Unidad 4

Espacios vectoriales

En esta sección estudiaremos ampliamente a Rn y sus operaciones. Consideraremos conjuntos

generales en los que se pueden definir las operaciones abstractas de suma y multiplicación por es-
calar, no a partir de determinadas reglas directas y específicas, sino requiriendo que los conjuntos
satisfagan las propiedades básicas de la suma vectorial y la multiplicación por escalar, expresados
en teoremas previos.
El trabajo desarrollado en esta sección no es un ejercicio inútil de matemáticas teóricas, ya que
proporciona una herramienta poderosa para extender la representación geométrica a una amplia
variedad de problemas matemáticos importantes en los que de otra forma no se contaría con la
intuición geométrica. Planteada en términos breves, la idea es ésta: Los vectores en R2 y R3 se
pueden representar geométricamente como flechas, lo cual permite que la representación física o
mental ayude a resolver problemas. Como los axiomas que se usarán para crear los nuevos tipos
de vectores poseerán muchas de las propiedades conocidas de los vectores en R2 y R3 . Por consi-
guiente, cuando se quiera resolver un problema en que aparezcan los nuevos tipos de vectores, por
ejemplo matrices o funciones, se podrá obtener una base para el problema mediante una geométria
como sería el problema correspondiente en R2 y R3

4.1. Definición de espacio vectorial y sus propiedades

Hemos visto que el álgebra de vectores y el álgebra de matrices son semejantes en muchos
aspectos. En particular, podemos sumar tanto vectores como matrices, y multiplicar ambos por
escalares. Las propiedades que resultan de estas dos operaciones son idénticas en ambos entornos.
En esta sección, emplearemos estas propiedades para definir “vectores” generalizados que surgen
en una amplia variedad de ejemplos.

37
38 UNIDAD 4. ESPACIOS VECTORIALES

Definición 4.1.1
Espacio vectorial. Un espacio vectorial es un conjunto no vacio V de objetos, llamados
vectores, donde están definidas dos operaciones, llamadas suma y multiplicación por escalares
(números reales), sujetas a los 10 axiomas (o reglas) que se listan a continuación. Los axiomas
deben ser válidos para todos los vectores u, v y w en V, y así como para todos los escalares c
y d.

1. Si u y v son objetos en V, entonces u + v está en V.

2. u + v = v + u

3. u + (v + w) = (u + v) + w

4. Existe un vector 0 en V, denominado vector cero de V, tal que 0 + u = u + 0 = u para

todo u en V.

5. Para todo u en V existe un vector −u en V, denominado negativo de u tal que

u + (−u) = (−u) + u = 0.

6. Si k es cualquier escalar y u es cualquier vector en V, entonces ku está en V.

7. k(u + v) = ku + kv

8. (k + m)u = ku + mu

9. k(mu = (km)u

10. 1u = u

Ejemplos de espacios vectoriales

Para comprobar que determinado conjunto es un espacio vectorial es preciso definir, o especificar,
explicitamente
Las dos operaciones, suma y multiplicación por escalar.
El elemento que actuará como cero.
El negativo de cada elemento.
A continuación, comprobar la vigencia de los axiomas.
Los siguientes son ejemplos importantes de espacios vectoriales. Usted deberá desarrollar todos los
detalles.
1. El conjunto V = Rn con las operaciones estándar de adición y multiplicación escalar es un
espacio vectorial. Los tres casos especiales más importantes de Rn son: R,R2 ,R3 .
2. El conjunto Mmn de todas las matrices m × n con elementos reales.
3. El conjunto P de todos los polinomios con coeficientes reales.
4. El conjunto F(R) de todas las funciones de valor real definidas en R.
4.2. DEFINICIÓN DE SUBESPACIO VECTORIAL Y SUS PROPIEDADES 39

4.2. Definición de subespacio vectorial y sus propiedades

Como verá, la noción de un subespacio es simplemente una generalización algebraica de los
ejemplos geométricos de rectas y planos a través del origen. El concepto fundamental de una base
de un subespacio se deriva entonces de la idea de los vectores de dirección para tales rectas y pla-
nos. El concepto de una base nos permitirá dar una definición precisa de dimensión que concuerde
con una idea intuitiva y geométrica del término, todavia lo suficiente flexible como para permitir la
generalización a otros entornos.

Definición 4.2.1
Subespacio Vectorial. Un subespacio de un espacio vectorial V es un subconjunto H de V
que tiene tres propiedades:

1. El vector cero 0 de V está en H

2. H es cerrado bajo la suma de vectores. Es decir, por cada u y v en H, la suma u + v está

en H.

3. H es cerrado bajo la multiplicación por escalares. Es decir, para cada u en H y cada

escalar c, el vector cu está en H.

Las propiedades 1), 2) y 3) garantizan que un subespacio H de V sea en sí mismo un espacio vec-
torial bajo las operaciones de espacio vectorial ya definidas en V.
El espacio Rn es un conjunto de vectores en el que se han definido las operaciones de adición y
multiplicación por un escalar. Rn es cerrado bajo estas operaciones. Si suma dos vectores en Rn ,
obtiene un elemento de Rn . Además, si multiplica un elemento de Rn por un escalar obtiene un
elemento de Rn . Por ejemplo, en R3

(1, 2, 5) + (3, −1, 10) = (4, 1, 15) y 4(2, 5, −2) = (8, 20, −8)
Considere ahora ciertos subconjuntos de Rn que tienen las mismas características de cerradura.
Considere el subconjunto H de Rn , que consta de los vectores (a, a, b). H consta de todos los
elementos de Rn que tienen las primeras dos componentes iguales. Por ejemplo (3, 3, 5) y (−2, −2, 6)
que se encuentran en H; (2, 3, 4) no pertenece a H. Observe que si suma dos elementos de H, obtiene
un elemento de H y si multiplica un elemento de H por un escalar, obtiene un elemento de H.
Sean (a, a, b) y (c, c, d) elementos de H y sea k un escalar. Así,

(a, a, b) + (c, c, d) = (a + c, a + c, b + d) ∈ H

k(a, a, b) = (ka, ka, kb) ∈ H

en H se definen las operaciones de adición y multiplicación por un escalar. H también es cerrado
bajo estas operaciones y posee las características algebraicas del espacio vectorial R3 . Por tanto,
se define como un espacio vectorial contenido en Rn . Se llama a dicho espacio un subespacio del
espacio mayor R3 .

Subespacios asociados con matrices

Una gran cantidad de ejemplos surgen en el contexto de las matrices, por lo cual se da la siguiente:
40 UNIDAD 4. ESPACIOS VECTORIALES

Definición 4.2.2 Sea A una matriz de m × n.

1. El espacio renglón de A es el subespacio ren(A) de Rn generado por los renglones

de A.

2. El espacio columna de A es el subespacio col(A) de Rm generado por las columnas

de A.

EJEMPLO 1 Considere la matriz

 1 −1 
 
A =  0 1 
 
3 −3
 

 1 
 
(a) Determine si b =  2  está en el espacio columna de A
 
3
 
h i
(b) Determine si w = 4 5 se encuentra en el espacio renglón de A
 Solución
(a) b es una combinación lineal de las columnas de A si y sólo si el sistema lineal Ax = b es
consistente. Reducimos por renglón la matriz aumentada como sigue:

 1 −1 | 1   1 0 | 3 

   
 0 1 | 2  −→  0 1 | 2 
3 −3 | 3 0 0 | 0
   

De este modo, el sistema es consistente (y, de hecho, tiene una solución única). Por lo tanto, b está
en la col(A).
(b) Las operaciones elementales por renglón simplemente crean combinaciones lineales de los
renglones de una matriz. Es decir, produce vectores sólo en el espacio renglón de la matriz. Si
el vector w se encuentra en ren(A), entoncesh wi es una combinación lineal de los renglones de A,
de modo que si aumentamos A por w como wA , será posible aplicar operaciones elementales por
h ′i
renglón a esta matriz para reducirla a la forma Aw sin hacer ningún intercambio de renglones que
involucre el último renglón. (¿porque?). En este ejemplo tenemos que

1 −1  1 −1  1 −1 
     
  
0 1  −3R1 + R3 0 1  0 1 
     
 A     −9R2 + R4 
3 −3  −4R1 + R4 0 0  0 0 
  
=   
w  −→ 
− −  −→ − −  − − 
     

4 5 0 9 0 0
    

por lo tanto,w
h es una
i combinación
h i lineal de los renglones de A (de hecho, estos cálculos muestran
que w = 1 −1 + 9 0 1 :¿cómo?), y así w se encuentra en ren(A).
4.3. COMBINACIÓN LINEAL. INDEPENDENCIA LINEAL 41

EJEMPLO 2 Sea H el subconjunto de R3 que consta de todos los vectores de la forma (a, 0, 0).
Demuestre que H es un subespacio de R3 .

 Solución
Sean (a, 0, 0) y (b, 0, 0) dos elementos de H y sea k un escalar. Se tiene

(a, 0, 0) + (b, 0, 0) = (a + b, 0, 0) ∈ H
k(a, 0, 0) = (ka, 0, 0) ∈ H
La suma y el producto de un escalar pertenecen a H. Por lo tanto, H es un subespacio de R3 .
Desde el punto de vista geométrico, H es el conjunto de vectores que se encuentran en el eje x.
Note que la suma de los vectores se encuentra en el eje x y también la multiplicación por un escalar
de cualquiera de estos vectores.

EJEMPLO 3 Demuestre que el conjunto H de matrices de 2 × 2 es un subespacio del espacio

vectorial M22 de matrices 2 × 2.

 Solución
Se debe demostrar que H es cerrado bajo la adición y la multiplicación por un escalar. Considere
los dos elementos de H siguientes.
a 0 p 0
" # " #
u= y v=
0 b 0 q
Se tiene que
a 0 p 0 0
" # " # " #
a+ p
u+v = + =
0 b 0 q 0 b+q
Observe que u+v es una matriz diagonal de 2 × 2 y, por lo tanto, un elemento de H. H es cerrado
bajo la adición.
Sea c un escalar. Se tiene que
a 0 ca 0
" # " #
cu = c =
0 b 0 cb
cu es una matriz diagonal de 2 × 2. Así, H es cerrado bajo la multiplicación por un escalar.
H es un subespacio de M22 . Éste es un espacio vectorial de matrices contenido en M22 .

4.3. Combinación lineal. Independencia lineal

En la sección anterior se analizó el subespacio de R3 que consta de todos los vectores de la forma
(a, a, b). Observe que cualquier vector de este espacio se puede expresar de la manera siguiente:
(a, a, b) = a(1, 1, 0) + b(0, 0, 1)
La consecuencia de este hecho consiste en que cada vector del subespacio se puede expresar en
términos de (1, 1, 0) y (0, 0, 1). Por ejemplo,
(2, 2, 3) = 2(1, 1, 0) + 3(0, 0, 1)
42 UNIDAD 4. ESPACIOS VECTORIALES

(−1, −1, 5) = −1(1, 1, 0) + 5(0, 0, 1)

Los vectores (1, 1, 0) y (0, 0, 1) caracterizan en algún sentido al subespacio. En ésta y en las si-
guientes secciones se considera este enfoque para entender a los espacios vectoriales en términos
de ciertos vectores que representan a todo el espacio.

Definición 4.3.1
Sean v1 , v2 , · · · , vm vectores en un espacio vectorial V. Se dice que v, un vector en V, es
una combinación lineal de v1 , v2 , · · · , vm si existen escalares c1 , c2 , · · · , cm tales que v pueda
expresarse de la manera siguiente:

v = c1 v1 + c2 v2 + · · · + cm vm

EJEMPLO 1 El vector (5, 4, 2) es una combinación lineal de los vectores (1, 2, 0), (3, 1, 4) y
(1, 0, 3) ya que se puede expresar la la manera siguiente:
(5, 4, 2) = (1, 2, 0) + 2(3, 1, 4) − 2(1, 0, 3)

EJEMPLO 2 Determine si el vector (−1, 1, 5) es una combinación lineal de los vectores (1, 2, 3), (0, 1, 4)
y (2, 3, 6).

 Solución
Al sustituir en la ecuación vectorial de la definición, vemos que:

c1 (1, 2, 3) + c2 (0, 1, 4) + c3 (2, 3, 6) = (−1, 1, 5)

Al aplicar las operaciones de adición y multiplicación por un escalar, se obtiene
(c1 , 2c1 , 3c1 ) + (0, c2 , 4c2 ) + (2c3 , 3c3 , 6c3 ) = (−1, 1, 5)
(c1 + 2c3 , 2c1 + c2 + 3c3 , 3c1 + 4c2 + 6c3 ) = (−1, 1, 5)
Igualando las componentes, se obtiene el siguiente sistema de ecuaciones lineales:
c1 + 2c3 = −1
2c1 + c2 + 3c3 = 1
3c1 + 4c2 + 6c3 = 5
Al resolver el sistema de ecuaciones se obtiene que la solución es única,
c1 = 1, c2 = 2 c3 = −1
Por lo tanto, del vector (−1, 1, 5) es la combinación lineal siguiente de los vectores (1, 2, 3), (0, 1, 4)
y (2, 3, 6):
(−1, 1, 5) = (1, 2, 3) + 2(0, 1, 4) − 1(2, 3, 6)
4.3. COMBINACIÓN LINEAL. INDEPENDENCIA LINEAL 43

Definición 4.3.2

(a) El conjunto de vectores {v1 , v2 , · · · , vm } en un espacio vectorial V se dice que es lineal-

mente dependiente si existen escalares c1 , c2 , · · · , cm , no todos iguales a cero, tales
que
c1 v1 + c2 v2 + · · · + cm vm = 0

(b) El conjunto de vectores {v1 , v2 , · · · , vm } es linealmente independiente si

c1 v1 + c2 v2 + · · · + cm vm = 0

sólo se puede satisfacer cuando c1 = 0, · · · , cm = 0.

EJEMPLO 3 Demuestre que el conjunto {(1, 2, 3), (−2, 1, 1), (8, 6, 10)} es linealmente depen-
diente en R3 .

 Solución
Queremos hallar escalares c1 , c2 y c3 tales que

c1 (1, 2, 3) + c2 (−2, 1, 1) + c3 (8, 6, 10) = 0

Desarrollando las operaciones, se tiene que

(c1 , 2c1 , 3c1 ) + (−2c2 , c2 , c2 ) + (8c3 , 6c3 , 10c3 ) = 0

(c1 − 2c2 + 8c3 , 2c1 + c2 + 6c3 , 3c1 + c2 + 10c3 ) = 0

Si se iguala cada componente de este vector a cero, se obtiene el sistema de ecuaciones

c1 − 2c2 + 8c3 = 0
2c1 + c2 + 6c3 = 0
3c1 + c2 + 10c3 = 0

Este sistema tiene la solución c1 = 4, c2 = −2, c3 = −1. Como por lo menos uno de los valores de
c es distinto de cero, el conjunto de vectores es linealmente dependiente. La dependencia lineal se
expresa por medio de la ecuación

4(1, 2, 3) − 2(−2, 1, 1) − (8, 6, 10) = 0

EJEMPLO 4 Demuestre que el conjunto {(3, −2, 2), (3, −1, 4), (1, 0, 5)} es linealmente indepen-
diente en R3 .

 Solución
A partir de la ecuación vectorial dada en la definición, vemos que

c1 (3, −2, 2) + c2 (3, −1, 4) + c3 (1, 0, 5) = 0

44 UNIDAD 4. ESPACIOS VECTORIALES

Se quiere demostrar que esta identidad se cumple sólo si c1 , c2 y c3 son todos iguales a cero. Así,

(3c1 , −2c1 , 2c1 ) + (3c2 , −c2 , 4c2 ) + (c3 , 0, 5c3 ) = 0

(3c1 + 3c2 + c3 , −2c1 − c2 , 2c1 + 4c2 + 5c3 ) = 0

Al igualar los componentes a cero, se tiene

3c1 + 3c2 + c3 = 0
−2c1 − c2 = 0
2c1 + 4c2 + 5c3 = 0

Este sistema tiene solución única c1 = 0, c2 = 0, c3 = 0. En consecuencia, el conjunto es linealmen-

te independiente.

Teorema 4.3.1 Un sistema de ecuaciones lineales con matriz aumentada[A|b] es consistente

si y sólo si b es una combinación lineal de las columnas de A.

Utilizando el Teorema 4.3.1, veamos los tipos de solución de los sistemas de ecuaciones lineales
siguientes:
(a) El sistema

x−y = 1
x+y = 3

tiene la solución única x = 2, y = 1. De esta manera,

1 1
" # " # " #
−1
2 + =
1 1 3

Véase la figura 4.1(a)

(b) El sistema

x−y = 2
2x − 2y = 4

tiene un número infinito de soluciones de la forma x = 2 + t, y = t. Esto implica que

1 2
" # " # " #
−1
(2 + t) +t =
2 −2 4

1 2
# " " # " #
−1
para todos los valeres de t. Geométricamente, los vectores , y son todos paralelos,
2 −2 4
por lo cual todos caen a lo largo de la misma recta que pasa a través de origen [véase la figura
4.1(b)].
(c) El sistema

x−y = 1
x−y = 3
4.4. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL, CAMBIO DE BASE 45

no tiene soluciones, de modo que no hay valores de x ni de y que satisfagan

1 1
" # " # " #
−1
x +y =
1 −1 3

1 1
" # " # " #
−1
En este caso y son paralelos, pero no cae a lo largo de la misma recta que pasa
1 −1 3
a través del origen [véase la figura 4.1(c)].

y y y
5 5 5
4 4 4
3 3 3
2 2 2
1 1 1
x x x
−2 −1 1 2 3 −2 −1 1 2 3 −2 −1 1 2 3
−1 −1 −1
−2 −2 −2
(a) (b) (c)
Figura 4.1

4.4. Base y dimensión de un espacio vectorial, cambio de base

Podemos extraer un poco más de la idea intuitiva de que los subespacios son generalizaciones
de planos que pasan a través del origen en R3 . Un plano es generado por cualesquiera dos vectores
que sean paralelos al plano, pero que no son paralelos entre sí. En lenguaje algebraico, dos vectores
así generan el plano y son linealmente independientes. Menos de dos vectores no funcionará; más
de dos vectores no son necesarios. Ésta es la esencia de un base de un subespacio.

Definición 4.4.1
Un conjunto finito de vectores {v1 , · · · , vm } recibe el nombre de base de un espacio
vectorial V si el conjunto genera V y es linealmente independiente.

Definición 4.4.2
Una base de un subespacio S de Rn es un conjunto de vectores en S tal que

1. genera a S y

2. es linealmente independiente
46 UNIDAD 4. ESPACIOS VECTORIALES

EJEMPLO 1 Sean e1 , e2 y e3 los vectores unitarios en R3 . Demostrar que este conjunto de vec-
tores es una base de R3 .

 Solución
Si (x, y, z) es un vector cualquiera de R3 , tenemos que

(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) = xe1 + ye2 + ze3

Como (x, y, z) es una combinación lineal de los vectores unitarios, entonces el conjunto de vecto-
res {e1 , e2 , e3 } genera R3 . La segunda parte de la definición es que sea linealmente independiente,
probaremos esto como sigue,
c 1 e1 + c2 e 2 + c 3 e 3 = 0
c1 (1, 0, 0) + c2 (0, 1, 0) + c3 (0, 0, 1) = (0, 0, 0)
(c1 , c2 , c3 ) = (0, 0, 0)
Vemos que c1 = c2 = c3 = 0. Por tanto, los vectores unitarios en R3 son una base. Se puede
generalizar diciendo que los vectores unitarios e1 , · · · , en forman una base en Rn . Al conjunto de
vectores e1 , · · · , en se les denomina base canónica en Rn . Encontrará que hay muchas bases para
Rn . Sin embargo, la base canónica es la más importante.

EJEMPLO 2 Demuestre que el conjunto {(1, 0, −1), (1, 1, 1), (1, 2, 4)} es una base para R3 .

 Solución
Demuestre primero que el conjunto genera R3 . Sea (x1 , x2 , x3 ) un elemento cualquiera de R3 . Trate
de encontrar escalares a1 , a2 , a3 , tales que

(x1 , x2 , x3 ) = a1 (1, 0, −1) + a2 (1, 1, 1) + a3 (1, 2, 4)

Esta identidad lleva al sistema de ecuaciones

a1 + a2 + a3 = x1
a2 + 2a3 = x2 (4.1)
−a1 + a2 + 4a3 = x3

Este sistema de ecuaciones tiene la solución

a1 = 2x1 − 3x2 + x3 , a2 = −2x1 + 5x2 − 2x3 , a3 = x1 − 2x2 + x3

Así, el conjunto genera el espacio.

Ahora demuestre que el conjunto es linealmente independiente. Considere la identidad

b1 (1, 0, −1) + b2 (1, 1, 1) + b3 (1, 2, 4) = (0, 0, 0)

Esta identidad da como resultado el siguiente sistema de ecuaciones

b1 + b2 + b3 = 0
b2 + 2b3 = 0 (4.2)
−b1 + b2 + 4b3 = 0
4.4. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL, CAMBIO DE BASE 47

Este sistema tiene una solución única, b1 = 0, b2 = 0 y b3 = 0. Por lo tanto, el conjunto es lineal-
mente independiente.
Se ha demostrado que el conjunto {(1, 0, −1), (1, 1, 1), (1, 2, 4)} genera a R3 y es linealmente
independiente. Por consiguiente, es una base para R3 .

Definición 4.4.3
Si un espacio vectorial V tiene una base que consta de n vectores, entonces la dimensión de
V es n, que se denota como dim(V).

El conjunto de n vectores {(1, 0, · · · , 0), · · · , (0, · · · , 0, 1)} constituye una base (la base canónica)
de Rn . Por lo que la dimensión de Rn es n.
Note que se ha definido una base para un espacio vectorial como un conjunto finito de vec-
tores que genera el espacio y es linealmente independiente. Dicho conjunto no existe para todos
los espacios vectoriales. Cuando este conjunto finito existe, se dice que el espacio vectorial es de
dimensión finita. Si dicho conjunto no existe, se dice que el espacio vectorial es de dimensión
infinita.

EJEMPLO 3 Considere el conjunto {(1, 2, 3), (−2, 4, 1)} de vectores en R3 . Estos vectores gene-
ran un subespacio V de R3 que consta de todos los vectores de la forma

v = c1 (1, 2, 3) + c2 (−2, 4, 1)

Los vectores (1, 2, 3) y (−2, 4, 1) generan este subespacio.

Además, ya que el segundo vector no es múltiplo escalar del primero, los vectores son linealmente
independientes.
Por consiguiente, {(1, 2, 3), (−2, 4, 1)} constituye una base para V. Por lo tanto, dim(V) = 2. Se
sabe que V es, de hecho, un plano que pasa por el origen.
En este último ejemplo, se vió que cierto plano que pasa por el origen era un subespacio de dos
dimensiones de R3 . El teorema siguiente brinda más información relacionada con los subespacios
de R3 y sus dimensiones.

Teorema 4.4.1

(a) El origen es un subespacio de R3 . La dimensión de este subespacio es cero.

(b) Los subespacios de una dimensión de R3 son rectas que pasan por el origen

(c) Los subespacios de dos dimensiones de R3 son planos que pasan por el origen

Se analizaron diversos tipos de espacios vectoriales; los espacios vectoriales Rn , los espacios de
matrices y los espacios de funciones. En esta sección se verá cómo utilizar los vectores en Rn ,
llamados vectores de coordenadas, para describir vectores en cualquier espacio vectorial real de
dimensión finita.
48 UNIDAD 4. ESPACIOS VECTORIALES

Definición 4.4.4
Sea U un espacio vectorial de dimensión finita con base B = {u1 , · · · , un } y sea u un vector en
U. Se sabe que existen escalares únicos a1 , · · · , an , tales que

u = a1 u1 + · · · + an un

a1
 
 
El vector columna uB =  ..
 recibe el nombre de vector de coordenadas de u con respecto
 
.
 
an
a esta base. Los escalares a1 , · · · , an reciben el nombre de coordenadas de u respecto a esta
base. Nota: se representarán los vectores de coordenadas con vectores columna en lugar de
vectores renglón. Con este convenio, la teoría se formula con mayor facilidad.

Para el análisis de las diferentes bases del espacio vectorial U se eligió la notación siguiente.
Represente dos diferentes bases de un espacio vectorial U por medio de B y B′ . Si u es un
vector de U, denote los vectores de coodenadas de u respecto a estas bases por medio de uB y u′B .

EJEMPLO 4 Encuentre el vector de coordenadas u = (4, 5) respecto a las siguientes bases uB y

u′B de R2 : (a) la base canónica, B = {(1, 0), (0, 1)} y (b) B′ = {(2, 1), (−1, 1)}.

 Solución
(a) Por inspección, se tiene que
(4, 5) = 4(1, 0) + 5(0, 1)

4
" #
Así, uB = . La representación dada de u, se refiere, de hecho a la base canónica.
5
(b) Determine ahora el vector de coordenadas u respecto a la base B′ , la cual no es la base canónica.
Sea
(4, 5) = a1 (2, 1) + a2 (−1, 1)
Así,
(4, 5) = (2a1 , a1 ) + (−a2 , a2 )
(4, 5) = (2a1 − a2 , a1 + a2 )
Al comparar las componentes, se llega al sistema de ecuaciones siguiente
2a1 − a2 = 4
a1 + a2 = 5
Este sistema tiene"solución única: a1 = 3 y a2 = 2
3
#
Por lo que, uB′ = .
2
Estos vectores de coordenadas tienen una interpretación geométrica. Denote los vectores de la base
de la siguiente manera:
u1 = (1, 0), u2 = (0, 1) y u′1 = (2, 1), u′2 = (−1, 1)
Se puede escribir
u = 4u1 + 5u2 y u = 3u′1 + 2u′2
4.4. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL, CAMBIO DE BASE 49

Véase la figura 4.2,

y
y
u u
5u2
x′
y′
u′2 3u′1

0 4u1 x 0 x

a) u = 4u1 + 5u2 b) u = 3u′1 + 2u′2

Figura 4.2
n o
Sean B = {u1 , . . . , un } y B′ = u′1 , . . . , u′n bases para un espacio vectorial U. Un vector u en U
tendrá vectores de coordenadas uB y uB′ respecto a estas bases. Analice la relación n o uB y uB′
entre
Sean los vectores de coordenadas u1 , . . . , un respecto a la base, B = u1 , . . . , un dados por
′ ′ ′

(u1 )B′ , . . . , (un )B′ . La matriz P, que tiene estos vectores como columnas, desempeña un papel fun-
damental en el análisis. Esta matriz recibe el nombre de matriz de transición de la base B y B′ .

Matriz de transición P = [(u1 )B′ , . . . , (un )B′ ]

Teorema 4.4.2 n o
Sean B = {u1 , . . . , un } y B′ = u′1 , . . . , u′n bases de un espacio vectorial U. Si u es un vector
en U con vectores de coordenadas uB y uB′ respecto a estas bases, entonces

uB′ = PuB

donde P es la matriz de transición de B a B′ :

P = [(u1 )B′ , . . . , (un )B′ ]

Es sencillo cambiar de base en el caso de un espacio vectorial de una base no canónica a la base
canónica. El siguiente ejemplo ilustra la facilidad con que se encuentra la matriz de transición P.
Las columnas de P son, de hecho, los vectores de la primera base.

2
EJEMPLO 5 " # las bases B = {(1, 2), (3, −1)} y B = {(1, 0), (0, 1)} de R . Si u es un
Considere ′

3
vector tal que uB = , encuentre uB′ .
4
 Solución
Exprese los vectores de B en términos de los vectores de B′ para obtener la matriz de transición.

(1, 2) = 1(1, 0) + 2(0, 1)

(3, −1) = 3(1, 0) − 1(0, 1)

50 UNIDAD 4. ESPACIOS VECTORIALES

1 3
" # " #
Los vectores de coordenadas (1, 2) y (3, −1) son y . Por consiguiente, la matriz de
2 −1
transición P es
1 3
" #
P=
2 −1

(Observe que las columnas de P son los vectores de la base B.) Así,

1 3 3 15
" #" # " #
uB′ = = ◭
2 −1 4 2

Sean B y B′ las bases para un espacio vectorial. Se sabe que las matrices de transición de B a B′
y B′ a B se encuentran relacionas. Por lo cual, se enuncia el siguiente teorema:

Teorema 4.4.3
Sean B y B′ bases para un espacio vectorial U y sea P la matriz de transición de B a B′ .
Entonces P es invertible y la matriz de transición de B′ a B es P−1 .

EJEMPLO 6 Considere las bases B = {(1, 2), (3, −1)} y B′ =" {(3,# 1), (5, 2)} de R2 . Encuentre
2
la matriz de transición de B a B′ . Si u es un vector tal que uB = , determine uB′ .
1
 Solución
Utilice la base canónica S = {(1, 0), (0, 1)} como base intermedia. La matriz de transición P de B a
S y la matriz de transición P′ de B´a S son

1 3 3 5
" # " #
P= yP = ′
2 −1 1 2

La matriz de transición de S a B′ será (P′ )−1 . La matriz de transición de B a B′ (por vía de S ) es

(P′ )−1 P. Por lo tanto, la matriz de transición de B a B′ es

#−1 "
3 5 1 3 2 −5 1 3 −8 11
" # " #" # " #
= =
1 2 2 −1 −1 3 2 −1 5 −6

Esto da como resultado

−8 11 2
" #" # " #
−5
uB′ = = ◭
5 −6 1 4

4.5. Espacio vectorial con producto interno y sus propiedades

El producto punto es un concepto fundamental de Rn que lleva a las definiciones de norma,
ángulo y distancia. Aquí se enfocará el producto punto de Rn a un espacio vectorial general con
una estructura matemática llamada producto interno.
4.6. BASE ORTONORMAL, PROCESO DE ORTONORMALIZACIÓN DE GRAM-SCHMIDT51

Definición 4.5.1
Un producto interno en un espacio vectorial real V es una función que asocia un número,
que se denota hu, vi, con cada par de vectores u y v de V. Esta función debe satisfacer las
condiciones siguientes para los vectores u, v y w, y el escalar c.

1. hu, vi = hv, ui (axioma de simetría)

2. hu + v, wi = hu, wi + hv, wi (axioma de adición)

3. hcu, vi = c hu, vi (axioma de homogeneidad)

4. hu, ui ≥ 0, y hu, ui = 0 si y sólo si u = 0 (axioma del positivo definido)

5. hu, 0i = h0, ui = 0

4.6. Base ortonormal, proceso de ortonormalización de Gram-

Schmidt
Antes de iniciar con el proceso de ortogonalización de Gram-Schmidt, veremos cómo se obtiene
la proyección de un vector sobre otro vector
Proyección de un vector sobre otro vector
~ indica “qué
Sean v y u vectores en Rn con un ángulo α entre ellos. Ver la figura 4.3. El vector OA
cantidad” de v apunta en la dirección de u. El vector OA~ se le llama proyección de v sobre u.
~
Determinaremos la expresión que represente a OA.

α
~
OA
u
Figura 4.3

De la figura 4.3 se tiene que

OA = OBcos α
= |v|cos α
v·u
!
= |v|
|v||u|
u
= v·
|u|
52 UNIDAD 4. ESPACIOS VECTORIALES

~ queda definida por el vector unitario u/|u|. Así,

La dirección del vector OA
u u v·u
!
~ = v·
OA = u
|u| |u| u · u
Esta expresión también se cumple para α > 90◦ . En este caso, la proyección apunta en sentido
opuesto a u

EJEMPLO 7 Determine la proyección del vector v = (7, 4) sobre el vector u = (1, 2)

 Solución

En el caso de los vectores dados, se tiene que

v · u = (7, 4) · (1, 2) = 7 + 8 = 15
u · u = (1, 2) · (1, 2) = 1 + 4 = 5
Por consiguiente,
v·u 15
proyu v = u = (1, 2) = (3, 6)
u·u 5
la proyección del vector v sobre el vector u es (3, 6) ◭

Teorema 4.4.4 Proceso de ortogonalización de Gram-Schmidt

Sea {v1 , · · · , vn } una base para el espacio vectorial V. El conjunto de vectores {u1 , · · · , un } defi-
nido de la manera siguiente es ortogonal. Para obtener una base ortonormal de V, se normaliza
cada uno de los vectores u1 , . . . , un .

u1 = v1
u2 = v2 − proyu1 v2
u3 = v3 − proyu1 v3 − proyu2 v3
···
un = vn − proyu1 vn − proyu2 vn − · · · − proyun−1 vn

EJEMPLO 8 Determine una base ortogonal y una base ortonormal de R3 aplicando el proceso
de Gram-Schmidt a la base B = {(1, −1, 1), (−2, 3, −1), (1, 2, −4)}

 SOLUCIÓN

Sea u1 = v1 = (1, −1, 1). Como v2 · u1 = −6 y u1 · u1 = 3, en ese caso

v2 · u1
u2 = v2 − proyu1 v2 = v2 − u1
u1 · u1
−6
= (−2, 3, −1) − (1, −1, 1) = (0, 1, 1)
3
4.6. BASE ORTONORMAL, PROCESO DE ORTONORMALIZACIÓN DE GRAM-SCHMIDT53

Ya que v3 · u1 = −5, v3 · u2 = −2 y u2 · u2 = 2, entonces

u3 = v3 − proyu1 v3 − proyu2 v3
v3 · u1 v3 · u2
= v3 − u1 − u2
u1 · u1 u2 · u2
−5 −2
= (1, 2, −4) − (1, −1, 1) − (0, 1, 1) = (8/3, 4/3, −4/3)
3 2
Así, la base ortogonal es B′ = {u1 , u2 , u3 }, donde

u1 = (1, −1, 1), u2 = (0, 1, 1), u3 = (8/3, 4/3, −4/3)

Por , normalizamos para obtener una base ortonormal B′′

1 1 1
( )
B = √ (1, −1, 1), √ (0, 1, 1), √ (2, 1, −1)
′′
3 2 6