TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLOGICO DE
VERACRUZ

UNIDAD IV
ALGEBRA LINEAL

DR. BRENDA EDITH MORALES FERNANDEZ

“ESPACIOS VECTORIALES”
EQUIPO:
BARRIOS SALOMON EMERSON ALDAHIR #2
CAMPOS MEJIA MIGUEL ANGEL #4
CASTAÑEDA SANABRIA SUGEY DEL CARMEN #6
FIGUEROA MARTINEZ XANTHE ALEXANDRA #14
GARCIA PEREZ CARLOS PAUL #16
 MARTINEZ JUAREZ HANNIA DE JESUS #25
INDICE
INTRODUCCIÓN........................................................................................................................................................................ 3
4.1 Definición de un espacio vectorial ..................................................................................................................................... 5
4.2 Definición de un subespacio vectorial y sus propiedades ................................................................................................. 7
4.3. Combinación lineal. Independencia lineal ........................................................................................................................ 8
4.4. Base y dimensión de un espacio vectorial, cambio de base. .......................................................................................... 12
4.5. Espacio vectorial con producto interno y sus propiedades ............................................................................................ 15
4.6 Base ortonormal .............................................................................................................................................................. 17
Conclusión .............................................................................................................................................................................. 21
Bibliografía ............................................................................................................................................................................. 22
INTRODUCCIÓN
Los espacios vectoriales, también conocidos como espacios vectoriales, son estructuras matemáticas
fundamentales que se utilizan para modelar muchos tipos diferentes de objetos y fenómenos
matemáticos. Son importantes porque proporcionan un marco para comprender y manipular objetos
matemáticos que tienen tanto magnitud como dirección, como los vectores.
Aquí hay algunas razones específicas por las que los espacios vectoriales son importantes:

Proporcionan un lenguaje común para muchas ramas diferentes de las matemáticas, como el
álgebra lineal, el análisis funcional y la geometría diferencial. Al usar el lenguaje de los espacios
vectoriales, los matemáticos pueden comunicar ideas y resultados en diferentes campos con
mayor facilidad.
Se usan ampliamente en física para describir cantidades físicas que tienen tanto magnitud como
dirección, como velocidad y fuerza. Al usar el lenguaje de los espacios vectoriales, los físicos
pueden desarrollar modelos matemáticos elegantes y poderosos para describir el comportamiento
de los sistemas físicos.
Son importantes en gráficos por computadora y aprendizaje automático, donde se utilizan para
representar imágenes, señales de audio y otros tipos de datos. Al usar el lenguaje de los espacios
vectoriales, los científicos e ingenieros informáticos pueden desarrollar algoritmos eficientes para
procesar y analizar grandes cantidades de datos.
Se utilizan en problemas de optimización, donde se busca encontrar la mejor solución a un
problema dado un conjunto de restricciones. Al usar el lenguaje de los espacios vectoriales, los
matemáticos y los ingenieros pueden formular problemas de optimización de una manera que les
permita aplicar poderosas herramientas matemáticas para encontrar la solución óptima.
En general, los espacios vectoriales proporcionan un poderoso marco matemático que se utiliza
en una amplia gama de campos para modelar y comprender fenómenos complejos. Son una
herramienta importante para matemáticos, físicos, ingenieros e informáticos por igual.
4.1 Definición de un espacio vectorial
Es una estructura algebraica creada a partir de un conjunto no vacío, una operación interna y una
operación externa. A los elementos de un espacio vectorial se les llama vectores y a los elementos
del cuerpo se les conoce como escalares.
Hay que recordar que un conjunto no vacío es un conjunto con al menos un elemento, la operación
interna es la suma de matrices, y la operación externa es el producto de una matriz por un real.
Axiomas con la suma de vector (1 - 5) y con la multiplicación de un escalar (6 - 10):

1. CERRADURA BAJO LA SUMA

Si X pertenece a V y Y pertenece a V, entonces X+Y pertenece a V.

2. LEY ADOCIATIVA DE LA SUMA DE VECTORES

Para todo X, Y y Z en V, (x + y)+z = x (y + z).

3. VECTOR CERO O IDENTICO ADITIVO

Existe un vector |0 pertenece V tal que para todo X pertenece a V, X+0=0+X=X

4. INVERSO ADITIVO
Si x pertenece a V, existe un vector –x en V tal que x+(-x)=0.

[Link] CONMUTATIVA DE LA SUMA DE VECTTORES

Si X y Y están en V, entonces x + y = y + x.

6. CERRADURA BAJO LA MULTIPLICACION POR UN ESCALAR

Si x pertenece a V y a es un escalar, entonces ax pertenece a V.

7. PRIMERA LERY DISTRIBUTIVA

Si X y Y están en V y a es un escalar, entonces a(x + y)= ax + ay

8. SEGUNDA LEY DISTRIBUTIVA

Si X pertenece a V y a y b son escalares, entonces (a + b) x = ax+ by.
 9. LEY ASOCIATIVA DE LA MULTIPLICACION POR ESCALARES
Si X pertenece a V y a y b son escalares, entonces a(bx) = (ab)x.

[Link] MULTIPLICATIVO
Para cada vector X pertenece a V, 1x = x.

¿Para qué sirven los espacios vectoriales?

Los espacios vectoriales tienen aplicaciones en otras ramas de la matemática, la ciencia y la
ingeniería. Se utilizan en métodos como las series de Fourier, que se utiliza en las rutinas
modernas de compresión de imágenes y sonido, o proporcionan el marco para resolver
ecuaciones en derivadas parciales.

¿Dónde se manifiesta los espacios vectoriales en la vida cotidiana?

En la vida cotidiana los espacios vectoriales tienen aplicaciones o se involucran arduamente en
las ciencias; Estos hacen presencia dentro de la ingeniería dándole al individuo capacidades para
resolución de problemas, también ayudan al desarrollo de ciertas capacidades fundamentales las
cuales son: capacidad de formalizar, de razonar rigurosamente, de representar adecuadamente
algunos conceptos.

Las aplicaciones de los espacios vectoriales en la vida cotidiana a través de la informática son
numerosas ya que son la solución de muchos problemas relacionados con graficas
computarizadas, procesamiento de imágenes, softwares etc.
4.2 Definición de un subespacio vectorial y sus propiedades
Sea H un subconjunto no vacío de un espacio vectorial V y suponga que H es en sí un espacio
vectorial bajo las operaciones de suma y multiplicación por un escalar definidas en V. Entonces
se dice que H es un subespacio de V. Existen múltiples ejemplos de subespacio, sin embargo, en
primer lugar, se demostrará un resultado que hace relativamente sencillo determinar si un
subconjunto de V es en realidad subespacio de V.
Teorema de subespacio
Un subconjunto no vacío de H de un espacio vectorial V es un subespacio de V si se cumplen las
dos reglas de cerradura:

Reglas de cerradura para ver si un subconjunto no vació es un subespacio

i. Si x € H y y € H, entonces x + y € H.
ii. Si x € H, entonces αx € H para todo escalar α.
Es obvio que, si H es un espacio vectorial, entonces las dos reglas de cerradura se deberán
cumplir. De lo contrario, para demostrar que es un espacio vectorial, se deberá demostrar que los
axiomas i) a x) de la definición cumplen bajo las operaciones de suma de vectores y multiplicación
por un escalar definidas en V. Las dos operaciones de cerradura [axiomas i) y iv)] se cumplen por
hipótesis, como los vectores en H son también vectores en V, las identidades asociativa,
conmutativa, distributiva y multiplicativa [axiomas ii), v), vii), viii), ix) y x)] se cumplen.
Este teorema demuestra que para probar si H es o no es un subespacio de V, es suficiente
verificar que:
x + y y αX están en H cuando x y y están en H y α es un escalar.

Propiedades de subespacio vectorial

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.
El subespacio trivial
Para cualquier espacio vectorial V, el subconjunto {0} que consiste en el vector cero es
únicamente un subespacio ya que 0 + 0 y α0 = 0 para todo número real α. Esto se denomina el
subespacio trivial.

4.3. Combinación lineal. Independencia lineal

Combinación lineal
Las combinaciones lineales son un concepto fundamental en álgebra lineal y se utilizan en muchos
campos, incluyendo la física, la ingeniería y la informática.
Una combinación lineal es una operación matemática donde dos o más vectores se suman después
de ser multiplicados por escalares (constantes). Más específicamente:

• Sean v1, v2, . . ., vn. vectores en un espacio vectorial V. Entonces cualquier vector de la forma:
a1*v1 + a2*v2 + . . . + an*vn, donde, a1, a2, . . ., an son escalares se denomina una
combinación lineal de v1, v2, . . ., vn .

Ejemplo:
• Tenemos dos vectores v1= [3, 5] y v2= [-1, 2]. Podemos crear una combinación lineal de estos
dos vectores sumándolos después de multiplicarlos por algunos escalares de esta forma: a*v1
+ b*v2.
 Donde a y b son escalares, en este caso digamos que a= 2 y b= -3. Por lo que la combinación
linear quedaría: v1 - 3*v2.
Sustituyendo los valores: 2[3, 5] -3[-1, 2] = [6, 10] – [-3, 6] = [9, 4]
Así que [9,4] es una combinación lineal de v1 y v2 con los escalares 2 y -3.

Este concepto se puede entender mejor representando gráficamente en el plano un vector que sea
combinación lineal de dos vectores:

Como se puede ver en la representación gráfica, el vector W se

puede obtener a partir de los vectores u y v haciendo operaciones
vectoriales. Por lo tanto, el vector W es una combinación lineal de
los otros dos vectores. Hay que recalcar que esta combinación
lineal es única, dicho con otras palabras, solamente existe una
combinación lineal factible para cada vector. Ya que, siguiendo el
ejemplo anterior, si multiplicáramos u por 6 en vez de por 4,
estaríamos obteniendo otro vector diferente.

Además, una de las propiedades de la combinación lineal en el

plano es que cualquier vector se puede poner como combinación
lineal de otros dos vectores si estos tienen distinta dirección, es
decir, si no son paralelos.
A parte, a veces se puede identificar a simple vista que dos vectores son combinación lineal. Para
ello, basta que sus componentes sean proporcionales. Por ejemplo, las coordenadas de los
siguientes dos vectores son proporcionales y, en consecuencia, los vectores son combinación lineal:

Conjunto generador
A partir de algunos vectores es posible obtener otros más mediante suma de vectores o multiplicación
por escalar. Los vectores que forman a otros vectores de su mismo espacio vectorial mediante
combinaciones lineales son conjuntos generadores. O en una definición más formal:

• Se dice que los vectores v1, v2, . . ., vn de un espacio vectorial V generan a V si todo vector en
V se puede escribir como una combinación lineal de los mismos. Es decir, para todo v ∈ V,
existen escalares a1, a2, . . ., an tales que: v = a1*v1 + a2*v2 +. . . + an*vn
Ejemplo:
 • Considere el espacio vectorial R2, que consiste en todos los pares ordenados de números
reales. El siguiente conjunto de dos vectores: {(1,0), (0,1)} es un conjunto generador para R2,
ya que cualquier vector en R2 se puede expresar como una combinación lineal de estos dos
vectores.
Por ejemplo, el vector (3,4) se puede expresar como: 3(1,0) + 4(0,1) = (3,4)
De manera similar, cualquier otro vector en R2 se puede expresar como una combinación lineal
de (1,0) y (0,1), lo que significa que este conjunto genera todo el espacio vectorial R^2.

Espacio generado por un conjunto de vectores

• Sea v1, v2, . . ., vk , K vectores de un espacio vectorial V. El espacio generado por {v1, v2, . . .,
vk } es el conjunto de combinaciones lineales v1, v2, . . ., vk . Es decir: gen {v1, v2, . . ., vk} =
{v:v = a1*v1 + a2*v2 . . ., + ak*vk}, donde a1, a2, . . ., ak son escalares arbitrarios.

Teoremas
1. Si v1, v2, . . ., vk son vectores en un espacio vectorial V, entonces gen {v1, v2, . . ., vk } es un
subespacio de V.

2. Sean v1, v2, . . ., vn , vn+1, n + 1 vectores que están en un espacio vectorial V. Si v1, v2, . . .,
vn genera a V, entonces v1, v2, . . ., vn , vn+1 también genera a V. Es decir, si se agregan uno
o más vectores a un conjunto generador se obtiene otro conjunto generador.

Independencia y dependencia lineal

En álgebra lineal, la dependencia lineal y la independencia lineal son conceptos utilizados para
describir conjuntos de vectores en un espacio vectorial.
• Sean v1, v2, …, vn , n vectores en un espacio vectorial V. Entonces se dice que los vectores
son linealmente dependientes si existen n escalares c1, c2, . . ., cn no todos cero tales que:
c1*v1 + c2*v2 +… + cn vn = 0. Si los vectores no son linealmente dependientes, se dice
que son linealmente independientes.

Es decir, un conjunto de vectores es linealmente dependiente si al menos uno de los vectores del
conjunto puede expresarse como una combinación lineal de los otros vectores. En otras palabras,
un conjunto de vectores es linealmente dependiente si uno de los vectores se puede escribir como
una combinación lineal de los demás.
Por otro lado, un conjunto de vectores es linealmente independiente si ninguno de los vectores
del conjunto puede expresarse como una combinación lineal de los otros vectores.
Ejemplos:
• Tenemos el conjunto de vectores {v1, v2, v3} en R3, donde:
v1 = [1, 2, 3]
v2 = [2, 4, 6]
v3 = [3, 6, 9]
Podemos ver que v2 es solo un múltiplo escalar de v1, es decir, v2 = 2v1. De manera
similar, v3 es un múltiplo escalar de v1, es decir, v3 = 3v1.
Como v2 y v3 se pueden expresar como combinaciones lineales de v1, el conjunto de
vectores {v1, v2, v3} es linealmente dependiente.

• Por otro lado, tenemos el conjunto de vectores {v1, v2, v3} en R3, donde:
v1 = [1, 0, 0]
v2 = [0, 1, 0]
v3 = [0, 0, 1]
Podemos ver que ninguno de estos vectores puede expresarse como una combinación
lineal de los otros vectores del conjunto. Específicamente, no hay escalares a, b y c tales
que: av1 + bv2 + cv3 = [0, 0, 0]. Por tanto, el conjunto de vectores {v1, v2, v3} es
linealmente independiente.

Teoremas
1. Dos vectores en un espacio vectorial son linealmente dependientes si y sólo si uno de ellos
es un múltiplo escalar del otro.
2. Sea A una matriz de n*n. Entonces det A ≠ 0 si y sólo si las columnas de A son linealmente
independientes, (det A = determinante de A).
3. Un conjunto de n vectores en m es siempre linealmente dependiente si n > m.
4. Cualquier conjunto de n vectores linealmente independiente en Rn genera a Rn (este
teorema combina las ideas de independencia lineal y conjuntos generadores en n).
Corolario
Un conjunto de vectores linealmente independientes en Rn contiene a lo más n vectores, es decir,
si se tienen n vectores de dimensión n linealmente independientes, no se pueden incluir más
vectores sin convertir el conjunto en uno linealmente dependiente.

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

Base y dimensión de un espacio vectorial

La base de un espacio vectorial es un conjunto de vectores que son linealmente independientes, es
decir, ningún vector de la base puede ser expresado como combinación lineal de los demás vectores
de la base. Además, todos los vectores del espacio pueden ser expresados como combinación lineal
de los vectores de la base.
La dimensión de un espacio vectorial es el número de vectores en su base.
Por ejemplo, consideremos el espacio vectorial de los vectores en el plano xy. Un conjunto de vectores
que forma una base para este espacio vectorial podría ser {(1,0), (0,1)}. Cualquier otro vector en el
plano xy puede ser expresado como una combinación lineal de estos dos vectores. Por ejemplo, el
vector (3,4) puede ser expresado como 3(1,0) + 4(0,1).
En este caso, la base del espacio vectorial tiene dos vectores, por lo que la dimensión del espacio
vectorial es 2.
Otro ejemplo podría ser el espacio vectorial de las matrices cuadradas de tamaño 2x2. Una posible
base para este espacio vectorial podría ser {[[1,0], [0,0]], [[0,1], [0,0]], [[0,0], [1,0]], [[0,0], [0,1]]}. En este
caso, la base tiene cuatro vectores, por lo que la dimensión del espacio vectorial es 4.

Cambio de base
El cambio de base es un proceso en el álgebra lineal que se utiliza para cambiar la forma en que los
vectores son expresados en términos de una base diferente de vectores.
Supongamos que tenemos un espacio vectorial V con una base {v1, v2, ..., vn} y otro conjunto de
vectores {w1, w2, ..., wn} que forman una base distinta de V. Entonces, cualquier vector en V puede
ser expresado de manera única como una combinación lineal de los vectores de la base original {v1,
v2, ..., vn} o como una combinación lineal de los vectores de la nueva base {w1, w2, ..., wn}. El cambio
de base se refiere a encontrar las coordenadas del vector en términos de la nueva base, dadas las
coordenadas del vector en términos de la base original.
Para encontrar las coordenadas de un vector x en términos de la nueva base, primero es necesario
expresar cada vector de la nueva base en términos de la base original. Esto se puede hacer al resolver
el sistema de ecuaciones lineales:
w1 = a11v1 + a21v2 + ... + an1vn w2 = a12v1 + a22v2 + ... + an2vn ... wn = a1nv1 + a2nv2 + ... +
ann*vn
donde aij es el coeficiente que multiplica al vector vi en la expresión del vector wj. Una vez que se han
encontrado los coeficientes aij, se pueden expresar las coordenadas del vector x en términos de la
nueva base, utilizando las siguientes fórmulas:
[x]_w = (a11 a12 ... a1n, a21 a22 ... a2n, ..., an1 an2 ... ann) [x]_v
donde [x]_v y [x]_w son las coordenadas del vector x en términos de las bases originales y nuevas,
respectivamente.
El cambio de base es un concepto importante en la teoría de espacios vectoriales, ya que permite
trabajar con diferentes bases y simplificar ciertos cálculos.
Ejemplo sencillo del proceso de cambio de base:
Supongamos que tenemos un espacio vectorial V que tiene una base {v1, v2} dada por:
v1 = (1, 0) v2 = (0, 1)
y otro conjunto de vectores {w1, w2} que forman una base distinta de V, dada por:
w1 = (1, 1) w2 = (-1, 1)
Entonces, para encontrar las coordenadas del vector (2, 3) en términos de la nueva base {w1, w2},
primero necesitamos expresar cada vector de la nueva base en términos de la base original {v1, v2}.
Esto se puede hacer al resolver el sistema de ecuaciones lineales:
w1 = 1v1 + 1v2 w2 = -1v1 + 1v2
lo que nos da:
a11 = 1, a21 = -1 a12 = 1, a22 = 1
Luego, para encontrar las coordenadas del vector (2, 3) en términos de la nueva base {w1, w2},
utilizamos la fórmula:
[x]_w = (a11 a12, a21 a22) [x]_v
donde [x]_v es la coordenada del vector (2, 3) en términos de la base original {v1, v2}, es decir:
[2, 3]_v = 2v1 + 3v2
Por lo tanto, tenemos:
[2, 3]_w = (1 1, -1 1) [2, 3]_v = (2, 1)
lo que significa que las coordenadas del vector (2, 3) en términos de la nueva base {w1, w2} son (2,
1).
Este es solo un ejemplo sencillo, pero el proceso de cambio de base se puede utilizar en espacios
vectoriales de cualquier dimensión y con cualquier conjunto de bases.
4.5. Espacio vectorial con producto interno y sus propiedades

¿Qué es?
Un producto interno sobre un espacio vectorial (v) asigna los pares de vectores (u y v) en un
número real (v)
Longitud o normal de un vector
Según Aranda (2016) si el espacio vectorial Rn con producto escalar en Rn el vector u € Rn,
entonces la longitud o normal del vector u, denotada por ||u||=√({u, u})

Producto interno
El producto interno sobre v es una función asociada con un número real <u,v> con ambos vectores
Y estos cumplen las siguientes características:
(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 euclidiano es un producto interno que se tiene que definir en Rn
¿Cómo se puede distinguir?
Para distinguir el producto interno normal de otros posibles 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›.
Ejemplo de un ejercicio de espacio vectorial con producto interno:
Sean v= (3, 2 ,0), u= (-1, -2, 8), w= (0,5, -9) € IR³ con el producto interno usual, calcular:
1.-<V,w>=10
2.-<v,u>=-7
3.-<W,w>=106
4.-<V,u+w>=3

Operaciones:
1.-<(3,2,0),(0,5,-9)>= 0+10+0= 10

2.- <(3,2,0),(-1,-2,8)>=-3+(-4)+0=-3-4= -7

3.- <(0,5,-9),(0,5,-9)>=0+25+81= 106

4.- (u + w)= (-1,-2,8) + (0,5,-9)=(-1,3,-1)

<(3,2,0),(-1,3,-1)>=-3+6+0=3
4.6 Base ortonormal
¿Qué es?
Una base ortonormal se forma con vectores perpendiculares entre sí, y su módulo además vale un
vector unitario. Una base B es un espacio vectorial V, se define como un conjunto de vectores
linealmente independientes capaces de generar dicho espacio.
Hay que tener en cuenta que un espacio vectorial es una entidad matemática abstracta entre esos
elementos se encuentran los vectores, generalmente asociados por magnitudes físicas como la
velocidad, la fuerza y el desplazamiento o también matrices, polinomios y funciones.
Es importante recordar que los vectores tienen tres elementos por los que se
distinguen: magnitud-modulo, dirección y sentido. Una base ortonormal sirve
para representarlos y operar con ellos, debido que cualquier vector que
pertenezca a cierto espacio vectorial V, se puede escribir como una
combinación lineal de los vectores que forman la base ortonormal. Entre las
bases más utilizadas de la física está la base formada por los vectores
unitarios i, j y k que representan las tres direcciones distintivas del espacio
tridimensional: alto, ancho y profundidad. Estos vectores también se conocen
con el nombre de vectores canónicos unitarios.
Se dice que un conjunto de K vectores S= {u1, u2, …,uk} en Rn es un conjunto ortonormal si:

• ui*uj=0 si i≠j
• ui*ui=1
Si solo se cumple la primera condición, se dice que el conjunto es ortogonal.
Si se cumple la segunda condición significa que es un vector unitario.
Propiedades de las bases:
1. Una base B es el conjunto más pequeño posible de vectores que generan el espacio vectorial
V.
2. Los elementos de B son linealmente independientes.
3. Cualquier base B de un espacio vectorial V, permite expresar todos los vectores de V como
combinación lineal de ella y esta forma es única para cada vector. Por ello a B se la conoce
también como sistema generador.
4. Un mismo espacio vectorial V puede tener diferentes bases.
Proceso de ortonormalización de Gram-Schmidt
En álgebra lineal, el proceso de ortogonalización de Gram–Schmidt es un algoritmo para construir, a
partir de un conjunto de vectores linealmente independientes (Base) de un espacio prehilbertiano
(usualmente, el espacio euclídeo Rn), otro conjunto ortonormal de vectores que genere el mismo
subespacio vectorial.
Este algoritmo recibe su nombre de los matemáticos Jørgen Pedersen Gram y Erhard Schmidt.
El método de Gram-Schmidt se usa para hallar bases ortogonales (Espacio Euclideo no normalizado)
de cualquier base no euclídea.
Sea H un subespacio de dimensión m de R3. Entonces H tiene una base ortonormal {u1, u2, …, un}
En primer lugar, tenemos que:
v- (u, v)
Es un vector ortogonal a u. Entonces, dados los vectores v1,…,vn
U1= V1
U2=V2-(U1* V2) U1,
U3=V3-(U1*V3)U1-(U2*V3)U2,
Generalizando en K:

A partir de las propiedades de la proyección y del producto escalar, es sencillo probar que la sucesión
de vectores e1,…, en es ortonormal.
 Ejemplo 1. Sean 𝑣1 , 𝑣2 , 𝑣3 vectores en 𝑅3 (con el producto interior estándar) definidos por:

Es fácil ver que estos vectores son linealmente independientes. Entonces construyamos según el
proceso de Gram-Schmidt la familia ortonormal de vectores 𝑒1 , 𝑒2 , 𝑒3 . Tenemos que:

𝑧
Ahora, tomando 𝑧2 = 𝑣2 − ⟨𝑣2 − 𝑒1 ⟩𝑒1 tenemos que 𝑒2 está definido como |𝑧2 | entonces
2

1
Esto implica que 𝑒2 = 1 (0, 0, 1) = (0, 0, 1). Finalmente tomando 𝑧3 = 𝑣3 − ⟨𝑣3 − 𝑒1 ⟩𝑒1 − ⟨𝑣3 − 𝑒2 ⟩𝑒2
𝑧
sabemos que 𝑒3 = |𝑧3 |. Entonces:
3

Por lo tanto:

Aparte, se puede aplicar este algoritmo usando la definición del operador proyector:
Definimos el operador proyector como:

Y el algoritmo queda:
Generalizando en K:

Para hallar los vectores ortonormales basta con dividir entre la norma de cada vector de la base

hallada:
Conclusión
El algebra lineal aporta la capacidad para resolver una infinidad de problemáticas, otorgando al
ingeniero herramientas lógicas y matemáticas necesarias para desarrollar muchos de los retos dentro
de su actividad profesional como es el caso del estudio de vibraciones que soportan las máquinas en
la mecatrónica, por poner un ejemplo.
Una de esas herramientas lógicas que pudimos estudiar y analizar gracias a este trabajo fueron los
vectores y por ende los espacios vectoriales. Los vectores pueden representar magnitudes físicas con
intensidad y dirección, como la fuerza, el desplazamiento y la velocidad. Además, suelen representarse
en planos a través de coordenadas. Al conjunto de ellos se les llama espacios vectoriales.
Estos espacios vectoriales son la base de numerosas ramas de la matemática y de la física, y tienen
una amplia aplicación en campos como la informática, ingeniería y economía entre otros.
Debido a esto, nos dimos cuenta de que los espacios vectoriales (junto con las matrices) son un tema
de suma importancia que debemos estudiar a profundidad y también desarrollar un aprendizaje
completo, esto principalmente por la relevancia que estos temas tienen en las materias, aplicaciones,
y actividades de nuestra carrera profesional (la ingeniería mecatrónica), como lo son análisis de datos,
el procesamiento de señales, programación principalmente, mecánica de fluidos, entre otros.
Bibliografía
4.1 Definición de espacio vectorial.
• Sandoval, L. I. M. (2020, 20 agosto). Álgebra Lineal I: Espacios vectoriales. El blog de Leo.
[Link]
• Gómez, F. P. I. Y. (2017, 8 noviembre). Espacios y subespacios vectoriales - Definición,
propiedades y ejemplos. Álgebra y Geometría Analítica. [Link]
subespacios-vectoriales/
• Espacios Vectoriales - 1092 Palabras | Monografías Plus. (s. f.).
[Link]

4.2 Definición de subespacio vectorial y sus propiedades.

• [Link]
• 4.2 Definición de subespacio vectorial y sus propiedades - Sistemas Algebra Lineal. (s. f.).
[Link]
de-subespacio-vectorial-y-sus-propiedades
• Gómez, F. P. I. Y. (2017, 8 noviembre). Espacios y subespacios vectoriales - Definición,
propiedades y ejemplos. Álgebra y Geometría Analítica. [Link]
subespacios-vectoriales/

4.3 Combinación lineal. Independencia lineal.

• Analítica, G. (2021, 16 marzo). Combinación lineal de vectores. Geometria Analitica.
[Link]
resueltos/
• Grossman, S. I. (2008). Álgebra lineal. McGraw-Hill Education.
• Tema3_EV_1_2.pdf. (2019, 21 octubre). Recuperado 24 de marzo de 2023, de [Link]
[Link]/xmlui/bitstream/handle/123456789/1326/%C3%81lgebra%[Link]?seq
uence=1&isAllowed=y
• Universidad de Guanajuato. (2021, 27 noviembre). Clase digital 15: Conjuntos generadores.
Recursos Educativos Abiertos. Recuperado 24 de marzo de 2023, de
[Link]

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

• Calderón, A. (2020, agosto 12). Bases y espacios vectoriales de dimension finita. El blog de
Leo; Leonardo Ignacio Martínez Sandoval. [Link]
dimension-de-espacios-vectoriales/
• Meza, G. M. [@mateparaingenieria]. (2019, noviembre 17). Bases y Dimensiones. Youtube.
[Link]
• Meza, G. M. [@mateparaingenieria]. (2019b, noviembre 17). Cambio de Base. Youtube.
[Link]
 • 4.4 Base y dimensión de un espacio vectorial - Sistemas Algebra Lineal. (s/f). [Link]. Recuperado el
28 de marzo de 2023, de [Link]
vectoriales/base-y-dimension-de-un-espacio-vectorial

4.5 Espacio vectorial con producto interno y sus propiedades.

• Espacios vectoriales,Rafael L.C. (2003)
• Espacio vectorial con producto interno - Sistemas Algebra Lineal. (s. f.).
[Link]
vectorial-con-producto-interno
• Ayala, V. (s. f.). Espacio vectorial con producto interno y sus propiedades. [Link].
[Link]
• Matemática con Rodrigo. (2021, 17 febrero). Producto interno - Ejercicio resuelto - Producto
interno habitual de R3 [Vídeo]. YouTube. [Link]

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

• Lifeder. (24 de enero de 2020). Base ortonormal: propiedades, ejemplos y ejercicios.
Recuperado de: [Link]
• 2009, C. López, Publicación - Ortogonalización de Gram-Schmidt
• 2020, B. Radillo, El Blog de Leo, Proceso de Gram-Schmidt.