SEDE CALAMA

INGIENERIA EN MINAS
Algebra Lineal

ESPACIOS VECTORIALES

Nombre Alumno (s): Freddy Rodrguez Gonzlez
Nombre Profesor: Javier Chocano Portilla
Fecha: 21 de Junio de 2012






INDICE

- Introduccin3
- 1.1 Espacios vectoriales..........................................................................................................4
- Espacio de matrices mm, n........................................................................................................4
- Espacio de polinomios p(t)......................................................................................................5
- Espacio de funciones f(x) .......................................................................................................5
- 1.2 Definicin de subespacio de r
n
..6


- Base de un subespacio de r
n
8
- Unicidad de coordenadas.10
- 1.3 propiedades de vectores, combinacin lineal, dependencia e independencia lineal11
- Dependencia e independencia lineal.12
- Combinaciones lineales y dependencia lineal..13
- 1.4 bases y dimensin..14
- 1.5 Espacio vectorial con producto interno y sus propiedades16
- 1.6 cambio de base ortonormal, proceso de ortonormalizacion gram-schmidt17
- Cambio de base18
- proceso de ortonormalizacion gram-schmidt18
- Ejercicios19
- conclusin.34
- bibliografa.35
















INTRODUCCION

Las propiedades comunes de la aritmtica matricial y vectorial se transforman en propiedades
definitorias para un conjunto de vectores abstractos o generalizados, llamado espacio vectorial. Los
conjuntos de matrices y de vectores ordinarios son ejemplos de espacios vectoriales.

De igual manera abordaremos en el tema de subespacio los conceptos de fundamentales de
subespacios y base en R
n.
La eleccin y uso de una base de un subespacio se parece a la eleccin
y uso de un marco de coordenadas en el plano o en el espacio .



La ventaja principal de estas generalizaciones estriba en los inmensos ahorros de trabajo, porque las
propiedades de los vectores abstractos se aplican a todos los ejemplos particulares. Adems, las
demostraciones se tornan claras y fciles, porque no tienes la notacin de algn ejemplo especifico
En lgebra lineal, se dice que un conjunto ordenado B es base de un espacio vectorial V si se
cumplen las siguientes condiciones:
- Todos los elementos de B pertenecen al espacio vectorial V.
- Los elementos de B forman un sistema linealmente independiente.
- Todo elemento de V se puede escribir como combinacin lineal de los elementos de la base
B (es decir, B es un sistema generador de V)
La dimensin (del latn dimensio, "medida") es, esencialmente, el nmero de grados de libertad para
realizar un movimiento en el espacio. Comnmente, las dimensiones de un objeto son las medidas
que definen su forma y tamao.

















1.1 ESPACIOS VECTORIALES


La definicin de espacio vectorial involucra un cuerpo arbitrario cuyos elementos se denominan
escalares. Se utiliza la siguiente notacin.
el cuerpo de escalares
, b, c o k los elementos de
V el espacio vectorial dado
u, v, w los elementos de V.

A continuacin de define la notacin de espacio vectorial o lineal.

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.
[A3 ] para todo vector uV existe un nico vector en V, denotado por -u, tal que u+(-u)=0.
[A4 ] para todo par de vectores u, uV, u+v=v+u.
[M1] para todo escalar kK y todo par de vectores u,vV, k (u+v)=ku+kv.
[M2 ]para todo escalar , bK y todo vector uV, (+b )u=u + bu.
[M3 ]para todo par de escalares , bK y todo vector uV, (b)u= (bu).
[M4 ]el escalar unidad 1K cumple 1u=u para todo vector uV.















Los axiomas procedentes se desdoblan de forma natural en dos categoras. Los cuatro primeros
ataen nicamente a la estructura aditiva de V y pueden resumirse diciendo que V es un grupo
conmutativo bajo la suma. De ello se deriva que cualquier suma de vectores de la forma
v1 + v2 +...+ vm
no requiere parntesis y no depende del orden de los sumandos, que el vector 0, es unico, que el
opuesto -u de u es nico y que se verifica la ley de cancelacin; esto es, para tres vectores
cualesquiera u, v, wV.
U + w = v + w implica u = v
Asimismo, la resta se define segn
u v = u + (-v)
Por otra parte, los cuatro axiomas restantes se refieren a la accin del cuerpo K sobre V. Obsrvese
que la rotulacin de los axiomas refleja este desdoblamiento. Empleando estos axiomas adicionales
probaremos las sig. Propiedades elementales de un espacio vectorial.

Teorema 5.1 : sea V u espacio vectorial sobre un cuerpo K.
i) para todo escalar kK y 0V, K0= 0.
ii) para 0K y todo vector uV, 0u= 0.
iii) si ku=0 donde kK y uV, entonces k = 0 o u = 0.
iv) para todo kK y todo uV, (-k)u = k(-u) = -ku.

Ejemplos de espacios vectoriales

Esta seccin enumera una serie de ejemplos importantes de espacios vectoriales que se utilizan a lo
largo de todo el texto.

ESPACIO K
n
Sea K un cuerpo arbitrario. La notacin K
n
se usa frecuentemente para designar el conjunto de
todas las n-plas de elementos de K. Aqu K
n
se ve como un espacio vectorial sobre K, en el que la
suma vectorial y el producto por un escalar se define segn

(1 2,..., n ) + (b1 b2,..., bn ) = (1 + b1 , 2 + b2 , ..., n + bn ) y

k (1, 2,..., n) = (k 1,k 2,...,kn)





el vector cero en K
n
es la n-pla de ceros
0 = (0,...,0)
y el opuesto de un vector se define por
-(1 2,..., n ) = (-1 -2,..., -n )
la demostracin de que K
n
es un espacio vectorial es idntica al teorema 2.1, que ahora puede
considerarse como la afirmacin de que R
n
, con la operaciones ah definidas, es un espacio
vectorial sobre R.

ESPACIO DE MATRICES Mm, n.

La notacin Mm, n, o simplemente M, se utilizara para designar el conjunto de todas las matrices m*n
sobre un cuerpo arbitrario K.Mm, n., es un espacio vectorial sobre K con respecto a las operaciones
usuales de suma matricial y producto por un escalar.

ESPACIO DE POLINOMIOS P (t)

Denotamos por P (t) el conjunto de todos los polinomios
0 +1 t+2, t
2
+...+ n, t
n

Con coeficientes ai en algn cuerpo k. P(t) es un espacio vectorial sobre K con respecto a las
operaciones usuales de suma de polinomios producto de un polinomio por una constante.

ESPACIO DE FUNCIONES F(X)

Sean X un conjunto no vaco y K un cuerpo arbitrario. Consideremos el conjunto F(X) de todas las
funciones de X en K.( ntese que F(X) es no vaco por serlo X). la suma de dos funciones f,gF(X)
es la funcin f+gF(X) definida por

(f + g)(x) = f(x) + g(x) xX
y el producto de un escalar kK por una funcin fF(X) es la funcin kfF(X) definida por

(kf)(x)= kf(x) xX (el smbolo significa para todo) F(X), con las operaciones anteriores, es un
espacio vectorial sobre K.
El vector 0 en F(X) es la funcin cero, 0, que aplica cada xX en 0K, es decir,

0(x)= 0 xX




As mismo para cualquier funcin fF(X), la funcin -f definida por
(-f)(x)= -f(x) xX

Es lo opuesta de la funcin f.

1.2 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
.

EJEMPLO 2
V= {[
1
1
0
], X, Y R}




(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.



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.
[
1
1
0
]+[
2
2
0
]=[
1
2
0
+
2
2
0
]
Tambin esta en V. as se aplica la parte 1 de la definicin. Cualquier mltiplo escalar de un vector
en V.

c [

0
]= [

0
]

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




EJEMPLO 4 toda lnea/ que pase por el origen en R2 (R3) es un subespacio de R2 (R3)
z
y z

x x
X y y




Si V1,..V
K
Son vectores n, entonces Gen (V1,..V
K
) es un subespacio en
Rn



SOLUCION
Sea u un vector 2 no cero en /. Entonces/ = Gen {u}. Como vimos en la seccin 2.3. Pero Gen {u}.
Es un subespacio de R
2
, de acuerdo con el teorema. De igual manera puede demostrarse que una
lnea/ en R3 es un subespacio de R3.

EJEMPLO5: Es el conjunto un espacio de R
3
?
V= {[
3
2 +

], a, b R}
RESPUESTA:
Si por que [
3
2 +

]= a[
1
2
1
]+ b[
3
1
0
]

Vemos que V = gen {[
1
2
1
],[
3
1
0
]} por consiguiente, V es un subespacio de R
3
, segn el teorema 1
BASE DE UN SUBESPACIO DE R
n


DEFINICION




Vanse en la figura 4.3 Y 4.4

Tambin se acostumbra decir que el conjunto vacio es la nica base del subespacio cero {0}
v2 v2 v1
V2
V1

V1

Figura 4.3 algunas bases del plano.
v2


v1

v3

(BASE)
Un subconjunto no vacio B de un espacio V no cero de R
n
es una base de V si
1. B es linealmente independiente;
2. B genera a V



EJEMPLO 6 compruebe que
B= {[
1
1
1
] , [
0
1
2
] , [
2
1
0
]}
Es una base de R
3
SOLUCION primero es necesario demostrar que B es linealmente independiente que genera R
3.
Sea
A la matriz cuyas columnas son los vectores de B como

A=
1 0 2
1 1 1
1 2 0
~
1 0 2
0 1 3
0 0 8

Vemos que cada columna de A es una columna pivote; y por tanto, las columnas de A son
linealmente. Tambin cada regln de A tiene una posicin pivote. Por consiguiente, las columnas de
A genera R
3
de acuerdo con los teoremas anteriores.



EJEMPLO 7
es el conjunto S={(1,0,0),(0,1,0)} Es S una base del subespacio V= {(x,y,,0),x,y R} de R
3
RESPUESTA
S es linealmente independiente, por que todas las columnas de A =[
1
0
1
0
1
0
] son pivote. S no es una
base de R
3
por que A tiene 3 renglones y solo 2 pivotes, de modo que S no genera a R3. Por otra
parte, S genera al menor espacio V por que
(X, Y, 0)=X (1, 0,0)+Y (0, 1,0)
Por consiguiente, S si es una base de V.
EJEMPLO 8
Es el subconjunto T= {(1,1,1),(2,1,-1),(1,0,-2) } una base de R
3
RESPUESTAS
No, puesto que [
1 2 1
1 1 0
1 1 2
] ~ [
1 2 1
1 1 1
0 0 0
] T no es linealmente independiente (3
columnas y solo 2 pivotes). En realidad T ni siquiera genera a R
3
(3 renglones, solo 2 pivotes)
EJEMPLO 8
Es el conjunto S= {(1,0,0),(0,1,0), (0,0,1),(1,1,1) } una base en R
3
?
RESPUESTA
No, por que S linealmente independiente.






UNICIDAD DE COORDENADAS






EJEMPLO 9
Determine las coordenadas y el vector de coordenadas de v= (4,0,-4) con respecto a la base B =
{(1,1,-1),(0,1,2),(-2,1,0) }de R
3


SOLUCION
El hecho de que B sea de R
3
se verifica en el ejemplo. Ahora se necesita escalares c1, c2 y c3 tales
que c1
1
1
1
+c2[
0
1
2
]+c3[
2
1
0
]=[
4
0
4
] al resolver el sistema correspondiente se obtienen c1= 2, c2= y
c3= -1. Por consiguiente [v] B=[
2
1
1
]


1.3 PROPIEDADES DE VECTORES, COMBINACIN LINEAL DEPENDENCIA E
INDEPENDENCIA LINEAL

Independencia lineal
Se dice que un conjunto de vectores v1,,vn de un espacio vectorial V es linealmente dependiente si
hay escalares c1,,cn, no todos cero, tales que

Se dice que v1,,vn 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



UN SUBCONJUNTO B={ V1.V2} de V es una base de V si y solo si para cada
vector v en v hay escalares nicos c1.c
k
tales que
V= C1V1+.+C
K
V
K

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



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




3.- Los conjuntos { } { } x sen x senx y x x 2 , cos , cos , 2 cos , 1
2
son 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 M22
SOLUCION sean





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

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
0 ,..... 0
1
= =
m
a a



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

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.
COMBINACIONES LINEALES Y DEPENDENCIA LINEAL
Las nociones de combinacin lineal y dependencia lineal estn estrechamente relacionadas. De
forma especfica, demostraremos que los vectores
m
v v v ,...., ,
2 1
, cuando hay ms de uno, son
linealmente dependientes si y solo si uno de ellos es la combinacin lineal de los otros:
m m i i i i i
v a v a v a v a v + + + + + =
+ +
... ....
1 1 1 1 1 1

Entonces sumando vi a ambos miembros, obtenemos
0 ... ....
1 1 1 1 1 1
= + + + + +
+ + m m i i i i i
v a v a v v a v a
Donde el coeficiente de vi no es 0; por consiguiente, los vectores son linealmente dependientes.
Recprocamente, supongamos que los vectores son linealmente dependientes, digamos.

En ese caso
m m j j j j j j j j j
v b b v b b v b b v b b v
1
1 1
1
1 1
1
1 1
1
.... .....

+ +

=
De modo que vj es una combinacin lineal del resto de los vectores.
Establecemos ahora un resultado algo mas potente que el anterior (vase el problema 5.36 para su
demostracin), que tiene numerosas consecuencias importantes.







0 0 .... 0 0 . 1 0 ..... 0 1
2 1
= + + + = + + +
m
v v v
0 0 .... ....
1 1
= = + + + +
j m m j j
dondeb v b v b v b




1.4 BASES Y DIMENSION
Comenzando estableciendo dos caminos equivalentes para definir una base de un espacio vectorial
V.
Definicin A: si un conjunto S= { u1, u2 un } de vectores es una base de V si se verificaran las dos
condiciones:
1.- u1, u2 un son linealmente independientes
2.- u1, u2 un generan V

Definicin B:
Un con junto S={ u1, u2 un } 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:
a)
consideremos el espacio vectorial M2,3 de todas las matrices 2x3 sobre un cuerpo K. las seis
matrices siguientes forman una base M2,3:

Con mayor generalidad en el espacio vectorial Mr,s de las matrices r x sse Ei,j la matriz cuya
entrada ij es 1, siendo 0 las restantes. Todas la matrices Eij tales constituyen una base Mr,s
denominada su base usual. Consecuentemente , dim Mr,s.. en particular e1= (1, 0, ...,0), en =(0,
0, ,0, 1) forma la base usual de K
n



b) considrenos el espacio vectorial Pn (t) de los polinomios de grado s n. lo polinomios 1t, t
2
,
.t
n
, forman una base de Pn (t) y por lo tanto dim Pn (t) = n +1.


El teorema fundamental anterior sobre dimensin es una consecuencia del importante lema de
sustitucin

Lema: supongamos que { v1, v2 ,vn}que genera V y que {w1, w2 wm} es linealmente
independiente. En ese caso, msn y V esta generado por un conjunto de la forma

{w1, w2 wm, v1, v2 ,vn-,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= { u1, u2 un } 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:
a) 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

b) consideremos los n +1 polinomios en Pn (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 Pn (t) por que dim Pn (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
.


1.5 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:
[I1](Propiedad lineal)<au1+bu2,u>=a<u1,u>+b<u2,u>.
[I2] propiedad simtrica v u, =
. , u u

[I3] 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 [I1] y el axioma de simetra [I2] 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 [I3], 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.


1.6 CAMBIO DE BASE ORTONORMAL, PROCESO DE ORTONORMALIZACION GRAM-
SCHMIDT
CAMBIO DE BASE
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 aij





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 ,



| | | | | | | | , , , ....
2 1 B n B B
v v v P =
| | | |
B B
v P v = ,



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
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

Ejercicio
Determine una base ortonormal y una ortonormal de R
3
aplicando el proceso de Gram-Schmidt a la
base { }
3 2 1
, , v v v B = , en el cual
(
(
(

=
(
(
(

=
(
(
(

=
4
2
1
,
1
3
2
,
1
1
1
3 2 1
v v v

Solucin: sea u1=v1. Como en ese caso
(
(
(

=
(
(
(

(
(
(

=
=
1
1
0
1
1
1
3
6
1
3
2
.
.
1
1 1
1 2
2 2
u
u u
u v
v u

Ya que 2 . 2 . , 5 .
2 2 2 3 1 3
= = = u yu u v u v entonces
2
2 2
2 3
1
1 1
1 3
3 3
.
.
.
.
u
u u
u v
u
u u
u v
v u =

(
(
(
(
(
(

=
(
(
(

(
(
(

(
(
(

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

As la base ortogonal es
(
(
(
(
(
(

=
(
(
(

=
(
(
(

=
3
4
3
4
3
8
,
1
1
0
,
1
1
1
3 2 1
u u u



Por ultimo, normalizamos para obtener una base ortonormal B:

=
6
1
6
1
6
2
,
2
1
2
1
0
,
3
1
3
1
3
1
" B

El teorema del proceso de Gram-Schmidt asegura que existen bases ortogonales.

3 . 6 .
1 1 1 2
= = u yu u v
{ } donde u u u B , , ,
3 2 1
,
=







EJERCICIOS
1.- Hallar el simtrico del punto A(3, - 2) respecto de M(- 2, 5).



2.- Dados dos vrtices de un tringulo A(2, 1), B(1, 0) y el baricentro G(2/3, 0), calcular el
tercer vrtice.

3.- Dados los puntos A (3, 2) y B(5, 4) halla un punto C, alineado con A y B, de manera
que se obtenga









4.- Calcula las coordenadas de D para que el cuadriltero de vrtices: A(-1, -2), B(4, -1),
C(5, 2) y D; sea un paralelogramo.


5.- Si { , } forma una base ortonormal, calcular:
1 = 1 1 cos 0 = 1
2 = 1 1 cos 90 = 0
3 = 1 1 cos 90 = 0
4 = 1 1 cos 0 = 1
6.- Dados los vectores =(2, k) y = (3, - 2), calcula k para que los vectores y sean:
1 Perpendiculares.


2 Paralelos.








3 Formen un ngulo de 60.





7.- suponiendo que respecto de la base ortonormal { , } del plano los vectores
tienen como expresiones:

Calcular el valor de k sabiendo que .
















8.- Suponiendo que respecto de la base ortonormal { , } del plano los vectores
tienen como expresiones:


Calcular el valor de k para que los dos vectores sean ortogonales.



9.- Calcula la proyeccin del vector sobre el vector .






10.- Hallar un vector unitario de la misma direccin del vector .






11.- i M
1
(2, 1), M
2
(3, 3) y M
3
(6, 2) son los puntos medios de los lados de un tringulo,
cules son las coordenadas de los vrtices del tringulo?

x
1
= 7 x
5
= 7 x
3
= 1


y
1
= 4 y
5
= 0 y
3
= 3
A(7, 4)B(5, 0) C(1, 2)
12.- Probar que los puntos: A(1, 7), B(4,6) y C(1, -3) pertenecen a una circunferencia de
centro (1, 2).
Si O es el centro de la circunferencia las distancias de O a A, B, C y D deben ser iguales











13.- Clasificar el tringulo determinado por los puntos: A(4, -3), B(3, 0) y C(0, 1).




Si:







14.- Normalizar los siguientes vectores: = (1, ), = (-4, 3) y = (8. -8).






15.- Hallar k si el ngulo que forma = (3, k) con = (2, -1) vale:
1 90


2 0


3 45


















16.- Calcula la proyeccin del vector sobre el , siendo A(6,0), B(3,5), C(-1,-1).





17.- Comprobar que el segmento de une los puntos medios de los lados AB y AC del
tringulo: A(3,5), B(-2,0), C(0,-3), es paralelo al lado BC e igual a su mitad.































18.- Calcular los ngulos del tringulo de vrtices: A(6,0), B(3,5), C(-1,-1).


















19.- Dados los vectores = (1, 4), = (1, 3) que constituyen una base. Expresar en esta
base el vector = (1. 1).
(1. 1) = a (1, 4) + b (1, 3)
1 = a +b a = 1 b a= 2
1 = 4a +3b 1 = 4( 1 b) +3b b = 3
= 2 3
20.- Calcular el valor de a para que los vectores = 3 + 4 y = a 2 formen un
ngulo de 45.



21.- Determine las coordenadas y el vector de coordenadas de v= (4,0,-4) con respecto a la base B
= {(1,1,-1),(0,1,2),(-2,1,0) }de R
3
SOLUCION
El hecho de que B sea de R
3
se verifica en el ejemplo. Ahora se necesita escalares c1, c2 y c3 tales
que c1
1
1
1
+c2[
0
1
2
]+c3[
2
1
0
]=[
4
0
4
] al resolver el sistema correspondiente se obtienen c1= 2, c2= y
c3= -1. Por consiguiente [v] B=[
2
1
1
]

22.- Es el subconjunto T= {(1,1,1),(2,1,-1),(1,0,-2) } una base de R
3
RESPUESTAS
No, puesto que [
1 2 1
1 1 0
1 1 2
] ~ [
1 2 1
1 1 1
0 0 0
] T no es linealmente independiente (3
columnas y solo 2 pivotes). En realidad T ni siquiera genera a R
3
(3 renglones, solo 2 pivotes)





23.- Es el conjunto S= {(1,0,0),(0,1,0), (0,0,1),(1,1,1) } una base en R
3
?
RESPUESTA
No, por que S linealmente independiente.

24.- compruebe que
B= {[
1
1
1
] , [
0
1
2
] , [
2
1
0
]}
Es una base de R
3
SOLUCION primero es necesario demostrar que B es linealmente independiente que genera R
3.
Sea
A la matriz cuyas columnas son los vectores de B como

A=
1 0 2
1 1 1
1 2 0
~
1 0 2
0 1 3
0 0 8

Vemos que cada columna de A es una columna pivote; y por tanto, las columnas de A son
linealmente. Tambin cada regln de A tiene una posicin pivote. Por consiguiente, las columnas de
A genera R
3
de acuerdo con los teoremas anteriores.

25.- es el conjunto S={(1,0,0),(0,1,0)} Es S una base del subespacio V= {(x,y,,0),x,y R} de R
3
RESPUESTA
S es linealmente independiente, por que todas las columnas de A =[
1
0
1
0
1
0
] son pivote. S no es una
base de R
3
por que A tiene 3 renglones y solo 2 pivotes, de modo que S no genera a R3. Por otra
parte, S genera al menor espacio V por que
(X, Y, 0)=X (1, 0,0)+Y (0, 1,0)


26.- Es el conjunto un espacio de R
3
?
V= {[
3
2 +

], a, b R}
RESPUESTA:
Si por que [
3
2 +

]= a[
1
2
1
]+ b[
3
1
0
]

Vemos que V = gen {[
1
2
1
],[
3
1
0
]} por consiguiente, V es un subespacio de R
3
, segn el teorema 1





27. {0} Y R
n
. son subespacio de R
n

Solucion: {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
.

28.- V= {[
1
1
0
], X, Y R}Es un subespacio de R
3
. ?
Solucion : v es un vector por que contiene al vector cero (suponiendo que x=y=0).
La suma de dos vectores en V.
[
1
1
0
]+[
2
2
0
]=[
1
2
0
+
2
2
0
]
Tambin esta en V. as se aplica la parte 1 de la definicin. Cualquier mltiplo escalar de un vector
en V.

c [

0
]= [

0
]

Tambin V. entonces se aplica la parte 2 de la definicin. Por consiguiente, es un subespacio de R
3.

29.-V= {(x, y, x+y), x, y R} es un subespacio de R
3.

Solucion:
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.










30.- Determine una base ortonormal y una ortonormal de R
3
aplicando el proceso de Gram-Schmidt
a la base { }
3 2 1
, , v v v B = , en el cual
(
(
(

=
(
(
(

=
(
(
(

=
4
2
1
,
1
3
2
,
1
1
1
3 2 1
v v v

Solucin: sea u1=v1. Como en ese caso
(
(
(

=
(
(
(

(
(
(

=
=
1
1
0
1
1
1
3
6
1
3
2
.
.
1
1 1
1 2
2 2
u
u u
u v
v u

Ya que 2 . 2 . , 5 .
2 2 2 3 1 3
= = = u yu u v u v entonces
2
2 2
2 3
1
1 1
1 3
3 3
.
.
.
.
u
u u
u v
u
u u
u v
v u =

(
(
(
(
(
(

=
(
(
(

(
(
(

(
(
(

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

As la base ortogonal es
(
(
(
(
(
(

=
(
(
(

=
(
(
(

=
3
4
3
4
3
8
,
1
1
0
,
1
1
1
3 2 1
u u u



Por ultimo, normalizamos para obtener una base ortonormal B:

=
6
1
6
1
6
2
,
2
1
2
1
0
,
3
1
3
1
3
1
" B

El teorema del proceso de Gram-Schmidt asegura que existen bases ortogonales

3 . 6 .
1 1 1 2
= = u yu u v
{ } donde u u u B , , ,
3 2 1
,
=



CONCLUSIN

Este trabajo se ha hecho con el fin de comprender de que no hay que dejar tirado lo que hemos
aprendido antes ya que eso nos va a ayudar a solucionar problemas en nuestro futuro, citando el
dicho popular si no aprendemos de nuestros errores del pasado los mismo nos estarn esperando
en un futuro.
Se han visto mas detallado y con mas exactitud los teoremas y propiedades que hilan todos los
temas propuestos por este trabajo y se ha se ha llegado a la conclusin de todos los temas estn
relacionados en cierta forma ya que en varios de estos se necesita recurrir a las propiedades que se
han visto en temas anteriores.
Con esto podramos decir que nos ha enseado a tener un amplio criterio de la utilidad de temas ya
vistos en nuestra carrera, ya que no podemos omitir las enseanzas pasadas ya que estas nos
forman las bases para comprender y analizar y poder poner en practica los temas futuros.
El espacio vectorial V involucra un cuerpo arbitrario K. Sea V un espacio vectorial real.
Supongamos que a cada par de vectores u, u V se le asigna un numero.
En el tema de los espacios vectoriales nos damos cuenta de que nos son muy tiles los mtodos
que este utiliza ya que nos ofrece ventajas como el ahorro de tiempo y esfuerzo a la hora de
aplicarlos tanto en nuestro campo de trabajo como en otras situaciones que requieran de estos
mtodos.





















BIBLIOGRAFIA
-GEORGE NAKOS, ET AL, ALGEBRA LINEAL CON APLICACIONES
EDICION 1, EDITORIAL THOMSON.2007, PAG.226- 235
-http://www.vitutor.com