REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD RAFAEL URDANETA

CÁTEDRA: ALGEBRA LINEAL

VECTORES

INTEGRANTES:

Diego Giancola
C.I: 28.336.010

Samantha Montilla
C.I: 29.811.707

Bruno Añez
C.I :28.400.741
ESPACIO VECTORIAL: DEFINICION Y EJEMPLO.

DEFINICION:

Sea K un cuerpo y un conjunto no vacío con regla e adición y

multiplicación por escalar que asignan a todo u, v € V una suma u + v
€ V y a todo U € V, R € K un producto R u € V. entonces se llama un
espacio vectorial sobre K (y los elementos se llaman vectores).

EJEMPLO:

Supongamos que V consta de un solo objeto, el cual se denota 0, y se

define por:

0+0=0

K0 = 0

Para todos los escalares K. Se comprueba con facilidad que se

satisfacen todos los axiomas de espacio vectorial. A este se le da el
nombre de espacio vectorial 0

PROPIEDADES DE UN ESPACIO VECTORIAL:

K el cuerpo de los escalares

a, b, c o r los elementos de K

V el espacio vectorial dado

u, v, w los elementos de V.
[A1]: Existe un vector V, denotado por 0 y llamado vector cero, tal que
u + 0 = u para todo vector u € v

[A2]: Para todo vector u € V existe un vector V denotado por –u, tal que
u. + (-u) = 0

[A3]: Para todo vector u, v € V, u + v = v + u

[M1]: Para todo escalar R € K y todo vector u + v V, R (u+v) = Ru + Rv

[M2]: Para todo escalar a, b € K y todo vector u € V, (a+b) u = au + bu

[M3]: Para todo escalar a, b € K y todo vector u € V, (a b) u = a (b u)

[M4]: Para todo escalar 1 € K, 1u = u para todo vector u € V.

Los axiomas anteriores se dividen naturalmente en dos clases. Los

cuatro primeros se refieren únicamente a la estructura activa de V y
pueden resumirse diciendo que V es un grupo comunicativo bajo la
adición. En consecuencia, toda suma de vectores de la forma

V1 + V2 +… + VM

No requiere paréntesis, ni depende del orden en los sumados, el vector

cero es único, el negativo –u de u es único y se cumple lay cancelativa:

u + w = v + w implica u = v

Para todo vector u, v, w € V. también, la sustracción esta definida por

u – v = u + (-v).

Por otra parte, los cuatro axiomas restantes se refieren a la “acción” del
cuerpo K sobre V.

Obsérvese que la notación de los axiomas refleja esta división.

Teorema 1. Sea V un espacio vectorial sobre un cuerpo K

Para todo escalar R € K y 0 € V, R 0 = 0.

Para todo 0 € V y todo vector u € V, 0 u = 0

Si R u = 0, donde R € K y u € V, entonces R = o u = 0.

Para todo escalar R € K y todo vector u € V, (-R) u = R (-u) = -R u

EJEMPLO:

Sea K un cuerpo arbitrario. El conjunto de todas las n-nuplas de

elementos de K con la adición de vectores y la multiplicación por escalar
definido por:

(a1, a2, … an) + (b1, b2,… bn) = (a1 + b1 a2 + b2 an + bn) y K (a1,

a2,…an) = (ka1, ka2, kan)

Donde a1,b2, R € K, es un espacio vectorial sobre K denotado por Kn.

El vector cero en Kn es la nupla de ceros,0 =(0,0…0). La denotación
que Kn es un espacio vectorial es idéntica a la de teorema 1, el cual
podemos considerar que afirma Rn con las operaciones definidas es un
espacio vectorial R.

U = (0+0) = R 0 + R 0. Sumando a R0 a ambos lados, se obtiene el

resultado deseado.

Por una propiedad de K, 0 + = 0. Luego por el axioma de [A2], 0u =

(0+0) u = 0u. sumando 0u a ambos lados, se obtiene el resultado
deseado.

Supongamos que R u = 0 y R igual que 0. Entonces existe un escalar

R-1 (elevado) tal que R-1 R = 1; luego u = 1u = (K-1 K)u = K-1 0 = 0.

Sumando –R u a ambos lados, se obtiene –R u = (-R) u. por tanto, (-R)

u = R (-u) = -Ru

COMBINACIONES LINEALES Y VECTORES

LINEALMENTE INDEPENDIENTES:
COMBINACIONES LINEALES: Sea V un espacio vectorial. Sobre un
cuerpo K y sean v1…, v2 € V, cualquier vector en V de la forma a1v1 +
a2v2 + … amvm

Donde los a € K, se llama una combinación lineal de v1,…, vm. Como

una aplicación que tenemos en el siguiente teorema.

Teorema 1: sea S un subconjunto no vacío de V. el conjunto de todas

las combinaciones lineales de vectores en S, denotada por L (S) es un
sub-espacio de V que contiene a S. además, si W es otro sub-espacio
de V que contiene a S, entonces L(s) CW.

En otras palabras, L(S) es el menor sub-espacio de V que contiene a S

y se llama sub-espacio generado por S. por conveniencia, definimos L
(Ø) = {0}.

EJEMPLO:

Escribir el vector V 0 (-1,5) como una combinación lineal de los vectores

e1= (1,1,1) e2 (1,2,3) y e3 = (2,-1,1).

Queremos expresar V en la forma V xe1 + ye2 + ze3 con x, y, z como

incógnitas escalares. Por tanto, requerimos que:

(1, -2, 5) = x (1,1,1) + y (1,2,3) + z (2, -1,1)

= (x,x,x) + (y,2y,3y) +(2z,-z,z)

= (x + y+2x, x + 2y-z, x + 3y + z)

Formamos el sistema equivalente de ecuaciones igualando las

componentes correspondientes, y luego reduciendo a la forma
escalonada

x + u + z2 = 1 x + y + 2z = 1x + y + 2z = 1

x + 2y + z = -1 o y – 3< = -3o y – 3z = -3
 x + 3y + z = 5 2y – z = 4 5z = 1o
Obsérvese que el sistema anterior es consistente y, por tanto, tiene una
solución. Hallando el valor de las incógnitas obtenemos x = -6, y = 3, z
= 2. Entonces V = -6e1 + 3e2 + 2e3.

VECTORES LINEALMENTE INDEPENDIENTES: Dado un conjunto

finito de vectores, se dice que estos vectores son linealmente
independientes si dada la ecuación esta se satisface únicamente
cuando son todos cero. En caso contrario, se dice que son linealmente
dependientes.

EJEMPLO:

Dados los vectores:

U= 1 , V= -3
1 2

La matriz formada por éstos es:

A= 1 -3
1 2 .

El determinante de esta matriz es:

Det(A) = (1 . 2) – ((-3) . 1) = 5 ≠ 0

Ya que el determinante es no nulo, los vectores (1, 1) y (−3, 2) son

linealmente independientes.

BASE: DEFINICION Y EJEMPLO.

DEFINICION:

Si V es un espacio vectorial y S = (v1,v2,…,v2) es un conjunto definido

de vectores en V, entonces se dice que S es una base de V si:
-S es ligeramente independiente
-S genere a V

EJEMPLO:
Sea e1 = (1,0,0,…,0), e2 = (0,1,0,…,0) En = (0,0,0…,1).
S = (e1,e2,…En) es un conjunto linealmente independiente en R
elevado “n” veces.

CAMBIO DE BASE: DEFINICION Y EJEMPLO.

DEFINICION:

Sea {e1,…En} una base de V y sea {f1,…fn} otra base. Supongamos

que

F1 = a1 1e1 + a1 2e2 +…..+ a1n en

F2 = a2 1e1 + a2 2e2 +…..+ a2n en

………………………………………….
FN = an1 e1 + an e2 +…..+ ann en

Entonces la transpuesta de P de la matriz de los coeficientes se llama

matriz de transición de la base “vieja” {e1} a la base “nueva” {f1}

a1.1 a2.1……an1

P= a1.2 a2.2……an2

…… ……. ……..
a1n a2n ann
Observemos que como los vectores f1,…fn son linealmente
independiente, la matriz P es invertible. En efecto, su inversa P sobre
-1 es la matriz de transición de la {f1} a la base {e1}

EJEMPLO:

Consideremos que las dos base siguientes de R elevado a la 2.

{e1 = (1,0) e2 = (0,1)} y {f1 = (1,1) f2 = (-1,0)}

Entonces:
F1 = (1,1) = (1,0) + (0,1) = e1 + e2

F2 = (-1,0) = - (1,0) + 0 (0,1) = -e1 + 0 e2

Luego la matriz de transición P de la base {e1} a la base {f1} es:

1 -1
P=
-1 0

También tenemos: E1 = (1,0) = 0 (1,1) – (-1,0) 0 f1 – f2

E2 = (0,1) = (1,1) + (-1,0) = f1 + f2

Luego la matriz de transición de Q de la base {f1} a la base {e1} es:

Q= 0 1
-1 1

Observe que P y Q son inversa:

PQ= 1 -1 0 1 = 1 0
-1 0 -1 1 0 1

BASES ORTONORMALES

Una base ortonormal es un espacio vectorial con producto interno en

el que los elementos son mutuamente ortogonales y normales, es
decir, de magnitud unitaria.

Una base ortogonal satisface las mismas condiciones, salvo la de

magnitud unitaria; es muy sencillo transformar una base ortogonal en
una base ortonormal mediante el producto por un escalar apropiado y
una base ortonormal se transforma por medio de una base ortogonal.

Así, una base ortonormal es una base ortogonal, en la cual la norma

de cada elemento que la compone es unitaria.

Las bases ortonormales están formadas por vectores ortogonales y

unitarios.

EJEMPLO:

U = (1,0), V = (0,-1) forman una base ortonormal ya que los vectores

son perpendiculares (su producto escalar es cero) y ambos vectores
tienen módulo 1.

Perpendicularidad: u . v = 1 . 0 + 0 . (-1) = 0.