En física, se llama vector a un segmento de recta en el espacio que parte de un

punto hacia otro, es decir, que tiene dirección y sentido. Los vectores en física
tienen por función expresar las llamadas magnitudes vectoriales.

Los vectores se representan gráficamente con una flecha. Asimismo, cuando

deben ser expresados en una fórmula, se representan con una letra coronada
por una flecha.

En Matemáticas, tratamos de abstraer las propiedades que caracterizan a los vectores para
extenderlas también a otro tipo de objetos diferentes de los vectores de la Física. Esencialmente,
el comportamiento que caracteriza a los vectores es el siguiente: • Podemos sumar dos vectores y
obtenemos otro vector; • Podemos multiplicar un vector por un número (escalar) y obtenemos
otro vector.

4.1 Definición de espacio vectorial.

Un espacio vectorial es un conjunto no vacío VV de objetos, llamados vectores, en
el que se han definido dos operaciones: la suma y el producto por un escalar
(número real) sujetas a los diez axiomas que se dan a continuación. Los axiomas
deben ser válidos para todos los vectores uu, vv y ww en VV y todos los
escalares αα y ββ reales.
Llamamos u+vu+v a la suma de vectores en VV, y αvαv al producto de un número
real αα por un vector v∈Vv∈V.

1. u+v∈Vu+v∈V
2. u+v=v+uu+v=v+u
3. (u+v)+w=u+(v+w)(u+v)+w=u+(v+w)
4. Existe un vector nulo 0V∈V0V∈V tal que v+0V=vv+0V=v
5. Para cada vv en VV, existe un opuesto (–v)∈V(–v)∈V tal que v+(v)=0Vv+(v)=0V
6. αv∈Vαv∈V
7. α(u+v)=αu+αvα(u+v)=αu+αv
8. (α+β)v=αv+βv(α+β)v=αv+βv
9. α(βv)=(αβ)vα(βv)=(αβ)v
10. 1v=v
Los espacios de n ℜ con n ≥ 1, son los ejemplos principales de espacios
vectoriales. La intuición geométrica desarrollada para 3 ℜ nos ayudará a entender
y a visualizar muchos conceptos durante el capítulo.
Subespacio vectorial y propiedades
Definición. Un subespacio vectorial V es un subconjunto H de V que tiene tres
propiedades:
a. El vector cero de V está en H 2
b. H es cerrado bajo la suma de vectores. Esto es, para cada u y v en H, la suma
u+v está en H
c. H es cerrado bajo la multiplicación por escalares. Esto es, para cada u en H y
cada escalar c, el vector cu está en H
De acuerdo con las propiedades que vimos en la primera unidad, podemos afirmar
que  R3 es un espacio vectorial.

Los espacios  Rn, con n≥1, son los ejemplos principales de espacios vectoriales. La
intuición geométrica desarrollada para  R3 nos ayudará a entender y visualizar
muchos conceptos de esta unidad.

Los vectores de  Rn  son n-uplas de números reales, o sea:

R ={(x1,x2,…,xn), con xi ∈R}
n

En  Rn , la suma de vectores y el producto por un escalar se definen así:

Sean u=(u1,u2,…,un) y v=(v1,v2,…vn)∈ Rn
u=(u1,u2,…,un)yv=(v1,v2,…vn)∈ Rn
u+v=(u1+v1,u2+v2,…,un+vn)∈ Rn
αv=(αv1,αv2,…,αvn)∈ Rn
Puede comprobarse que las operaciones definidas verifican los axiomas de
espacio vectorial.
Propiedades de los espacios vectoriales
A partir de los axiomas de espacios vectoriales, pueden demostrarse estas
propiedades que resultan «naturales»:

Propiedad 1

0u=0V0u=0V
Propiedad 2

α0V=0Vα0V=0V
Propiedad 3

(–α) u=–(αu) (–α) u=–(αu)

En particular, para α=1α=1 :(–1) u= u (–1) u=–u
Propiedad 4

αu=0V⇒α=0∨u=0Vαu=0V⇒α=0∨u=0V
Veamos cómo puede demostrarse esta última propiedad:
Si α=0α=0 , se cumple la proposición.
Si α≠0α≠0 , podemos multiplicar por 1α1α :
1 1
αu=0V⇒ α αu= α 0V ⇒u=0V

4.2 Definición de subespacio vectorial y sus propiedades.

Sea V un espacio vectorial sobre un campo F. Un subespacio vectorial de V, o simplemente

un subespacio de V, es un subconjunto no vacío W de V cerrado bajo las operaciones de
suma vectorial y multiplicación escalar de V. En otras palabras, W es un subespacio de V si se
cumplen las siguientes dos propiedades:

1. (Cerradura de la suma vectorial) Para cualesquiera u y v elementos de W, se cumple

que u+v está en W.
2. (Cerradura de la multiplicación por escalar) Para cualquier escalar c en F y
vector v en W se cumple que cv está en W.

En la entrada anterior ya vimos un ejemplo. Si tenemos un campo F y nos fijamos el espacio

vectorial F[x] de polinomios, entonces para cualquier entero n el subconjunto Fn[x] de F[x] de
polinomios de grado a lo más n es cerrado bajo la suma de polinomios y bajo el producto
escalar. De esta forma, Fn[x] es un subespacio de F[x]. Más abajo veremos muchos ejemplos
de subespacios, pero primero nos enfocaremos en algunas consecuencias de la definición.

Sus propiedades
1). El vector cero de V está
en H.2
 
2). H es cerrado bajo la suma de vectores. Esto es, para
cada u y v en   
      H, la suma u + v está en H.
 
3). H es cerrado bajo la multiplicación por escalares. Esto es, para cada

     u en H y  cada escalar c, el vector cu está en H. 

Las propiedades (a), (b) y (c) garantizan que un subespacio H de V es en sí

mismo un espacio vectorial, bajo las operaciones de espacio vectorial ya
definidas en V.

Para verificar esto, observe que las propiedades (a), (b) y (c) son los
axiomas 1, 4 y 6.
Los axiomas 2, 3, y del 7 al 10 son verdaderos de manera automática en H
porque se aplican a todos los elementos de V, incluidos aquellos que están
en H. El axioma 5 también es verdadero en H, porque si u está en H,
entonces (−1) u está en H según (c), y por la ecuación (3) de la página 217
se sabe que (−1)u es el vector −u del axioma 5.

Así, todo subespacio es un espacio vectorial. De manera recíproca, todo

espacio
vectorial es un subespacio (de sí mismo o posiblemente de espacios
mayores).
El término subespacio es usado cuando se consideran por lo menos dos
espacios, con uno dentro de otro, y la frase subespacio de V identifica a V
como el espacio más grande.

4.3 Combinación lineal. Independencia lineal.

Una combinación lineal de dos o más vectores es el vector que se
obtiene al sumar esos vectores multiplicados por escalares.

Cualquier vector se puede poner como combinación lineal de

otros que tengan distinta dirección.

Esta combinación lineal es única.

Sean v1,v2,…,vn vectores en un espacio vectorial V. Entonces

cualquier vector de la forma:

α1v1+α2v2+…+αnvn
donde α1v1+α2v2+…+αnvn son escalares se denomina combinación
lineal de v1,v2,…,vn. 

Todo vector V = (a, b, c) en R3 se puede expresar como

i = (1,0,0); 
j = (0,1,0);
k =(0,0,1)

V = (a, b, c) = a(i) + b(j) + c(k)

Entonces se dice que V es una combinación lineal de los 3 vectores i,j,k.

Desarrollo del tema

Recuerda:

 Para que los vectores se puedan sumar deben ser del mismo tamaño.

Recuerda:
  Si multiplicas un escalar por un vector, se debe multiplicar el número a
cada componente del vector. Por ejemplo, si c = 2.

Combinaciones lineales
 Se dice que un vector es una combinación lineal si puede
representarse como la suma de otros vectores multiplicados por
escalares.

 En algunas ocasiones no sabremos el valor de los escalares, por lo que

debemos calcularlos.

 Para eso los convertimos a un sistema de ecuaciones algebraico:

Por lo tanto, el escalar alfa es 2, el escalar beta es 1 y el escalar gamma es 1.  

Lo mismo aplica en la suma de matrices:

  Se dice que la Matriz C es una combinación lineal de la Matriz A y
de la Matriz B. 

Independencia lineal
Los vectores son linealmente independientes si tienen distinta
dirección y sus componentes no son proporcionales.

Un conjunto de vectores {v 1,v2,…,vk} es un espacio vectorial V

es linealmente dependiente si existen escalares c1,c2,…,ck, al menos
uno de los cuales no es cero, tales que:

c1v1+c2v2+…+ckvk=0

Si los vectores no son linealmente dependientes, se dice que son

linealmente independientes.

Criterios de Independencia Lineal

Sean u1, u2, …,uk k vectores en Rn y A la matriz que tiene como
columnas a estos vectores, los vectores son linealmente independientes
si el sistema Ax = 0 tiene únicamente solución trivial.
Los vectores son linealmente dependientes si el sistema Ax=0 tiene
soluciones no triviales (solución múltiple).

Si k=n
Los vectores son linealmente independientes si A es invertible

Si k>n
Los vectores son linealmente dependientes.

Dos vectores en un espacio vectorial son linealmente dependientes si

uno de ellos es múltiplo escalar del otro.
Un conjunto de vectores linealmente independientes en n contiene a lo
más n vectores.

Tres vectores en 3 son linealmente dependientes si y sólo si son

coplanares, esto es, que están en un mismo plano. 

Teoremas

1. Cualquier conjunto que contenga al vector 0 es linealmente dependiente.

2. Cualquier conjunto que contenga un único vector diferente de cero, v ≠0, es
linealmente independiente.
3. Cualquier conjunto formado por dos vectores diferentes de cero, S = {v 1, v2}, donde
v1 ≠ 0, v2 ≠ 0, es linealmente dependiente si, y sólo si, uno de los vectores es
múltiplo escalar del otro.
4. Cualquier conjunto que contenga un subconjunto linealmente dependiente es
linealmente dependiente.
5. Cualquier subconjunto de un conjunto linealmente independiente es linealmente
independiente.

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

Base.

Se dice que un conjunto de vectores B={V1, V2,…, Vn} forman una base
del espacio vectorial V si:

1.- Los vectores de “B” pueden generar todo el espacio vectorial V.

Lo que quiere decir, Dada una base: B= {U1, U2,…, Un}; Debe ser capaces
de generar a todos los elementos sin excepción de nuestro espacio
vectorial “V”.

2.- Todos los elementos de la base” B” deben ser linealmente

independientes.
 NOTA. Los vectores linealmente independientes tienen distinta
dirección y sus componentes no son proporcionales.

3.- Todo elemento de “V” se puede escribir de manera única como una
combinación lineal de los elementos de la base “B”, es decir “B” es un
sistema o conjunto generador de “V”.

Dada la base “B= {U1, U2, …, Un}” y un vector “V= {α1, α2…αn} Que
reciben el nombre de coordenadas del vector V en la base B”, éste se
puede escribir de la siguiente forma:

V= (α1*U1) +(α2*U2) +…+(αn*Un)

Ejemplos.

1. La base canónica (o base natural, o base estándar) de ℜ n: e1 = (1,0, . . ,0)

e2 = (0,1, . . . ,0) ……. en = (0,0, . . . ,1) – Son linealmente independientes
porque forman un determinante no nulo. – Son sistema generador de ℜ n
porque todo vector (a1, a2, . . ., an) ∈ ℜ n se puede expresar como
combinación lineal de ellos: (a1, a2, . . ., an) = a1(1,0, . . . ,0) + a2(0, 1,.,0)
+ . . . + an(0,0,. . . ,1)
2. Otra base de ℜ 3 distinta de la canónica: (1,0,0), (1,1,0), (0,2,-3).

– Son linealmente independientes porque forman un determinante no

nulo. – Son sistema generador de ℜ 3 porque cualquier vector (a, b, c) se
puede poner como combinación lineal de ellos. En efecto, dado (a, b, c),
buscamos α, β γ que satisfagan

(a, b, c) = α (1,0,0) + β (1,1,0) +γ (0,2,-3)

Se obtiene un sistema:
 α + β = a β +2γ =b -3γ = c

en las incógnitas α, β γ, que es compatible determinado para cualesquiera

a, b, c.

3. (1,2,3), (4,5,6), (7,8,9) en ℜ 3 no forman base porque no son linealmente

independientes (su determinante es nulo).
4. Base de un subespacio. En ℜ 3, consideremos el subespacio S= plano XY.
Veamos que los vectores (3,2,0), (1, –1,0) forman una base de S.

– Son linealmente independientes, porque uno no es múltiplo del otro.

– Son un sistema generador de S: Dado un vector genérico de S, de la

forma (a, b,0), lo podemos poner como combinación lineal de (3,2,0), (1,
–1,0). Para ello, buscamos α, β que cumplan:

(a, b,0) = α (3,2,0) + β (1, –1,0)                 3α + β = a

2α – β = b

Dimensión.

La dimensión de un espacio vectorial es el número máximo de vectores

linealmente independientes que éste contiene.

-Sí el número de vectores es finito, la dimensión es un número natural

(desde el cero). “Y se dice que la base es finita”.

-En caso contrario se llama base infinita del espacio.

-Todas las bases tienen la misma cantidad de elementos.

Los conjuntos de vectores de R2 tienen una dimensión vectorial = 2.

Los conjuntos de vectores de R3 tienen una dimensión vectorial = 3.

Las matrices M2*2 tienen una dimensión vectorial =4

Las matrices M3*3 tienen una dimensión vectorial = 9

cambio de base

Cuando se elige una base B para un espacio vectorial V de

dimensión n, la función de coordenadas asociada sobre Rn
proporciona un sistema de coordenadas para V. Cada x en V se
identifica de manera única con su vector de B-coordenadas
[x]B.

En algunas aplicaciones, inicialmente se describe un problema

usando una base B, pero la solución del problema se facilita al
cambiar la base B a una nueva base C.

Teorema

Sean B = {b1, . . . , bn} y C = {c1, . . . , cn} las bases de un espacio

vectorial V.

Entonces existe una sola matriz P C←B de n × n tal que

[ x ]C = P C←B [ x ]B (4)
Las columnas de P C←B son los vectores de C-coordenadas de
los vectores de la base B.

Esto es,

P C←B = [b1]C [b2]C · · · [bn]C]

La matriz P C←B del teorema se denomina matriz de cambio de

coordenadas de B a C. La multiplicación por P C←B convierte
B-coordenadas en C-coordenadas.

En la figura se muestra la ecuación de cambio de coordenadas.

Las columnas de P C←B son linealmente independientes

porque son los vectores de coordenadas del conjunto
linealmente independiente B.

Como P C←B es cuadrada, debe ser invertible, según el teorema

de la matriz invertible. Al multiplicar por la izquierda ambos
lados de (4) por (P C←B) −1 se obtiene
 (P C←B) −1 [ x ] C = [ x ]B

Entonces (P C←B) −1 es la matriz que convierte C-coordenadas

en B-coordenadas. Esto es,

(P C←B) −1 = P B←C

Cambio de base en Rn

Si B = {b1, . . ., bn} y E es la base estándar {e1, . . ., en} en Rn,

entonces [b1]E = b1, y lo mismo es válido para los otros
vectores en B. En este caso, P E←B es igual a la matriz de
cambio de coordenadas PB que se introdujo, a saber,

PB = [ b1 b2 · · · bn]

Para cambiar coordenadas entre dos bases no estándar en Rn,

se requiere el teorema. El teorema establece que, para resolver
el problema de cambio de coordenadas, se necesitan los
vectores de coordenadas de la base anterior relativos a la base
nueva.

4.5 Espacio vectorial con producto interno y sus propiedades.

Producto Interno: Un producto interno sobre un espacio vectorial V es una operación que asigna a
cada par de vectores u y v en V un número real. Un producto interior sobre V es una función que
asocia un número real ‹u, v› con cada par de vectores u y v cumple los siguientes axiomas:

Propiedades:

i. (v, v) ≥ 0

ii. (v, v) = 0 si y sólo 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. (αu, v) = α (u, v)

vii. (u, αv) = α (u, v)

Espacios con producto interior:

El producto interior euclidiano es solo uno más de los productos internos que se tiene que definir
en Rn Para distinguir entre el producto interno normal y otros posibles productos internos se usa
la siguiente notación. u ●v = producto punto (producto interior euclidiano para Rn) ‹u, v› =
producto interno general para espacio vectorial V.

Propiedades de los productos interiores:

1. ‹0, v› = ‹v, 0› = 0

2. ‹u + v, w› = ‹u, w› + ‹v, w›

3. ‹u, cv› = c‹u, v›.

Un espacio vectorial con producto interno se denomina espacio con producto interno.

4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt.

4.6 BASE ORTONORMAL PROCESO DE

ORTOGONALIZACION DE GRAM-SCHMIDT
En álgebra lineal, el proceso de ortonormalización de Gram–Schmidt es un algoritmo para
construir, a partir de un conjunto de vectores linealmente independientes de un espacio
prehilbertiano (usualmente, el espacio euclídeo Rn), otro conjunto ortonormal de vectores que
genere el mismo subespacio vectorial.

El proceso se basa en un resultado de la geometría euclídea, el cual establece que la diferencia

entre un vector y su proyección sobre otro, es perpendicular al primero. Dicho resultado constituye
una herramienta para construir, a partir de un conjunto de dos vectores no paralelos, otro conjunto,
conformado por dos vectores perpendiculares.

Este algoritmo recibe su nombre de los matemáticos Jørgen Pedersen Gram y Erhard Schmidt.

Interpretación Geométrica
En el espacio euclídeo  (R3, ·)  con el producto escalar usual definido, se propone un método para
encontrar un sistema de vectores, perpendiculares entre sí, a partir de tres vectores
no coplanarios cualesquiera. Sean v1, v2, v3 dichos vectores.

El método consiste de dos proyecciones. La base ortogonal de R3 compuesta por u1, u2, u3, se

calcula de la siguiente manera.

1. Se escoge arbitrariamente uno de los vectores dados, por ejemplo u1 = v1.

1. u2 se calcula como la diferencia entre v2 y el vector que resulta de proyectar
a v2 sobre u1. Dicha diferencia es perpendicular a u1. Es equivalente afirmar que u2 es la
diferencia entre v2 y el vector que resulta de proyectar a v2 sobre la recta que genera u1.
1. u3 es la diferencia entre v3 y el vector que resulta de proyectar a v3 sobre el plano
generado por u1 y u2. La diferencia de vectores tiene como resultado otro vector que es
perpendicular al plano.

Esta sencilla interpretación del algoritmo para un caso que puede verse es susceptible de
generalización a espacios vectoriales de dimensión arbitraria, con productos internos definidos, no
necesariamente canónicos. Dicha generalización no es otra que el proceso de Gram-Schmidt.

Proceso de ortonormalizacion de Gram-Schmidt:

Sea H un subespacio de dimensión m de Rn. Entonces H tiene una base

ortonormal.

Sea S=    una base de H. se probara el teorema

construyendo una base ortonormal a partir de vectores en S. antes de dar

los pasios para esta construccion, se observa el hecho sencillo de que un

conjunto de vectores linealmente independiente no contiene al vector cero.

Paso 1. Elección del primer vector unitario

Sea (12)  

Entonces  

De manera que |u|=1.

Paso 2. Elección de un segundo vector ortogonal a u.

Como anteriormente se ha visto que, en R2, el vector    

es la ortogonal a v. en este caso es la    proyección de u sobre v.

esto se ilustra en la siguiente figura.

Resulta que el vector w dado es ortogonal a v cuando w y v están en Rn

para cualquier n≥2. Obsérve que como u es un vector unitario,

 para cualquier vector v.

Sea (13)    

entonces     de

manera que v’ es ortogonal a u. mas aun, por el teorema, u y v´son

linealmente independientes. v’≠0 porque de otra manera 

   lo que contradice la independencia de

v1 y v2.

Paso 3. Elección de un segundo vector unitario.

Sea (14)     entonces es evidente que {u1,u2} es un conjunto

ortonormal.

Suponga que se han construido los vectores u1, u2,…,uk(k<m) y que

forman un conjunto ortonormal. Se mostrara como construir uk+1.

Paso 4. Continuación del proceso

Sea (15)    entonces

para i=1,2,…,k 

Pero    Por lo tanto,

Así,    es un conjunto linealmente independiente,

ortogonal y v´k+1≠0.

Paso 5

Sea 

Entonces es claro que    es un conjunto ortonormal

y se puede continuar de esta manera hasta que k+1=m con lo que se

completa la prueba.

Nota. Como cada u es una combinación lineal de vectores v, gen

  es un subespacio de gen    y como

cada espacio tiene dimensión k, los espacio son iguales.

citas bibliográficas

4.3 Combinación lineal - Sistemas Algebra Lineal. (s. f.).

https://sites.google.com/site/sistemasalgebralineal/unidad-4---espacios-vectoriales/

combinacion-lineal

4.3 Dependencia e Independencia lineal - Sistemas Algebra Lineal. (s. f.).

https://sites.google.com/site/sistemasalgebralineal/unidad-4---espacios-vectoriales/

independencia-lineal

4.5 espacio vectorial con producto interno. (s. f.). r117189.PDF. Recuperado 29 de

diciembre de 2022, de

https://hopelchen.tecnm.mx/principal/sylabus/fpdb/recursos/r117189.PDF

4.6 Base ortonormal, procesos de ortonormalización de Gram-Schmidt. (2022, 30

diciembre). Unknown. Recuperado 29 de diciembre de 2022, de

http://algebragoals.blogspot.com/2015/12/46-base-ortonormal-procesos-de.html

BASES VECTORIALES Y DIMENSIÓN. (2016, 14 marzo). Algebra lineal.

https://lineal2cx07.wordpress.com/2016/03/14/bases-vectoriales-y-dimension/

Cambios de Base. (2016, 8 abril). Algebra lineal.

https://lineal2cx07.wordpress.com/2016/04/08/cambios-de-base/

Clase digital 14: Combinaciones lineales. (2021, 27 noviembre). Recuperado 29 de

diciembre de 2022, de https://blogs.ugto.mx/rea/clase-digital-14-combinaciones-

lineales/

Gómez, F. P. I. Y. (2017, 8 noviembre). Espacios y subespacios vectoriales - Definición,

propiedades y ejemplos. Álgebra y Geometría Analítica.

https://aga.frba.utn.edu.ar/espacios-y-subespacios-vectoriales/
Lineal, A. (2022, 30 diciembre). 4.6 BASE ORTONORMAL PROCESO DE

ORTOGONALIZACION DE GRAM-SCHMIDT.

http://algebraitesielectroma.blogspot.com/2016/11/46-base-ortonormal-proceso-

de.html

Sandoval, L. I. M. (2020, 20 agosto). Álgebra Lineal I: Subespacios vectoriales. El blog de

Leo. https://blog.nekomath.com/algebra-lineal-i-subespacios-vectoriales/

Subespacios vectoriales. (2016, 14 marzo). Algebra lineal.

https://lineal2cx07.wordpress.com/2016/03/11/espacios-vectoriales-definicion-de-

david-c-lay/