Introducción
Los espacios vectoriales son una de las estructuras fundamentales en álgebra lineal y matemáticas en general. Desde la física hasta la ingeniería y la computación, los espacios vectoriales proporcionan un marco para entender sistemas lineales, transformaciones y mucho más. En este artículo, exploraremos los conceptos clave, demostraremos teoremas esenciales y resolveremos ejercicios prácticos para dominar este tema.
Definición y Propiedades Básicas
Un espacio vectorial sobre un campo $K$ (como $\mathbb{R}$ o $\mathbb{C}$) es un conjunto $V$ equipado con dos operaciones:
- Suma de vectores: $+ : V \times V \to V$
- Multiplicación por escalar: $\cdot : K \times V \to V$
Estas operaciones deben satisfacer 8 axiomas, incluyendo conmutatividad, asociatividad, existencia del vector cero y del inverso aditivo.
Ejemplo 1: $\mathbb{R}^2$
El conjunto de pares ordenados $(x, y)$ con $x, y \in \mathbb{R}$ es un espacio vectorial bajo:
$$(x_1, y_1) + (x_2, y_2) = (x_1 + x_2, y_1 + y_2)$$
$$k \cdot (x, y) = (kx, ky) \quad \text{para } k \in \mathbb{R}$$
Subespacios Vectoriales
Un subconjunto $W \subseteq V$ es un subespacio vectorial si es cerrado bajo suma y multiplicación por escalar.
Teorema 1: Criterio de Subespacio
Un subconjunto $W \subseteq V$ es subespacio si y solo si:
- $\mathbf{0} \in W$
- $\forall \mathbf{u}, \mathbf{v} \in W, \mathbf{u} + \mathbf{v} \in W$
- $\forall \mathbf{u} \in W, k \in K, k\mathbf{u} \in W$
Demostración:
($\Rightarrow$) Si $W$ es subespacio, satisface los axiomas por definición.
($\Leftarrow$) Si $W$ cumple las condiciones, hereda las propiedades de $V$.
Combinaciones Lineales y Dependencia
Un vector $\mathbf{v}$ es combinación lineal de $\{\mathbf{v}_1, …, \mathbf{v}_n\}$ si existen escalares $c_i$ tales que:
$$\mathbf{v} = c_1\mathbf{v}_1 + \cdots + c_n\mathbf{v}_n$$
Ejemplo 2
En $\mathbb{R}^3$, $(2,4,6)$ es combinación lineal de $(1,0,0)$ y $(0,2,3)$ porque:
$$(2,4,6) = 2(1,0,0) + 2(0,2,3)$$
Bases y Dimensión
Una base es un conjunto linealmente independiente que genera el espacio. La dimensión es el número de vectores en una base.
Teorema 2: Existencia de Base
Todo espacio vectorial finitamente generado tiene una base.
Demostración:
Sea $V$ generado por $S = \{\mathbf{v}_1, …, \mathbf{v}_n\}$. Si $S$ es L.I., es una base. Si no, eliminamos vectores dependientes hasta obtener un conjunto L.I. que sigue generando $V$.
Ejercicios Resueltos
Ejercicio 1
Demuestra que $W = \{(x,y,z) \in \mathbb{R}^3 | x + y – z = 0\}$ es subespacio.
Solución:
1. $(0,0,0) \in W$ pues $0 + 0 – 0 = 0$ ✓
2. Sean $\mathbf{u} = (u_1,u_2,u_3)$, $\mathbf{v} = (v_1,v_2,v_3) \in W$:
$(u_1+v_1) + (u_2+v_2) – (u_3+v_3) = (u_1+u_2-u_3) + (v_1+v_2-v_3) = 0 + 0 = 0$ ✓
3. Para $k \in \mathbb{R}$: $ku_1 + ku_2 – ku_3 = k(u_1+u_2-u_3) = k \cdot 0 = 0$ ✓
Ejercicio 2
Encuentra una base para el espacio solución de $x + 2y – 3z = 0$ en $\mathbb{R}^3$.
Solución:
Despejamos $x = -2y + 3z$. Las soluciones son:
$$\begin{pmatrix} -2y + 3z \\ y \\ z \end{pmatrix} = y\begin{pmatrix} -2 \\ 1 \\ 0 \end{pmatrix} + z\begin{pmatrix} 3 \\ 0 \\ 1 \end{pmatrix}$$
Base: $\{(-2,1,0), (3,0,1)\}$
Aplicaciones Prácticas
Los espacios vectoriales tienen numerosas aplicaciones:
- Gráficos por computadora: Transformaciones lineales para rotar y escalar objetos.
- Machine Learning: Los datos se representan como vectores en espacios de alta dimensión.
- Ingeniería: Solución de sistemas de ecuaciones diferenciales.
Conclusión
Hemos explorado los conceptos fundamentales de espacios vectoriales: definición, subespacios, bases y dimensión. A través de teoremas y ejercicios, hemos visto cómo estos conceptos abstractos se aplican en problemas concretos. El dominio de estos temas es esencial para avanzar en álgebra lineal y sus aplicaciones en ciencia e ingeniería.
«`