Capitulo 4 ESPACIOS VECTORIALES 4.1. Introduccién Después de haber estudiado los veetores de R” y las matrices, podemos notar cierta similitud entre las propiedades dle sus operaciones bésicas (suma y mnultiplicacién por escalar) lo cual no es casual. En realidad, los vectores de A" y las matrices son dos ejemplos amay importantes de aquellos conjuntos en los cuales hay: definidas dos operaciones como la suma y la multiplicacién por escalar, las cuales tienen ciertas propiedades (como las probadas para los vectores de A" y las matrices). En este eapitulo, estudiaremos este tipo de ‘conjuntos, a los cuales lamaremos Espacios Vectoriales, con el fin de analizar, en forma general, las conse- ccuencias o ventajas de tener un conjunto con estas dos operaciones, sin tener que demostrarlas para cada caso particular. Centraremos nuestra atencién en el estudio de los espacios veetoriales de dimension finita donde los escalares sou ndimeros reales (espacio vectorial real finito), ya que estos nos permmiten visualizar luna amplia gama de conjuntos dotados con este tipo de operaciones como si fuera el conjunto de vectores de R", para un n en particular. Concretamente, en este capitulo, generalizaremos los conceptos de vector, combinacion lineal, independencia lineal, conjuntos generados y generadores, norma, paralelismo y ortogonalidad, los cuales sera, en apariencia, iguales a los dados en el Capitulo 2. Con base en lo anterior, introduciremos los conceptos de base, de dimension y de componentes de wm vector en una base, lo cual nos permitiré analizar y hacer eflculos sobre cualquier espacio vectorial real finito como si se tratara de A", lo que resalta la importancia de conocer muy bien las propiedades de los vectores en 2”. 4,2. Definicion y Propiedades Basicas Definicion 1 [Espacio vectorial]. Sea V un conjmto no vacio en el cual se han definido dos operaciones, Vamadas sma y multiplicacién por escalar (dados los elementos u y v de V y un escalar A de R, la suma de wy v Ia denotamos w+ v y la multiplicacién por esealar de A por ut la denotamos Au). Si las siguientes propiedades 0 axiomas se satisfacen pura todo u,v y w de Vy para todo par de escalares a y 3 de R, entonces se dice que V es un espacio vectorial real y sus elementos son lamadas vectores. 1. UV EY. Propiedad clausurativa para la sua, 2 wtv—v+u. Propiedad conmutativa para la suma. 3. (U+y) Fw = 0+ (v+w). Propiedad asociativa para la suma. 4, Existe un iimico elemento 0 € V, tal que u+0 = u, para todo w € V. Propiedad modulativa para ta 5. Para cada w€ V, existe un dnico elemento —u ¢ V, tal que u+(—u) = 0. Bristencia del opuesto para la sure, 4718 CAPITULO 4, ESPACIOS VECTORIALES 6. aN€ V. Propiedad clausurativa para la multiplicacién por escalar 7. a(utv) an + av. Propiedad distributiva respecto la suma de vectores. 8. (@+.8)u= au + Bu, Propiedad distributiva respecto ta suma de esealares 9. a(du) = (o3)u 10, u=u. Observemos que un espacio vectorial V se define como un conjunto de elementos en el cual estén definidas dos operaciones suma y producto por escalar que satisfacen las 10 propiedades anteriores y que no se espe- Gifica la naturaleza de los elementos de V ni de las operaciones. Con frecuencia, las operaciones tendran la naturaleza de la sua y multiplicacion que nos es familiar, pero en otros casos uo. Como lo mencionamos ox la introduecién, ya tenemos dos ejemplos de espacio vectorial real, los veetores de R" con la susma y el producto por escalar definidos en el Capitulo 2 y el conjunto de las matrices de un tamaiio dado con la suma y la multiplicacion por escalar definidas en el Capitulo 3. Jos otros ejemplos que presentaremos, debemos deseribir 0 caracterizar los clementos del conjunto, es pecificar las operaciones y verficar que se satisfugan los 10 axiomas de la Definiciin 1, De los axiomas, por razones que entenderemos mas adelante, es conveniente primero verificar los Axiomas 1 y 6 (propieda- des clausurativas), luego los Axiomas 4 y 5 (axiomas de existencia) y luego los dems que son propiedades relacionadas eon las operaciones, mis que cou los elementos © veetores del espacio veetorial En los Capitulos 2 y 3, cuanido definimos e! producto por escalar en los vectores de R” y en las matrices, nos referimos a un escalar como un nimero real, pero en realidad podriamos pensar en otros conjuntos de esealares, por ejemplo, los nfimeros racionales © los nimeros complejos. Bn. la mayoria de los easos, los escalates seran mimeras reales (espacios veetoriales reales o simplemente espacios veetoriales), y, mientras xno digamos lo contrario, asi lo asumiremos. Ejemplo 1. Sea P; el conjunto de todos los polinomios de grado menor o igual a 2. Es decir, =0,1,2}, Si definimos la suma y el produeto por escalar como se hace habitualmente; esto es, dados Pa = {p(2) = a9 tare + age? sa; € Ry P(e) =aq bare tase? y gle) =by + bie + bea?, dos polinomios de grado menor o igual a 2, y A, un escalar, entonces Plz) + ale) = (aa + bo) + (an + br)x + (az + ba) Ape) = (Ago) + (Aare + (Aa2)2”. Bs facil verificar que al sumar dos polinomios de grado menor o igual a dos, obtenemos un polinomio euyo grado es menor o igual a dos (Axioma 1) y que al multiplicar un polinomio de grado k <2 por un escalar, obtenemos de mievo un polinomio de grada k, a menos que el escalar por el que multipliquemes sea 0, en ceuyo caso, el polinomio es 0 (el polinomio cuyos coeficientes son 0) (Axioma 6). La existencia del vector mulo (Axioma 4) es clara, el vector nulo es ¢l polinomio 0, y el epuesto para la suma de un polinomio plz) ~ ay + az + ay2? es el polinomio cuyas coeficientes son los opuestos de los de p(2), ~ pla) = ao — ay — az2" (Axioma 5). Los dems axiomas se verifican fécilmente, Verifiquemos el Axioma 9.y dejemos los demas como ejercicio para el lector. Tenemos que alpp(z)] = alfa +12 + a22*)] alag + Bayz + Sagz*| (08)aq + (aB)ax2 + (0)as2" (08)(ay +12 + 022") (a8)p(x)42. DEFINICION Y PROPIEDADES BASICAS 119 Por tanto, P, es im espacio veetorial o Después de este ejemplo, podemos pensar en muchos mas ejemplos similares: los polinomios de grado menor o igual an, Py = (plz) — ay + arr + age? +... +aq2" :a; € R,i=0,1,2,...,m}, eon operaciones suma y rultiplicacion por escalar definidas similarmente, para cualquier m = 0, 1,2, Ejemplo 2. Observemos que el conjunto de polinomios de grado igual a n, con n fijo yn > 1, con las suma y Ia multiplicacién por escalar definidas como antes, no es um espacio vectorial. En efecto, dicho conjunto no tiene el elemento neutro de Ja suma: el polinomio 0. (aunque te para concluir que dicho conjunto no es un espacio vectorial, notemos que mi la suma mi la m_ por escalar satisiacen la propiedad clausurativa), o Ejemplo 3. Sea [0:1] el conjunto de todas funciones de valor real definidas en el intervalo [0:1]. Si definimos suma y multiplieacion por escalar como lo hacemos habitualmente en céleulo: dadas f y g, dos funciones de valor real definidas en [0; 1], tenemos que (f+ ae) =F) + ole} ¥ ONC) = ALF. En otras palabras, Ia suma de dos fimeiones f yg es la funcién (f +g) tal que el valor que toma en 2 es In suma de los valores que toman fy g-en st. De manera similar, el producto por escalar de A por f es la fumeién Af, cuyo valor en x es A veces el valor de fen =. De la definicion de las operaciones, es claro que los Axiomas 1 y 6 se satisfacen. Tomando 0, el elemento milo, como la funcion cuyas imégenes son todas 0, se satisface el Axioma 4 y tomando (—1)f como el opuesto de J se satisfuce el Axioma 5. La verificacién de los demas axiomas es inmediata y se deja como ejercicio para €l lector. Asf, [0:1] es um espacio vectorial o Es ficil ver que al tomar cualquier intervalo [a;5] en lugar del intervalo (0; 1] en el ejemplo anterior, tenemos ‘tro gran mstmero de ejemplos de espacio vectorial Ejemplo 4. Otro ejemplo sencillo de am conjumto que no es espacio veetorial real es Z, los nfimeras enteros, con la suma y multiplicacién por escalar habitual, va que el Axioma 6 no se satisface: al multiplicar un entero por un mrimero real como V2, el resultado no es un mimnero entero. o Ejemplo 5. Sea 71 el hiperplano de R¢ cuya ecuacién es 2rr —sr2 + 31g ~ 0. Verifiquemos que 7, con la sma y la multiplicacién por escalar definidas en R', es un espacio vectorial nm a“ sip=| =| © | estén en 74, tenemos que ps [XO] as “ m a 2m Pot 3p =0 y Bg — a +34 =0. mata Ra Los Axiomas 1 y 6 se satisfacen, jue (P- =| ete ly ype 2 | estén en H, puesto que y vaque(P+Q)=| BT® | y ea HL, puesto q Patqa Mpa 2p ban) — (Da 44a) + 3h +9) = Rds — pa + Bps) + Rage 4844) =0-F0=0 . 2(\p2) — pa) + 80Apa) = Apr — Pa + 8px) = A0 = 0. Bs claro que 0 € Ht: 2-0—04-3-0 = Oy que ~P € Hp) ~ (-pa)-+3(—p4) = ~2py—pr-3p,) = 0 = 0. Asi que se satisfacen los Axiomas 4 y 5, Los demas axiomas se satisfacen claramente, ya que se satisfacen para los elementos de R! (en particular, para los elementos de 7). Ast que H es un espacio vectorial, 0 Este dltimo ejemplo es un caso especial, ya que Hes un espacio vectorial contenido en otro espacio vectorial (R'). Los espacios veetoriales como tienen un nombre especial, por su importancia tanto practica come teodrica,120 CAPITULO 4, ESPACIOS VECTORIALES 4.3. Subespacio Vectorial Definicién 2 [Subespacio vectorial]. Sea Vn espacio vectorial y sea H un subconjunto de V. Si Hes espacio vectorial con los mismos escalares y las mismas operaciones que V, decimos que HT es un subespacio de V. Una de las ventajas del concepto de subespacio es que para demostrar que un subeonjunto de wn espacio vectorial es en si mismo un espacio vectorial, no es necesario mostrar que se satisfacen los 10 axiomas, como ‘vimos en el Ejemplo 5; basta con verificar solo dos de los 10 axiomas de la definicion, como lo establece el siguiente teorema. Teorema 1 |Carncterizacién de subespacio) Sea V un espacio vectorial y Hun subconjunto no vaefo de V. HT es.um subespacio vectorial de V, si y solo si, los elementos de HY satisfacen las propiedades clausurativas para la suma y el producto por escalar (Axiomas 1y 6). Demostracién: Supongamos que H es wn subespacio vectorial de V, entonces H es un espacio vectorial, 1o que implica que H satisface los 10 axiomas de la definicion, en particular, e! 1 y e! 6, Supongamos ahora que HT satisface los Axiomas 1 y 6. Teniendo en cuenta que los elementos de H también son elementos de V, HT satisface también los Axiomas 2, 3, 7, 8,9 y 10 (en otras palabras, Hf hereda estas propiedades de V). Nos queda por verificar tinicamente los Axiomas 4 y 5. Sea u € H. Por el Axioma 6, Au € H para todo 4, en particular para \ = 0 y para A= —1. Asi que el elemento nulo, Ou = 0, y el opuesto de u, (Iu = =u, estan en H. o Asi, en el Ejemplo 5, para probar que 7 es un subespacio vectorial de M2, bastaba con verificar s6lo los ‘Axiomas 1 y 6. Ejomplo 6. Demnestre que Dy, el eonjunto de matrices diagonales de tamaiio n x=, es un espacio vectorial. Sabiendo que Mun, el conjunto de las matrices de tamaio mx n, es un espacio vectorial, que Dy es n0 vacio y que Dy CMyxn, por el teorema anterior, basta con verifear los Axiomas 1 y 6. Pero claramente, al sumar dos matrices diagonales y al multiplicar ta matriz diagonal por um escalar, obtenemos de nuevo matrices diagonales. Por el Teorema 1, D, 8 un subespacio vectorial de Myxn ¥ pot lo tanto, un espacio vectorial Oo Ejemplo 7. Sea P2 el conjunto de polinomios de grado menor o igual a 2, Demostremos que H = {p(2) =a + a2 + 032” +09 =0, «1,02 € Rh es um espacio vectorial Sabiendo que P, es 1m espacio vectorial y que HC Pz, sean p(x) = ay + ay -bagr? y ala) = by + by + by dos polinomios de HT. Entonces ay =D y by = 0, y por tanto, ay + by = Oy Nay = 0. Asi que pl) + ale) = (ag + are + ane*) + (by + br + bae®) = (ao +60) + (ar + br} + (a2 + ba)” pla’) = Mag + are + ax”) = (dag) + (dare + (da) son polinomios de H; por el Teorema 1, H es un subespacio vectorial de P y por lo tanto, un espacio vectorial. a Ejemplo 8. Veamos que K = {(0,y,0,1+ y)" : y € R} no es un subespacio vectorial de R¥ Basta con mostrar que uno de los 10 axiomas de la definicion de espacio vectorial no se cumple. Por ejemplo, 1 vector nulo (0,0,0,0)? no se encuentra en Xi (falla el Axioma 4). o Ejomplo 9. Demostremos que si us, ‘un espacio vectorial, Ug son veetores de A", entonces G = Gen{uy,ta,...,Uk} €44, CONCEPTOS BASICOS 121 Veainos que tanto la summa come la multiplicacién por escalar son cerradas en G. Sean uw y v dos vectores de Gy Xun nimero real. Por la definicién de conjunto generado, existen escalares aj y 3), para i= 1, 2,... 0 tales que wayyy toguy to baat y v= uy fat bo + Gat, por lo tanto, wt v= (ayy toe + gt) + (Sry +o + Sette) = (ar + ayn +o + (an + Ged, Au = Marty + att +++ oyu) = (ay uy + (ag)us +o + (ay) es decir, w+-v € G y Au € G. Por el Teorema 1, G es um subespacio de R" y por tanto, un espacio vectorial. Ejemplo 10. Verifiquemos que Hf = {( a ) abe x} es un subespacio veetorial de R?. inane (4g) -(|)s4( B)vtonaoo{(}). ($) pom resultado del ejemplo anterior, Hf és wt espacio vectorial. 4.4. Conceptos Basicos Como dijimos en Ia introduceién, en esta seccién, extenderemos los conceptos basicos de eombinacién lineal, conjunto generador, conjunto generado e independencia lineal que se estudiaron para vectores de R" en el Capftulo 2, a los veetores abstractos (elementos de un espacio vectorial). En un espacio vectorial, dado un conjunto de elementos del espacio, se puede construir um sin nimero de elementos del espacio al combinar las operaciones bisicas, como lo planteamos en la siguiente definicion, Definicién 3 [Combiny escalares, deeimos que din Kineall, Dados V, un espacio vectorial, Vi, ¥2,---,¥q,vectores de V5 1,235.2 Va ivi Pave best dan, es una combinacién lineal de los vectores v1, V2... ,Vq. A los escalares Ay, Ag,*> Ay se les lama coeficientes de la combinacién lineal. $i todos los escalares son cero, diremos que tenemos la combinacién lineal trivial de los vectores V1,¥2,--+;¥n Ejemplo 11. Dado el espacio vectorial Pp, el polinomio ~3 — Gr + 2? es uma combinacién lineal de los polinomios 1 — 22 +2? y 3+ 2%, puesto que —3-6r+ 2? = 31-20 +24) 234 2°), Pero, el polinomio 2 +2? no es una combinacién lineal de los polinomios mencionados, ya que no existen escalares a y 3 tales que Qn}? (1 — 22+ 2) + 3(3+ 2") = (a +38) —2or+ (a+ 8)z", ya que el sistema de ecuaciones lineales! ats 2 = 2a 0 = ats es inconsistente, o TRtecordemos que dos polinonios son iguales, a y solo i, sus eoeficentes correspondiontes son igunles, es decir, p(x) sy solo Si, ay = bo, a1 = bisev ny = boy Siendo 2) = ag + OLE Possy-Fncn ¥ 42) = by + baa + ony tnt122 CAPITULO 4, ESPACIOS VECTORIALES Al igual que con los veetores de A, el conjuito de todas las co:nbinaciones Ineales de um conjunto de vvectores tiene 1m nombre especial. Dofinicién 4 [Conjunto generado y eonjunto generador|. Sean V, un espacio vectorial, y v1.2 weetores de V. Definimos conjunto generado por v1,¥2,---,¥& al conjunto de todas las combinacion« de vi, V3, ..6, V4, Lo que representaremos por Vk Tineales Gen{va. va...-5VEh Ademés, si H = Gen{vi,¥2y...,¥i}s va} es un conjunto generador de H, Ejemplo 12. Verifiquemos que {1~ 2, 22, 1-42} es un conjunto generador de Ps Debemos demostrar que cualquier polinomio de grado menor o igual a 2 es combinacién lineal de los po- inomios 1 —2, 2°, 1+, En otras palabras, que dado wm polinomio ay + ax + agx®, existen escalares Dada, As € AR, tales que ag + are -+az2? = 2a(1— 2) + Ase? + Ag(1 +2) 0 lo que es equivalente, que fag + aye +092" = (M1 +g) + Og —Ax)e-+ Ave. Por la igualdad entre polinomios, el problema se reduce a dcterminar si el sistema de ecuaciones lineales iremos que {v1,¥2,- ay = M+ a = 4M ay = & 101 tiene solucién para todo (ao, «1, 2)". Alescalonar la mattiz de coeficientes del sistema, obtenemos { 0 1 0 002 fe soluci6n, de donde podemos coneluir scion lineal de los polinomios Como todas las filas tienen pivote, el sistema anterior siempre que, efectivamente, cualquier polinomio de grado menor o igual a 2 es com 1—a, 22, 14-2) es decir, conforman un conjunto generador de Ps oO js s es sw oe a 8 un conjunto generador de Biemplo 18, Dicmienoe = {(42).(2 4). (1 2) erm enim goat Moxa, el espacio vectorial de las matrices de tamatio 2 x 2. at Veamos si cualquier matriz de © Mox2. Determinemos 1 nailo 2 x 2 pertenece a Gen M. Sea ie . a b\)_ (10), ,fo1 10)_faty 8 ests eclan ovarian te (€ H)=o(4 2)4a(2 P)er(1 2)=( 982 2), lo que es equivalente, por la igualdad de matrices, a determinar si el sistema de ecuaciones lineales a = aty a) © = Bty d=a tiene solucién para todo (a,b,c, d)". Como la matriz de coeficientes de este sistema y una forma escalonada. eqquivalente son, respectivamente, 1 0 1 D podemos concluir que el sistema no siempre tiene solucién y por tanto, no toda matriz de Max9 ¢s una combi ald a matin de M rig que a mats (1) ema de li. Porto,44, CONCEPTOS BASICOS 123 AM no es un conjunto generador de Mo, ven (8) (3) (1) (mer Veaios si cualquier vector de R* pertenece a Gen S. Sea (21,22,273)” € R° y verifiquemos si existen escalares Dada, Anse tales que n 1 1 1 1 Ait Ag Aa Aa a }=Mfo]+ro( 1 )ears( 1 foal 2)=[ r2tasr2 as 0 0 1 3 ds $34 lo que es equivalente a determinar si el sistema de ecuaciones lineales my = M+A tat zz = AstAg +20 za = As +3\4 tiene solucion para todo (11,.r2,2"5)"- Como la matriz de coeficientes de este sistema, que coineide con su forma esealonada, 8 rraid tetas 00138 podemos concluir, que todo veetor de R° es una cor conjunto generador de R°. En general, el conjunto generado por cualquier subconjunto no vacio de veetores de un espacio vectorial ces un subespacio vectorial (y por tanto, un espacio vectorial); ademas, es el subespacio més pequeiio? que contiene e! subconjunto de vectores, como lo planteamos en e! siguiente teorema. Teorema 2 |Subespacio ménimo que contiene un subeonjunto}. Si Ses un subconjunto de un espacio veetorial V, entonces Gen $ es un subespacio de V. Ademis, si Hes otro subespacio de V que contiene a $, entonces if contiene a Gen S. Domostracién: Aunque el teorena es vilido para situaciones més generales, proburemos el resultado solo para cuando $ es un conjunto finito. Probemos primero que Gen $ es subespacio de V. Sea $= {v1,v2,....vi} ¥ sean r,t € Gen S, de modo que ty = Ava + Aave test Aave Me = vib yava +b ave Entonces, uy tte = Qavn Pave toe tava) + (unvi t pava beet ave) = (ME payne bade tb Oat pave ay = (ivi dave e+ Ane) = (odin + (odav2 +--+ (ode)ve. Por tanto, uy +z ¥ au son combinaciones lineales de v1, Vz,-..,V; és decir, se encuentran en Gen S, por o cual, podemos concluir que Gen $ es un subespacio de V. iis poquetio en el sentido de contenencia de conjuntos.124 CAPITULO 4, ESPACIOS VECTORIALES Ahora, probemos que Gen S es el subespacio ands pequelio que contiene @ S. Sea Hun subespacio vectorial de V tal que S CH. Como los elementos de H satisfacen las propiedades clausurativas para la suma y el producto por escalar, cualquier combinacién lineal de los elementos de S$ pertenecen a H; es decir, Gen SCH, o Uno de los conceptos nas importantes del algebra lineal es el de dependencia lineal de un conjunto de elementos de un espacio vectorial, el cual esté intimamente relacionado con la forma de escribir el vector 0 ‘como combinacién lineal de estos elementos, lo cual expresamos en la siguiente definicion. Definicién 5 [Conjunto de vectores linealimente dependiente]. Sea V un espacio vectorial. Diremos que el conjunto de vectores {v1,¥2,-.+,¥n} © V €s linealmente dependiente(ld.), si existen escalares d1,A2,..+, nv no todos cero, tales que Mivi tb Aava beset avn = 0. En caso contrario, diremos que el conjunto de vectores {V1,v2,...,¥n} es linealmente independiente (L4i.); decir, si siempre que Avi + AoV2 +--+ AwVa =O , se tiene que Ay = Ao = Mn = 0; en otras palabras, um conjunto de veetores v1, v25.-+,¥n es linenlmente independiente, sila tmica combinacién lineal de Vi, ¥24-+65¥q igual a cero es la combinacién lineal trivial Ejemplo 15. Determinemos si el conjimto de polinomios $= {1 —2-+2°,14+2—2°,1 42-42%} es Ld. Eneontremos los escalares Ai, 2 ¥ As tales que MU -2t2)b Ml +22) 4Ag(l +2427) = 0, Qn Ab AS) FOAL EA FAs) + On Aa As) = 0 6 lo que es equivalente, resolvamos el sistema de ecuaciones lineales Mthtrs = 0 “MtAet As = 0 (41) da detAs = 0, caya mat de coeficientes y una forma escalonada equivalente son road rid “lb o1d y o22), r-1d 002 respectivamente, de done coneluimos que no hay variables libres en el sistema (4.1); es decir, que el sistemna homogéneo (4.1) tiene sohucién tinica (el vector mule) y por tanto, $ es un conjunto de vectores Li o Bjemplo 16. Determinemos si T= {1 — 2, 22-22, —14 22, 14+2-+ 22} es um eonjunto de vectores Li Veamos si existen tin cos escalares 4,2, 09,4, tales que ay (1 — 2) + a2(2r — 2) + ag(—1 + 2?) + ag(1 tet (01 — a5 + a4) + (ay + 2g + a4)e + (—02 + 2s + 04); suaciones lineales lo que es equivalente a verificar si existe solucion tinica para el sistema de aay +a, = 0 ay 20g tay = 0 (42) =ay+2a3+a4 = 0, cuya mattiz. de coeficientes y una forma escalonada equivalente son eet feo tel pier y o2 12), o-1 21 00 32 244, CONCEPTOS BASICOS 125 respectivamente. La segunda matriz indica que en el sistema (4.2) a4 es una variable libre; es decir, que dicho sistema tiene infinitas soluciones y por tanto, T’no es um conjunto de vectores hi o Los conjuntos linealmente dependientes y los conjuntos linealmente independientes tiene propiedades bien interesantes; algunas de ellas los earacterizan, como lo planteamos en el siguiente teorema Teorema 3 |Propiedades de independencia y dependencia lineal} Dado un espacio vectorial V y 5 un subeonjunto de V. 1, Si $ contiene el vector 0, § es un conjunto linealmente dependiente, 2. SiS consta de do: por esealar del otro’. Jementos, $ es linealmente dependiente, si y solo si, uno de ellos es un maltiplo 3. SiS contiene un subconjunto linealmente dependiente, $ es linealmente dependiente, 4. Si $ es linealmente independiente, cualquier subconjunto de § es también Iineslmente independiente. Demostracién: Nuevamente, aunque los Resultados 1, 3 y 4 son validos en general, demostremos los dos ‘iltimos resultados cuando $ es un conjunto finito. 1. Dado que AO =0 para todo A, el resultado es inmediato. 2. Seu § = {vive}. Si S es Li, entonces existen escalanes dy y Ay tales que ivi + Aave = 0, donde al menos tno de los dos escalares es diferente de cero. Sin pérdida de generalidad, supongamos que Da #0, asf que vi = ~¥2v2. Ahora, si vi de vy ¥ V2 igual 0, vy — jive =O, que no es la trivial; por tanto, $ es un conjunto de vectores lu. ava, entonces podemos obtener una combinacién lineal 3. Sea T = {v1,Vo,-...¥,} un subconjunto de $ = {vy,¥2,-.-.¥E, Vasas---+Va}- Si Tes Ld, existen DisAaseoes Au no todos 0, tales que Arva-+ ova best Agve =O. AS! ane Aivy hava t Ava Over Fo. + OV = Oy por tanto $ es Lit AL Sea T = {vi,V2,...,¥g} un subconjunto de § = {v1,v2,....Vk,Vivte-.+sVn}- SiS es Li, entonces Miva + ava +e bh AR Va + AR Ver +... + AnWn = 0 implica que Ay = = Ae = Ae = = An = 0. En particular, si Avi + Age + AgVe =O, entonces Arvy + Agve +... + Agva + OVew + + 0vq = 0 lo que implica que Ay = Az =... = Az =D; por lo tanto T es un conjunto Li a Establezeamos ahora algunos resultados que relacionan los conceptos de conjunto generador, eonjunto gene ado y conjunto de vectores linealmente independiente. Teorema 4 |Propiedades de un conjunto tinealmente independiente Sea $= {v1,V2,-...¥a} un conjunto de veetores Li. de un espacio vectorial V 1, Siv Gen S, entonces v se escribe de manera tinica como combinacién lineal de los vectores de S, otras palabras, si Avi bAave bb Anvn AVE faVa be pany entonces Mr atts Aa pay oy An = Bn 2. Siv g Gen S, entonces el eonjunto {v1, v2,---; Var WH e8 Lk 7Ohservenice quo este resultado no es vilido aS consta de.3 0 mis elementos; Por su simplicdad, se enuncia este resultado ‘pero es un caso particular del Toorema 5126 CAPITULO 4, ESPACIOS VECTORIALES Demostracion: 1, Supongamos que existen dos combin rales de v € Gen S, es decir, que existen escalares Aadays An ¥ fn Hass fim tales que VEMM beta YY MVE het Hn Restando estas dos ecuaciones, tenemos 0 = (Avi test An¥n) = (anv tet enn) (An pa)va tee An = tne Como $ es un conjunto de vectores Li, entonees Ma = Ha = =n Bn es decir, QL = pay M2 = flay sey An = He 2. Sivd Gen S, entonees v ¥ 0, puesto que Gen S es umn espacio vectorial. Razonando por eontradiee supongamos que {v1,¥2,-..,Va,¥} € tun conjanto de veetores Ld. Por definicion, existen escalares Dray ns to, no todos iguales a cero, tales que O= Avi te. Anvn tov, con 2y #0, puesto que si Ay ~ 0, implicaria que todos los dems escalares también serian cero ya que 5 es.un conjunto Li. Entonees, podemos despejar v, vos day, Five Sa loque significa que v & Gen S, lo cual contradice muestra hipotesis inicial, Por lo tanto, {v1,V2,+-++¥nr¥} es im conjunto de veetores Li. o Observemos que cuando tenemes un conjunto de veetores Ld., existe por lo menos un elemento del conjunto que "sobra", en el sentido que dicho elemento es una combinacién lineal de les demas y que el espacio generado por el conjunto, con este elemento o sin él, es el mismo. Bu el siguiente teorema, resaltamos estas dos caracteristicas de los conjuntos de vectores I.d., que por lo anterior, le dan significado a su nombre. Teorema 5 |Propiedades de un conjunto linealmente dependientel. Sean V un espacio vectorial y $= {vi,V2,-.-.¥a} un conjunto de vectores de V. Entonces, las siguientes proposiciones son equivalentes. 1. Elconjunto § es Ld. 2. Bxiste v € S tal que vj es combinacion lineal del resto de vectores de 5. B. Existe vy € 5 tal que Gen $= Gen{va,-.. ity Viens ---+¥al Demostracién: Demostremos primero que la Proposicién 1 implica la Proposicion 2. Supongamios que $ es ‘un conjunto de vectores I.d. Entonces existen escalares \4,.\2,..+,\n, n0 todos iguales a cero, tales que O= Avi bb ava Sea \, #0, entonces wy o= Bi Set — A Biv tenet da dav, (43) Vind + Bet¥inn $e + Bava 54.5. BASES Y DIMENSION 12T es decir, vj ¢ una combinaci6u lineal del resto de veetores de $. Veamos ahora que la Proposicién 2 implica la Proposicion 3. Supongamos que existe vj € S, tal que v; es combinacién lineal del resto de vectores de S. Sin pérdida de generalidad, podemos suponer que el vector que ¢s combinacion Tineal del resto de vectores de S es v1; es decir, podemos suponer que Vi = cnet... + Onn (4) Llamemos $1 = {v2,.-., Va}. Bs obvio que Gen( Si) © Gen($). Demostremos que Gen($) © Gen( $1), para concluir que Gen(S1) = Gen(S). Sea v € Gen(S), por lo tanto, existen escalares Ai, A2,-++yAns tales ane VS AVL tava tee bn Vne Reemplazando (4-4) en la tltima expresién, tenemos que v= Anfaave +... + @n¥n) + Aave tot An ¥n = raz + da)va to + Onen bhava de donde concluimos que v € Gen{S1). Por sitimo, veamos que la Proposicién 3 implica la Propesicién 1. Supongamos que existe vi € $, tal que Gen $= Gen{vy,..-.¥i-1s Vests ¥n}- Sin pérdida de generalidad, podemos suponer que Gen $ Gen S$}, donde 3; = {v2,..-¥n}. Como vy € S, entonces v; € Gen($) = Gen(S)), asi que existen a2, ..., On tales que vj = a2V2 +... + GnVn- De esta igualdad, tenemos que la enal es ma combinacién lineal no trivial igual a 0, de donde coneluimos que $ es Ld. o tiomple 1. Daminnas sa conimo de mies ((1),( 1 1).( 2 2) po realmente dependiente. ial ea jy 2 pees ee aed eeal Puesto que por el teorema anterior, concluimos que el conjunto de matrices dado es Iinealmente dependiente. o 4.5. Bases y Dimension En esta seccion, presentaremos un concepto fundamental en el anélsis de la estructura de espacio vectorial Se trata del concepto de base, el cual define un conjunto de vectores que permite describir eficientemente* el espacio vectorial y sus propiedades. Definicién 6 [Base]. Sea B un subconjunto no vacio del espacio vectorial V. Diremos que B es una base de V, si y sdlo si, el conjunto B satisface las siguientes condiciones 1, Bes un conjunto linealmente independiente, 2. Bes un conjunto generador de V Ejomplo 18. Demostzemos que B = (01,02,-.-,0,} eS una base de 2” Cualquier combinacién lineal de e1,€2,..-,€n igual a un vector dado, nos conduce a um sistema de ecuaciones lineales, cuya matriz de coeficientes es ln matriz idéntica de tamaiio n x n, de donde podemos conchuir que “Ia propiedad de eficoncia do una base de un espacio veetorial esta rlacionada con ol hecho que ¢ un eonjunto éptimo (suficiente y necesario) para construir todo el espacio, expresando todos y cada tno de sus elementos deforma tinea128 CAPITULO 4, ESPACIOS VECTORIALES la tnica combinacién lineal igual al vector 0 es la trivial (B es uti conjunto Li.) y que cualquier vector se puede expresar como una tinica combinacién lineal de ellos({8 genera a R*). Por tanto, B= {e1,€2,.-.,€n} ces una base de R*, A esta, base la llamamos base candnica o base estindar de R o Ejemplo 19. Demostremos que B= {1.2,-...2"} es una base de Py, Fs ficil ver que al establecer uma ecuaciin en Py, en la que 1m polinomio de grado menor o igual a n, p(x) = ag + a12-+...+ ana", es uma combinacién lineal de 1,2,...,2" eon los escalares de la combinacién lineal como incdgnitas; es decir. ag Faye + ane” +... aye” = Ag + ete + An, por la igualdad de polinomios, obtenemos um sistema de ecuaciones lineales cuya matriz de coeficientes es In matriz idéntica de tamano (n+ 1) x {n+ 1). Asi, podemos conciuir que cualquier polinomio de grado ‘menor o igual a n se puede expresar de maneta ‘iniea. como eombinacién lineal de los polinomias 1,.r,...,2", incluyendo el polinomio 0. Por tanto, {1,2",...,2""} es un conjunto generador de Py y ademas es Li., asf que es una base de Pn. A esta base la llamamnos base candnica 0 base estdndar de Pp. o Ejemplo 20. Demostremos que B= {Eii.-.++ Bins Botss+y Bany-++sEmts++++Bmn }s donde Ky es la matriz m x n con todas sus componentes 0, a excepcién de la componente (i,), que es 1, es una base de Minn, 1 espacio vectorial de las matriees de tamaiio m Xn. muevo, tenemos que al establecer una ecuacién en Myoxn, en lt que una matriz m xn es una combina- ion Tineal de Byz,.+., Bay, Baty ++. Bans+++, Emas:- Ena; 600 los escalares de la combinacién lineal como incdgnitas, obtenemos un sistema de ecuaciones Lineales cuya matriz de coeficientes es la matriz idéntica de tamario mnx mn. Asi, podemos conclair que cualquier matriz de tamayio m xn se puede expresar de manera tinica como combinacion lineal de las matrices Ei1y.++, Bins Eats.++Bans-++>Emty++++Enms ineluyendo la rmatriz mala. Por tanto, (E11, .++) Bins ny +++yEzass+s Epts +++ Emm} € tm Conjunto generador de Mycn yademds es Li., asi que es ma base de Myaicn. A esta base la Ilamamos base candniea o base estdndar de Moa o Ejemplo 21. Demostremos que B= {I~ x, 14, 2} es una base de Po, Dado un polinomio arbitrario de Ps, ay + a2 +432, al establecer la ecuacién ag + ay + ane” Ai(L = 2) + Aa(1 +) + Age? = Qt A2) + (OA + Aa) + Ass por Ia igualdad de polinomios, obtenemos el sistema de ecunciones lineales a = Mtr a = -M+d (45) a2 = 6. Como la matriz de coeficientes de este sistema y una forma escalonada equivalente son, respectivamente, 110 110 110 y 020 oon oor podemos concluir que el sistema (4.5) tiene solueién (Sinica) para todo (a9, a1,a3)", asf que {1—, 142,22} es im conjunto generador de P, y, ademas, es Li., ya que el sistema homogéneo asociado a (4.5) tambien tiene solucién tinica, la trivial; por lo tanto, es una base de Po, o Ejemplo 22. Determinemos si B= {1x + 322, 1—a, 2°} es una base de Py Dado que 1 ~ «+ 32? = (1 ~ 2) +3(x?), por el Teorema 5, Bes un conjunto Ld., por tanto, B no es una base. o4.5. BASES Y DIMENSION 129 ${(5 8): 8).G Dp ramen Sea ( at ) ‘una matriz arbitraria de Max y veamos si existen escalares a, 3,7 tales que (ca)-a(o t)+9(t Bos T= (M8 Io que es equuivalente a determinar si el sistema de ecuaciones lineales Ejemplo 23. Determinemos = aty = 28-42) B+ Sy a+ (4.6) tiene solucién para todo (a,6,c,d)". Como la matriz de coeficientes de este sistema y una forma escalonada equivalente son, respectivamente, 101 101 0-22 . 0-22 0 13 u o oa}? 1 1 0 0 4 sistema (4.6) no tee slucon para toda matic de Moe (por ejemplo, para la atric ( { {se sistema (4.6) 110 tiene solucion), de donde concluimos que S no genera a Max2, por lo tanto, Sno es una base dle este espacio. o ‘Como lo pudimos apreciar en los ejemplos anteriores, cada espacio vectorial tiene al menos una base, Aunque la demostracion de este resultado esti fuera de nuestro aleance, 1o enunciamos por su importancia dentro del desarrollo te6rico y practico del Algebra Lineal. Teorema 6 |Eristencia de una base ‘Todo espacio vectorial, excepto el espacio vectorial trivial V {0}, tiene al menos uma base, En los ejemplos, también pudimos observar que al plantear las ecuaciones que nos permiten conchiir que um conjunto de vectores es uma base, siempre llegamos a um sistema de ecuaciones lineales con solucié lo que se puede emmciar como el siguiente teorema, Teorema 7 |Caractericacién de una base). Un subconjunto B = {vi,¥2,-.-,¥n} de un espacio veetorial V es una base de V, si y solo si, para cada vector v de V existen escalares tinicos \1,.\2,.0.4\n tales que VE Avy tava tava Domostracion: $i B es una base de V, Gen B= V, B es un conjunto Li. y por el Teorema 4, todo veetor de V se puede eseribir como uma combinaciém lineal timiea de los veetores de B. Reciprocamente, si suponemes que todo veetor de V es combinacion lineal de los veetores de B, entonces B genera a VY, si las combinaciones lineales son tinicas, la combinacién lineal igual a 0 ¢s la trivial, por tanto Bes Li. Asi que si todo vecior se escribe de manera ‘nica como combinacién lineal de los vectores de B, B es una base de V. o ‘Teniendo en cuenta los Ejemplos 19 y 21, observamos que el espacio vectorial P, tiene al menos dos bases con algo en comin: el nfmero de elementos, Jo cual no es casual. Para probar que todas las bases de un mismo Espacio Vectorial tienen el mismo mimero de vectores, primero observemos que las bases deben contener130 CAPITULO 4, ESPACIOS VECTORIALES lo més igual néimero de elementos que un conjunto generador, ya que no existe un conjunto Tinealmente independiente con mas elementos que un conjunto generador, lo que demostramos en e! siguiente teorema, Teorema 8 (Propiedad maximal de un eonjunto Li] Si el espacio vectorial V tiene un conjunto generador de n elementos, entonces cualquier subconjunto de V con mis de 1 elementos es had. En otras palabras, cualquier conjunto de vectores Li. de V tiene a lo sumo el nrimero de vectores de um eonjumto generador. Demostracién: Sean $ = {v1,v2,...,Vu} wm eonjunto generador de Vy T= {uy,us,....tm} CV un conjunto de vectores Li. Veamos que m n, tendriamos que Sy = {Utn1, «++» i} es ‘un conjunto de veetores Ld., lo eual es uma contradiecién, puesto que T = {th 2p} em conjunto de veetores Li. (ver Resultado 4 del Teorema 3) o Ahora, poddemos probar la observacién que hicimos referente a los Bjemplos 19 y 21, la cual es muy importante, ‘ya que nos permitiré definir Ia dimension de un espacio veetorial. Teorema 9 |Caracteristica comin de las bases. Todas las bases de un mismo espacio veetorial tienen igual msianero de elementos. Demostracién: Sean By = {v1, V2.....¥n} y By = {ty W2,..., Um} bases de V. Asi que B; es un conjunto generador de V y By es Li., entonces, por el teorema anterior, m'< n. Pero de otto lado, By es conjunto generador de V y B, es Li., entonces, por el teorema anterior, n < m, Por tanto, n =m, Qo Definicién 7 [Dimensién]. Si las bases de un espacio vectorial V tienen n elementos, diremos que la dimen- sion de V es n, lo que expresaremos como dim(V) =n. En caso que V = {0}, espacio vectorial que no tiene base, por convenien tiene dimension 0, y en caso que un espacio vectorial no tenga una base fin infinia. diremos que el espacio vectorial a, diremos que es de dimensién Asi, de los Bjemplos 18, 19 y 20, tenemos que dim(R®) = n, dim{(Py) = m+ 1 y dim(Munen) ~ min. De otro lado, Px, el espacio veetorial de todas los polinomios, de dimensién infinita. Veatnas otros ejemplos menos triviaes. Ejemplo 24, Determinemos la dimension de V = Gen{1— 21-4 2.2) Puesto que 2 = a0 Fa) da 2), tenemos que V = Gen{1 — 2,142} = Gen{1— 2,14 2,2). Ahora, puesto que I-42" ¥ 1 2 no son miltiplos por escalar entre si, el eonjunto formado por ellos es Li. por tanto, {12,1 +2} es una base de V, 1o que implica que la dimension de V es 2. a Ejemplo 25. Demostremas que cualquier plano en R" que contenga el origen tiene dimensién 2 Sea P un plano de R" que contiene al origen. Si ty y ug son los vectores directores de P, entonces P= Gen{u;,u2} y por tanto, P es subespacio de R” (ver Ejemplo 9), Pero, como por definicién de plano, wm, ¥ uy no son paralelos, uy y u2 forman am conjumto Li, asi que {t,u2} es uma base de P y por tanto, su dimension es 2 o Conociendo la dimensién de un espacio vectorial, se puede determinar el minimo mimero de elementos de4.5. BASES Y DIMENSION 131 lun conjunto generador y el maximo de un conjunto 1.i., coro lo expresa el siguiente teorenna. Teorema 10 Propiedad marimal y minimal de un subconjunto de vectores|. Sea V um espacio vectorial de dimension n y sea $ un subeonjimto de V con m elementos. 1. SiS es Li,, entonees m n. Demostracién: 1. Sea B una base de V. Entonces B tiene n elementos y genera a V. Por el Teorema 8, cualquier conjunto de veetores Li. tiene a lo sumo n elementos, asi que si Ses Li.,m n. o Ejomplo 26. Sea umn conjunto de # matrices de tamaiio m x n, entonces si $ es Li., k< mn y si $ genera a Minny entonces k > mn, ya que dim(Mymxn) = mn, o Observemos que este teorema nos da condiciones necesarins, muy ffeiles de verificar, para que un conjanto de vectores sea generador o linealmente independiente cuando conocemas la dimensién del espacio vectorial, lo cual nos permite determinar cuando un conjunto de vectores no es generador 0 no es Li, simplemente comparando el nrimero de vectores del conjunto con la dimensién del respectivo espacio veetorial. Ast por ejemplo, sabiendo que dim(Mox2) = 4, €l conjunto M del Bjemplo 13 no genera a Max, por tener solo 3 matrices. Igualmente, sabiendo que dim(R®) = 3, el conjimto $ del Ejemplo 14 no es Li., por tener 4 vvectores. Lo mismo sucede con el conjunto T del Ejemplo 16, el cual tiene 4 potinomios y dim(Pa) = 3. Con este tearema, también tenemos que, conociendo n, Ia dimension de wn espacio veetorial, basta que un conjunto de 1 elementos satisfaga wna de las dos condiciones de la definicin de base, para concluir que el conjunto es una base del espacio vectorial. Teorema 11 [Propiedad masimal y minimal de wna base]. Sea V um espacio vectorial de dimensién n y sea $'un subeonjimto de V con n elementos. 1. SiS es Li, entonces § es una base de V, 2. SiS genera a V, entonces es uma base de V. Demostracién: 1, Sea $= {v1,v2,.+-,¥n} tun conjunto de veetores Li. de V. Si $ no genera a V, existe wen V que no se encuentra en Gen Sy por tanto, el conjunto {U, v1, v2,.-.,¥n} de n-+1 elementos es Li. lo que nos lleva a una contradiceiGn, ya que, por el Teorema 10, tendrfamos que (n-+1) [Valy] es una mairiz invertible. De otro lado, al multiplicar por P- Ia igualdad [v]y = P fv}, obtenemos, PO Wvly = vss para todo v € V. Por la unicidad de la matriz de transicion, podemos concluir que P-! es Ja matriz de transicion de la base BY a la base B. o Ejemplo 34. Sean B = {1,1 + 0,1 +2 4.27} y BY bases de Py , donde B’ es la base candniea, Encontremos las matrices de transicin de una base a la otra, 1 1 1 Puesto que 6" es la base candniea, (1]s° = (3) [L+a}e = ( 1 ) y [ltr ta%le = ( 1 ) por 0 0 1 1 ion de Ba Bes P= [0 0 ra consiguiente, la matriz de tran 1 1 }. Caleulemos ahora la matriz de o1 transicion de B’ a B, para lo cual tenemos que resolver los sistemas que résultan de cada una de las siguientes 1 an (1) + a2 +2) + as (+2 +2) = (on + aan + asi) + (aa + as) + a ay2(1) + aza(1 +2) + age(1 + 2 + 27) = (aya + a22 + 52) + (a2 + aga) + ago? 2 = ays(1) + aaa(1 +2) baga( tata! ta = (ais + a25 + 35) + (a25 + a5) + ass Aplicando Jos algoritanos de eliminacién de Gauss y de sustitucion hacia atrés a los sistemas de ecuaciones Iineales an toy ta = 1 aptantag = 0 agtagtay = 0 ay tay, = 0 anton = 1, ax +433 = 0 rr) a = 0 a = 1, tenemos que (=)-(3) -(& Ww D — Podemos verificar que PP’ ~ I, asi que P-! = P* a Bl ejemplo anterior, ademés de verifiear lo establecido en el Teorema 16, nos muestra un hecho importante ¥ que en general es cierto, La matriz de transicién de una base a Ia base candniea es muy fécil de caleular:138 CAPITULO 4, ESPACIOS VECTORIALES basta con encontrar los vectores de coordenadas de la base dada en (érimines de la base candniea; pero, para hallar a matriz de transicion de la base candnica a otra base, necesitamos resolver varios sistemas de ecuaciones 0, equivalentemente, calcular la inversa de la matriz de transicién anterior, lo cual, ademas de costoso en términos de ealculos, es imecesario para hacer un cambio de coordenadas. Recordemos que, para caleular el produeto de la inversa de una matriz por un vector, eonociendo la matriz y, el vector, el eéleulo is eficiente consiste en resolver el sistema de ecuaciones cuya matriz aumentada esta conformada por la matriz y el vector. La observacidn anterior nos permite inferir que una forma eficiente de expresar (no de caleular) la matriz de transicion de una base a otra, diferentes a la base candnica, es mediante el producto de la inversa de la muatriz de transicién de la segunda base a la base canénica por la matriz de transicién de la primeraa base a la base candnica. Esto es, si Py es la matriz de transicion de la base B a la base canonica y P; es la matriz de transicion de la base B’ a la base canonica, entonces P,P; es la matriz de transicién de la base B a la base B’, como lo ilustra el siguiente grifico. . Py'P, Base BY at Base Canonica: 2=Pw=Pu La ecuacién que aparece en la parte inferior del grifico anterior, Pyw = Pyu, la lamamos cewacién cambio de base ya que permite hallar las coordenadas de un vector en una base a partir de las coordenadas del mismo vector en la otra base. 4.7. Rango y Nulidad de una Matriz En el Capitulo 2, definimos dos conjuntos importantes relacionados con tuna matriz A de tamaiio m xn, que resultan ser espacios vectoriales. Bllos son el espacio nulo y el espacio column: = {xe R": Ax= 0} Ca= {be R™: Ax =b, para algin 2 € R"}, respectivamente. En efecto, por el Teorema 1, para demostrar que dada una matria A de tamnaiio m xn, Na y Ca son subespacios weetoriales de R® y R”, respectivamente, basta con demostrar que se satisfacen la propiedades clausurativas tanto para la suma, como para el producto por esealar (Axiomas 1 y 6 de la definicién de espacio vectorial), lo cual hicimos en los Teoremas 3 y 4 del Capitulo 2 Como Na y C4 son espacios vectoriales, tienen base y dimensién. Bstas dimensiones son caracteristieas importantes de la matriz. A, por lo que reciben nombres especiales, los cuales presentamos en las siguientes definiciones. Dofinicion 9 [Nulidad de una matric]. Dada una satriz A, definimos (A), la nulidad de A, como la dimension del espacio mulo de A.47, RANGO Y NULIDAD DE UNA MATRIZ 139 Definicién 10 [Rango de una matriz]. Dada una matriz. A, definimos p(A), el rango de A, como la ditnens del espacio columna de A. Ejemplo 35. Determinemos la nulidad y el rango de las matrices 1.4 1-21 1 A=[2 3 1 ae s(t eae fee 3) (oe Sees) Es fécil ver que una forma esealonada equivalente de A es aid ora 00 5 ¥ por tanto, el sistema Ax = b tiene solucion nica para todo b. Ast que el espacio mulo y el espacio columna de A son {0} y R°, respectivamente; por consiguiente, v(A) = 0 y p(A) = 3. De otro lado, una forma escalonada equivalente de! sistema Bx = ¢ es cer 3 —2ea + der itucién hacia ates, para cuando ¢ = 0, obtenemos Al resolver el sistema de ecuaciones resultante, por s que “1 0 1 0 asi que »(B) = 2. Ahora, puesto que Bx —¢ sélo tiene solucion cuando ¢5 ~ 2c) + 4ey ~ 0, tenemos que of(g)onment} fC do() oo Por consiguiente, p(B) 1 : 1 Np = 425 tes] | ian eR 1 o En el ejemplo anterior, del sistema de ecunciones lineales que se plantea para determinar el nieleo 0 el range de una matriz, podemos observar que la nulidad de una matriz, coincide con el mimero de variables libres ¥ que el rango coincide con el nitmero de variables pivotales, de tal manera que la suma de la mulidad y el rango de la matriz es el niimero total de variables 0 de columnas de la matriz del sistema, conclusion a la que legaremos después de demostrar un par de resultados previos. Primero, demostremos que las coluunnas correspondientes de dos matrices equivalentes® forman conjuntos de vectores que son ambos Li. o ambos La Teorema 17 [Matrices equivalentes ¢ independencia lineal} Si A= [ar ay +--aq] y B= [by by +-+by] son matrices equivalents, entonces fai,,Aigy.++, Aig} 8 Li si ¥ s0l0 si, fbi bigy--- sbi} es Li, para todo fit, iz, -.-5 ta} S {Ly 2) oy nh} Demostracién: Como A y B son equivalentes, de la teoria del Capitulo 1, sabemos que las soluciones de los sistemas Ax = 0 y Bx = 0 son las mismas. De otro lado, por definicién, Ax es una combinaci6n lineal de los vectores colimuia de A, Por consiguiente, \1ay-+Axa2 HF An@n = 0, siy solo si, Abr-+Aabo++HAaby = 0, “Recordemos del Capitulo 1 que dos matrices son equivalentes, si y solo si, una do ellas so puede obtener a partir de la otra mediante opericiones clementales entre la,140 CAPITULO 4, ESPACIOS VECTORIALES En particular, para cualquier subconjunto {iiyi2,--- fx} del eonjunto {1,2,...,20hs Aiy@iy + Aas bob Audi, = 0,81 y S010, Ai bi Habart: bi, bi, — 0. Asi, quest jai, Hain toa, ~ O implica que Ay Mg 2 = Ay = 0, entonces j,i, + Nugbig +--+ igbay — 0 implica que Xs, = Ay =-- = Ay, =O. Por tanto, {@4,,i,,+--18,} 68 Liu, si y solo si, {Bi,,big,--., bi} es La o Ahora, presentemos ima forma de encontrar una. base del espacio colimna de una matriz dada, Teorema 18 [Base del espacio columna de una matriz}. Dada ima matriz A, las columnas de A correspondientes a las eohmnas pivotales de uma forma escalonada equivalente forman una base de Ca Demostracién: Sea A= [ay ay ... ay] una matriz de tamaiio m x ny sea B= [by by «+. bp) ama matriz escalonada equivalente, obtenida después de aplicarle el método de eliminacién de Gauss. Por el ‘Teorema 17, las columnas {a ,@is,---,4,} de A forman un eonjinto Li., si y solo si, las colurnnas {b,,,bia,-.-+Di,} de B son Li. ¥, utilizando el Teorema 6 del Capitulo 2, si {bj,,big,.--,bi,) son las cohmmna pivotales de B, ella forman im conjunto Li. Nuevamente, por el Teorema 6 del Capstulo 2, si {bj,,bi,,---,s, } son las columnas pivotales de B, entonces {big bis, ---sbiz,bi,} com j # 1,2,..-+h es un conjunto Lil y, por el Teorema 17, (@iy, Ay, .+-+ Aig, i, } OS tun conjumto Ld. Ahora, por el Teorema 5, tenemos que Gen{a, ig. yA, } = Gen Qi Bigs. i Si, al conjunto {a,,,a4,,+-. +, } le contimaamos adjuntando el resto de vectores cohmna de A, utilizando cada vez el mismo resultado del Teorema 5, tenemos que Gen{ay,a2,...,an} — Gen{aj,,a,,--.,24,}- Por consiguiente, el conjunto {a4,,A%,,-.-.8,} 6 Li. ¥ genera el espacio columna de A y, por lo tanto, ¢ una base de Ca a De un lado, notemos que la base de C4 esté formada por columnas de A y no por columnas de la matriz escalonada equivalente. Y de otro lado, notemos que si bien este Gltimo teorema nos garantiza que el eonjunto de colummas de A correspondiente @ las columnas pivotales de una forma escalonada de A es una base de C4, el teorema no esti diciendo que sea el nico conjunto de columnas que sea base de Ca. 1) (-1)\ (2 1\ (3 5 v—cend | o) fa 2) /3 Ejemplo 46. Encontremos una base de V = I mala ale agile: 2 1 1 1} \o 1-421 Sea A la matriz cuyas columnasson los wectores de eonjunto generador. Bsdevir,sea =| 1 9 2 4 2-111 11218 o0-1336 i ‘ yseaB=| 9 4 6 @ g_ | uma forma .scalonada equivalente a A, Como las primera y segunda colum- 0 0000 nas de B son sus colunnas pivatales, por el teorema anterior, podemos concluir que las primera y segunda 1 1 1 0 . columnasde A, {| | 9}, forman ima base de V. Ademds, observemas que la primera y segunda 2 1 columna de B no forman una base de Cy y que la primera y euarta columna de A también forman uma base de Ca (Por qué?) a Ejemplo 37. Encontremos una base de P2 contenida en {1 — 2,2 — 2x, —2 4 2e,1— 22,1422}. 1 0 4 SB ein nsecannn de Py, eatoes[L-she~ ( 4 ) ete a- ( ; J. eaves ( 2 ) 3 4 347, RANGO Y NULIDAD DE UNA MATRIZ ut 1 1 fh-22e= (0) yf+2—2%s— (1 ]. Por el Teorema 14, un conjunto de vectores es Li., si -2 -1 y solo si, sus vectores de coordenadas respecto a ‘ma base daca forman un conjumto Li, Asi que basta con identificar, de los vectores [1 —], [r —2r*)p, [-2-+ 22, [1 —22"]q, [I +2], cuales forman un conjunto ha Al calcular una forma escalonada de la matriz, cuyas colummas son los veetores de coordenadas de los poli- 10-211 nomios dados, obtenemos | 0 1 0 1 2}. Porlo tanto, podemos concluir que los polinomios corres. 90 003 pondientes a las colmnas pivotales de esta forma escalonada (primera, segunda y quinta colummas) forman tna base de Pa; es decir, (1-2, 2 — 22? 2, 1+1—27} es una base de Ps, {Existe otro subconjunto del conjunto de polinomios dado que sea una base de P,? ;Las primera, segunda y quinta columnas de la matriz escalonada anterior forman una base de P2? a Después de estos resultados, estamos en capacidad de demostrar el teorema que habjamos ammeiado, la ssuma de la mulidad y el rango de una matriz es igual al niimero de columnas de ella, Teorema 19 |Relacisn entre rulidad y rango de una matr Dada uma matriz. A de tamaiio m xn, (A) + (A) = Demostracién: Sean {w1,w2,..., Wr} ama base de Na, (vi,v2,.-.,Wk} uma base de Cy y ursty, veetores de R" tales que Au; = vj, para j = 1,2,....k: Veamos que {Wi,Way.-+,Wey MU... Uk) eS una base de R", con lo que quedarfa demostrado el teorema. Para tal efecto, comencemos por demostrar que {W:1,W2,.-.,Wy.Mh, Wa, ...,Ua} es um eonjumto Li. Sea cw + apwe +o. baewy + Say + ous +... + dug =O Al multiplicar ambos lados de la igualdad anterior por la matriz A y teniendo en cuenta que A(avws) = a,Aw; = 0 y A(Sju;) = 3,(Au,) = fjv;, obtenemos Givi + Gave +24 Aavn = 0. Por la independeneia de {v1,¥2,..-,Vk}s conchiimos que fi = 2 =... = Mk =0, y por tanto, caw $2W2 boo bap We + Bat + Sts +... + Pktne = Caw + aaW2 fo Owe = Ahora, por la independencia de (ws, w2,...,Wr}, tenemos que a1 ~a2—... a7 = 0 Para demostrar que {W,,Wa,-..,Wr,ti,U2,--.,Uk} genera a R", tomemos un veetor v de R". Como Av & Ca, existen 31, B2,.-., 3h escalares tales que Av = Sivy + ave + ...-+ Seva, Construyamos los vectores w= Gy + Go +... + Gem, y z= vu. Como An = Av— Ay Au = Sy Auy + B2Auy +. + Bet, = Biv + Bove +... avn = AV entonces z © Na. Por lo tanto, existen escalares a1,02,...,a4, tales que 2 = aywy + ayw2b... + a, Wy. Como v= 2+, concluimos que existen escalares a1,02,-.., 0%, 51 +k, tales que v= OW + agWe boob awe + ity + Batt +--+ Gam, o Corolario 19.1 Dada una matriz A de tamatio m x n, sit mulidad es igual al niimero de variables libres del sistema Ax = 0.142 CAPITULO 4, ESPACIOS VECTORIALES Demostracién: Por el Teorema 19, tenemos que (4) + (A) =n y; por el Teorema 18, Cenemos que las columnas de A, correspondientes a las columnas pivotales de su forma escalonada, forman una base de C4, asi ue p(A) es el niimero de columnas pivotales. Por consiguiente, r(A) es el mimero de variables no pivotales; cs decir, el niimero de variables libres. o Ejemplo 38. Verifiquemos el resultado de! Teorema 19 usando las matrices del Ejemplo 35. La matriz A tiene 3 columnas, (A) = 0 y p(A) = 3. La matriz B tiene 4 columnas, »(B) = 1 y p(B) =3.0 Ejemplo 39. $i tenemos un sistema de 15 ecuaciones con 20 incégnitas, qué podemos decir de las soluciones del sistenna, si sabemos que el espacio imlo tiene dimensin 5? Sea A la matriz de coeficientes del sistema. Entonces A tiene 15 filas y 20 columnas. Puesto que v(A) = 5, (A) = 20 15. Como, Ca © B® y p(A) = 15, por el Teorema 13, C4 = RI. Es decir, todo vector de R'* es combinacién lineal de las columnas de A, asf que el sistema siempre tiene solucién; ademés, son infinitas. o Sabiendo que el conjunto generado por las filas de una matriz es wn espacio vectorial, nos preguntamos ‘como encontrar una base y/o su dimensién y cuéles son sus relaciones eon los espacio columna y nulo de la aismna matriz, Comencemnos por definir y presentar algunos resultados del espacio generado por los vectores formados por las filas en si_y luego estableceremos algunas relaciones cou las dinnensiones de los espacios columna y nulo, Dofinicion 11 [Espacio fila). Dada una matriz A de tamaiio m xn, definimnos F4, el espacio fila de A, como 1 espacio generado por los vectores formados por las filas de A. 2-1 0 2 Ejemplo 40. Dada la matriz A = ( 4-1-3 3 ) encontremos el espacio fila de A, ama base del pai eet mismo y su dimensién. Por la Definicién 11, el espacio fila de A es 2 1 0 i“ a “1 1 . Fan dyer, o [tee] 5 |ral 5 Jace 2 3 =i Para encontrar una base de F's, basta determinar cuales de los vectores formados por las filas de A forman un conjunto Li, para lo cual, escalonainos la mnatriz euyas columnas son dichos vectores, es decir, la matriz AT. Bsealonando la matriz 2 400 240 7 fa141 O14 a Tt 1) obtenemos | 2 5 1 |, 2034 000 2 4 de donde podemos afirmar que los veetores | —) | x | 3. | (las cokimmas 1° y 2° de A) forman im 2 3 conjunto Li; por lo tanto, forman ima base de Fa y dim(F4) = 2. A diferencia de lo que ocurre entre los espacios columna de las matrices respectivas, al aplicar una opera! clenental entre filas a una matriz, las filas de la mieva matriz generan el mismo espacio que las de la matriz inicial como veremos en el siguiente teorema,47, RANGO Y NULIDAD DE UNA MATRIZ 13 Teorema 20 [Base del espacio fila de una matric) $i las matrices A y B son equivalentes, entonces Fy = Fy y si B es una matriz escalonada, el conjunto de vectores formados por las filas de B, diferentes a cero, es Li. y por tanto, es una base de Fi Demostracién: Basta demostrar que si B es la matriz que se obtiene al aplicarle una operacion elemental aA, entonces Fy = Fa. Sean fh, f2, «++, fm los vectores formados por las filas de In matriz A. Si la operacién es de tipo permutacién, el eonjunto de vectores formados por las filas de las dos matrices es €l mismo y por tanto, el conjunto generado por las filas de las dos matrices también es el mismo, Si la operacion es de tipo esealamiento, cf, —+ F,, es féeil ver que siw = afi te. + ALi tot Alin entonces w = vf +... + Ach +...+ Anfon ¥ por tanto, el conjunto generado por las filas de las dos ‘matrices es el mismo. Y si la operacién es de tipo eliminacion, Fy +cF; —> F,, podemos ver que si w = Daf bee blebs ob AsEy F< F Amin, entonces w= Arf. FACE bef) be (Ay Mel +. Amin ¥ por tanto, el conjunto generado por Ins filas de las dos matrices también es el mismo. La demostracion de que el conjunto de vectores formados por las filas de la forma escalonada equivalente, diferentes a cero, es L.i., la dejamos como ejercicio para el lector, o Ejemplo 41. Utilicemos el Teorema 20 para encontrar otra base de Fi, siendo A la matriz dada en el Ejemplo 40. 2-41 0 2 Al esealonar la spatriz A dada en el Ejemplo 40, obtenemos la matriz U= {0 1 3 —1 }. Clara o 0 0 0 ‘mente, los vectores formados por las filas 1° y 2 de U forman un conjunto 1; por lo tanto, forman una base de Fix. Como A y U son matrices equivalentes, por el Teorema 20, Fy = Fa, entonces, dicho eonjunto es también una base de Fa. o Observemos que la dimensién del espacio columna de una matriz es el nimero de columnas pivotales de una forma escalonada equivalente y, en la forma escalonada, cada fila diferente de cero contiene un pivate, Teorema 21 [Relacisn entre espacio columna y espacio fla de una matri Dada cualquier matriz A, dimCa = dim A to largo de esta seccién, hemos obtenido varios resultados que relacionan los sistemas de ecuaciones lineales con los espacias vectoriales asociados a una matriz, los cuales consignaremos en dos teoremas resumen. La demostvacion de la mayoria de las implicaciones ya las hemos hecho. Teorema 22 [Resumen 1) Sea A una mnatriz m xn, Entonces las siguientes afirmaciones son equivalentes. 1, El niimero de pivates de la forma escalonada de A es n, 2. Los veetores colunna de A forman un conjunto Li, 3. plA)=n 4. dimCa=n. 5. plAT)=n 6. dimFa =n. 7 w(A)=0. 8 Na={0}. 9. El sistema Ax =0 tiene sélo la solucién triM44 CAPITULO 4, ESPACIOS VECTORIALES Teorema 23 [Resumen 2) Sea A una matriz m xn, Entonces las siguientes afirmaciones son equivalentes. 1, El niimero de pivotes de la forma escalonada de A es m. 2, Los vectores columna de A generan a R, 3. pla) =m dlimCy =m. p(AT) =m dimE4 =m. Cada fila de la forma esealonada de A contiene un pivote. (A) =n—m. Bl sistema Ax = b tiene solucién para todo b. Corolario 23.1 Sea A una matriz n xn. Entonces las siguientes afirmaciones son equivalentes. 1. El niimero de pivates de la forma escalonada de A es n 2. Los veetores columna de A generan a R” 3. Los vectores columna de A forman un conjunto Li. 4. Los vectores cohunna de A formant una base de R™ 5. Aan 6. dime, =n. 7. dimF4 =n. 8. Cada fila de la forma esealonada de A contiene un pivote 9. (A) =0. 10, Elssistema Ax =b tiene solucién siniea para todo b. LL. La matriz A es invertible 12. det £0. 4.8. Producto Escalar y Bases Ortonormales en R” el Capitulo 2, para los vectores de 2”, definimos otra operacién ademas de la summa y el producto por escalar: producto escalar. Esta operacién nos permitié caracterizar los vectores ortogonales: dos vectores Wy ‘v de R" son ortogonales, si y solo si, su producto escalar es 0. En general, si en un espacio vectorial definimos una operacién que cumpla las propiedades baisicas del producto esealar, podemos extender el eoncepto de ortogonalidad TE producto eacalar definido ex R” e solo un easo particular de Jo que conoccmos como producto interno de un expacio vectorial, yun producto interno en un espacio vectorial V es una funcicn que a cada par de vectores ty v asigna tn némero real (u,v) y satisiace la siguientes propiedades para todo u,v,w € V y todo a © R. 1. (uy) = (ve) 2. f(t v),w) = (usw) + (vem. 5. (ayy) = (om,y), 4. (wu) 20 (lua) = 0, si yeolo si,48, PRODUCTO ESCALAR Y BASES ORTONORMALES EN R® 15 Sin embargo, en esta seccion, nos limitaremos a estudiar Jas principales propiedades que tiene un conjanto de vectores ortogonales en R", ya que por los resultados de la Seccién 4.6, tanto el producto escalar como dichas propiedades se pueden extender a cualquier espacio vectorial de dimension n.* Para empezar, revordemos que el concepto de ortogonalidad esta definido entre dos veetores de A". Habla- remos de un conjunto de vectores ortogonales, cuando tengamos um conjinto de vectores que dos a dos son ortogonales, como lo planteamos en la siguiente definicion, Definicién 12 [Conjunto ortogonal|, Decimes que un conjimto de veetores (V1, V2,-.-.Vm} de I" es orto- gonal, si y sélo si, cualquier par de vectores diferentes del conjunto son ortogonales. Es decir, si vi «vj = 0, para todo i j. Ejemplo 42. Veamos que cualquier suubconjunto del conjunto de vectores {01 ,€2,...,8n} de R® es ortogonal. Es fill ver que e, -¢; = 0 para todo i # j, yn que las tinieas componentes de e, y 6; diferentes de cero son ln Hésima y la j-ésima, respectivamente; por tanto, el producto de componente por componente es cero, O Los conjuntos ortogonales satisfacen propiedades may importantes, una de ellas es que son linealmente independientes y su demostracién es trivial Teorema 24 (Ortogonalidad ¢ independencia tinea. Si S = {vi,vo,...,vk} es um conjunto de vectores ortogonales de , entonees $ es un conjunto de veetores, linealmente independiente, Demostracién: Expresemos 0 como combinacién lineal de vi, ¥a.-45¥ks O= Avi ave be ARE (49) ¥ verifiquemos que Ay = Ay =... = = 0. Al multiplicar escalarmente la ecuaciéon (4.9) por vj, obtenemnos O-v; = Arvi-vs, ya que por ser S un conjunte ortogonal, vi + vj =0, para 1 # j. Ast que ow =O para t= 1,2,...54 o Siguiendo un razonamiento muy similar al de esta altima demostracién, podemos caleular fécilimente los coeficientes de Ia cor lineal de veciores ortogonales para un vector dado del subespacio generado por ellos, como lo ilustra el siguiente teoresna, siendo ésta una de las ventajas ands importantes de trabajar con un conjunto de vectores ortogonales. Teorema 25 [Ortogonalidad y combinacién lineal]. Dado 1m conjunto de vectores ortogonales $= {V1,V2,...,ve} de R", si uc Gen S; es decir, si Ue Avy ove bet eve (4.10) entonces wy, Me Fy ara todo F= 1,2)... Demostracién: Al multiplcar escalarmente Ia ecuacién (4.10) por vj, obtenemos wv = Avi vis ¥a que por ser $ um conjunto ortogonal, v;- vj = 0; para i # j. De donde ms 1,2, o "Sean u,v weetores de un espacio vectorial Vy sea & una base de V3 como fuls,lvls © R", podemos definir (u,v), el producto escalar entre wy ¥, como (u,¥) = [ula » Mls.146 CAPITULO 4, ESPACIOS VECTORIALES )-( 8): (4) meer ae tent 1 Ejemplo 43, Dado el conjunto $ = { ( 1 2 3.3)" como eombinacién lineal de los veetores de S. ortogonal y eseribamos el veetor (3 E] conjunto $ es ortogonal, ya que (DGem Ge OO> Por el Teorema 25, basta con caleular =i 3 5 1b-346518 y 1 1} =%5+14+4=30 2 2 18 =-18 y 55 = 06 , para concluir que [)] Gis) 4) La ortogonalidad de un conjunta de veetores se puede earacterizar en términos del producto de una matriz, con su transpuesta, como se expresa en el interesante resultado del siguiente teorema. 0 2 )=0+44+1=5 0 y calealar los cocientes o Teorema 26 |Caracterizacién de un conjunto ortogonall, ‘Sea A una matriz cuyas columnas son los vectores v1, V2....,Vm € A” — {0}. Entonces, S = {v1,¥2.....Vm} es un conjunto ortogonal de veetores, si y solo si, ATA = D = (dj) es uma matriz. diagonal; ademas, d= Iwill Demostracién: Al realizar el producto de las matrices AT y A, tenemos que si D = ATA, dij = Fil(AT) -c01;(A) = ws vs ¥ puesto que vj+vj = 0, si y solo si, vy y vj son ortogonales para i # J y vy+¥y = ||vil?, entonces dg —{ WP si f=5 (Zs sly solo si, vy y vy son ortogonales. o Cuando los vectores de un conjunto, ademés de ser ortogonales, son unitarios, Jes llamamos de wna manera especial48, PRODUCTO ESCALAR Y BASES ORTONORMALES EN R® ur Definicién 13 [Conjunto ortonormal]. Diremos que un conjunto de vectores {vi,¥2,.--,va} de R" es ortonormal, si y s6lo si, ademas de ser un conjunto ortogonal, cada uno de los vectores v, es unitario. En otras palabras, si y sdlo si, * 0 si ifz. Ejemplo 44. Cualquier subconjunto no vacio de Ja base canoniea de R” es un conjunto ortonormal de weetores. a v3 avid “v3 3/vTE En efecto, (28)-( A) = (gy (aye Cangy v3 v3 vB) ( 2VviE ( ta) Cs) = 2/VBB+1/ VBR - 3/V5B=0 aus) \ svi yvl\ (Vv : 2 (i) (i) — (oy (vo 3/vi 3/via o Definicion 14 [Base ortogonal y ortonormal). $i B es una base del subespacio V de R" y all mismo tiempo es ‘un conjinto ortogonal de vectores, diremos que B es uma. base ortogonal de Vy si ademés, B es um conjumto ortonormal de vectores, diremos que B es uma base ortonormal de V Ejemplo 46. La base eanént de R” es una base ortonormal puesto que , ademés de ser una base de R", cconjunto ortogonal y cada uno de sus elementos tiene norma 1. o Por el resultado del Teorema 25, uma de las principales ventajas de tener una base ortonormal de um su- espacio de R” es que podemos encontrar ficilmente los coeficientes de In combinacién lineal de cualquier veetor del subespacio en dicha base. Teorema 27 [Ortonormatidad y combinacién lineal] Si B= {v1,v2,..-, ve} es 1ma base ortonormal de um subespacio V de RY" y westé en V, entonces Davi }eva tebAkve, donde Suey; para t= 1,2,...,k Demostracién: Por ser 6 una base de V,, cualquier vector u de V, se puede escribir como combinaci6n lineal de los vectores de B, u~ Aivi + Dave... Ave, ¥ por el Teorema 25, tenemos que A, = Be para i = 1,2,...,4, Ahora, como los vectores de B son unitarios, 4y = w+ vi. o 2 2 3 “1 Bemplo 47. ean P= Gen By ( 2 ) — ( 3 ) ame Be cont dado ov & Hemp 15. Deernencs s uy w pean 4 Como B es un conjunto ortonormal, B es un conjunte Li. y, puesto que por definieion de V, B genera a V, ee debemos encontrar esealares ay ¥ a tales que U=ayvy -+.a2V9. De otro lado, si u € V, por el Teorems 27,148 CAPITULO 4, ESPACIOS VECTORIALES = V3 y a2 = u- vg = 34 = VIA. Bn efecto, podemos verifiear que u= V3v, + VTdve; a suas th por lo tanto, we V. En forma similar, para determinar si w € V, debemos encontrar escalares a1 ¥ a9 tales que w Como 6 es una base ortouormal de V, si w © V, por el Teorema 27, a, = w+ vi V1 Hane, “Vay z 'w no pertenece al subespacio V. o 4.9. Proyeccién ortogonal Comparando el resultado del Teorema 27 con los procedimientos requeridos para caleular el vector de coor- denadas de un veetor en una base ordenada que no es ertogonal, resulta importante preguntarnes si todas los, subespacios vectoriales de R” tienen bases ortonormales, lo que respondemos afirmativamente al final de esta seceién, donde ademés, ilustramos eémo, a partir de una base del subespacio, podemos encontrar una base ortonormal para el mismo subespacio. Para facilitar Ia comprensién de dicho procedimiento, generalicemos €l concepto de proyeccion ortogonal de un vector sobre otzo, a la proyeeeion ortogonal de un vector sobre wn subespacio de R”, para lo cual introducinos la siguiente definici6r Definicion 15. [Ortogonalidad a un subespacio}. Diremos que un vector u < R" es ortogonal a 1m subespacio S de RY, si y solo si, el vector wes ortogonal a todos y cada uno de los veetores del subespacio S; es decir, wv 0 para todo v €S. Ejemplo 48. Sea S el subespacio definido por un hiperplano que pasa por el origen en R", Por la definiciom de hiperplano (Definicién 23 del Capitulo 2), su vector normal es ortogonal a S. o Afortunadamente, no es necesatio verificar Jos infinitos productos esealares qiue la anterior definicién sugiere para verificar la ortogonalidad de un vector a un subespacio; en realidad, es suficiente y necesario que el vveetor sea ortogonal a un conjunto generador del subespacio, como lo plantea el siguiente teorema. Teorema 28 |Caracterizacién de ortogonalidad de un vector a un subespacio| Un vector w € A es ortogonal al subespacio § = Gen{v1,v2,...,vh}, si y solo i, el vector ut es ortogonal a los vectores V1, ¥25..05 Vk Demostracién: $i el vector wes ortogonal a S, por la Definicion 15, es ortogonal a todos los veetores de S, yen particular, w es ortogonal a vi para i= 1,2,...4. Eu el otro sentido, si w es ortogonal & v1, V2s.+-5 ky entonces U-v; = 0 para i= 1,2...k. Sea v € S, entonces existen escalares a1, 02... tales que v= anys $ave +... + aRVE, por lo tanto, wey = ayueyy baru veto. aque ye = 0. Bs decir, u es ortogonal a todo v € 8, y por definicion, wes ortogonal a S. o 1,2)" es ortogonal al plano P= f(r, © R}. mn fl") HDG vveetores v1 = (-1,1,0)" y v2 = (2,01)? generan al plano P. Como el vector u es ortogonal a los vectores Ejemplo 49. Verifiquemos que u = (— rty—22=0,2, ER); por lo tanto, les4.9. PROYECCION ORTOGONAL 9 vi y v2 (Uv; = Oy U-v2 = 0), por el Teoresna 28, u es ortogonal al plano P.” o De la misma forma como un vector de R” se puede descomponer como la sum de dos vectores ortogonales, con uno de ellos en la direecién de otro vector dado, podemos utilizar el concepto de ortogonalidad de un weetor a un subespacio para expresar cualquier vector de R" como In suma de dos vectores ortogonales, con uno de ellos perteneciente al subespacio, Ademas, este tiltimo vector define el punto del subespacio mas cercano al punto definide por el vector inicial. Precisemos estas ideas en el siguiente teorema Teorema 29 [Proyeecién ortogonal sobre un subespacio]. Sean $ um subespacio de R” y wun vector arbitrario de A". Entonces, existe un tinico vector v € S tal que 1, uw. =u ves ortogonal al subespacio S 6 u. = 0. 2 [uel] < | yl] para todo y eS. Al vector uy Jo Hlamnamos la componente de w ortogonal a § y al vector v = Proyst, la. proyeceién ortogonal deuen S. Demostracién: Sean {v1,v2,....vx} una base de Sy A la matriz [vi v2... vel 1. Demostrar la existencia de v € S tal que we = u— v es ortogonal a $ es equivalente a demostrar la existencia de un vector x = (1, 2,..-,0)7 tal que up = U— v= u— AX sea ortogonal a S, ya que por definicion de base, si v € S, existen escalares a1, a2,... a tales que ¥ = arvi ta2v2-+..+OKVE Ahora, Ue Ax es ortogonal a S, si y solo si, v;- (u— Ax) ~ 0, para toda i = 1,2,...,n 0 lo que es equivalente, A?(u— Ax) = 0 0 APAx = ATu. Pero, como A? A es invertible (ver Ejercicio 11), entonces ATAx = ATu tiene solucion tinica y por tanto, v = Ax es el simico vector tal que te = es ortogonal a S. 2 Sea y un vector arbitrario de S. Como Proysu © S, entonces Proysu—y € S. Asi, [lu y|| = |lu— Proysu + Proysu— y|| = |Ie + Proysu — y|| Como u, es ortogonal a S, en particular, uy es ortogonal a Proysu— y. Asi que, por el Teorema de Pitdgoras, {Iu — yl? = [fucll? + ||Proysu— y| De donde conchiimos que JJu— yll? > [hell o Observemos que si el vector u es ortogonal a S, entonces Proysu = 0 y we =u; y si el veetor we S, entonces Proyst = Wy We = 0. Usando los coneeptos de la Gitima seccigu dal Capitulo 2, también podemos verifear quo ue ortogonal al plano P, observando que w es paralelo a'n = (1, 1,2)", un veetor normal del plano P.150 CAPITULO 4, ESPACIOS VECTORIALES Ejemplo 50. Encontremos la proyecci6u ortogonal de w= (1,~1,0,2)7 en el hiperplano, H={(c,y,2,w)", 2— 2+ w=0, ay, 2,w © RP. e 1 0 0 ¥ : ef dealt Law] oY me Observemos que M = 4/7), |. nuwe Rp = tftylg [eed D [wwe Res w o 0 1 por lo tanto, los vectores vi = (1,0,1,0)7, v2 = (0,1,0,0)" ¥ va = (0,0,1,1)" generan a 1. Como B= (vi, v2,¥5} €6 um conjanto Li. ( ver Ejercicio 12), B es uma base de H. Por el Teorema 29, Proyyi = Ax, donde A = [vi v2 vs] y xe Ia solucion de AT Ax = AT, Como yal aplicarle los algoritanos de Bliminacién de Gauss y Sustitueion hacia atras a la matriz. aumentada 201) 1 10 0| 0 0 1 0-1 | obtenemos { 0 1 0) -1 }; por lo tanto, la solucion de ATAx = ATu es x = 10 2| 2 ood (0,1, 1)" y Proyyu = Ax = (0,-1.1, o De los resultados presentados en el (eorema anterior, debemos destaear dos aspectos ianportantes. Primero, 1 teorema nos garantiza ln existencia de un punto en cualquier subespacio de R" que minimiza Ia distancia de un punto dado de 2” a los puntos del subespacio x que dicha distancia minima, ln cual Ilamamos distancia del punto al subespacio, es la magnitud de la componente del vector que define el panto dado, ortogonal al subespacio, lo cual es muy importante en los provesos de aproximacién por Minimas Cuadrados Lineales! Segundo, observemos que, mmque no es nevesario, si en Ia demostracién anterior, hubiésemos escogido una base ortogonal del subespacio, por el Teorema 26, ATA — D5 o si hnubiésemos escogido una base orto- normal, por el mismo Teorema 26, ATA — J, el céleulo de Proysu se hubiese simplificado, En efecto, si {vi,¥a.-+,¥e) 8 una base ortogonal de S, Pras = By, ¢ BY + EM, aan si {v1,V2,.--,Vi} 68 una base ortonormal de $, Proysu = (t+ vy)v1 + (> va)v2 +... + (Ms ve) VE, (4.12) ~Girl cosine cer 6 lini — per smmtriz Ade tamafio mn y un vector b dados. En este mismo contextol sistema de ecuacioneslineales, A x = Ay, ol cual ‘proporcionsIn(s)solicion(es) del problema de minim esadrados lineales, se conoce con cl nombre de Beuaciones Normals,4.9. PROYECCION ORTOGONAL 151 (ver Bjercieio 24). Sin embargo, no lo hieimos asf para. no dar la falsa impresion que la proyeceion ortogonsal requiere de una base ortogonal y porque ain no hemos demostrado que todo subespacio de R" tiene una base ortogonal. Ejemplo 51. Caleulemos la distancia del punto definido por el vector w al hiperplano ¥1, para u y A dados en el Kjemplo 50, Por la observacién anterior, la distancia de u a 2 es la norma de me = ortogonal aH; es decir, TI = v3. Proypeu, la componente dew [}utel] = [la — Prowl] = ||(1,0, o Ejemplo 52. Encontremos la proyeccion ortogonal de w en V, para el vector w y el subespacio V dados en el Ejemplo 47 ‘Teniendo en cuenta los datos y la notacion del Ejemplo 47, como B es una base ortonormal de V, por la Bcuacién (4.12), tenemos que L x(?) vi 3 5 13 Proyww = (wevi) vat (we v2) v2 fala(t 1 4 = [{-1)+ 1 yta\2 a Observemos también que como Proysu € $y we = u— Proyst, $i {v1,v2y---,¥e} e8 un base de S, entonces Gen fv, V2.6, Vis B} = Gen{va, 2s... Verte} (4.13) Con base en los resultados anteriores, veamos como obtener uma base ortogonal y una base ortonormal para caalquier subespacio de R", a partir de una base del subespacio, y demostrar asi la existencia de bases ortogonales y ortonormales para todo subespacio de R”. Teovema 30 [Proceso ie ortogonalizacién de Gram-Schanidt} ‘Todo subespacio $ de R", $-# {0}, tiene al menos ima base ortonormal. Demostracién: Sea $ un subespacio de R” diferente de {0}. Por el Teorema 6, existe al menos una base de S. Sen B = {v1,¥2,.--, Ve} uma base de S. Constrayamos, a partir de esta base, a BY = {t1,t2,..., Ue}, ‘na base ortogonal de $y Iuego la normalizamos para obtener una. base ortonormal, La idea de la demostracion es definir au, como la. componente de v, ortogonal al subespacio generado por los vectores U1, U3,...,t-1, previamente definides, empezando con uy = v1 y el subespacio Gen{uy}. As, uy es la componente de v2 ortogonal al subespacio Gen{ti}, por lo tanto, wy = v2 — “Sty ¥ por (4.13), Gen{v1,v2} = Gen{my, v2} = Gen{uy, 13} Supongainos que de esta forma, hemos construido el conjunto de veetores ortogonal {t1,ta,-.-, ta} ta aque Gen{v1,v2,.-.¥i-1} = Gen{uy, t,...,th 1}. Definamos wy, como la componente de v; ortogonal al subespacio Gen{t Us, 1}. Por lo tanto,152 CAPITULO 4, ESPACIOS VECTORIALES y por (4.13), = Gen{uy.us,... 04, vib Gon {uta th}, Gen{vi,v2, lo cual podemos continuar hasta = k, obteniendo asi un conjunto ortogonal de k vectores que genera a S ¥ por consigniente, es una base ortogonal de S. Finalmente, es ficil verifiear que { mw ux, } en) le Jos es una base ortonormal de S, o Ejemplo 53. Encontremos una base ortogonal y otra ortonormal del hiperplano }{ dado en el Ejemplo 50. En el Bjemplo 50, demostramos que los vectores vy = (1,0,1,0)", v2 = (0,1,0,0) y v3 = (0,0,1,1)" forman una base de 7. Siguiendo las ideas sugeridas en la demostracién del Teorema 30 para coustruir una base ortogonal, sean m1 = vi, 0 1 0 _y, ven, [1] ef o]ifa wee a of ata 0 0 0 0 ' 0 1 0 “1 vy vet o} 1fo} of1}_if o wee Va 1 ayi i{o] 2 1 1 0 0 2 Finahnente, si normalizamos los veetores de {u, 13, 4s}, la cual es una base ortogonal de}, obtenemos 1) fo 1 zie eels |e tr} opel 2 oO 0 2 aque es una base ortonormal de oO 4.10. Factorizacion QR. De la misina forma como ¢1 algoritimo de Eliminacion de Gauss nos permiti6 factorizar una matriz como el producto de dos matrices triangulares, ama inferior y otra superior, el Proceso de ortogonalizacion de Gram- Schmidt (Teorema 30) nos permite factorizar ima matriz. como el producto de dos matrices, una ortonormal y otra triangular superior. Aunque el resultado es vilido para cualquier matriz de tamaiio m xn, en el Siguiente teorema, nos limitamos al caso de las matrices de rango completo (matrices cuyo rango es igual al rimero de columnas; es decir, matrices cuyas columnas forman im conjunto Li.) Teorema 31 |Factorizacién QR} Para toda matriz. A de tamatio m xn, cayas cohmmas forman un conjimto L.., existe una matriz.Q de tamatio mn, cuyas columnas forman un conjunto ortonormal, y una matriz triangular superior R de tamaiio n xn tales que A=QR.4.10, FACTORIZACION QR 153 Demostracién: Sea A= [ay ap... a), cuyas columnas a; € R", j = 1,2,-..,1, forman un conjunito bi, Por e] Teorema 18, {a;,a2,...,Aq} es una base de C4, el espacio columna de A. Por el Teorema 30, existe {uy,9,..., 1) }, uma base ortogonal de C4, tal que uy = ayy (Ae Se a) para j = sn, Reescribiendo estas eeunclones, tenemos que ay =u) ¥ para j=2,...,n. $i @= [uy uy ... up), las anteriores ecuaciones las podemos escribir como a= rj, para j= 1,220 donde rj, la componente i de 13, es Be icy ry = 1 sit=j parai=1,2,....n. (4.14) 0 sii>d Si R= [ey re -.. rn) tenemos que A= Of. Sea D la matriz diagonal con dys uy, ln eual es invertible, ya que {uj,Up,...,Un} €s un conjunto ortogonal y sean Q = QD~! y R= DR. Las matrices que buscamos son Q y R, va que @ PQ = (QD™)"(D'Q) = D(Q"Q)D = DDD = 1, 1. Ti matrig Q tiene colurmnas ortonormales: Por el Teorema 26, @ D®; por lo tanto, 2, La matriz Res triangular superior: Porque £ es triangular superior y D es diagonal, 3. A=QR: Por la definicion de Q y R, tenemos que QR=(QD (DR) = QD 'D)R=Q 2 2 0 15 Ejemplo 54, Culeulemos la factorizacion QR de la matriz A = Utilizando el Proceso de Ortogonalizacion de Gram-Schmidt para hallar (m, 12,15}, una base ortogonal de Ca, a partir del conjunto de vectores formados por las columnas de A, obtenemos ty 2,0,1)7, wy a) o o (0,2,2,4)” y ug = (2,2, 2,0)", Por el resultado del Teorema 31, si Q = [ty up us], & = lial] 00 3 0 0 = 0 fuel =[0 26 0 , entonees A = QR, donde 0 0 jus 0 0 We wa 0 WG oe —6p2— [mw] _f 2/3 vb v8) pa 5 a0 — [ity mar Taal [0 Me “ius | ve Pe (: mai x4) V3 2/ve 0 715d CAPITULO 4, ESPACIOS VECTORIALES o Un andlisis detallado del Teorema 31 nos lleva a concluir que uma vez calculada ma base ortogonal a partir de una base dada, tenemos todos los elementos necesarios para calcular la factorizacion QR de la matriz ccuyas columnas son los vectores de la base dada. En efecto, la matriz. Q tendré como columnas los veetores de ln base ortogonal hallada debidamente normalizades (en otras palabras, los vectores de ln base ortonormal correspondiente) y la matriz R sera el producto de la matriz diagonal formada con las normas de los veetores, de la base ortogonal, cuyos valores se caleularon para normalizar la base ortogonal, y la matriz triangular superior unitaria cuyas commas estén formadas por el opuesto de los eoeficientes utilizadas en el céleulo de cada no de los vectores de la base ortogonal, como lo define la expresion (4.14). Veamos un ejemplo, Ejemplo 55. Utilicemos los resultados del Ejemplo 53 para calcular la factorizacién QR de la matriz cayas columnas son los veetores v1, v2, V5; 6 decir, de la matriz A= [vi v2 vs) ‘Teniendo en cuenta el andlisis anterior, sea @ la matriz.cuyas colummas son los vectores de la base ortonormal v2 0 -1/2v6 cnenda (dss @= | 4% 1 2p |) bm msc dgonal oad cont nomad a 0 0 16 v2 0 0 veetores de la base ortogonal (es decir, D = 0 1 0 })y A la matriz triangular superior unitaria 0 0 v6 ccuyas coltumnas son los apuestos de los coeficientes utilizados en el efleulo de los vectores de la base ortogonal eet 005 _ [vB 0 v32 (esdecir, 2—{ 0 1 0 }).Finalmente,R-DR—{ 0 1 0 _ | y podemos verificar que O03 o 0 Vv 100 W2 0 UWE) 7 5s 9 vai a-(@10}_f o 1 0 CmGeAl on 10 1y2 0 1/2v6 00 We oot 0 0 tive o Para tenninar, observemos que la faetorizacién QR, ademés de darnos una base ortononnnal de Ca, el espacio columna de la matriz A, nos brinda una forma de resolver ATAx = ATb, el sistema de ecuaciones lineales que surge en el calculo de la solucion del Problema de Minimos Cuadrados Lineales, (Min ||Ax — Bll), sin necesidad de calcular la matriz ATA, lo cual se deja como ejercicio para el lector. La factorizacién QR, al igual que la factorizaeién LU también nos permite resolver sistemas de eeuaciones lineales, en general, En efecto, para resolver el sistema Ax = b, como A = QR y Q™Q = I, tenemos (QR)x = b, 0 equivalentemente, Q(Rx) = b; por lo tanto, Rx = Q™b, el cual es un sistema de ecuacion Lineales que se puede resolver mediante sustitucién hacia atrés, ya que la mateiz R es triangular superior 4.11. Ejercicios 1. Determine s los siguientes conjuntos, con las operaciones indicadas, son espacios veetorales (reales, a) El conjunto de los mimeros complejos con la suma (a + bi) + (¢ + di) = (a +e) + (b+ d)i y el producto por escalar Ma-+ bi) = (a) + (AB) Ver més detalles en MARTINEZ Hl y PEREZ R.Jutroduccion al Algebra Lineal Numérica, Bd, Universidad del Cauca, 1990,