Documente Academic
Documente Profesional
Documente Cultură
Espacios Vectoriales.
1
2
OBSERVACIONES 1.1.1.
(ii) Note que la palabra “vector”no esta haciando referencia a los vectores
que conocimos en Rn .
Para tener mas claridad con este nuevo concepto matemático veamos
algunos ejemplos.
EJEMPLO 1.1.1.
Sea V = {0} y K un campo arbitrario. V es un espacio vectorial llamado el
espacio vectorial trivial.
Demostración
Veamos si el conjunto V satisface las condiciones de la definición. (V, +) es
un grupo abeliano. Recordemos que para que un conjunto no vacı́o sea un
grupo debe de satisfacer
Por tanto (V, +) es un grupo abeliano. Ahora veamos que cumplen las demas
condiciones. Esto es fácil de ver ya que para todo λ1 , λ2 ∈ R se cumple que:
(2.1) λ1 (0 + 0) = 0 = λ1 0 + λ1 0.
3
(2.2) (λ1 + λ2 )0 = 0 = λ1 0 + λ2 0.
EJEMPLO 1.1.2.
Considere el siguiente conjunto V = {1} y al campo R. ¿Es V un espacio
vectorial sobre R?.
Demostración
Primero veamos si (V, +) es un grupo abeliano. Notamos que 1 + 1 = 2 ∈/ V,
por tanto V no es un grupo. Ası́ podemos concluir que V no es un R-espacio
vectorial.
2
EJEMPLO 1.1.3.
Si V = {(x, y) ∈ R2 | y = mx, con m ∈ R fijo }. Demuestre que V es un R
espacio vectorial.
Demostración
Primero veamos si es un grupo abeliano.
(i) Asociatividad. Sean (x, y), (a, b), (z, w) ∈ V , de donde y = mx, b =
ma, w = mz. Ası́ tenemos que
(x, y) + [(a, b) + (z, w)] = (x, mx) + [(a, ma) + (z, mz)] = (x, mx) + [a +
z, m(a + z)] = (x + (a + z), mx + m(a + z)) = ((x + a) + z, m(x + a) +
mz) = [(x + a, m(x + a))] + (z, mz) = [(x, mx) + (a, ma)] + (z, mz) =
[(x, y) + (a, b)] + (z, w).
(ii) Existencia del neutro. Sea 0 = (0, m0), es claro que 0 ∈ V y que si
(x, y) ∈ V se tiene que (0, m0) + (x, y) = (0 + x, m0 + y) = (x, y).
(iv) Conmutativo. Es fácil de ver ya que para todo (x, y), (z, w) ∈ V se
cumple que (x, y) + (z, w) = (x + z, y + w) = (z + x, w + y) = (z, w) +
(x, y).
EJEMPLO 1.1.4.
El conjunto de todas las matrices A ∈ M2 (K) con las operaciones de suma
de matrices y multiplicación por escalar de las matices, es un K-espacio
vectorial.
Demostración
1.1.1 Ejercicios
(1) Considere a A ∈ Mm×n (K). El conjunto de todas las soluciones del
sistema homogéneo Ax = 0, junto con las operaciones usuales de suma
de vectores y multiplicación de un vector por escalar es un K-espacio
vectorial.
(4) ¿Crees que es posible tener un espacio vectorial V , sobre algún campo
K, con exactamente dos vectores distintos?. Explica tu respuesta.
a 1
(5) Determine si el conjunto V = a, b ∈ K junto con las
1 b
a 1 c 1 a+c 1
siguientes operaciones suma + :=
1 b 1 d 1 b+d
a 1 λa 1
y multiplicación por escalar λ := es o no un es-
1 b 1 λb
pacio vectorial, donde λ ∈ K.
(6) Sea V el conjunto de todas las funciones reales de variable real definidas
en el intervalo [0, 1]. ¿Es V un R-espacio vectorial
(7)
(8)
(9)
(10)
7
(ii) Si v, w ∈ W , entonces v + w ∈ W .
(iii) Si λ ∈ K y w ∈ W , entonces λw ∈ W .
donde la operación + es la definida en V .
Demostración
⇒
Por la definición 1.1.1 tenemos que se cumplen de manera trivial los tres
incisos.
⇐
Ahora supongamos que se satisfacen los tres axiomas, veamos que W es
un subespacio vectorial de V . Para ellos tendremos que probar que (W, +)
es un grupo abeliano y que se cumplen los axiomas [(2.1)], [(2.2)], [(2.3)] y
[(2.4)]. (W, +) es un grupo abeliano. Efectivamente ya que el inciso (ii) nos
dice que la operación binaria + de V restringida a W es cerrada, es decir
tenemos que + : W × W → W es una operación binaria en el conjunto W
que satisface:
8
OBSERVACIÓN 1.2.1.
Sea V un K-espacio vectorial, si W es un subespacio vectorial de V , entonces
lo denotaremos como W < V .
9
2
EJEMPLO 1.2.1.
Sea V = R2 y W = {(x, y) | x + y = 0}. Entonces W es un subespacio
vectorial de V .
Demostración
Veamos que se cumplen las tres condiciones de la proposición 1.2.1.
(i) Es fácil de ver que W 6= ∅ pues el punto del plano (1, −1) ∈ W .
(ii) Sean (x, y), (a, b) ∈ W , luego (x, y) + (a, b) = (x + a, y + b). Ahora
veamos que este nuevo punto pertenece a W . Notemos que
[x + a] + [y + b] = [x + y] + [a + b] = 0 + 0 = 0
luego (x + a, y + b) ∈ W .
(iii) Sea λ ∈ R y (x, y) ∈ W , entonces λ(x, y) = (λx, λy), y como λx+λy =
λ(x + y) = 0 luego λ(x, y) ∈ W .
Ası́ hemos probado que W < V .
2
EJEMPLO 1.2.2.
Considere el siguiente K-espacio vectorial V . El subconjunto H = {0} es un
subespacio vectorial de V .
EJEMPLO 1.2.3.
Sea V un K-espacio vectorial. V mismo es un subespacio vectorial de V .
OBSERVACIONES 1.2.1.
(1) Todo K-espacio vectorial contiene al menos a los subespacios {0} y V .
Estos subespacios reciben el nombre de subespacios triviales.
(2) Sea V un K-espacio vectorial y consideremos a v1 , v2 , . . . , vn ∈ V . El
conjunto de todas las combinaciones lineales de estos vectores es un
subespacio vectorial de V .
Demostración
2
10
(3) El subespacio del inciso (2) se llama el subespacio generado por los
vectores {v1 , v2 , . . . , vn } y lo denotaremos como
n
X
h{v1 , v2 , . . . , vn }i = {v ∈ V | v = λ i vi }
i=1
.
PROPOSICIÓN 1.2.2. Sea V un K-espacio vectorial y v1 , v2 , . . . , vn ∈ V .
Entonces el subespacio generado por estos vectores es el menor de todos los
subespacios de V que contienen a estos vectores.
Demostración
Consideremos un subespacio arbitrario de V , digamos W , que satisfaga la
siguiente condición {v1 , v2 , . . . , vn } ⊂ W . Lo que deseamos probar es que
< v1 , v2 , . . . , vn >⊂ W . Sea x ∈ h{v P1 , v2 , . . . , vn }i, entonces existen λi ∈ K
para i = 1, 2, . . . , n tales que x = ni=1 λi vi . Recordemos que por hipótesis
se tiene que vi ∈ W para toda i = 1, 2, . . . , n y como W es un subespacio
vectorial de V tenemos que λi vi ∈ W para toda i = 1, 2, . . . , n P y como la
suma es una operación binaria, es decir es “cerrada”, entonces ni=1 λi vi ,
es decir x ∈ W .
2
EJEMPLO 1.2.4.
Describa analı́tica y geométricamente el subespacio de R3 generado por los
vectores v1 = (1, 2, 1)t y v2 = (1, 2, 2)t .
Solución.
Por definición tenemos que W = h{v 1 , v2 }i= {λ 2 v2 | λ1 , λ2 ∈
1 v1 + λ R}
n 1 1 o ( λ1 + λ2 )
entonces tenemos que W = λ1 2 +λ2 1 = 2λ1 + λ2 .
1 2 λ1 + 2λ2
Ahora diremos que (x, y, z)t ∈ W si existen escalares λ1 , λ2 ∈ R tales que
(x, y, z)t = (λ1 + λ2 , 2λ1 + λ2 , λ1 + 2λ2 ) de donde obtenemos el siguiente
sistema de ecuaciones
x = λ1 + λ2
y = 2λ1 + λ2
z = λ1 + 2λ2
de donde resolviendo en términos de las variables x, y, z, es decir
y − x = λ1
z − x = λ2
y como λ1 + λ2 = x tenemos que
x = (y − x) − (z − x)
11
y simplificando obtenemos
−3x + y + z = 0
(x, y, z)t = [2(1, 2, 1)t − (1, 1, 2)t ]x + [−(1, 2, 1)t + (1, 1, 2)t ]z
(x, y, z)t = [2(1, 2, 1)t x − (1, 1, 2)t x − (1, 2, 1)t z + (1, 1, 2)t z
1.2.1 Ejercicios.
(1) Determinar el valor de la variable x para que el vector (1, x, 5)t ∈ R3
pertenezca a al subespacio h(1, 2, 3)t , (1, 1, 1)t i
EJEMPLO 1.3.1.
(iv) Dos vectores vi , vj son ld si y sólo si uno de ellos es múltiplo del otro
PROPOSICIÓN 1.3.1.
Si S es un conjunto de vectores linealmente independientes, entonces cualquier
subconjunto de S es linealmente independiente.
PROPOSICIÓN 1.3.2.
Si S es un conjunto de vectores, tal que contiene a un subconjunto de vectores
linealmente dependiente, entonces S es linealmente dependiente.
PROPOSICIÓN 1.3.3.
Sea A ∈ Mm×n (k). Las siguientes afirmaciones son equivalentes:
(iii) ran(A) = n.
14
1.3.1 Ejercicios.
(1) Sea V un k-espacio vectorial y v ∈ V. Demuestre que {v} ⊂ V es
linealmente independiente si y sólo si v 6= 0.
(6) Pruebe
a que si algún elemento de la diagonal principal de la matriz
b c
A = 0 d e es cero las filas son linealmente dependientes.
0 0f
DEFINICIÓN 1.4.2.
Diremos que un k-espacio vectorial V es de dimensión finita si tiene una
base finita 0 si V = {0}. En caso contrario diremos que V tiene dimensión
infinita.
OBSERVACIONES 1.4.1.
EJEMPLOS 1.4.1.
PROPOSICIÓN 1.4.1.
Sea V un k-espacio vectorial generado por un conjunto finito de vectores
v1 , . . . , vn que también son linealmente independientes. Entonces todo con-
junto linealmenrte independiente de vectores de V no contiene más de n
elementos.
PROPOSICIÓN 1.4.2.
Sea V un k-espacio vectorial de dimensiń finita, digamos n. Si H < V
entonces dim(H) ≤ n.
16
OBSERVACIONES 1.4.2.
PROPOSICIÓN 1.4.3.
Si β = {v1 , . . . , vn } es una base para el k-espacio vectorial
PV, entonces existe
n
un único conjunto de escalares λ1 , . . . , λn tales que v = i=1 λi vi para toda
v ∈ V.
OBSERVACIONES 1.4.3.
EJEMPLOS 1.4.2.
(iii) Halle una base y la dimensión del subespacio vectorial W = {(x, y, z)t |
z = 3x} de R3 .
DEFINICIÓN 1.5.1.
El rango por filas de una matriz A ∈ Mm×n (k) es igual al número de filas
linealmente independientes de A.
OBSERVACIONES 1.5.1.
(i) El rango por fila o por columna de una matriz A siempre son iguales.
PROPOSICIÓN 1.5.1.
Considere el siguiente sistema de ecuaciones lineales Ax = B. Las siguientes
afirmaciones son equivalentes:
PROPOSICIÓN 1.5.2.
La dimensión del espacio solución del sistema Ax = 0 es igual a n − r donde
n es el número de columnas de la matriz asociada A y r es el rango de A.
PROPOSICIÓN 1.5.3.
Sea A ∈ Mm×n (k) una matriz de rango r, P una matriz de permutación tal
que P A = U , donde U es la forma escalonada de A. Sea H = {h1 , h2 . . . , hn−r }
el conjunto de las h0i s que aparecen en la solución general del sistema Ax = 0.
Entonces:
(i) Las columnas básicas de la matriz Aforman una base para R(A).
(ii) Los r-renglónes distintos de cero de la matriz U forman una base para
R(At ).
EJEMPLOS 1.5.1.
18
x + 2y − z = 0
2x − y + 3z = 0
DEFINICIÓN 1.5.2.
Sea V un k-espacio vectorial de dimensión finita sobre k. Una base ordenada
β = {v1 , . . . , vn } de V es una base en la que se considerea un orden fijo y
bien definido, indicado por la posiciones relativas de los vectores en β.
OBSERVACIONES 1.5.2.
EJEMPLOS 1.5.2.
1.5.1 Ejercicios.
(1) Determine si el conjunto S = {(1, 1, 1)t , (1, 2, 3)t , (2, −1, 1)} consti-
tuyen una base para R3 .
(9)
PROPOSICIÓN 1.6.1.
Sea V un k-espacio vectorial y U, W dos subespacios vectoriales de V . Di-
remos que V = U ⊕ W si y sólo si V = U + W y U ∩ W = {0}
COROLARIO 1.6.1.
Sea V un k-espacio vectorial y U, W dos subespacios vectoriales de dimensión
finita de V . Entonces dim(U ⊕ W ) = dim(U ) + dim(W ).
PROPOSICIÓN 1.6.2.
Sea A ∈ Mm×n (k) de rango r con 0 < r ≤ m, entonces:
OBSERVACIONES 1.6.1.
Sea A ∈ Mm×n (R), entonces:
1.6.1 Ejercicios
(1) Considere el espacio vectorial k[x]4 sobre el campo k. Sean W1 =
{a0 + a1 x | a0 , a1 ∈ k}, W2 = {a2 x2 + a3 x3 | a2 , a3 ∈ k}. Dertermine
si W1 ⊕ W∈ = k[x]4
(2)
Sea M2 (R) y considere
los siguientes
subespacios
vectoriales W1 =
a b | a, b, d ∈ R y W = 0 b | b, c ∈ R
o d 2 c 0
(3)
(5)
(6)
(7)
(8)
(9)
(10)
OBSERVACIÓN 1.7.1.
Note que es equivalente pedir que para cualesquiera u, v ∈ V y cualquier
λ ∈ k se tenga que T (λu + v) = λT (u) + T (v) y pedir que ” T abra sumas
y saque escalares ”.
EJEMPLOS 1.7.1.
ker(T ) := {v ∈ V | T (v) = 0}
23
LEMA 1.7.1.
Sea T : V → W una transformación lineal. Entonces el espacio nulo de T
es un subespacio vectorial de V .
DEFINICIÓN 1.7.3.
La nulidad de una transformación lineal T es la dimensión de su espacio
nulo.
DEFINICIÓN 1.7.4.
Sea T : V → W una transformación lineal. La imagen de T es el conjunto
Im(T ) := {T (v) | v ∈ V }
LEMA 1.7.2.
Sea T : V → W una transformación lineal. Entonces la imagen de T es un
subespacio vectorial de W .
EJEMPLO 1.7.2.
calcule el núcleo y rango de la transformación lineal T : R[]x3 → R2 definida
2 −a0 +3a1 −a2
como T (a0 + a1 x + a2 x ) = a1 +2a2 .
Ahora vamos a ver la relación que existe entre las transformaciones lin-
eales y las matrices.
OBSERVACIÓN 1.7.2.
Consideremos a los siguientes K-espacios vectoriales Rn , Rm con n, m ∈ N
y a la siguiente transformación lineal T : Rn → Rm definida como sigue
T (x) = y con x = (x1 , x2 , . . . , xn )t y y = (y1 , y2 , . . . , ym )t donde:
y1 a11 a12 ··· a1n x1
y2 a21 a22 ··· a2n x2
=
.. .. .. .. .. ..
. . . . . .
ym am1 am2 · · · amn xn
escribiendolo en notación matricial tenemos que y = Ax. La matriz A ∈
Mm×n (K) se llama la matriz inducida por la transformación lineal T , es de-
cir A = [TA ] y tenemos que la transformación queda completamente definida
como TA (x) = Ax.
EJEMPLO 1.7.3.
Encuentre la matriz asociada a la transformación lineal T : R3 → R2
definida como T (x, y, z)t = (x − y, y − z)t .
En este ejercicio tenemos que
y1 = x − y
y2 = y − z
de donde se tiene que
y1 x−y x −y 0
= = + +
y2 y−z 0 y −z
y1 1 −1 0
= x+ y+ z
y2 0 1 −1
1 −1 0
de donde tenemos que A = , es decir TA [(x, y, z)t ] = A(x, y, z)t .
0 1 −1
2
EJEMPLO 1.7.4.
Considere a la siguiente matriz A ∈ Mm×n (K) con m, n ∈ K. Entonces
A con la multiplicación usual de matrices induce una transformación lineal
entre los espacios vectoriales Rn y Rm .
OBSERVACIÓN 1.7.3.
Por los dos ejemplos 1.7.2 y 1.7.4 tenemos que una transformación lineal
T : Rn → Rm nos induce a una matriz en Mm×n (K) y viceversa toda ma-
triz en Mm×n (K) determina una transformación lineal entre los K-espacios
vectoriales Rn y Rm .
Ahora vamos a estudiar la geometrı́a de las transformaciones lineales
de Rn a Rm con n, m ∈ N. Dependiendo que como se considere a la n-
upla, como punto o como un vector el efecto geométrico del operador lineal
T : Rn → Rn consiste en la transformar cada punto o vector de Rn es un
nuevo punto o vector de Rn .
25
EJEMPLO 1.7.5.
Sea T : R2 → R2 la transformación definida como:
y1 = x + 0y
y2 = 0x − y
1 0
de donde tenemos que la matriz asociada es A = , la cual
0 −1
es, geométricamente una reflexión con respecto al eje X .
2
0 1
de donde tenemos que la matriz asociada es A =
1 0
2
Ahora vamos a analizar a otro importante operador lineal, la proyección.
EJEMPLO 1.7.6.
Sean T : R2 → R2 una transformación lineal definida como T [(x, y)t ] =
(x, 0)t . Vamos a encontrar la matriz asociada a este operador lineal.
y1 = 1x + 0y
y2 = 0x + 0y
EJEMPLO 1.8.1.
Encuentre el rango y la nulidad de la transformación lineal T : R[x]3 → R[x]4
definida como T (p(x)) = xp(x).
COROLARIO 1.9.3.
Si dim(V ) = n = dim(W ). Entonces una transformación lineal inyectiva
T : V → W mapea una base para V es una base para W .