INSTITUTO TECNOLOGICO SUPERIOR DE LA COSTA

CHICA




Materia: Algebra Lineal


Unidad IV Espacios Vectoriales




PROFESOR: ING. RAYMUNDO SANTIAGO MIRANDA


ALUMNO: ROBERTO MENDEZ CHAVEZ


CARRERA: ING. TICS SEMESTRE: TERCERO


TURNO: MATUTINO





OMETEPEC GRO., A 22 DE NOVIEMBRE DE 2012
4.1 Definicin de espacio vectorial y sus propiedades.

Un espacio vectorial (o espacio lineal) es el objeto bsico de estudio en la rama de
la matemtica llamada lgebra lineal. A los elementos de los espacios vectoriales
se les llama vectores. Sobre los vectores pueden realizarse dos operaciones:
escalarse (multiplicarlos por un escalar) y sumarse. Estas dos operaciones se
tienen que ceir a un conjunto de axiomas que generalizan las propiedades
comunes de las tuplas de nmeros reales as como de los vectores en el espacio
eucldeo. Un concepto importante es el de dimensin.
Histricamente, las primeras ideas que condujeron a los espacios vectoriales
modernos se remontan al siglo XVII: geometra analtica, matrices y sistemas de
ecuaciones lineales. La primera formulacin moderna y axiomtica se debe
a Giuseppe Peano, a finales del siglo XIX. Los siguientes avances en la teora de
espacios vectoriales provienen del anlisis funcional, principalmente de
los espacios de funciones.
Los problemas de Anlisis funcional requeran resolver problemas sobre
la convergencia. Esto se hizo dotando a los espacios vectoriales de una
adecuada topologa, permitiendo tener en cuenta cuestiones
de proximidad y continuidad.
Estos espacios vectoriales topolgicos, en particular los espacios de Banach y
los espacios de Hilbert tienen una teora ms rica y complicada.Un espacio
vectorial real V es un conjunto de objetos, denominados vectores, junto con dos
operaciones binarias llamada suma y multiplicacin por escala y que satisfacen los
diez axiomas enumerados a continuacin.
Notacin. Si x y y estn en V y si es un numero real, entonces la suma se
escribe como x + y y el producto escalar de y x como x.
Antes de presentar la lista de las propiedades que satisfacen los vectores de un
espacio vectorial deben mencionarse dos asuntos de importancia.
En primer lugar, mientras que pueden ser til pensar en R
2
o

R
3
al manejar un
espacio vectorial, con frecuencia ocurre que el espacio vectorial parece ser muy
diferente a estos cmodos espacios( en breve tocaremos este tema).
En segunda instancia, la definicin 1 ofrece una definicin de un espacio vectorial
real. La palabra real significa que los escalares que se usan son nmeros reales.
Seria igualmente sencillo definir un espacio vectorial complejo en lugar de reales.
Este libro dedicado principalmente a espacios vectoriales reales, pero las
generalizaciones a otros conjuntos escalares presentan muy poca dificultad.

Definicin: sean K un cuerpo dado y V un conjunto no vaco, con reglas de suma y
producto por un escalar que asignan a cada par u, vV una suma u+vV y a cada
par uV, kK un producto KuV. V recibe el nombre de espacio vectorial sobre K (
y los elementos de V se llaman vectores) y se satisfacen los siguientes axiomas.
[A1 ] para toda terna de vectores u, v wV, ( u+v) + u + (u +w ).
[A2 ] existe un vector en V, denotado por 0 denominado el vector cero, tal que u +
0= u para todo vector uV.
Axiomas de un espacio vectorial
i. Si x V y y V, entonces x + y V (cerradura bajo a suma).
ii. Para todo x, y y z en V,(x + y) + z = x + (y + z)(ley asociativa de la suma
de vectores).
iii. Existe un vector 0 V tal que para todo x V, x + 0 + x = x (el 0 se llama
vector cero o idntico aditivo).
iv. Si x V, existe un vector x en V tal que x + (-x) = 0 (-x se llama
inverso aditivo de x).
v. Si x y y estn en V, entonces x + y = y + x (ley conmutativa de la suma
de vectores).
vi. Si x V y es un escalar, entonces ax V (cerradura bajo la
multiplicacin por un escalar).
vii. Si x y y estn en V y es un escalar, entonces (x + y) = x + y
(primera ley distributiva).
viii. Si x V y y son escalares, entonces ( + )x = x + x
ix. Si x V y y son escalares, entonces (x) = ( x)(ley asociativa de
la multiplicacin por escalar).
x. Para cada vector x V, 1x = x

Los espacios vectoriales tienen aplicaciones en otras ramas de la matemtica,
la ciencia y la ingeniera. Se utilizan en mtodos como las series de Fourier, que
se utiliza en las rutinas modernas de compresin de imgenes y sonido, o
proporcionan el marco para resolver ecuaciones en derivadas parciales. Adems,
los espacios vectoriales proporcionan una forma abstracta libre de coordenadas
de tratar con objetos geomtricos y fsicos, tales como tensores, que a su vez
permiten estudiar las propiedades locales de variedades mediante tcnicas de
linealizacin.
En matemticas, un espacio vectorial es una estructura algebraica creada a partir
de un conjunto no vaco, una operacin interna (llamada suma, definida para los
elementos del conjunto) y una operacin externa (llamada producto por un escalar,
definida entre dicho conjunto y un cuerpo matemtico), con 8 propiedades
fundamentales. Del latn spatum, el espacio puede ser la extensin que contiene
la materia existente, la capacidad de un lugar o la parte que ocupa un objeto
sensible. Vectorial, por su parte, es lo perteneciente o relativo a los vectores. Este
trmino, de origen latino, refiere al agente que transporta algo de un lugar a otro o
a aquello que permite representar una magnitud fsica y que se define por un
mdulo y una direccin u orientacin. La nocin de espacio vectorial se utiliza para
nombrar a la estructura matemtica que se crea a partir de un conjunto no vaco y
que cumple con diversos requisitos y propiedades iniciales. Esta estructura surge
mediante una operacin de suma (interna al conjunto) y una operacin de
producto entre dicho conjunto y un cuerpo.
Histricamente, las primeras ideas que condujeron a los espacios vectoriales
modernos se remontan al siglo XVII: geometra analtica, matrices y sistemas de
ecuaciones lineales. Los espacios vectoriales se derivan de la geometra afn, a
travs de la introduccin de coordenadas en el plano o el espacio tridimensional.
Alrededor de 1636, los matemticos franceses Descartes y Fermat fundaron las
bases de la geometra analtica mediante la vinculacin de las soluciones de una
ecuacin con dos variables a la determinacin de una curva plana. Para lograr una
solucin geomtrica sin usar coordenadas, Bernhard Bolzano introdujo en 1804
ciertas operaciones sobre puntos, lneas y planos, que son predecesores de los
vectores. Este trabajo hizo uso del concepto de coordenadas
baricntricas de August Ferdinand Mbius de 1827. La primera formulacin
moderna y axiomtica se debe a Giuseppe Peano, a finales del siglo XIX. Los
siguientes avances en la teora de espacios vectoriales provienen del anlisis
funcional, principalmente de los espacios de funciones. Los problemas de Anlisis
funcional requeran resolver problemas sobre la convergencia. Esto se hizo
dotando a los espacios vectoriales de una adecuada topologa, permitiendo tener
en cuenta cuestiones de proximidad y continuidad. Estos espacios vectoriales
topolgicos, en particular los espacios de Banach y los espacios de Hilberttienen
una teora ms rica y elaborada. El origen de la definicin de los vectores es la
definicin de Giusto Bellavitis de bipoint, que es un segmento orientado, uno de
cuyos extremos es el origen y el otro un objetivo. Los vectores se reconsideraron
con la presentacin de los nmeros complejos de Argand y Hamilton y la creacin
de los cuaterniones por este ltimo (Hamilton fue adems el que invent el nombre
de vector).
4.2 Definicin de subespacio de un espacio vectorial y sus propiedades.

Subespacio vectorial

Definicin











Las propiedades 1 y 2 implican que cualquier combinacin lineal de elementos de
V tambin estn V. si un conjunto S no vacio de R
n
satisface la parte

1 la
definicin, se dice que S es cerrado bajo (o respecto a) a la suma (vectorial). Si S
cumple la parte 2, se dice que S es cerrado bajo (o respecto a) a la multiplicacin
por escalares. As, un subespacio de R
n
es un subconjunto cerrado bajo la suma
vectorial y la multiplicacin por escalares.
Todo subespacio V de R
n
contiene el sector cero. 0 (V es un no vacio, de modo
que tiene al menos un elemento, por ejemplo u. pero entonces 0u=0 esta en V,
segn la parte 2 de la definicin).
EJEMPLO: 1 {0} Y R
n
. son subespacio de R
n
EXPLICACION {0} es un subespacio de R
n
por que
0+0=0 y c0=o para toda c R
R
n
Es un subespacio de R
n
por que la suma de los vectores n cualesquiera es un
vector n, y cualquier mltiplo escalar de un vector n es nuevo vector de n.
{0} tambin se llama subespacio cero de R
n
. {0} y R
n
. son subespacios triviales
de R
n
.
(Subespacio de R
n
)
Un subconjunto V no vacio de R
n
se llama subespacio (vectorial o lineal) de R
n
si
satisface las siguientes propiedades.
1.- si U Y V, entonces U+V estn V.
2.-si C es cualquier escalar y U esta en V, entonces CU esta en V.
EJEMPLO 2 V= {[

], X, Y R}
Es un subespacio de R
3
.
EXPLICACION: v es un vector por que contiene al vector cero (suponiendo que
x=y=0).
La suma de dos vectores en V. [

]+[

]=[

]
Tambin esta en V. as se aplica la parte 1 de la definicin. Cualquier mltiplo
escalar de un vector en V.
C [

]= [

] Tambin V. entonces se aplica la parte 2 de la definicin.

Por consiguiente, es un subespacio de R
3.
EJEMPLO 3
I. V= {(x, y, x+y), x, y R} es un subespacio de R
3.

EXPLICACION:
V es un no vacio (Por qu? Sean V1= (x1, y1, x1+y1) y V2= (x2, y2, x2+y2)
cualesquiera elemento de V y sea cualquier escalar entonces
(X1, y1, x1+y1)+(X2, y2, x2+y2)=(x1+x2, y1+y2, (x1+x2)+(y1+y2)
C(x1, y1, x1+y1)= (cx1, cy1, (cx1) + (cy1)
Por consiguiente, V1+V2, cV1 V. entonces, V es un subespacio de R
3.
TEOREMA 1 Un subconjunto no vacio H es un espacio vectorial V es un
subespacio de V si se cumplen las dos reglas de cerradura. Este teorema
demuestra que para probar si H es o no un subespacio de V, es suficiente verificar
que x + y y a x estn en H cuando x y y estn en H y a es un escalar. Lo anterior
dice que: Todo subespacio de un espacio vectorial V contiene al 0.
En lgebra lineal, un subespacio vectorial es el subconjunto de un espacio
vectorial, que satisface por s mismo la definicin de espacio vectorial con las
mismas operaciones que V.

Subespacio vectorial

n (V,+,K,*) un espacio vectorial y S un subconjunto de V. S es subespacio vectorial
de V si (S,+,K,*) es espacio vectorial en s mismo, siendo + y * las mismas
operaciones definidas en V.
Criterio de subespacio
El criterio para la verificacin de que S es subespacio de V, es que ambas
operaciones (+ entre elementos del conjunto S y * con escalares del cuerpo K)
sean cerradas, es decir, den como resultado elementos que tambin pertenezcan
a S.
Propiedades
Un espacio vectorial es un conjunto no vaco que cumple con estas tres
condiciones:

1) El Punto Origen pertenece al conjunto. Ej: (0,0,0).

2) Sea K un nmero real y {v} un vector que pertenece al conjunto entonces K.v
tambin pertenece al conjunto.

3) Sean {u} y {v} dos vectores que pertenecen al conjunto entonces u+v tambin
pertenece al conjunto.

Si estos tres axiomas se cumplen entonces el conjunto es un subespacio.
Subespacio vectorial: Esto dice que si W es un sub conjunto del espacio vectorial
V entonces este es un sub espacio de V. Si W es un espacio vectorial bajo las
operaciones de suma y multiplicacin por un escalar definidas en V. Para que W
sea un sub espacio de V debe cumplir las propiedades de cierre de la suma y la
multiplicacin por un escalar tambin debe cumplir la ley del elemento neutro bajo
la suma, el inverso bajo la suma y el neutro bajo la multiplicacin por un escalar.
Est claro que todo subespacio de un espacio vectorial contiene el vector cero, 0.
De hecho, {0} es un subespacio propio, llamado subespacio trivial. Consideremos,
por ejemplo, una ecuacin lineal a, b, c, d 2 F. Si d 6= 0, entonces su conjunto de
soluciones no puede ser un sub-espacio de F3 ya que x = y = z = 0 no ser una
solucin, y por lo tanto los conjunto de soluciones no contienen 0 = (0, 0, 0) T . Por
otro lado, como se seala a continuacin, el conjunto solucin de un sistema
arbitrario homogneo ax + by + cz = 0 es un subespacio de F3.
Un subespacio W de V es un espacio vectorial sobre F por derecho propio.
Sabemos por supuesto que W es un subconjunto no vaco de V, el cual es cerrado
bajo la suma y la multiplicacin escalar. Pero entonces W contiene 0, ya que 0W =
0 para cualquier w 2 W, y cada elemento w de W tiene su inverso aditivo -w en W,
ya que -w = (1) w. Pero el resto de los axiomas de espacio vectorial estn en W,
puesto que ya lo estn en V. Por lo tanto, mantienen todos los axiomas del
espacio vectorial en W.


4.3 PROPIEDADES DE VECTORES, COMBINACIN LINEAL, DEPENDENCIA
E INDEPENDENCIA LINEAL
Independencia lineal
Se dice que un conjunto de vectores v
1
,,v
n
de un espacio vectorial V es
linealmente dependiente si hay escalares c
1
,,c
n
, no
todos cero, tales que
Se dice que v
1
,,v
n
es linealmente independientes si no es linealmente
dependiente. En otras palabras, la ecuacin (4.1) implica que 0 ...
1
= = =
n
c c .
Si S es cualquier subconjunto de V (posiblemente infinito), solo lo llamaremos
linealmente dependiente cuando contenga un subconjunto finito linealmente
dependiente. En cualquier otro caso, S es linealmente independiente
Ejemplos:
1.- El conjunto es linealmente dependiente
en

2.- El conjunto { } C B A , , es linealmente dependiente en
n
M porque A=B+C

conjuntos { } { } x sen x senx y x x 2 , cos , cos , 2 cos , 1
2
son 3.- Los
linealmente dependientes en F(R),porque
x senx x xysen x cos 2 2 2 cos
2
1
1 .
2
1
cos
2
= + = para toda R x e
4.- demuestre que el conjunto { }
22 21 12 11
, , , E E E E es linealmente independiente en
M
22
SOLUCION sean

0 .....
1 1
= + +
n n
v c v c
{ }
2 2 2
4 4 , 2 , 2 x x x x x x + + +
( ) ( )
2 2 2
3
2 2 2 4 4 x x x x x x porque P + + = +
0 2
1 1
= A
2 0
0 1

= B
2 2
1 0
= C
(

=
(

+
(

+
(

+
0 0
0 0
1 0
0 0
0 1
0 0
0 0
1 0
0 0
0 1
1
4 3 2
c c c c
(

=
(

0 0
0 0
4 3
2 1
c c
c c
Por consiguiente, 0
4 3 2 1
= = = = c c c c
DEPENDENCIA E INDEPENDENCIA LINEAL
A continuacin se definen las nociones de dependencia e independencia lineal.
Estos conceptos juegan un papel dentro de la teora del algebra lineal y de las
matemticas en general.
DEFINICION: sea V un espacio vectorial sobre un cuerpo K. se dice que los
vectores V v v
m
e ,...,
1
son linealmente dependientes sobre K, o simplemente
dependientes, si existen escalares K a a
m
e ,...,
1
, no todos 0, tales que
0 ....
2 2 1 1
= + +
m m
v a v a v a
En caso contrario se dice que los vectores son linealmente independientes sobre
K, o simplemente independientes.
Observemos que la relacin (*) se verifica siempre si los a1 son todos 0. Si la
relacin solo se verifica en este caso, es decir,
0 ....
2 2 1 1
= + +
m m
v a v a v a Implica
Los vectores sern linealmente independientes. Sin embargo, si (*) tambin es
valida cuando uno de los ai no es 0, los vectores sern linealmente dependientes.
Se dice que un conjunto { }
m
v v v ,...., ,
2 1
de vectores es linealmente dependiente o
independiente segn lo sean los vectores
m
v v v ,...., ,
2 1
. Un conjunto infinito S de
vectores es linealmente dependientes si existen vectores
k
u u ,...,
1
en S que lo son;
en caso contrario, S es linealmente independiente.
Las siguientes observaciones derivan de las definiciones precedentes.
NOTA 1: Si 0 es uno de los vectores
m
v v ,...,
1
digamos 0
1
= v , los vectores deben
ser linealmente dependientes, ya que
0 ,..... 0
1
= =
m
a a
0 0 .... 0 0 . 1 0 ..... 0 1
2 1
= + + + = + + +
m
v v v

Y el coeficiente de v1 es distinto de 0.
NOTA 2: cualquier vector no nulo v es por si solo linealmente independientes,
debido a que
0 , 0 = = v kv Implica 0 = k
NOTA 3: si dos de los vectores
m
v v v ,...., ,
2 1
son iguales, o si uno es un mltiplo
escalar de otro, digamos
2 1
kv v = , los vectores son linealmente dependientes,
puesto que
0 0 .... 0
3 2 1
= + + +
m
v v kv v
Y el coeficiente de v1 no es 0.
Si a los elementos de una lnea de una matriz cuadrada se les suma una
combinacin lineal de las lneas restantes, su determinante no varia.
Normalmente una empresa est formada por una serie de divisiones de negocio
que, por lo general, son un conjunto de parejas producto-mercado [p,m]. As, por
ejemplo, un banco puede tener una divisin de hipotecas (producto) para
inmigrantes (mercado). O una de crditos (producto) para autnomos (mercado).
O sea, tiene entre otras muchas, dos parejas que son [hipotecas para inmigrantes]
y [crditos para autnomos]. A partir de estas parejas, la forma de progresar de
una empresa, va, normalmente, en dos direcciones:
Primero, a partir de unos pares [p,m], de productos y mercados ya existentes, se
idean nuevos pares [p,m] de nuevos productos para nuevos mercados (o sea, lo
que en marketing se conoce muy bien como matriz de Ansoff). Por ejemplo, en el
caso del banco, la divisin de crditos puede idear una forma de crditos (nuevo
producto) para estudiantes (nuevo mercado). En realidad, antes de llegar a ese
extremo podra tambin puede encontrar nuevos mercados para un determinado
producto [p,m], o nuevos productos para un determinado mercado [p,m].
Y segundo, a partir de los pares [p,m] actuales, se pueden indagar
los conocimientos diferenciales de la organizacin, o sea, el know-how susceptible
de ser explotado en nuevas direcciones. Estos conocimientos se deben sintetizar
entonces en unas parejas conocimiento y marca [k,]. As, por ejemplo, una
empresa de juguetes que conoce bien las necesidades de las familias
(conocimiento del mercado) y que es apreciada por ella (marca reconocida),
puede ofrecerles muchos nuevos productos y servicios que vayan ms all de su
limitado portafolio actual. Por ejemplo, puede idear para ellas un nuevo concepto
de viajes familiares.
4.4 BASES Y DIMENSIN DE UN ESPACIO VECTORIAL, CAMBIO DE BASE
Comenzando estableciendo dos caminos equivalentes para definir una base de un
espacio vectorial V.
Definicin A: si un conjunto S= { u
1
, u
2
u
n
} de vectores es una base de V si se
verificaran las dos condiciones:
1.- u
1
, u
2
u
n
son linealmente independientes
2.- u
1
, u
2
u
n
generan V
Definicin B:
Un con junto S={ u
1
, u
2
u
n
} de dos vectores es una base de V si todo vector
veV puede escribirse de forma nica como combinacin lineal de sus vectores.
Se dice que un espacio vectorial es de dimensin finita n o que es n-dimensional,
escrito Dim V=n
Si V tiene una base como la anterior, con n elementos. La dimensin esta bien
definida, a la vista del siguiente teorema.
Teorema 1.- Sea un vector espacio vectorial de dimensiones finito. Entonces todas
la bases de V tienen el mismo nmero de elementos.
El espacio vectorial {0} tiene dimensiones 0, por definicin. Cuando un espacio
vectorial no es de dimensin finita, se dice que es de dimensin infinita.
Ejemplo: consideremos el espacio vectorial M
2,3
de todas las matrices 2x3 sobre
un cuerpo K. las seis matrices siguientes forman una base M
2,3:
Con mayor generalidad en el espacio vectorial M
r,s
de las matrices r x sse E
i,j

la matriz cuya entrada ij es 1, siendo 0 las restantes. Todas la matrices E
ij
tales
constituyen una base M
r,s
denominada su base usual. Consecuentemente , dim
M
r,s..
en particular e
1
= (1, 0, ...,0), e
n
=(0, 0, ,0, 1) forma la base usual de K
n

a) considrenos el espacio vectorial P
n
(t) de los polinomios de grado s n. lo
polinomios 1t, t
2
, .t
n
, forman una base de P
n
(t) y por lo tanto dim P
n
(t) =
n +1.
El teorema fundamental anterior sobre dimensin es una consecuencia del
importante lema de sustitucin
Lema: supongamos que { v
1,
v
2
,v
n
}que genera V y que {w
1
, w
2
w
m
} es
linealmente independiente. En ese caso, msn y V esta generado por un conjunto
de la forma {w
1
, w
2
w
m
, v
1,
v
2
,v
n-,m
}
Asi, en particular, n+1 o mas vectores en V son linealmente dependientes.
Observemos, en el lema precedente, que hemos sustituido m vectores de conjunto
generador por los m vectores independientes y aun conservamos un conjunto
generador.
Los teoremas enunciados a continuacin se utilizaran con frecuencia:
Teorema 2.- supongamos que S genera un espacio vectorial V
i) cualquier numero mximo de vectores linealmente independiente s en S es
una base de V
ii) si se suprime de S todo vector que sea combinacin lineal de los
precendentes, los vectores que quedan constituyen una base de V
Teorema 3.- sean V un espacio vectorial de dimensin finita y S= { u
1
, u
2
u
n
}
un conjunto de vectores linealmente independientes en V. En ese caso, S es parte
de una base de V, es decir extebnderse a una base de V
Ejemplo: consideremos en R
4
los cuatro vectores
(1,1,1,1) (0,1,1,1) (0,0,1,1) (0,0,0,1)
Notese que los vectores formaran una matriz escalonada, por lo que son
linealmente independientes.
Ms an, dado que dim R
4
= 4, los vectores constituyen una base de R
4

a) consideremos los n +1 polinomios en P
n
(t): 1, t-1, (t-
1)
2
(t-1)
n

El grado de (t-1)
k
es K, luego ningn polinomio puede ser combinacin lineal de
los precedentes. Adems, constituyen una base de P
n
(t) por que dim P
n
(t)=
n+1.
El siguiente teorema nos da la relacin bsica entre la dimensin de un
espacio vectorial y la de un subespacio.
Teorema 4.- sea W un subespacio de un espacio n-dimensional V. entonces
dim Wsn. si en particular, dim W= n, necesariamente W=V
Ejemplo: Sea W un subespacio de espacio vectorial real R
3
=3; por
consiguiente, segn el teorema 4, la dimensin de W solo puede ser 0, 1,2 3.
Podemos distinguir los casos:
i) dim W=0, con lo que W={0}, un punto
ii) dim W=1, con lo que W es una recta por el origen
iii) dim W = 2, con lo que W es un plano por el origen.
iv) Dim W= 3 con lo que W es un espacio R
3
entero
.


Un espacio vectorial sobre un cuerpo que se dice que tiene dimensin si existe
una base de cardinal n. En un espacio vectorial, todas las bases tienen el mismo
cardinal, lo que hace de la dimensin el primer invariante del lgebra lineal.
El espacio vectorial trivial {0} tiene como dimensin 0 porque el conjunto vaco es
su base: una combinacin de cero vector da el vector nulo.
Intuitivamente hablando, la dimensin de un espacio vectorial nos dice cuntos
elementos necesitamos para poder expresar cualquier elemento del espacio en
trminos de las combinaciones lineales de los primeros, i.e., cuntos elementos
del espacio necesitamos para poder expresar todos los elementos del espacio
como sumas de mltiplos de stos elementos. Los espacios vectoriales de
dimensin finita son muy comunes en muchas reas de la ciencia, pero en
matemticas y fsica cuntica tambin aparecen casos importante de espacios
vectoriales de dimensin infinita.
Se dice que un conjunto de vectores D = {u1, u2, ..., un} forman una base del
espacio vectorial V si los vectores de {D} pueden generar todo el espacio vectorial
V y si dichos vectores son linealmente independientes. La dimensin del espacio
vectorial V es igual al nmero de vectores que constituyen su base.
De la misma manera, se dice que un conjunto de vectores E = {v1, v2,..., Vn}
forman una base del subespacio vectorial S si los vectores de {E} pueden generar
todo el subespacio vectorial S y si dichos vectores son linealmente independientes

4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS
PROPIEDADES.
Sea V un espacio vectorial real. Supongamos que a cada par de vectores u, u V
se le asigna un numero real, denotado por<u,v>.esta funcin se llama producto
interno(real) en V si satisface las axiomas:
[I
1
](Propiedad lineal)<au1+bu2,u>=a<u1,u>+b<u2,u>.
[I
2
] propiedad simtrica v u, =
. , u u

[I
3
] propiedad definida positiva 0 , ; 0 , = > u u y u u si y solo si u= 0
El espacio vectorial V se denomina entonces espacio (real) con producto interno.
El axioma [I1] es equivalente a las dos condiciones:
u u u u u u u a , 2 , 1 , 2 1 ) + = + y w u k u ku b , , ) =
Usando [I
1
] y el axioma de simetra [I
2
] llegamos a
2 , 1 , , 2 , 1 , 2 1 2 1 , u u d u u c u u d u u c u du cv v cv u + = + = + = +
O equivalentemente, alas dos condiciones
2 , 1 , 2 1 , ) v u v u v v u a + = + y v u k kv u b , , ) =
Esto es, la funcin producto interno es tambin lineal en su segunda posicin
(variable) por induccin tendremos
+ + + = + + ... , 2 2 , 1 1 , ... 1 1 v u a v u a v arur u a v ur ar , y
vs u bs v u b v u b bsvs v b v b u , ... 2 , 2 1 , 1 ... 2 2 1 1 , + + + = + + +
Combinar estas propiedades nos conducen a la formula general escrita a
continuacin:

= = = =
=
s
j
r
i
r
i
s
j
vj ui aibj bjvj aiui
1 1 1 1
, ,
Podemos hacer, por orden las siguientes observaciones:
Nota 1: el axioma [I1] por si mismo implica 0 0 , 0 0 , 0 0 , 0 = = = v v
En consecuencia, [I1],[I2],e[I3] son equivalentes a [I1],[I2] y el axioma :
[I3] si u 0, necesariamente u u, >0
O sea una funcin que satisface [I1],[I2],e[I3] es un producto interno.
Nota 2: de acuerdo con [I
3
], u u, es no negativo y por lo tanto existe una raz
cuadrada real positiva .utilizamos la notacin u u u , = el numero real no
negativo u se determina la normal o longitud de u. Esta funcin satisface los
axiomas de una norma para un espacio vectorial.
Ejemplo 1.-
a) Sea V el espacio vectorial de las funciones reales continuas en el intervalo
a t b. el siguiente es un producto interno en V:
}
=
a
b
dt t g t f g f ) ( ) ( ,
Donde f(t) y g(t) son ahora funciones continuas cualquiera en [a,b].
b) Sea V nuevamente el espacio vectorial de las funciones reales continuas
en el intervalo a t b.si w(t) es una funcin continua dada ,positiva en [a,b]
otro producto interno en V es:
}
=
b
a
dt t g t f t w g f ) ( ) ( ) ( ,
En este caso w(t) se denomina una funcin peso para el producto interno.
Espacios vectoriales: Siempre que se utiliza el trmino espacio en un contexto
matemtico, se refiere a un espacio vectorial, es decir, real o n-espacio complejo,
el espacio de funciones continuas en la recta, el espacio de operadores lineales
adjuntos y as sucesivamente. Por lo tanto, es un hecho innegable, que este tema
tiene su propia importancia en el campo de las matemticas.
Fijaremos el espacio vectorial de una manera ms amplia, con una definicin que
contiene todos los conceptos relacionados. Sea F un campo y V un conjunto.
Supongamos que hay una operacin binaria sobre V llamada adicin, la cual
asigna a cada par de elementos a y b de V una suma nica a + b V. Imagina
tambin, que hay una segunda operacin, llamada multiplicacin escalar, que
asigna a cualquier r F y a cualquier 2 V, un mltiplo escalar nico ra V .
Supongamos que tanto la suma como la multiplicacin escalar satisfacen los
siguientes axiomas:
(1) La suma de los vectores es conmutativa. Es decir, a + b = b + a para todo a, b
V.
(2) La suma de los vectores es asociativa. Es decir, (a + b) + c = a + (b + c) para
todo a, b, c V.
(3) Existe una identidad aditiva 0 V de manera que 0 + a = a para todos los a V.
(4) Para todo a V, 1a = a, donde 1 es la identidad multiplicativa de F.
(5) Por cada elemento v de V, hay un elemento -v tal que v + (-v) = 0. De este
modo -v es un inverso aditivo de v.
(6) La multiplicacin escalar es asociativa. Si r, s F y a V, entonces (rs)a = r(sa).
(7) La multiplicacin escalar es distributiva. Si r, s F y a, b V, entonces r(a + b) = ra
+ rb, and (r + s)a = ra + sa.
Propiedades
i. (v, v) 0
ii. (v, v) = 0 si y slo si v = 0.
iii, (u, v +w) = (u, v)+ (u, w)
iv. (u + v, w) = (u, w)+(v, w)
v. (u, v) = (v, u)
vi. (u, v) = (u, v)
vii. (u, v) = (u, v)
La barra en las condiciones (v) y (vii) denota el conjugado complejo.
Producto Interno En matemticas el producto escalar, tambin conocido como
producto interno, interior o punto, es una operacin definida sobre un espacio
vectorial cuyo resultado es una magnitud escalar.
El Producto Interno
En esta seccin introduciremos el concepto de producto interno entre vectores de
Rn que, junto con las propiedades de espacio vectorial, enriquecer notablemente
su estructura. Adems extenderemos estos conceptos a espacios de dimensin
infinita.

4.6 BASE ORTONORMAL, PROCESO DE ORTONORMALIZACION DE GRAM
SCHMIDT.
Una base ortonormal por lo general no es una "base", es decir, en general no es
posible escribir a cada elemento del espacio como una combinacin lineal de un
nmero finito de elementos de la base ortonormal. En el caso de dimensin
infinita, esta distincin cobra importancia: la definicin dada requiere solo que el
span de una base ortonormal sea densa en el espacio vectorial, y no que iguale al
espacio entero.
Una base ortonormal de un espacio vectorial v no tiene sentido si el espacio no
posee un producto interno. Un espacio de banach no tendr una base ortonormal
a no ser que sea un espacio de hilbert.
El conjunto {e
1
=(1,0,0), e
2
=(0,1,0), e
3
=(0,0,1)} (la base cannica) forma una
base ortonormal de r
3
.
Demostracin: mediante un clculo directo se verifica que e
1
, e
2
=
e
1
, e
3
= e
2
, e
3
= 0 y que ||e
1
|| = ||e
2
|| = ||e
3
|| = 1. As, {e
1
, e
2
, e
3
} es
un conjunto ortonormal. Para un (x,y,z) cualquiera en r
3
tenemos

Entonces, {e
1
,e
2
,e
3
} reconstruye r
3
y por lo tanto tiene que ser una base.
Tambin puede demostrarse que la base estndar rotada alrededor de un
eje que pasa por el origen o reflejada en un plano que pasa por el origen
forma tambin una base ortonormal de r
3
.
El conjunto {f
n
: n z} con f
n
(x) = exp(2inx) forma una base ortogonal del
espacio complejo l
2
([0,1]). Este es un resultado fundamental para el estudio
de series de Fourier.
El conjunto {e
b
: b b} con e
b
(c) = 1 si b=c y 0 en caso contrario, forma una
base ortonormal de l
2
(b).
Eigen funciones de un eigenproblema de sturm-liouville.
En lgebra lineal, el proceso de ortogonalizacin de gramschmidt es
un algoritmo para construir, a partir de un conjunto de vectores linealmente
independientes (base) de un espacio prehilbertiano (usualmente, el espacio
eucldeo r
n
), otro conjunto ortonormal de vectores que genere el mismo
subespacio vectorial.
Este algoritmo recibe su nombre de los matemticos jrgen pedersen
gram y erhard schmidt.
En matemticas y anlisis numrico, el mtodo de ortogonalizacin de
gramschmidt de lgebra lineal es un mtodo de ortogonalizar un conjunto
de vectores en un espacio prehilbertiano, ms comnmente el espacio
eucldeo r
n
. Ortogonalizacin en este contexto significa lo siguiente:
comenzamos con vectores v
1
,, v
k
los cuales son linealmente
independientes y queremos encontrar mutuamente vectores ortogonales
u
1
,, u
k
los cuales generan el mismo subespacio que los vectores v
1
, ,
v
k
.
Sea v un vector en el espacio vectorial V de dimensiones finitas, y sean
{ } { }
, ,
1
,
1
,...., ,...,
n n
v v yB v v B = =
dos bases. A continuacin definiremos una relacin
entre
| | | | ,
B B
v y v
.

Como B, es una base, los elementos de B son combinaciones lineales de los
elementos de B, Entonces hay escalares
nn
a a a ,..., ,
12 11
tales que
, ,
1 1
...
n ni i i
v a v a v + + = n i ,....., 2 , 1 =
P es la matriz cuyo elemento (i,j) es a
ij

Sean { } { }
, ,
1
,
1
,...., ,...,
n n
v v yB v v B = =
dos bases de un espacio vectorial de dimensin
finita. Sea P la matriz n x n cuyas columnas son
| | | | , ,
,...., 1 B n B
v v


Entonces P es invertible y esta es la nica matriz en la que para todo V v e ,

PROCESO DE ORTONORMALIZACION GRAM-SCHMIDT
En este prrafo describiremos un mtodo muy importante, llamado proceso de
Gram-Schmidt, que nos permite ortogonalizar cualquier base B de cualquier
subespacio V de R; es decir, transformar a esta en una nueva base de V que
tenga vectores ortogonales.
Sea V cualquier subespacio de R y { }
k
v v B ,....,
1
= cualquier base de V.se desea
reemplazar en forma en forma gradual a los vectores
k
v v ,.....,
1
por los vectores
k
u u ,......,
1
que sean ortogonales y que sigan formando una base V. primero,
reemplazamos el conjunto { }
2 1
, v v por un conjunto ortogonal { }
2 1
, u u tal que Gen
{ }
2 1
, v v =Gen { }
2 1
, u u . Tan solo hacemos que u1 sea v1, y que u2, sea el
componente de v2 ortogonal a v1. Segn la ecuacin (8.15), { }
2 1
, u u es ortogonal.
Segn la ecuacin (8.13), { }
2 1
, v v y{ }
2 1
, u u tienen el mismo generador. Tambin
| | | | | | | | , , , ....
2 1 B n B B
v v v P =
| | | |
B B
v P v = ,
1
1 1
1 2
2 2
1 1
.
.
u
u u
u v
v u
v u
=
=

Continuamos de la misma manera, para ortogonalizar el
conjunto { }
3 2 1
, , v u u . Sustituimos v3 por u3, el componente de v2 ortogonal a Gen
{ }
2 1
, u u . Entonces { }
3 2 1
, , u u u es ortogonal y genera a Gen { }
3 2 1
, , v v v adems
2
2 2
2 3
1
1 1
1 3
3 3
.
.
.
.
u
u u
u v
u
u u
u v
v u =

Por induccin continuamos hasta que todo B queda
reemplazado con { }
k
u u ,.....,
1
, que es ortogonal y genera al generador de B, cuya
totalidad se encuentra en V. es el proceso.
Teorema 16 proceso de Gram-Schmidt
Todo subespacio V de R
n
tiene al menos una base ortogonal y una base
ortonormal. Si { }
k
v v B ,.....,
1
= es cualquier base de V, entonces { }
k
u u B ,.....,
1
,
= , es
una base ortogonal, donde
{ } { } k i u u Gen v v Gen
y
u
u u
u v
u
u u
u v
u
u u
u v
v u
u
u u
u v
u
u u
u v
v u
u
u u
u v
v u
v u
i i
k
k k
k k k k
k k
,......, 1 , ,......., ,.......,
.
.
....
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1
1
1 1
1
2
2 2
2
1
1 1
1
2
2 2
2 3
1
1 1
1 3
3 3
1
1 1
1 2
2 2
1 1
= =
=
=
=
=

Una base ortonormal B se obtiene normalizando B:

=
k
k
u
u
u
u
B ,......., "
1
1