1. Espacio Vectorial.

Los espacios vectoriales se derivan de la geometría afín, a través de la

introducción de coordenadas en el plano o el espacio tridimensional.
Alrededor de 1636, los matemáticos franceses Descartes y Fermat fundaron
las bases de la geometría analítica mediante la vinculación de las soluciones
de una ecuación con dos variables a la determinación de una curva [Link]
1
Para lograr una solución geométrica sin usar coordenadas, Bernhard
Bolzano introdujo en 1804 ciertas operaciones sobre puntos, líneas y planos,
que son predecesores de los [Link] 2 Este trabajo hizo uso del concepto
de coordenadas baricéntricas de August Ferdinand Möbius de [Link] 3

La primera formulación moderna y axiomática se debe a Giuseppe Peano, a

finales del siglo XIX. Los siguientes avances en la teoría de espacios
vectoriales provienen del análisis funcional, principalmente de los espacios
de funciones. Los problemas de Análisis funcional requerían resolver
problemas sobre la convergencia. Esto se hizo dotando a los espacios
vectoriales de una adecuada topología, permitiendo tener en cuenta
cuestiones de proximidad y continuidad. Estos espacios vectoriales
topológicos, en particular los espacios de Banach y los espacios de Hilbert
tienen una teoría más rica y elaborada.

El origen de la definición de los vectores es la definición de Giusto Bellavitis

de bipoint, que es un segmento orientado, uno de cuyos extremos es el
origen y el otro un objetivo. Los vectores se reconsideraron con la
presentación de los números complejos de Argand y Hamilton y la creación
de los cuaterniones por este último (Hamilton fue además el que inventó el
nombre de vector).nota 4 Son elementos de R2 y R4; el tratamiento mediante
combinaciones lineales se remonta a Laguerre en 1867, quien también
definió los sistemas de ecuaciones lineales.

En 1857, Cayley introdujo la notación matricial, que permite una

armonización y simplificación de las aplicaciones lineales. Casi al mismo
tiempo, Grassmann estudió el cálculo baricéntrico iniciado por Möbius. Previó
conjuntos de objetos abstractos dotados de operaciones. nota 5 En su trabajo,
los conceptos de independencia lineal y dimensión, así como de producto
escalar están presentes. En realidad el trabajo de Grassmann de 1844
supera el marco de los espacios vectoriales, ya que teniendo en cuenta la
multiplicación, también, lo llevó a lo que hoy en día se llaman álgebras. El
matemático italiano Peano dio la primera definición moderna de espacios
vectoriales y aplicaciones lineales en [Link] 6

Un desarrollo importante de los espacios vectoriales se debe a la

construcción de los espacios de funciones por Henri Lebesgue. Esto más
tarde fue formalizado por Banach en su tesis doctoral de 1920nota 7 y por
Hilbert. En este momento, el álgebra y el nuevo campo del análisis funcional
empezaron a interactuar, en particular con conceptos clave tales como los
espacios de funciones p-integrables y los espacios de Hilbert. También en
este tiempo, los primeros estudios sobre espacios vectoriales de infinitas
dimensiones se realizaron.

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. Además, los espacios vectoriales proporcionan una
forma abstracta libre de coordenadas de tratar con objetos geométricos y
físicos, tales como tensores, que a su vez permiten estudiar las propiedades
locales de variedades mediante técnicas de linealización.

Combinación lineal

Cada vector u es combinación lineal de forma única

Dado un espacio vectorial , diremos que un vector u es combinación lineal

de los vectores de si existen escalares
tales que

Notaremos como el conjunto resultante de todas las combinaciones

lineales de los vectores de .
Independencia lineal

Diremos que un conjunto de vectores es linealmente

independiente si el vector 0 no se puede expresar como combinación lineal
no nula de los vectores de , es decir:

Si .

Diremos que un conjunto de vectores es linealmente dependiente si no es

linealmente independiente

Dimensión

Dado un espacio vectorial sobre :

 Si tiene base finita, diremos dimensión al número de elementos de

dicha base.
 Si tiene base no finita, diremos que es de dimensión infinita.

2. Transformación lineal

Así como cuando se estudian las funciones reales interesan especialmente

las funciones continuas, cuando se estudian funciones de un espacio
vectorial en otro interesan aquellas que poseen ciertas propiedades
especiales, por ejemplo las que conservan operaciones. Es decir, que la
función sea tal que "conserve" las dos operaciones fundamentales que
definen la estructura de espacio vectorial.

En síntesis, podemos dar la siguiente definición:

Una función T: V W (de un espacio vectorial V en un

espacio vectorial W)
se dice una transformación lineal si, para todo a, b Î V,
k Î K (K es el cuerpo de escalares) se tiene:

T (a + b) = T (a) + T (b)

T (k a) = k T (a)
que se puede resumir en T ( a +  b) =  T (a) +  T (b), llamada
propiedad de [Link] T: V  W es una transformación lineal, el espacio
V se llama dominio de T y el espacio W se llama codominio de T.

Ejemplo 1. A partir de la definición, analicemos si es lineal la siguiente

transformación:

T: R2  R3 /  x Î R2 : T ((x1, x2)) = (x1 + x2, x1 - x2, x2)

Se deben verificar las dos condiciones de la definición:

a) ¿  x, y Î R2 : T (x + y) = T (x) + T (y) ?

x = (x1, x2)
y = (y1, y2)
x + y = (x1 + y1, x2 + y2)

T (x + y) = T (x1 + y1, x2 + y2) = (x1 + y1 + x2 + y2, x1 + y1 - x2 - y2, x2 + y2) =

= (x1 + x2, x1 - x2, x2) + (y1 + y2, y1 - y2, y2) = T (x) +
T (y)

b) ¿  x Î R2,  k Î R : T (k x) = k T (x) ?

T (k x) = T (k (x1, x2)) = T (k x1, k x2) = (k x1 + k x2, k x1 - k x2, k x2) =

= k (x1 + x2, x1 - x2, x2) =
= k T (x)

Se verifican las dos condiciones de la definición, entonces la transformación

es lineal.

Ejemplo 2. Analicemos ahora si T es lineal, siendo T: R 2  R2 /  x Î R2 : T

((x1, x2)) = (x2, x1 + 2)

Se deben verificar las dos condiciones de la definición:

a) ¿  x, y Î R2 : T (x + y) = T (x) + T (y) ?

x = (x1, x2)
y = (y1, y2)
x + y = (x1 + y1, x2 + y2)

T (x) + T (y) = (x2, x1 + 2) + (y2, y1 + 2) = (x2 + y2, x1 + y1 + 4)

T (x + y) = T (x1 + y1, x2 + y2) = (x2 + y2, x1 + y1 + 2) T (x) + T (y)

No se verifica esta condición, entonces la transformación no es lineal.

Ejemplo 3. Analicemos ahora si T es lineal, siendo T: M n x n  R /  v Î Mn x n :
T (v) = det(v)

Sabemos que det(A + B) det(A) + det(B), y det(kA) = kn det(A) k

det(A), entonces esta transformación no es lineal.

Propiedades.

 Para toda transformación lineal T: V  W, T (-x) = -T (x)

 Para toda transformación lineal T: V  W, T (0) = 0 ( El que aparece en la

izquierda es el vector nulo de V, mientras que el que aparece en el lado
derecho es el vector nulo de W. Se puede escribir también T (0V) = 0W )

Sea V un espacio vectorial de dimensión finita, W un espacio vectorial,

{v1,..., vn} una base de V, y {z1,..., zn} un conjunto cualquiera de vectores de
W. Entonces existe una única transformación lineal T: V  W tal que T (vi) =
zi (1 ≤ i ≤ n).

Clasificación

Recordemos que las transformaciones lineales son funciones, y como tales,

pueden ser suryectivas, inyectivas o biyectivas. Gráficamente,

Transformación Transformación Transformación

suryectiva inyectiva biyectiva

Se dice que:

T: V  W es un monomorfismo si, y sólo si, T es inyectiva. Es decir, T es un

monomorfismo si y sólo si  u, v Î V: T(u) = T(v)  u = v.

T: V  W es un epimorfismo si, y sólo si, T es sobreyectiva. Es decir, T es

un epimorfismo si y sólo si  w Î W,  v Î V / w = T(v).
T: V  W es un isomorfismo si, y sólo si, T es biyectiva. Es decir, T es un
isomorfismo si y sólo si es un monomorfismo y un epimorfismo.

T: V  W es un endomorfismo si y sólo si V = W.

T: V  W es un automorfismo si y sólo si T es un isomorfismo y un

endomorfismo.

3. Autivalores y auto vectores.

4. Diagonalizacion.
 5. La forma cónica de Jordán.

En álgebra lineal, la forma canónica de Jordán es la forma de la matriz de

un endomorfismo de un espacio vectorial en cierta base asociada a la
descomposición en suma directa de sub espacios invariantes bajo dicho
endomorfismo. Dicha forma canónica consistirá en que la matriz estará
formada por "bloques de Jordan" en la diagonal y bloques de ceros fuera
de ella.

Sea un endomorfismo sobre un -espacio vectorial de dimensión

. Si el polinomio característico de se factoriza completamente
sobre el cuerpo (es decir, si es el cuerpo de descomposición del
polinomio característico de la matriz), existe una base donde la aplicación
lineal viene dada por una "matriz de m bloques" ( ) con la siguiente
forma canónica:

Donde cada submatriz (llamada bloque de Jordan) es de la forma:

Donde son raices del polinomio característico (autovalores), y

Cuando es diagonalizable, y , por lo que la forma
canónica de Jordan de la matríz es una matriz diagonal.