si el conjunto {u1 , u2 , . . . , un } es L. I., entonces cualquier subconjunto de e l es L. I.
4. Si el conjunto {u1 , u2 , . . . , un } es L. D., entonces para cualesquiera vectores w1 , w2 , . . . , wk

de V, entonces el conjunto {u1 , u2 , . . . , un , w1 , w2 , . . . , wk } es L. D.
1.9. Un conjunto de vectores {u1 , u2 , . . . , un } de un espacio vectorial V es una

Definicion
base de V si:
1. {u1 , u2 , . . . , un } es un conjunto generador de V
2. {u1 , u2 , . . . , un } es L. I.
Ejemplo 1.55. Dados los vectores e1 = (1, 0) y e2 = (0, 1) de IR2 , comprobar que {e1 , e2 } es
una base de IR2 .
Si u = (1, 2), el conjunto {e1 , e2 , u}, es L. D. de IR2
Ejemplo 1.56. Probar que el conjunto de vectores = { e1 , e2 , e3 , . . . , en } con
e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1)
es una base de IRn . Esta base recibe el nombre de base canonica

para el espacio vectorial
n
IR .
Ejemplo 1.57. Sean v1 = (1, 2, 1), v2 = (2, 9, 0), v3 = (3, 3, 4). Demuestrese que el conjunto
S = {v1 , v2 , v3 } es una base de IR3 .
Solucion. Para demostrar que S es una base, se tiene que demostrar que primero que S es
L. I.
0 = xv1 + yv2 + zv3

es equivalente, e resolver el sistema lineal homogeneo
x + 2y + 3z = 0
2x + 9y + 3z = 0
x + 0y + 4z = 0

1 2 3

Pero la matriz de sus coeficientes es A = 2 9 3 . Puesto que D(A) = 1 = 0, entonces
1 0 4
el sistema lineal homogeneo tiene solucion unica
que es x = y = z = 0. As S es L. I..

La segunda parte, es necesario demostrar que un vector arbitrario v = (1 , 2 , 3 ) IR3

se puede expresar como C. L.
v = xv1 + xv2 + zv3
de los vectores de S, entonces resulta el sistema lineal no homogeneo
x + 2y + 3z = 1
2x + 9y + 3z = 2
x + 0y + 4z = 3

1 2 3

Pero vimos que la matriz de coeficientes A = 2 9 3 , su D(A) = 1, entonces el
1 0 4
sistema tiene solucion unica.
As S genera el espacio vectorial IR3 . As tenemos:
x = 361 + 82 + 213
y = 51 2 33
z = 91 22 53
Ejemplo 1.58. Sean

[ ] [ ] [ ] [ ]
1 0 0 1 0 0 0 0
M1 = , M2 = , M3 = , M4 =
0 0 0 0 1 0 0 1
El conjunto S = {M1 , M2 , M3 , M4 } es una base para el espacio vectorial de matrices IR22

Ejemplo 1.59. Dado el subespacio W = { (x, y, z, w) IR4 / z + w = x + y }, hallar una base
de W

Solucion.
1. En primer lugar, de la ecuacion z + w = x + y despejar una de las variables, por
ejemplo w, entonces:
w=x+yz
2. En segundo lugar, reemplazar w en cualquier vector generico, es decir:
u = (x, y, z, w) = (x, y, z, x + y z)
3. Descomponer
u = x(1, 0, 0, 1) + y(0, 1, 0, 1) + z(0, 0, 1, 1)
Los vectores {(1, 0, 0, 1), (0, 1, 0, 1)} y (0, 0, 1, 1) forman una base del subespacio W.
4. Luego el conjunto de vectores {(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 1, 1)} es una base de W
Ejemplo 1.60. Demuestre que el conjunto M = {f(x) = x2 +1, g(x) = 3x1, h(x) = 4x+1}
constituye una base para el espacio vectorial V = P2 [x].
f, g, h sera una base para P2 [x] si estos generan a P2 y son linealmente inde-
Solucion.
pendientes. Veamos:

1. Demostremos que es L. I., entonces
c1 f + c2 g + c3 h = 0
c1 (x + 1) + c2 (3x 1) + c3 (4x + 1) = 0 x2 + 0 x + 0
2
c1 x2 + (3c2 4c3 )x + (c1 c2 + c3 ) = 0 x2 + 0 x + 0
igualando coeficientes, tenemos el sistema lineal homogeneo

c1 = 0,
3c2 4c3 = 0, c1 = c2 = c3 = 0

c c + c = 0,
1 2 3
As el conjunto M es linealmente independiente.
2. Demostremos ahora que M genera al espacio vectorial P2 [x]. Sea v = p(x) un vector
arbitrario de P2 [x]. As p es un polinomio de la forma
p(x) = ax2 + bx + c
Las funciones f, g y h generan a P2 [x] si existen escalares c1 , c2 , c3 tales que se puedan

escribir
p(x) = c1 f + c2 g + c3 h
Esto da como resultado
ax2 + bx + c = c1 f(x) + c2 g(x) + c3 h(x)

= c1 (x2 + 1) + c2 (3x 1) + c3 (4x + 1)
= c1 x2 + (3c2 4c3 )x + (c1 c2 + c3 )
Si comparamos los coeficientes, se obtiene el sistema lineal de ecuaciones

c1 = a,
3c2 4c3 = b,

c c +c =c
1 2 3
Se puede demostrar que este sistema de ecuaciones tiene la solucion:
c1 = a, c2 = 4a 4c b, c3 = 3a 3c b
Por lo que el polinomio p(x) se puede expresar de la manera siguiente:
p(x) = c1 f(x) + c2 g(x) + c3 h(x)
Las funciones f, g, h generan a P2 [x].
Estas funciones generan a P2 [x] y son linealmente independientes. Constituyen una base
para P2 [x].

Teorema 1.16. Si {u1 , u2 , . . . , un } es una base de V y v V, entonces existe un conjunto

unico
de escalares 1 , 2 , . . . , n tales que:
v = 1 u1 + 2 u2 + . . . + n un
En efecto. La unicidad de los escalares i se demuestra suponiendo que existen otros

escalares i y mostrar que i = i , i, veamos:
1. Por hipotesis se tiene que {u1 , u2 , . . . , un } es una base de V. Por lo tanto {u1 , u2 , . . . , un }
genera al espacio vectorial V y son L. I.
Luego, si v V i IR / v = 1 u1 + 2 u2 + . . . + n un
2. Supongamos que existen otros escalares i , tal que:
v = 1 u1 + 2 u2 + . . . + n un
3. Restar:
v = 1 u1 + 2 u2 + . . . + n un
v = 1 u1 + 2 u2 + . . . + n un
0 = (1 1 )u1 + (2 2 )u2 + . . . + (n n )un
4. Pero los vectores ui son L. I., entonces
1 1 = 2 2 = = n n 1 = 1 , 2 = 2 , , n = n
Teorema 1.17. Si 1 = {u1 , u2 , . . . , un } y 2 = {v1 , v2 , . . . , vm } son bases del espacio vecto-

rial V, entonces n = m.
Este teorema nos dice que dos bases cualesquiera de un espacio vectorial V contienen el
mismo numero
de vectores.

Observacion.
1. Si S = {u1 , u2 , . . . , ur } es un conjunto L. I. es un espacio vectorial V, entonces S es una

base para el subespacio W = Env(S).
2. Se dice que un espacio vectorial diferente de cero de V es de dimension finita si

contiene un conjunto finito de vectores {u1 , u2 , . . . , un } que forman una base. Si no
existe un conjunto de este tipo, se dice que V es de dimension infinita.
3. Se considera al espacio vectorial cero como de dimension finita, aun

cuando no tiene
conjunto linealmente independientes, y como consecuencia, no tiene base.

1.10. La dimension
Definicion de un espacio vectorial de dimension finita V se define
como el numero
de vectores en una base para el espacio vectorial V.
Ademas,
Observacion. por definicion, el espacio vectorial cero tiene dimension cero
Ejemplo 1.61. La base estandar

para el espacio vectorial IRn contiene nvectores, y es
= {e1 , e2 , . . . , en }, ej = (0, 0, . . . , 1, . . . , 0)
Ademas
notemos, cualquier otra base de este espacio contiene nvectores.
Ejemplo 1.62. Determnese una base y la dimension para el espacio de soluciones del
sistema lineal homogeneo
2x1 + 2x2 x3 + x5 = 0
x1 x2 + 2x3 3x4 + x5 = 0
x1 + x2 2x3 x5 = 0
x3 + x4 + x5 = 0
Mediante operaciones elementales

Solucion.

2 2 1 0 1 0 1 1 0 0 1 0

1 1 2 3 1 0 0 0 1 0 1 0

1 1 2 0 1 0 0 0 0 1 0 0
0 0 1 1 1 0 0 0 0 0 0 0
lo que vemos que: x1 + x2 + x5 = 0, x3 + x5 = 0 x4 = 0, parametrizando x2 = r y x5 = t,

tenemos:
x1 = r t, x2 = r, x3 = t, x4 = 0, x5 = t
Por lo tanto, los vectores solucion se puede escribir como

x1 r t r t 1 1
x r 0 1 0
2 r

x3 t 0 t
= = + = r 0 + t 1

x4 0 0 0 0 0
x5 t 0 t 0 1
lo cual demuestra que los vectores

1 1

1 0

v1 = 0 y v2 = 1

0 0
0 1
generan el espacio de soluciones de este sistema lineal homogeneo. Dado que estos vectores
son linealmente independientes, {v1 , v2 } es una base, y el espacio de soluciones es bidimen-
sional.

1.6. Espacios vectoriales con producto interior y espa-

cios normados
El proposito de esta seccion es dotar de una geometra analoga
a la de IR2 y IR3 a otro
tipo de espacios vectoriales, de manera que, concepto tales como producto punto, angulo
entre vectores, perpendicularidad, norma de un vector y distancia entre vectores adquie-
ren en otros espacios vectoriales; por ejemplo, en el espacio de polinomios, en el espacio de
funciones, en el espacio de matrices, etc; aun si en e stos no existe una forma fsica de ob-
servar dicha geometra. Lo anterior, como veremos despues, no es un simple capricho con
fines de generalizacion, sino que es de gran importancia teorica y aplicada. Para poderlo
hacerlo, es necesario generalizar el producto punto de IRn a estos espacios vectoriales, ya
que a partir de e l, como vimos antes, fue posible precisar dichos conceptos geometricos en
el espacio IRn .
Para lograr entender el concepto de producto punto de los espacios vectoriales IRn a otros
espacios vectoriales necesitamos abstraer esenciales del producto punto que son, precisa-
mente. Recordemos estas caractersticas esenciales:
En el espacio IRn el producto punto (o producto interior) se define como:

n
x.y = (x1 , x2 , . . . , xn ).(y1 , y2 , . . . , yn ) = xi yi
i=n
y tiene las propiedades
1. x.y = y.x
2. (x).y = (x.y)
3. x.(y + z) = x.y + x.z
4. x.x 0
5. x.x = 0 x = 0
Estas propiedades se cumplen para cualquier vectores x, y, z IRn , IR.
1.6.1. Definiciones, ejemplos y propiedades

1.11. Sea V un espacio vectorial. Un producto interior (o producto punto,
Definicion
o producto escalar) es una funcion que asocia a cada par de vectores u, v V le asigna
un numero
real , , es decir:
, : V V IR, u, v IR
tales que satisfacen los siguientes axiomas, para todo los vectores u, v, w V y todo IR:
P.1. u, v = v, u (axioma de simetra)

P.2. u + v, w = u, w + v, w (axioma de aditividad)
P.3. u, v = u, v (axioma de homogeneidad)
P.4. u, u 0 (axioma de positividad)
P.5. u, u = 0 u = 0
Un espacio vectorial con un producto interior se conoce como espacio vectorial eucldeo.
Nota. La condicion P.1. establece que el producto interior es conmutativo o simetrico. Las
condiciones P.2. y P.3. indican que el producto interno es lineal en la primera componente;
mientras que las condiciones P.4. y P.5. manifiestan que el producto escalar de un vector
por si mismo siempre debe ser no negativo, pudiendo ser cero en cuestion cuando el vec-
tor es el vector nulo; esta propiedad se indica que el producto escalar es definido positivo.
Las siguientes propiedades adicionales se deducen de inmediato a partir de los cinco

axiomas de los productos interiores.
Teorema 1.18. Sean u, v y w vectores de un espacio vectorial eucldeo y un numero

real,
se tiene:
1. u, v + w = u, v + u, w
2. u, v = u, v
3. u, 0 = 0, v = 0
4. Si u, v = 0 para todo v, entonces u = 0
En efecto. (i) y (ii) son inmediatas utilizando las condiciones P.1., P.2. y P.3. de la defini-
cion de producto interno.
(iii) utilizando (i), se tiene
u, 0 = u, 0 + 0 = u, 0 + u, 0
y por lo tanto se tiene u, 0 = 0.
(iv) Sea u, v = 0 para todo v de V. En particular cuando v = u, se tendra que el pro-

ducto escalar u, u y por la condicion P.5. del producto interno se deduce que u = 0.
Las propiedades (i) y (ii) que acabamos de comprobar indican que el pro-
Observacion.
ducto interno es una funcion lineal en la segunda componente. Podemos resumir estas pro-
piedades con las de la definicion, diciendo que el producto interno es una forma bilineal
definida simetrica.

Ejemplo 1.63. Sean u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) dos vectores del espacio

vectorial IRn , el producto interno euclidiano canonico
u, v = u1 v1 + u2 v2 + + un vn
satisface todos los axiomas del producto interior.
Notese que este producto interno se puede calcular utilizando la expresion

v1
[ ] v2

u, v = u vT = u1 u2 un .
..
vn
Existen otros productos interiores en el espacio Rn ?

Ejemplo 1.64. Si u = (u1 , u2 ) y v = (v1 , v2 ) dos vectores del espacio vectorial IR2 , entonces
la funcion
u, v = 3u1 v1 + 2u2 v2
define un producto interior. A fin de verificarlo, notese primero que si intercambian u con
v en esta ecuacion, entonces el segundo miembro permanece inalterado. Por lo tanto,
v, u = 3v1 u1 + 2v2 u2 = 3u1 v1 + 2u2 v2 = u, v
Si w = (w1 , w2 ), entonces
u + w, v = 3(u1 + w1 )v1 + 2(u2 + w2 )v2

= (3u1 v1 + 2u2 v2 ) + (3w1 v1 + 2w2 v2 )
= u, v + w, v
A continuacion
u, v = 3(u1 )v1 + 2(u2 )v2

= (3u1 v1 + 2u2 v2 )
= u, v
lo cual establece el tercer axioma.
Por ultimo,

v, v = 3v1 v1 + 2v2 v2 = 3v21 + 2v22 0
Ademas v, v = 3v21 + 2v22 = 0 v1 = 0 = v2 , es decir v = (0, 0). Por lo tanto, se satisface,
el cuarto axioma.
Ejemplo 1.65. En el espacio vectorial IR2 , sean x = (x1 , x2 ), y = (y1 , y2 ) se define:
x, y = x1 y1 2x1 y2 2x2 y1 + 5x2 y2
Sean x = (x1 , x2 ), y = (y1 , y2 ), z = (z1 , z2 ) IR2 y IR, entonces:

Demostracion.

1. x, y = x1 y1 2x1 y2 2x2 y1 + 5x2 y2 = y1 x1 2y1 x2 2y2 x1 + 5y2 x2 = y, x
2.
x, y = (x1 , x2 ) (y1 , y2 )
= x1 y1 2x1 y2 2x2 y1 + 5x2 y2 = [x1 y1 2x1 y2 2x2 y1 + 5x2 y2 ]
= x, y
3.
x + y, z = (x1 + y1 , x2 + y2 ); (z1 + z2 )
= (x1 + y1 )z1 2(x1 + y1 )z2 2(x2 + y2 )z1 + 5(x2 + y2 )z2
= (x1 z1 2x1 z2 2x2 z1 + 5x2 z2 ) + (y1 z1 2y1 z2 2y2 z1 + 5y2 z2 )
= x, z + y, z
4.
x, x = x1 x1 2x1 x2 2x2 x1 + 5x2 x2 = x21 4x1 x2 + 5x22

= x21 4x1 x2 + 4x22 + x22
= (x1 + 2x2 )2 + x22 0
de donde x, x 0
5. Si x = (0, 0), claramente se tiene que x, x = 0. Si x = (a, b) y x, x = 0, entonces

(a 2b)2 + b2 = 0, de ah se tiene que a = b = 0 y que x = (a, b) = (0, 0).
El producto interior de estos dos ejemplos es diferente del producto interior eu-
clidiano sobre IR2 ; esto indica que un espacio vectorial puede tener mas
de un producto
interior.
Ejemplo 1.66. Podemos definir el producto interno en otros espacios vectoriales,

[ ]como aho-
u1 u2
ra lo vamos a definir a matrices cuadradas de orden 2 2. Sean U = y V=
u3 u4
[ ]
v1 v2
dos matrices arbitrarias del espacio vectorial IR22 , entonces la funcion que sigue
v3 v4
define un producto interior sobre IR22
U, V = u1 v1 + u2 v2 + u3 v3 + u4 v4
Por ejemplo, si [ ] [ ]
1 2 1 0
U= y V=
3 4 3 2
entonces
U, V = 1(1) + 2(0) + 3(3) + 4(2) = 16

Ejemplo 1.67. Sean x = (x1 , x2 , x3 ) y y = (y1 , y2 , y3 ) dos vectores cualesquiera de IR3 .

Probar que
[ ] 2 1 1 y1

x, y = x1 x2 x3 1 1 0 y2
1 0 2 y3
es un producto interno.
Solucion. La comprobacion de las tres primeras condiciones P.1., P.2. y P.3. de la de-
finicion de producto escalar, estas se deducen facilmente
de las propiedades del producto
de matrices y de que la matriz A es simetrica. Veamos ahora las condiciones P.4. y P.5.

[ ] 2 1 1 x 1

x, x = x1 x2 x3 1 1 0 x2
1 0 2 x3

[ ] 2x1 + x2 x3

= x1 x2 x3 x1 + x2
x1 + 2x3
= x1 (2x1 + x2 x3 ) + x2 (x1 + x2 ) + x3 (x1 + 2x3 )
= 2x21 + 2x1 x2 + x22 2x1 x3 + 2x23
= (x21 + 2x1 x2 + x22 ) + (x21 2x1 x3 + x23 ) + x23
= (x1 + x2 )2 + (x1 x3 )2 + x23 0
Por ser suma de cuadrados. Por lo tanto, se verifica P.4.
De acuerdo con lo que acabamos de ver x, x = 0 x, x = (x1 + x2 )2 + (x1 x3 )2 + x23

x1 + x2 =0
x1 x3 = 0

x3 = 0
cuya unica
solucion es x1 = x2 = x3 = 0. Luego se verifica P.5.
Ejemplo 1.68. Si p = a0 + a1 x + a2 x2 y q = b0 + b1 x + b2 x2 son dos vectores arbitrarias en

P2 , entonces la siguiente formula define un producto interior
p, q = a0 b0 + a1 b1 + a2 b2
Ejemplo 1.69. Sean p y q son dos vectores arbitrarias en Pn y defnase

b
p, q = p(x)q(x)dx (1.4)
a
en donde a y b son numeros

reales fijos cualesquiera tales que a < b. Se demostrara que
(1.4) define un producto interior sobre el espacio vectorial V = Pn .

b b
1. p, q = p(x)q(x)dx = q(x)p(x)dx = q, p
a a
lo cual prueba que se cumple el axioma 1.
2. Seanp q y r tres polinomios arbitrarios de Pn , entonces

b
p + r, q = [p(x) + r(x)]q(x)dx
a
b b
= p(x)q(x)dx + r(x)q(x)dx
a a
= p, q + r, q
b b
3. p, q = (p(x))q(x)dx = p(x)q(x)dx = p, q
a a
lo cual prueba que se cumpla el axioma 3.
4. Si p es cualquier polinomio en Pn , entonces p2 (x) 0 para todo x, por lo tanto

b b
p, p = p(x)p(x)dx = p2 (x)dx 0
a a
b
Ademas
a
p2 (x)dx = 0 si y solo si p(x) = 0
Ejemplo 1.70. Sea V un espacio vectorial eucldeo. Si x, y y z son vectores de V, desarro-

llar la siguiente expresion
x + z, x z + y
Utilizando las propiedades del producto interno, podemos escribir
Solucion.
x + z, x z + y = x, x z + y + z, x z + y
= x, x x, z + x, y + z, x z, z + z, y
= x, x + x, y z, z + z, y
Ejemplo 1.71. (Producto interior en el espacio de funciones continuas) En el espacio vec-

torial de funciones continuas, V = C[a, b] se define el producto interior, para f, g C[a, b]
b
f, g = f(x)g(x)dx
a
Comprobemos que f, g es un producto interior.

Solucion.
1. Sean f, g funciones arbitrarias de C[a, b]

b b
f, g = f(x)g(x)dx = g(x)f(x)dx = g, f
a a

2. Si IR, f, g C[a, b]
b
f, g = (f)(x)g(x)dx
a
b
= f(x)g(x)dx
a
b
= g(x)f(x)dx
a
= f, g
3. Sean f, g, h funciones arbitrarias de C[a, b]

b
f + g, h = [f(x) + g(x)]h(x)dx
a
b b
= f(x)h(x)dx + g(x)h(x)dx
a a
= f, h + g, h
4. Si f C[a, b]
b b
f, f = f(x)f(x)dx = f2 (x)dx 0
a a
5. Si f(x) = , (x) = 0, x [a, b], entonces
f, f = ,
b
= 2 (x)dx
a
b
= 0dx
a
=0
Ejemplo 1.72. Calcular f, g en C[0, 1], si f(x) = x y g(x) = ex

Solucion.
1
f, g = xex dx
0
= (xex ex )|10
= e (e 1) = 1
Teorema 1.19. (Desigualdad de Cauchy-Schwartz) Sean u, v V, donde V es un espacio

vectorial eucldeo, entonces
u, v2 u, uv, v

Demostracion.

Si u = 0, entonces 0, v2 0, 0v, v = 0, de modo que evidentemente, la igualdad se

cumple.
Si u = 0 y sean a = u, u, b = 2u, v, c = v, v y t cualquier numero

real. Por el
axioma de positividad, el producto interior de cualquier vector por s mismo siempre
es no negativo.
Por lo tanto,
0 tu + v, tu + v = u, ut2 + 2u, vt + v, v
= at2 + bt + c, es decir 0 at2 + bt + c
Esta desigualdad implica que el polinomio cuadratico at2 + 2bt + c no tiene races
reales, o bien, tiene una raz repetida. Por lo tanto, su discriminante debe satisfacer
b2 4ac 0
Al expresar a, b y c en terminos de u y v da
b2 4ac 0 4u, v2 4u, uv, v 0 u, v2 u, uv, v
Ejemplo 1.73. Sean u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ) son dos vectores arbitrarios

del espacio IRn , entonces la desigualdad de Cauchy-Schwartz aplicado a estos dos vectores
da:
(u1 v1 + u2 v2 + + un vn ) (u21 + u22 + + u2n )(v21 + v22 + + v2n )
De hecho de la propiedad bilineal del producto interno permite demostrar que:

n
n
n
n
ai xi , bj yj = ai bj xi , yj
i=1 j=1 i=1 j=1
Vamos a calcular ahora el producto interno de dos vectores x y y en funcion de sus

componentes respecto de una misma base. Sea = {b1 , b2 , . . . , bn } una base del espacio
eucldeo V y supongamos que
x = x1 b1 + x2 b2 + + xn bn
y que
y = y1 b1 + y2 b2 + + yn bn
Entonces
n

n
x, y = xi b i , yj bj
i=1 j=1

n
n
= xi yj bi , bj
i=1 j=1

n
n
= xi gij yj ,
i=1 j=1

donde gij = bi , bj para 1 i, j n. Esta igualdad se escribe matricialmente

g11 g12 . . . g1n y1
[ ] g21 g22 . . . g2n y2

x, y = x1 x2 xn .. .. .. . ..
. . . .. .
gn1 gn2 . . . gnn yn
( T
)
= C (x) G (C (y))
La matriz cuadrada G se llama matriz de Gram del producto interno respecto de la base
. Notese que sus componentes de esta matriz son los productos internos de los vectores de
la base considerada.
Ejemplo 1.74. Sea = {e1 , e2 , . . . , en } la base canonica de IRn . Si en IRn consideramos el

producto interno canonico, entonces
{
1, si i = j,
ei , ej = ij =
0, si i = j,
con lo que la matriz de Gram respecto de la base canonica es la matriz identidad.
Ejemplo 1.75. En el espacio vectorial eucldeo IR3 definido

[ ] 2 1 1 y1

x, y = x1 x2 x3 1 1 0 y2
1 0 2 y3
Si = {e1 , e2 , e3 } es la base canonica de IR3 , hallar la matriz de Gram de dicho producto

escalar respecto de .

Tal como se ha definido el producto interno, resulta

Solucion.

[ ] 2 1 1 1 [ ] 2

e1 , e1 = 1 0 0 1 1 0 0 = 1 0 0 1 = 2,
1 0 2 0 1

[ ] 2 1 1 0 [ ] 1

e1 , e2 = 1 0 0 1 1 0 1 = 1 0 0 1 = 1,
1 0 2 0 0

[ ] 2 1 1 0 [ ] 1

e1 , e3 = 1 0 0 1 1 0 0 = 1 0 0 0 = 1,
1 0 2 1 2
e2 , e1 = e1 , e2 = 1,

[ ]
2 1 1 0 [ ] 1

e2 , e2 = 0 1 0 1 1 0 1 = 0 1 0 1 = 1,
1 0 2 0 0

[ ] 2 1 1 0 [ ] 1

e2 , e3 = 0 1 0 1 1 0 0 = 0 1 0 0 = 0,
1 0 2 1 2
e3 , e1 = e1 , e3 = 1,
e3 , e2 = e2 , e3 = 0,

[ ] 2 1 1 0 [ ] 1

e3 , e3 = 0 0 1 1 1 0 0 = 0 0 1 0 = 2
1 0 2 1 2
Por lo tanto
e1 , e1 e1 , e2 e1 , e3 2 1 1

G = e2 , e1 e2 , e2 e2 , e3 = 1 1 0
e3 , e1 e3 , e2 e3 , e3 1 0 2
que es precisamente la matriz que hemos utilizado para definir el producto interno.
Teorema 1.20. Sea una base del espacio vectorial eucldeo V de dimension n y supon-
gamos que G es la matriz de Gram del producto escalar respecto a dicha base, entonces:
i) G es una matriz simetrica.
ii) G es una matriz inversible.
iii) Si x = 0, donde x V, entonces xT Gx > 0
Nota. Cuando una matriz G cumple la condicion (iii) del teorema.1.20, se dice que es
definida positiva.

1.7. Longitud o norma de un vector

1.12. Sea V un espacio vectorial eucldeo, entonces la norma (o longitud) de
Definicion
un vector v se denota ||v|| y se define por
||v|| = v, v1/2
Ademas,
la distancia entre dos vectores u y v se denota d(u, v) se define por
d(u, v) = ||u v||

Ejemplo 1.76. Si u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , n ) son vectores del espacio vecto-
rial IRn con el producto interior canonico, entonces

||u|| = u, u1/2 = u21 + u22 + + u2n
y
d(u, v) = ||u v|| = (u1 v1 )2 + (u2 v2 )2 + + (un vn )2
Ejemplo 1.77. Supongase que el espacio vectorial IR2 tiene definido el producto interior
u, v = 3u1 v1 + 2u2 v2 .
Si u = (1, 0) y v = (0, 1), entonces

||u|| = u, u1/2 = [3(1)(1) + 2(0)(0)]1/2 = 3,

||v|| = v, v1/2 = [3(0)(0) + 2(1)(1)]1/2 = 2
y

d(u, v) = ||u v|| = ||(1, 1)|| = (1, 1), (1, 1)1/2 = [3(1)(1) + 2(1)(1)]1/2 = 5

Observacion. Es importante tener presente que la norma y la distancia dependen del
producto interior que se este usando. Si se cambia el producto interior, entonces cambian
las normas y las distancias entre los vectores.
Ejemplo 1.78. Si en el espacio vectorial IR3 se considera el producto interno canonico
x, x = x1 y1 + x2 y2 + x3 y3
se tiene que la norma del vector x = (2, 1, 2) es

||x|| = 22 + (1)2 + 22 = 3,
mientras que si consideramos el producto interno del ejemplo.1.75, entonces

[ ] 2 1 1 2

||x||2 = 2 1 2 1 1 0 1 = 5,
1 0 2 2

es decir ||x|| = 5.

Ejemplo 1.79. En el espacio vectorial eucldeo V = P2 [x] con el producto interno

1
p(x), q(x) = p(x)q(x)dx,
0
tenemos que si p(x) = x 1, su norma es:

[ ]1
1 1
(x 1)3 1
||p(x)|| = ||x 1|| = p(x)p(x)dx = 2
(x 1) dx = =
0 0 3 0 3
Teorema 1.21. Sea V un espacio vectorial eucldeo, entonces la norma ||v|| = v, v1/2 y la
distancia d(u, v) = ||u v|| satisfacen las siguientes propiedades:
(L1) ||v|| 0 (D1) d(u, v) 0

(L2) ||v|| = 0 u = 0 (D2) d(u, v) = 0 u = v
(L3) ||kv|| = |k|||v|| (D3) d(u, v) = d(v, u)
(L4) ||v + u|| ||v|| + ||u|| (D4) d(u, v) d(u, w) + d(w, v)
Teorema 1.22. Sea V un espacio vectorial eucldeo, entonces
||v + u||2 + ||v u||2 = 2(||v||2 + ||u||2 )
En efecto.
||v + u||2 + ||v u||2 = v + u, v + u + v u, v u

= 2v, v + 2v, u 2v, u + 2u, u
= 2(||v||2 + ||u||2 )
Este teorema se conoce generalmente con el nombre de Ley del Paralelogramo debido
a que en el espacio eucldeo IR2 con el producto escalar canonico (Ver Figura.1.3), esta
propiedad afirma
La suma de los cuadrados de las longitudes de las diagonales de un paralelo-

gramo es igual a la suma de los cuadrados de las longitudes de los cuatro lados.
Figura 1.3: Ley del Paralelogramo

La norma la podemos escribir equivalentemente as:

Observacion.
||v|| = v, v1/2 ||v||2 = v, v
entonces la desigualdad de Cauchy-Schwartz, se puede escribir as:
u, v2 v, v u, u u, v2 ||v||2 ||u||2
o bien, despues de tomar las races cuadradas, como:
|u, v| ||u|| ||v||
Demostracion de la desigualdad triangular, por definicion tenemos:
||v + u||2 = u + v, u + v
= u, u + 2u, v + v, v
u, u + 2|u, v| + v, v
u, u + 2||u|| ||v|| + v, v
= ||u||2 + 2||u|| ||v|| + ||v||2
= (||u|| + ||v||)2
Al tomar las races cuadradas da:
||v + u|| ||v|| + ||u||
La desigualdad triangular tiene una sencilla interpretacion geometrica (ver Figura.1.4),

esta propiedad afirma
La suma de las longitudes de los lados mas cortos de un

triangulo
es mayor que la longitud del lado mas
largo.
Figura 1.4: Desigualdad triangular
Definicion 1.13. Se dice que un vector u de un espacio vectorial eucldeo V, es normali-

zado si ||u|| = 1.

Observese que si u = 0, entonces el vector

u
z=
||u||
es un vector normalizado.
Supongase que los vectores u y v son vectores no nulos en un espacio vectorial eucldeo.
La desigualdad de Cauchy- Schwartz, se puede escribir as:
( )2
u, v
u, v ||v|| ||u||
2 2 2
1
||u||||v||
o, de modo equivalentemente,
u, v
1 1
||u||||v||
Como consecuencia de este resultado, existe un unico
angulo
tal que:
u, v
Cos = y 0
||u||||v||
Ejemplo 1.80. Determine el coseno del angulo
entre los vectores con el producto interno
canonico
u = (4, 3, 1, 2) y v = (2, 1, 2, 3)
1.14. En un espacio vectorial eucldeo, se dice que dos vectores u y v son orto-
Definicion
gonales si u, v = 0. Ademas,
si u es ortogonal a cada vector en un conjunto W, se dice
que u es ortogonal a W.

Observacion.
1. Si u y v son ortogonales, denotaremos por u v
2. Si u es ortogonal al conjunto W, denotaremos por u W

Ejemplo 1.81. Sea V = P2 [x] un espacio vectorial, con producto interior definido as:
1
p(x), q(x) = p(x)q(x)dx
1
Y sean los vectores p(x) = x y q(x) = x2
Entonces
[ 1 ]1/2 [ 1 ]1/2
2
||p(x)|| = p(x), p(x) = x xdx = x2 dx =
1 1 3
[ 1 ]1/2 [ 1 ]1/2
2
||q(x)|| = q(x), q(x) = 2
x x dx 2
= 4
x dx =
1 1 5
[ 1 ]1/2 [ 1 ]1/2
p(x), q(x) = x x2 dx = x3 dx =0
1 1

Debido a que p(x), q(x), los vectores p(x) = x y q(x) = x2 son ortogonales en relacion con
el producto interior dado.
Ejemplo 1.82. En el espacio vectorial euclidiano V = C[0, ], si f(x) = Senx y g(x) = Cosx

Senx, Cosx = SenxCosxdx
[0 ]
Sen2 x
=
2 0
=0
Por lo tanto, fg. Es decir, las funciones seno y coseno son ortogonales en V = C[0, ].
Teorema 1.23. (Teorema de Pitagoras generalizado) Si u y v son vectores ortogonales

en un espacio vectorial eucldeo, entonces:
||v + u||2 = ||v||2 + ||u||2
En efecto.
||v + u||2 = u + v, u + v = ||v||2 + 2u, v + ||u||2

= ||v||2 + ||u||2
Teorema 1.24. Propiedades de ortogonalidades Sean u, v, w V donde V es un

espacio vectorial euclidiano y , IR, entonces:
1. Si u v, u w entonces u (v + w)
2. Si W V, donde W = v1 , v2 , . . . , vn y u vi para cada i = 1, 2, . . . , n, entonces u v,

para cualquier v W.
3. u v, v V u = 0
1.8. Bases ortonormales; Proceso de Gram Schmidt

1.15. .
Definicion
Se dice que un conjunto de vectores en un espacio vectorial eucldiano es un conjunto

ortogonal si todos los pares de vectores distintos dos a dos son ortogonales.
Sea un conjunto ortogonal en el que cada vector tiene norma 1, se dice que es un
conjunto ortonormal.
Ejemplo 1.83. Sea V = IR3 un espacio vectorial con producto interior canonico y sean los
vectores ( ) ( )
1 1 1 1
v1 = (0, 1, 0), v2 = , 0, , v3 = , 0,
2 2 2 2

El conjunto S = {v1 , v2 , v3 } es ortonormal en IR3 , ya que:
v1 , v2 = v2 , v3 = v1 , v3 = 0
y
||v1 || = ||v2 || = ||v3 || = 1
Ejemplo 1.84. En el espacio vectorial eucldiano V = P2 [x] se define el producto interno

1
p, q = p(x)q(x)dx
1
1
Probar que el conjunto {1, x, (3x2 1)} es ortogonal.
3
1
Definimos por p(x) = 1, q(x) = x y r(x) = (3x2 1). Entonces
Solucion.
3
1 [ 2 ]1
x
p, q = x dx = = 0,
1 2 1
1
1 1[ 3 ]1
p, r = (3x2 1)dx = x x 1 = 0,
1 3 3
1
1 1 [ 4 ]1 1 [ 2 ]1
p, q = x (3x2 1)dx = x 1 x 1 = 0
1 3 4 6
de donde se deduce que el conjunto es ortogonal.
Teorema 1.25. Si S = {u1 , u2 , . . . , un } es una base ortogonal de un espacio vectorial eucli-

diano y x es un vector arbitrario de V, entonces
x, u1 x, u2 x, un
x= u1 + u2 + + un
||u1 || ||u2 || ||un ||
En efecto. Escribamos a x como combinacion lineal de los vectores de la base S, es decir:
x = x1 u1 + x2 u2 + + xn un
Luego calculemos el producto interno de los vectores de x con ui
x, u1 = x1 u1 , u1 + x2 u2 , u1 + + xn un , u1
Teniendo en cuenta que la base es ortogonal, obtenemos
x, u1 = x1 ||u1 ||
y como ||u1 || = 0, resulta

x, u1
x1 =
||u1 ||
Repitiendo este proceso con los vectores u2 , u3 , . . . , un , se obtiene el resultado.

Corolario 1.85. Si = {v1 , v2 , . . . , vn } es una base ortonormal para un espacio vectorial

euclidiano V, y u es un vector arbitrario de V, entonces
u = u, v1 v1 + u, v2 v2 + + u, vn vn
En efecto. Como = {v1 , v2 , . . . , vn } es una base, entonces el vector u se puede expresar

como combinacion lineal de la base, es decir:
u = k1 v1 + k2 v2 + + kn vn
determinemos los coeficientes escalares ki , veamos:
u, vi = k1 v1 + k2 v2 + + kn vn , vi
= k1 v1 , vi + k2 v2 , vi + + ki vi , vi + + kn vn , vi
Dado que = {v1 , v2 , . . . , vn } es una base ortonormal, se tiene
vi , vi = ||vi ||2 = 1 y vi , vj = 0 si i = j
Por lo tanto, la ecuacion anterior se simplifica hasta obtener
ki = u, vi
( ) ( )
4 3 3 4
Ejemplo 1.86. Sea v1 = (0, 1, 0), v2 = , 0, , v3 = , 0, . Es facil
de verificar
5 5 5 5
que = {v1 , v2 , v3 } es una base ortonormal para el espacio vectorial IR3 , con el producto
interior euclidiano. Expresar el vector u = (1, 1, 1) como una combinacion lineal de .
Por el teorema.1.85 tenemos que

Solucion.
k1 = u, v1 = (1, 1, 1), (0, 1, 0) = 1 k1 = 1

( )
4 3 1 1
k2 = u, v2 = (1, 1, 1), , 0, = k2 =
5 5 5 5
( )
3 4 7 7
k3 = u, v3 = (1, 1, 1), , 0, = k3 =
5 5 5 5
entonces
( ) ( )
1 4 3 7 3 4
u = k1 v1 + k2 v2 + k3 v3 (1, 1, 1) = 1(0, 1, 0) , 0, + , 0,
5 5 5 5 5 5
As, obtenemos las coordenadas del vector u en la base , es decir:

1

C [u] = 15
7
5

Teorema 1.26. Si S = {v1 , v2 , . . . , vn } es un conjunto ortogonal de vectores diferentes de

cero en un espacio vectorial eucldeo, entonces S es linealmente independiente.
En efecto. Sea la combinacion lineal
0 = k1 v1 + k2 v2 + + kn vn
Luego para cada vi S, y de acuerdo al teorema.1.85, se deduce que:
k1 v1 + k2 v2 + + kn vn , vi = 0, vi = 0
o de modo equivalentemente,
k1 v1 , vi + k2 v2 , vi + + ki vi , vi + + kn vn , vi = 0
Por la ortogonalidad de S, vi , vj = 0 si i = j, de modo que esta ecuacion se reduce a
ki vi , vi = 0 ki = 0
De manera analoga
se demuestra que todos los ki son iguales a cero, as S es linealmente
independiente.
Ejemplo 1.87. En el espacio vectorial euclidiano canonico V = IR3 , se consideran los

vectores x = (2, 1, 3), u1 = (1, 1, 0), u2 = (1, 1, 2) y u3 = (1, 1, 1). Probar que
= {u1 , u2 , u3 } es una base ortogonal y obtener C (x).
Vemos que
Solucion.
u1 , u2 = (1, 1, 0), (1, 1, 2) = 0

u1 , u3 = (1, 1, 0), (1, 1, 1) = 0
u2 , u3 = (1, 1, 2), (1, 1, 1) = 0
Por lo tanto es una ortogonal. Luego por el teorema.1.26 es linealmente independiente, y

en consecuencia es una base de IR3 .
Ahora determinemos las coordenadas del vector x, pero como es una base ortogonal,
entonces ortonormalizamos, es decir, tenemos:
u1 1 u2 1 u3 1
v1 = = (1, 1, 0), v2 = = (1, 1, 2), v3 = = (1, 1, 1)
||u1 || 2 ||u2 || 6 ||u3 || 3
Luego el conjunto {v1 , v2 , v3 } es una base ortonormal, entonces
3
k1 = x, v1 =
2
7
k2 = x, v2 =
6
2
k3 = x, v3 =
3

Las componentes del vector x respecto de la base son

( )
3 7 2
C [x] = , ,
2 6 3
Ejemplo 1.88. El conjunto de vectores S = {v1 , v2 , v3 }, donde
( ) ( )
1 1 1 1
v1 = (0, 1, 0), v2 = , 0, , v3 = , 0,
2 2 2 2
es un conjunto ortonormal con respecto al producto euclidiano canonico en el espacio IR3 ,

por el teorema anterior, estos vectores forman un conjunto linealmente independiente. Por
lo tanto, S es una base ortonormal para IR3 .
Definicion 1.16. En un espacio vectorial euclidiano se define el vector proyeccion, p, de u

sobre v = 0, como aquel que satisface:
1. p v
2. (u p) v
Por la primera condicion, se tiene que p = v; y, por la segunda
0 = u p, v
= u, v p, v
= u, v v, v
= u, v ||v||2
lo que implica que

u, v
=
||v||2
Con lo que hemos probado el siguiente teorema
Teorema 1.27. Si u, v = 0 V, entonces el vector proyeccion p de u sobre v esta dado por
u, v
p= v
||v||2
Ejemplo 1.89. Si f(x) = ex , g(x) = e2x vectores de V = C[0, 1], con el producto interno
definido del modo siguiente 1
f, g = f(x)g(x)dx
0
determine la proyeccion ortogonal de f sobre g.
La proyeccion esta dado por

Solucion.
f(x), g(x)
p= g(x)
||g(x)||2

Por una parte tenemos

1
f(x), g(x) = ex e2x dx
0
1
= ex dx
0
= 1 e1
y, por otro lado,
||g(x)||2 = g(x), g(x)

1 1
= e e dx = e4x dx
2x 2x
0 0
1
= (1 e4 )
4
Luego
4(1 e1 ) 2x
p(x) = e
(1 e4 )
Subespacio ortogonal
Sea F un subespacio vectorial de V, donde V es un espacio vectorial euclidiano. Deno-

temos por F al conjunto formado por los vectores de V que son ortogonales a todos los
vectores de F. Es decir
F = {x V / x, y = 0 para todo y F}
La pregunta natural en este punto es saber si el conjunto F es un subespacio vectorial de

V
Teorema 1.28. Sea F un subespacio vectorial del espacio vectorial euclidiano V. Entonces
F es un subespacio vectorial de V.
En efecto.
Desde luego que 0 F ya que el vector nulo es ortogonal a todos los vectores de V, en
particular es ortogonal a los vectores de F.
Por otra parte sean u, v F , entonces, para cualquier vector y F
u + v, y = u, y + v, y = 0
Por ultimo,
si IR, entonces
u, y = u, y = (0) = 0
Por lo tanto F es un subespacio vectorial de V.

Teorema 1.29. Sea F un subespacio vectorial de dimension finita de un espacio vectorial

euclidiano V. Si es una base de F, entonces x F si, y solo si, x es ortogonal a cada uno
de los vectores de la base .
En efecto.
Si x F , x es ortogonal a todos los vectores de F, en particular x es ortogonal a todos

los vectores de la base .
recprocamente, sea = {u1 , u2 , . . . , up } y supongamos que
x, ui = 0, i = 1, 2, . . . , p
Sea y un vector cualquiera de F. Entonces escribiendo y como combinacion lineal de

los vectores de la base
y = 1 u1 + 2 u2 + + p up ,
el producto interno de x por y es
x, y = x, 1 u1 + 2 u2 + + p up
= 1 x, u1 + 2 x, u2 + + p x, up
=0
Luego x F .
Teorema 1.30. Sea F un subespacio vectorial propio de un espacio vectorial euclidiano V

de dimension finita. Entonces V = F F
1.17. Sea F un subespacio vectorial de un espacio vectorial euclidiano V de

Definicion
dimension finita. El subespacio vectorial F se llama complemento ortogonal de F.
Ejemplo 1.90. En el espacio vectorial euclidiano canonico IR3 , se considera el subespacio

W = u = (1, 1, 0), v = (1, 2, 1). Calcular el complemento ortogonal de W.
El subespacio complemento ortogonal de W esta definido por:
Solucion.
W = { x = (x, y, z) IR3 / x, y} = 0, para todo y W }
Entonces si x W , x = (x, y, z) es ortogonal a los vectores que generan W, es decir
x, u = x + y = 0
y
x, v = x + 2y + z = 0
La solucion, en forma parametrica, del sistema lineal
{
x + y = 0
x + 2y + z = 0
es (x, y, z) = t(1, 1, 3). Luego W = (1, 1, 3),

Teorema 1.31. Sea V un espacio vectorial euclidiano y M = {v1 , v2 , . . . , vr }, r n un

conjunto ortonormal de vectores en V. Si W denota el espacio generado por v1 , v2 , . . . , vr ,
entonces todo vector u V se puede expresar en la forma:
u = w1 + w2
en donde w1 W y w2 es ortogonal a W (w2 W )

En efecto.
w1 = u, v1 v1 + u, v2 v2 + + u, vr vr
y
w2 = u u, v1 v1 u, v2 v2 u, vr vr
) V = IR tiene un producto interior euclidiano y que W =

3
Ejemplo
1.91. Sup(ongase que
4 3
v1 = (0, 1, 0), v2 = , 0, . La proyeccion ortogonal de u = (1, 1, 1) sobre W es:
5 5
ProyW u = u, v1 v1 + u, v2 v2
( )( )
1 4 3
= (1)(0, 1, 0) + , 0,
5 5 5
( )
4 3
= , 1,
25 25
El componente de u ortogonal a W es
( ) ( ) ( )
4 3 21 28 7 3 4
u ProyW u = (1, 1, 1) , 1, = , 0, = , 0,
25 25 25 25 5 5 5
Teorema 1.32. Todo espacio vectorial eucldeo V, V = {0} y de dimension finita, entonces
el espacio vectorial V tiene una base ortonormal.
En efecto Sea V cualquier espacio vectorial eucldeo, diferente del espacio cero y de di-
mension n, y supongase que S = {u1 , u2 , . . . , un } es cualquier base para V. La sucesion
siguiente de pasos produce una base ortonormal {v1 , v2 , . . . , vn } para V
u1
Paso 1. Sea v1 = el vector v1 que tiene norma 1
||u1 ||
Paso 2. Para construir un vector v2 de norma 1 que sea ortogonal a v1 se calcula la componente
de u2 ortogonal al espacio W1 generado por v1 y, a continuacion, se normaliza, es
decir:
u2 ProyW1 u2 u2 u2 , v1 v1
v2 = =
||u2 ProyW1 u2 || ||u2 u2 , v1 v1 ||
Por supuesto, si u2 u2 , v1 v1 = 0, no se puede llevar a cabo la normalizacion. Pero
esto no puede suceder ya que entonces arriba se tendra
u2 , v1
u2 = u2 , v1 v1 = u1
||v1 ||

Lo cual estaramos diciendo que v2 es un multiplo de u1 , y contradice la independen-

cia lineal de la base S = {u1 , u2 , . . . , un }
Paso 3. Para construir un vector v3 de norma 1 que sea ortogonal tanto a v1 como a v2 , se
calcula la componente de u3 ortogonal al espacio W2 generado por los vectores v1 y v2 ,
y luego se normaliza, es decir:
u3 ProyW2 u3 u3 u3 , v1 v1 u3 , v2 v2
v3 = =
||u3 ProyW2 u3 || ||u3 u3 , v1 v1 u3 , v2 v2 ||
Como en el paso 2, la independencia lineal de {u1 , u2 , . . . , un } asegura que
u3 u3 , v1 v1 u3 , v2 v2 = 0
de modo que siempre se puede efectuar la normalizacion.
Paso 4. Para determinar un vector v4 de norma 1 que sea ortogonal tanto a v1 , v2 y v3 , se

calcula la componente de u4 ortogonal al espacio W3 generado por los vectores v1 , v2
y v3 , y luego se normaliza, es decir:
u4 ProyW3 u4 u4 u4 , v1 v1 u4 , v2 v2 u4 , v3 v3
v4 = =
||u3 ProyW3 u4 || ||u4 u4 , v1 v1 u4 , v2 v2 u4 , v3 v3 ||
Al continuar de esta manera, se obtiene un conjunto ortonormal de vectores {v1 , v2 , . . . , vn }.
Supuesto que V es de dimension n, y todo conjunto ortonormal es linealmente inde-
pendiente, el conjunto {v1 , v2 , . . . , vn } es una bases ortonormal para V
La construccion paso a paso que acaba de darse, para convertir una base arbitraria
en una base ortonormal, se conoce como proceso de Gram- Schmidt.
Ejemplo 1.92. Encontrar una base ortonormal para el subespacio vectorial W = ex , x

en el espacio vectorial V = C[0, 1].
En este caso, v1 = ex , v2 = x, entonces
Solucion.
||v1 ||2 = v1 , v1
[ 1 ]1/2
2x
= e dx
[0
]1
1 2x
= e dx
2 0
1 2
= (e 1)1/2
2
entonces
2
u1 = 2 ex
(e 1)1/2
Luego calculemos
2 2
w2 = x x, 2 1/2
e 2
x
1/2
ex
(e 1) (e 1)

Calculamos el producto interno de la ultima

igualdad

2 2
x, 2 e x
= x, ex
(e 1)1/2 (e2 1)1/2
y
1
x, e
x
xex dx
0
=1
Por lo tanto,

2 2
x, 2 1/2
ex = 2
(e + 1) (e + 1)1/2
As

2 2
w2 = x 2 1/2 2 1/2
ex
(e 1) (e 1)
2
=x 2 ex
(e 1)
Para normalizar w2 tenemos que
1 ( )2
2
||w2 || =
2
x 2 ex
dx
0 (e 1)
1 ( )
2 4xex 4e2x
= x 2 + dx
0 (e 1) (e2 1)2
e2 7
=
3(e2 1)
de donde se obtiene el segundo vector normalizado
( 2 )( )
w2 3(e 1) 2 x
u2 = = x 2 e
||w2 e2 7 (e 1)
y la base buscada es:
{ ( 2 )( )}
2 3(e 1) 2
= {u1 , u2 } = x
e, x 2 ex
(e2 1)1/2 e2 7 (e 1)
Ejemplo 1.93. Considerese el espacio vectorial V = IR3 con el producto euclidiano inte-
rior. Aplquese el proceso de Gram- Schmidt para transformar la base u1 = (1, 1, 1), u2 =
(0, 1, 1), u3 = (0, 0, 1) en una base ortonormal.

Solucion.
( )
u1 1, 1, 1
Paso 1. v1 = =
||u1 || 3

Paso 2.
u2 ProyW1 u2 = u2 u2 , v1 v1
( )
2 1 1 1
= (0, 1, 1) , ,
3 3 3 3
( )
2 1 1
= , ,
3 3 3
Por lo tanto,
( ) ( )
u2 ProyW1 u2 3 2 1 1 2 1 1
v2 = = , , = , ,
||u2 ProyW1 u2 || 6 3 3 3 6 6 6
Paso 3.
u3 ProyW2 u3 = u3 u3 , v1 v1 u3 , v2 v2
( ) ( )
1 1 1 1 1 2 1 1
= (0, 0, 1) , , , ,
3 3 3 3 6 6 6 6
( )
1 1
= 0, ,
2 2
Por lo tanto,
( ) ( )
u3 ProyW2 u3 1 1 1 1
v3 = = 2 0, , = 0, ,
||u3 ProyW2 u3 || 2 2 2 2
Por consiguiente,
( ) ( ) ( )
1, 1, 1 1 1 1 1
v1 = , v2 = 0, , , v3 = 0, ,
3 2 2 2 2
forman una base ortonormal para el espacio vectorial V = IR3
1.9. Coordenadas; Cambio de base

Existe una estrecha relacion entre la nocion de base y la de un sistema de coordenadas.
En esta seccion se desarrolla esta idea y se analizan tambien resultados acerca del cambio
de bases para los espacios vectoriales.
Supongase que = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V de dimension

finita V. Dado que genera el espacio vectorial V, todo vector en V se puede expresar como
combinacion lineal de los vectores en . Es mas, la independencia lineal de asegura que
existe una unica
manera de expresar un vector como combinacion lineal de los vectores en
, es decir:
v = c1 v1 + c2 v2 + + cn vn
y tambien como
v = k1 v1 + k2 v2 + + kn vn

Al restar la segunda ecuacion de la primera da:
0 = (c1 k1 )v1 + (c2 k2 )v2 + + (cn kn )vn
ya que el segundo miembro de esta ecuacion es una combinacion lineal de los vectores de
, la independencia lineal de implica que:
c1 k1 = 0, c2 k2 = 0, . . . , cn kn = 0
es decir,
c1 = k1 , c2 = k2 , . . . , cn = kn
En resumen, se tiene el siguiente resultado:
Teorema 1.33. Teorema de la representacion unica.

Si S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V, entonces todo vector v V
se puede expresar en la forma v = c1 v1 + c2 v2 + + cn vn , exactamente de una manera
unica.

Si S = {v1 , v2 , . . . , vn } es una base para un espacio vectorial V de dimension finita y
v = c1 v1 + c2 v2 + + cn vn
es la expresion para v en terminos de la base S, entonces los escalares c1 , c2 , . . . , cn se

denominan coordenadas de v relativas a la base S. El vector coordenadas de v relativo
a S se denota CS [v] y es el vector en IRn definido por
CS [v] = (c1 , c2 , . . . , cn )
La matriz de coordenadas de v relativa a S se denota CS [v] y es la matriz de IRn1 definida
por
c1
c2

CS [v] = .
..
cn
Ejemplo 1.94. Sea = {v1 , v2 , v3 } una base del espacio vectorial V = IR3 , donde v1 =
(1, 2, 1), v2 = (2, 9, 0) y v3 = (3, 3, 4)
1. Determinase el vector de coordenadas y la matriz de coordenadas de v = (5, 1, 9)

con respecto a .
Expresamos el vector v como combinacion lineal de los vectores de la base

Solucion.
, es decir:
v = xv1 + yv2 + zv3

(5, 1, 9) = x(1, 2, 1) + y(2, 9, 0) + z(3, 3, 4)
(5, 1, 9) = (x + 2y + 3z, 2x + 9y + 3z, x + 4z)

como tenemos una igualdad, entonces igualamos las respectivas componentes, es de-
cir, se tiene el siguiente sistema lineal

x + 2y + 3z = 5
x= 1
2x + 9y + 3z = 1 y = 1

x + 4z = 9 z= 2
entonces las coordenadas de v en esta base es:

1

C [v] = 1
2
2. Determinase el vector en IR3 cuyo vector de coordenadas con respecto a la base sea

1

C [w] = 3
2

Solucion.
w = (1)v1 + (3)v2 + (2)v3
w = (1)(1, 2, 1) + (3)(2, 9, 0) + (2)(3, 3, 4)
w = (11, 31, 7)
1.9.1. Problema de cambio de base

Si se cambia la base para un espacio vectorial, de cierta base 1 a otra base 2 , En
que forma esta relacionada la matriz de coordenadas en aquella, C1 [v], de un vector v con
la nueva matriz de cambio de coordenadas C2 [v]?
Para que este problema se entienda, se resolvera este problema para espacios vectoriales
bidimensionales. Pues la solucion para los espacios vectoriales con dimension n es seme-
jante.
Sean
1 = {u1 , u2 } y 2 = {v1 , v2 }
las bases inicial y nueva, respectivamente. Se necesitan las matrices de coordenadas para
los vectores de la base inicial, con relacion a la nueva base. Supongase que son:
[ ] [ ]
a c
C2 [u1 ] = y C2 [u2 ] = (1.5)
b d
es decir,
u1 = av1 + bv2 (1.6)

u2 = cv1 + dv2

Sea v cualquier vector de V y [ ]

k1
C1 [v] = (1.7)
k2
la matriz de coordenadas inicial, de modo que
v = k1 u1 + k2 u2 (1.8)
Para determinar las nuevas coordenadas de C2 [v], se debe expresar v en terminos de

la nueva base 2 , es decir hallar C2 [v]? Para hacerlo, se reemplaza (1.6) en (1.8), esto
conduce a
v = k1 u1 + k2 u2 = k1 (av1 + bv2 ) + k2 (cv1 + dv2 )
o bien
v = (k1 a + k2 c)v1 + (k1 b + k2 d)v2 )
Por lo tanto, la nueva matriz de coordenadas de v es
[ ]
k1 a + k2 c
C2 [v] =
k1 b + k2 d
la cual se puede volver a escribir como

[ ][ ] [ ]
a c k1 a c
C2 [v] = C2 [v] = C1 [v]
b d k2 b d
En esta ecuacion se afirma que es posible obtener la nueva matriz de cambio de coordena-
das C2 [v], multiplicandose
la matriz de coordenadas inicial, C1 [v] del primer miembro,
por la matriz [ ]
a c
P=
b d
cuyas columnas son las coordenadas de los vectores de la base inicial, con relacion a la
nueva base (1.5). As entonces, se tiene la solucion siguiente del problema del cambio de
base.
Solucion del problema del cambio de base. Si se cambia la base para un espacio
vectorial V, de cierta base 1 = {u1 , u2 , . . . , un } hacia otra nueva base 2 = {v1 , v2 , . . . , vn }
entonces la matriz de coordenadas inicial, C1 [v], de un vector v esta relacionada con la
nueva matriz de coordenadas C2 [v] por medio de la ecuacion
C2 [v] = P C1 [v] (1.9)
en donde las columnas de P son las matrices de coordenadas de los vectores de la base
inicial con respecto a la nueva base, es decir los vectores columnas de P son
C2 [u1 ], C2 [u2 ], . . . , C2 [un ]

Simbolicamente, la matriz P se puede escribir

P = [C2 [u1 ] | C2 [u2 ] | . . . | C2 [un ]]
esta matriz se conoce como la matriz de cambio o de transicion de la base 1 a la nueva
base 2 .
Nota.
Sea = {u1 , u2 , . . . , un } una base de un espacio vectorial V. Dado un vector

x1
x2

x = . IRn ,
..
xn
se puede encontrar un vector u V de manera que
x = C [u]
Basta considerar el vector de V
u = x1 u1 + x2 u2 + + xn un .
Supongamos ahora que tenemos dos bases

1 = {u1 , u2 , . . . , un } y 2 = {v1 , v2 , . . . , vn }
en un espacio vectorial V y dim(V) = n, entonces los vectores uj se escriben como
combinacion lineal de la base 2 como

n
uj = a1j v1 + a2j v2 + + anj vn = aij vi , j = 1, 2, . . . , n (1.10)
i=1
con lo que,
a1j
a2j

C2 (uj ) = ..
.
anj
Sea x un vector de V, tal que:
C1 (x) = x1 u1 + x2 u2 + + xn un
teniendo en cuenta (1.10), resulta
n
n
n
x = x1 ai1 vi + x2 ai2 vi + + xn ain vi
i=1
( n )
i=1 i=1

n
= xj aij vi
j=1 i=1
( n )

n
= aij xj vi ,
i=1 j=1

luego n
j=1 a1j xj a11 a12 a1n x1
n a2j xj a21 a22 a2n x2
j=1
C2 (x) = .. = .. .. ... .. ..
. . . . .
n
j=1 anj xj an1 an2 ann xn
o equivalentemente
C2 (x) = [C2 (u1 ) C2 (u2 ) C2 (un )] C1 (x)
donde la matriz
P1 2 = [C2 (u1 ) C2 (u2 ) C2 (un )]
se llama matriz de cambio de la base 1 a la base 2 .
Observese que la primera columna de P1 2 esta formado por las componentes del vector
u1 respecto de la base 2 ; la segunda columna de P1 2 esta formado por las componentes
del vector u2 respecto de la base 2 y as sucesivamente.
Ejemplo 1.95. Sea S = {u1 = (1, 2, 1), u2 = (2, 9, 0), u3 = (3, 3, 4)} una base para el
espacio vectorial V = IR3
1. Determinase las coordenadas y la matriz de coordenadas del vector v = (5, 1, 9)

respecto de la base S.
2. Encuentrese el vector v en IR3 cuyo vector de coordenadas con respecto a la base S es

CS (v) = (1, 3, 2)

Solucion.
1. Es necesario determinar los escalares c1 , c2 , c3 tales que
v = c1 u1 + c2 u2 + c3 u3
o, en terminos de sus coordenadas es:
(5, 1, 9) = c1 (1, 2, 1) + c2 (2, 9, 0) + c3 (3, 3, 4)
Al igualar las componentes correspondientes se tiene:
c1 + 2c2 + 3c3 = 5
2c1 + 9c2 + 3c3 = 1
c1 + 4c3 = 9
Al resolver este sistema se obtiene c1 = 1, c2 = 1, c3 = 2. Por lo tanto,

1

CS [v] = (1 1, 2) y CS [v] = 1
2

2. Aplicando la definicion del vector de coordenadas CS (v), se obtiene
v = (1)u1 + 3u2 + 2u3 = (11, 31, 7)
Los vectores y las matrices de coordenadas dependen del orden en el que

Observacion.
se escriban los vectores de la base, un cambio de orden de los vectores base conduce a un
cambio correspondiente en el orden de los elementos de las matrices y los vectores de coor-
denadas.
Ejemplo 1.96. Si S = {v1 , v2 , . . . , vn } es una base ortonormal de un espacio vectorial con

producto interior V, entonces, por el teorema.??, la expresion para un vector u en terminos
de la base S es
u = u, v1 v1 + u, v2 v2 + + u, vn vn
lo cual significa que
(u)S = (u, v1 , u, v2 , . . . , u, vn )
y
u, v1
u, v2

[u]S = ..
.
u, vn
Teorema 1.34. Si P es la matriz de cambio desde una base 1 hacia una base 2 entonces
1. P es inversible
2. P1 es la matriz de cambio de la base 2 hacia la base 1 .
Teorema 1.35. Si P es la matriz de cambio desde una base ortonormal hacia otra base
ortogonal, para un espacio vectorial con producto interior, entonces
P1 = Pt
1.18. Una matriz cuadrada A con la propiedad de que

Definicion
A = At
se denomina matriz ortogonal
Teorema 1.36. Las proposiciones que siguen son equivalentes
a) A es ortogonal
b) Los vectores filas de A forman un conjunto ortonormal en IRn , con el producto interior
euclidiano interior.
c) Los vectores columnas de A forman un conjunto ortonormal en IRn , con el producto

interior euclidiano interior.

Ejemplo 1.97. Sea la matriz

1 0 1
2
2
A= 0 0 1
1 12 0
2
Los vectores filas de A son
( ) ( )
1 1 1 1
f1 = , , 0 , f2 = (0, 0, 1), f3 = , , 0
2 2 2 2
con relacion al producto interior euclidiano, se tiene
||f1 || = ||f2 || = ||f3 || = 1
y
f1 .f2 = f1 .f3 = f2 .f3 = 0
de modo que los vectores filas de A forman un conjunto ortonormal en IR3 . Por lo tanto, A
es una matriz ortogonal y
1
0 1
2 2

A1 = At = 12 0 12
0 1 0
1.9.2. Trabajo Encargado

En los siguientes ejercicios se da un conjunto de objetos con las operaciones de adicion y
multiplicacion escalar. Determine cuales
de los conjuntos son espacios vectoriales bajo las
operaciones dadas. Para aquellos que no lo son, liste todos los axiomas que no se cumplen:
1. El conjunto de todas las ternas de numeros
reales (x, y, z) IR3 con las operaciones:
(x, y, z) + (x , y , z ) = (x + x , y + y , z + z )
(x, y, z) = (0, 0, 0)
2. El conjunto de todos los numeros

reales x con las operaciones estandar
de adicion y
multiplicacion.
3. El conjunto de todas las matrices de orden 2 2 de la forma

[ ]
a 1
1 b
con la adicion de matrices y la multiplicacion escalar.
4. El conjunto de todas las matrices de orden 2 2 de la forma

[ ]
a 0
0 b
con la adicion de matrices y la multiplicacion escalar.

5. Justifique que una recta que pasa por el origen de IR3 es un espacio vectorial bajo las
operaciones estandar
sobre IR3
6. Dado el vector no nulo v = (a, b) y el vector v0 = (x0 , y0 ), demuestre que la recta que
pasa por v0 y es paralela a la recta en la que se encuentra v puede ser descrita de la
siguiente manera
L = {(x, y) / (x, y) = (x0 , y0 ) + t(a, b), t IR}
de donde se puede deducir que la ecuacion de la recta L, puede escribirse como

{
x = x0 + at
L: t IR
y = y0 + bt
Describa geometricamente las siguientes rectas en el plano:

{ {
x=2+t x=t
(a) L : t IR (b) L : t IR
y = 1 + t y=t
{ {
x = 3t x = 4t
(c) L : t IR (d) L : t IR
y = 2 t y = 4t
7. Considere las rectas L1 y L2 dadas por:

{ {
x = x0 + at x = x1 + cr
L1 : , t IR L2 : , r IR
y = y0 + bt y = y1 + dr
a) Compruebe que L1 y L2 se cortan en un solo punto si, y solo si cb ad = 0.

b) Demuestre que si cb ad = 0, el punto en donde L1 y L2 se cortan es
c(y1 y0 ) d(x1 x0 )
x = x0 + a
cb ad
c(y1 y0 ) d(x1 x0 )
y = y0 + b
cb ad
8. Determinar cuales
de los siguientes conjuntos son subespacios de V = IR3
a) Todos los vectores de la forma (a, 0, 0), a IR

b) Todos los vectores de la forma (a, 0, 1), a IR
b) Todos los vectores de la forma (a, b, c), en donde b = a + c
9. Diga si cada uno de los siguientes subconjuntos del espacio vectorial IRn son subespa-
cios o no lo son:
a) A = {(x1 , x2 , . . . , xn ) IRn / x1 + x2 + + xn = 0}
b) B = {(x1 , x2 , . . . , xn ) IRn / x1 = x2 = = xn }

c) C = {(x1 , x2 , . . . , xn ) IRn / c1 x1 + c2 x2 + + cn xn = 0}
d) D = {(x1 , x2 , . . . , xn ) IRn / x1 = x2 = 0}
e) E = {(x1 , x2 , . . . , xn ) IRn / x1 = 1}
f) F = {(x1 , x2 , . . . , xn ) IRn / x21 + x22 + + x2n = 0}

de los siguientes conjuntos son subespacios de V = IR22
a) Todas las matrices de la forma

[ ]
a b
, a, b, c, d ZZ
c d
b) Todas las matrices A IR22 tales que: A = At

c) Todas las matrices A IR22 tales que: D(A) = 0

de los siguientes conjuntos son subespacios de V = P3 [x]
a) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 = 0

b) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 = 1
c) Todos los polinomios a0 + a1 x + a2 x2 + a3 x3 para los que a0 , a1 , a2 , a3 ZZ
12. Exprese los siguientes vectores como combinacion lineal de los vectores de M, donde:
M = { v1 = (2, 1, 4), v2 = (1, 1, 3), v3 = (3, 2, 5) }
(A) a = (5, 9, 5) (B) b = (2, 0, 6) (C) c = (2, 2, 3)
13. Exprese los siguientes polinomios como combinacion lineal de
Si p1 (x) = 2+x+4x2 , p2 (x) = 1x+3x2 , p3 (x) = 3+2x+5x2 M = {p1 (x), p2 (x), p3 (x)}
(a) 5 + 9x + 5x2 (b) 2 + 6x2 (c) 2 + 2x + 3x2
14. En cada inciso determine si los vectores generan al espacio IR3
(a) v1 = (1, 1, 1), v2 = (2, 2, 0), v3 = (3, 0, 0)

(b) v1 = (2, 1, 3), v2 = (4, 1, 2), v3 = (8, 1, 8)
(c) v1 = (3, 1, 4), v2 = (2, 3, 5), v3 = (5, 2, 9), v4 = (1, 4, 1)
15. Halle una ecuacion para el plano generado por los vectores u = (1, 1, 1) y v = (2, 3, 5)
16. Describa explcitamente los siguientes subespacios de IR3 :
a) L = (1, 2, 1)

b) P = (1, 1, 0), (3, 3, 0)

c) M = (5, 1, 2), (6, 1, 3), (1, 0, 1)
17. Considere el subespacio de IR3 dado por
P = {(x, y, z) / 2x 3y + 5z = 0}
Encuentre dos vectores v1 y v2 en P que generen este subespacio. Puede el plano P

ser generado por un solo vector?
18. Cuales
de los siguientes conjuntos en IR3 son L. I. o L. D.?
a) { (2, 1, 4), (3, 6, 2), (2, 10, 4) }

b) { (3, 1, 1), (2, 1, 5), (4, 0, 3) }
c) { (6, 0, 1), (1, 1, 4) }
d) { (1, 3, 3), (0, 1, 4), (5, 6, 3), (7, 2, 1) }
19. Cuales
de los siguientes conjuntos en el espacio vectorial P2 [x] son L. I. o L. D.?
a) M = { 2 x + 4x2 , 3 + 6x + 2x2 , 2 + 10x 4x2 }

b) N = { 3 + x + x2 , 2 x + 5x2 , 4 3x2 }
c) P = { 6 x2 , 1 + x + 4x2 }
20. Para cuales

valores de los vectores que siguen forman un conjunto L. D. en el
espacio vectorial IR3
( ) ( ) ( )
1 1 1 1 1 1
v1 = , , , v2 = , , , v1 = , ,
2 2 2 2 2 2
21. Si S = {u1 , u2 , . . . , un } es un conjunto de vectores en un espacio vectorial V. Demuestre
que si uno de los vectores es el vector nulo, entonces S es L. D.
22. Si S = {u1 , u2 , . . . , un } es un conjunto de vectores L. I. en un espacio vectorial V.

Demuestre que todo subconjunto de S con uno o mas vectores tambien es L. I.
23. Si {v1 , v2 , v3 } es un conjunto de vectores L. I. en un espacio vectorial V demuestre que:
A = {v1 , v2 }, B = {v1 , v3 }, C = {v2 , v3 }, D = {v1 }, E = {v2 } y F = {v3 }
son tambien conjuntos linealmente independientes.
24. Si {v1 , v2 , v3 } es un conjunto de vectores L. D. en un espacio vectorial V demuestre

que: {v1 , v2 , v3 , v4 }, tambien es linealmente dependiente, donde v4 es cualquier otro
vector de V.
25. Cuales
de los siguientes conjuntos de vectores son bases para el espacio vectorial IR2
(a) A = {(2, 1), (3, 0)} (b) B = {(0, 0), (1, 3)} (c) C = {(3, 9), (4, 12)}

26. Cuales
de los siguientes conjuntos de vectores son bases para el espacio vectorial IR3
(a) A = {(1, 0, 0), (2, 2, 0), (3, 3, 3)} (b) B = {(3, 1, 4), (2, 5, 6), (1, 4, 8)}
(c) C = {(1, 6, 4), (2, 4, 1), (1, 2, 5)}
27. Cuales
de los siguientes conjuntos de vectores son bases para el espacio vectorial P2
(a) A = {1 3x + 2x2 , 1 + x + 4x2 , 1 7x}

(b) B = {4 + 6x + x2 , 1 + 4x + 2x2 , 5 + 2x x2 }
(c) C = {1 + x + x2 , x + x2 , x2 }
28. Determine la dimension del espacio de soluciones del sistema que se da y encuentre
una base para e l

x 1 + x 2 x 3 = 0
x1 3x2 + x3 = 0
a) 2x1 x2 + 2x3 = 0 a) 2x1 6x2 + 2x3 = 0

x1 + x3 = 0 3x1 9x2 + 3x3 = 0
29. Determine bases para los subespacios de IR3 que siguen:
(a) El Plano: 3x 2y + 5z = 0
(b) El Plano: xy=0

x = 2t,
(c) La recta: y = t, t IR

z = 4t
(d) Todos los vectores de la forma (a, b, c) en donde b = a + c
30. Describa explcitamente los siguientes subespacios de IR3
a) W1 = (1, 2, 1)
b) W2 = (2, 1, 4), (3, 1, 0)
c) W3 = (1, 1, 0), (3, 3, 0)
d) W4 = (2, 1, 2), (1, 0, 4), (3, 1, 4)
e) W5 = (1, 1, 2), (4, 2, 1), (3, 1, 1), (1, 1, 5)
31. Sean W1 y W2 subespacios vectoriales de IR3 , donde:
W1 = {(x, y, z) / x + y + z = 0}, W2 = {(x, y, z) / 2x y + z = 0}
a) Describa explcitamente el subespacio W1 W2

b) Demuestre que W1 + W2 es todo IR3

32. En el espacio vectorial IR3 se considera dos bases

1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
2 = {(2, 1, 2), (1, 0, 3), (1, 4, 2)}
a) Determine las coordenadas del vector v = (1, 1, 3) en la base 1
b) Determine las coordenadas del vector v = (1, 1, 3) en la base 2
c) Determine la matriz de cambio de base de 1 a 2
d) Determine la matriz de cambio de base de 2 a 1
33. Sea = {v1 , v2 } una base del espacio vectorial IR2 , suponga que:
C [(1, 1)] = (2, 3) C [(1, 1)] = (3, 5)
Determine los vectores de la base
34. Sea = {v1 , v2 , v3 } una base del espacio vectorial P2 [x], suponga que:
C [1 + x] = (2, 1, 0) C [2 x + x2 ] = (1, 1, 1), C [x x2 ] = (1, 3, 2)
Determine los vectores de la base

35. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 con producto interior
dado:
u, v = 3u1 v1 + 2u2 v2
Calcule u, v :
(a) u = (2, 1) y v = (1, 3) (b) u = (4, 6) y v = (4, 6)
36. Si p = a0 + a1 x + a2 x2 y q = b0 + b1 x + b2 x2 son dos vectores cualesquiera del espacio

P2 , entonces la siguiente ecuacion se define un producto interno sobre P2
p, q = a0 b0 + a1 b1 + a2 b2
Calcule p, q:
(a) p = 1 + 2x + x2 y q = 2 4x2 (b) p = 3 + 2x + x2 y q = 2 + 4x 2x2
37. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 . Demuestre que las
siguientes expresiones son productos interiores sobre IR2
(a) u, v = 6u1 v1 + 2u2 v2 (b) u, v = 2u1 v1 + u2 v1 + u1 v2 + 2u2 v2
38. Sean u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son vectores del espacio vectorial IR3 . Determine
cuales
de las expresiones siguientes son productos interiores sobre IR3 . Para los que no
lo sean, liste los axiomas que no se cumplen:
(a) u, v = u1 v1 + u3 v3 (b) u, v = u21 v21 + u22 v22 + u23 v22

(c) u, v = 2u1 v1 + u2 v2 + 4u3 v3 (d) u, v = u1 v1 u2 v2 + u3 v3

39. Suponga que IR2 tiene el producto interior euclidiano. Aplique la desigualdad de
Cauchy - Schwartz a los vectores u = (a, b) y v = (Cos, Sen) para demostrar
que se cumple: |aCos + bSen| a2 + b2
40. Sean c1 0, c2 0, c3 0 y suponga que u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son

vectores del espacio vectorial IR3 . Demuestre que:
u, v = c1 u1 v1 + c2 u2 v2 + c3 u3 v3
es un producto interior sobre IR3 .
41. Aplique el producto interior

1
p, q = p(x)q(x)dx
1
para calcular p, q para los vectores p = p(x) y q = q(x) en P3
(a) p(x) = 1 x + x2 + 5x3 q(x) = x 3x3 (b) p(x) = x 5x3 q(x) = 2 + 8x2
42. Sean f(x), g(x) V = C[0, 1]. Pruebe que:

[ 1 ]2 [ 1 ] [ 1 ]
a) f(x)g(x)dx 2
f (x)dx 2
g (x)dx
0 0 0
[ 1 ]1/2 [ 1 ]1/2 [ 1 ]1/2
b) 2
[f(x) + g(x)] dx 2
f (x)dx + 2
g (x)dx
0 0 0
43. Si u = (u1 , u2 ) y v = (v1 , v2 ) son vectores del espacio vectorial IR2 con producto interior
dado:
u, v = 3u1 v1 + 2u2 v2
Halle ||w||
(a) w = (1, 3) (b) w = (6, 7) (c) w = (0, 1) (d) w = (0, 0)
44. Suponga que IR4 tiene el producto interior euclidiano. Halle dos vectores de norma 1
ortogonales a todos los vectores u = (2, 1, 4, 0), v = (1, 1, 2, 2), w = (3, 2, 5, 4)
45. Sea V es un espacio vectorial con producto interior. Demuestre que si w es ortogonal
a u1 como u2 , entonces es ortogonal a k1 u1 + k2 u2 , para todos los escalares k1 , k2 IR
46. Sea V es un espacio vectorial con producto interior. Demuestre que si w es ortogonal
a cada uno de los vectores M = {u1 , u2 , . . . , ur }, entonces w es ortogonal a la combina-
cion lineal de los vectores de M.
47. Sea V = IR4 es un espacio vectorial con producto euclidiano interior. Aplique el pro-
ceso de Gram Schmidt para transformar la base 1 = {u1 , u2 , u3 , u4 } en una base
ortonormal.
u1 = (0, 2, 1, 0), u2 = (1, 1, 0, 0), u3 = (1, 2, 0, 1), u4 = (1, 0, 0, 1)

48. Sea {v1 , v2 , v3 } una base ortonormal para un espacio vectorial V con producto interior.
Sea w un vector arbitrario de V, entonces demostrar que:
||w||2 = w, v1 2 + w, v2 2 + w, v3 2
49. Halle la matriz de coordenadas y el vector de coordenadas para w, con relacion a la

base S = {u1 , u2 }
a) u1 = (2, 4), u2 = (3, 8), w = (1, 1)

b) u1 = (1, 1), u2 = (0, 2), w = (a, b)

04 Espacios Vectoriales1

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

04 Espacios Vectoriales1

Загружено:

Авторское право:

Доступные форматы

Indice general

1. Espacios vectoriales y transformaciones lineales 2

satisface las siguientes propiedades:

2. (x + y) + z = x + (y + z), (propiedad asociativa)

4. x + (x) = (x) + x = 0, (elemento opuesto)

donde x, y, z IRn y , IR.

1.2. Espacios Vectoriales y subespacios vectoriales

Definicion 1.1. Un espacio vectorial es un conjunto no vaco V de objetos, llamados

1. La suma de u y v, denotado con u + v, esta definido en V, es decir:

5. Para cada u V, existe un unico

1. A los elementos de un espacio vectorial se les llama vectores. A partir de este

2. En vista de la generalidad de la definicion de espacio vectorial, se podran

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

La suma de vectores es otro vector,

La multiplicacion de un escalar por un vector arbitrario es otro vector.

Ejemplo 1.1. Consideremos el conjunto

x + y = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

Demuestre que el conjunto de IRn es un espacio vectorial.

Ejemplo 1.2. Consideremos el conjunto

V = IR2 = {x = (x1 , x2 ) / i = 1, 2, xi IR}

x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 y1 , x2 y2 )

En IR2 con estas operaciones es un espacio vectorial?

Ejemplo 1.3. Consideremos el conjunto

V = IR3 = {x = (x, y, z) / x, y, z IR}

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

1. (x, y, z) + (x , y , z ) = (x + x , y + y , z + z ), (x, y, z) = (x, y, z), IR

2. (x, y, z) + (x , y , z ) = (x + x , y + y , 0), (x, y, z) = (x, y, 0), IR

3. (x, y, z) + (x , y , z ) = (x x , y y , z z ), (x, y, z) = (x, y, z), IR

Ejemplo 1.4. Considere el conjunto de las matrices IR22 = M22 , es decir:

Definamos en el conjunto IR22 la suma y el producto por escalares como:

Demuestre que el conjunto IR22 es un espacio vectorial.

Ejemplo 1.5. El espacio vectorial V = Pn

En este conjunto se define la suma de polinomios coeficiente a coeficiente, es

dos polinomios de V = Pn , su suma es el polinomio p(x) + q(x) definido por:

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + + (an + bn )xn V

Para el polinomio p(x) = a0 + a1 x + + an xn Pn y el escalar IR, se define el

Se verifica que el conjunto Pn con estas operaciones es un espacio vectorial.

La igualdad en este conjunto se define como sigue:

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

El vector cero de este conjunto es 0 = 0 + 0x + 0x2 + 0xn Pn

Dado el polinomio p(x) = a0 + a1 x + + an xn Pn , su inverso aditivo es el polinomio

Ejemplo 1.6. El espacio V = IRmn = Mmn .

IRmn = { A = [aij ]mn / i = 1, 2, . . . , m, j = 1, 2, . . . , n }

En el captulo anterior se ha definido la suma de matrices de IRmn , as como la multipli-

Ejemplo 1.7. El espacio F(I).

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

Si f F(I) y IR, defnase el producto de f por el escalar como la funcion g : I IR 7 IR

Teorema 1.2. (Reglas de productos nulos) Sean v V y IR, entonces:

Sean u, v V y , IR, entonces:

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

Veamos los dos ejemplos siguientes:

W = {(x, y) / x, y IR, y > 0}

Las operaciones entre los elementos de W son las que estan

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

Uno se pregunta si W es un espacio vectorial.

Ejemplo 1.9. Sin embargo, si W es el siguiente conjunto de IR2

W = {(x, y) / x, y IR, y = 2x}

J. R. Ticona Parisaca Espacios vectoriales y transformaciones lineales

En muchos problemas, un espacio vectorial se compone de un subconjunto adecuado de

1.2. Sea V un espacio vectorial, W = y W V, se dice que W es un subes-

1. El vector cero de V esta en W.

2. W es cerrado bajo la suma de vectores. Es decir, para cada par de vectores u, v W,

3. W es cerrado bajo la multiplicacion por escalares. Es decir, para cada u W y cada