Generadores de espacios vectoriales

Imaginate que tenés un conjunto de "ingredientes básicos" para crear cualquier vector que necesites. Eso es exactamente lo que hace un generador. Un conjunto $S = \{V_1, V_2,... V_n\}$ genera un espacio vectorial $V$ si podés escribir cualquier vector $v$ de $V$ como una combinación lineal: $v = \lambda_1 V_1 + \lambda_2 V_2 +... \lambda_n V_n$.

El ejemplo más simple es $\{3\}$ que genera $\mathbb{R}$. Para obtener cualquier número real, solo multiplicás 3 por algún escalar: $5 = \frac{5}{3} \cdot 3$ y $8 = \frac{8}{3} \cdot 3$. ¡Es así de fácil!

Sin embargo, hay conjuntos que no generan el espacio completo. Por ejemplo, $\{0,3\}$ no puede generar $\mathbb{R}$ porque el cero multiplicado por cualquier escalar siempre da cero, así que no podés formar números como 1.

Dato clave: En $\mathbb{R}^2$, necesitás al menos dos vectores no paralelos para generar todo el plano.

Combinaciones lineales y sistemas

Para verificar si un vector pertenece al espacio generado por otros vectores, tenés que resolver un sistema de ecuaciones lineales. Es como un rompecabezas matemático donde buscás los coeficientes correctos.

Mirá este ejemplo: ¿El conjunto $\{(1,1), (3,3)\}$ genera $\mathbb{R}^2$? Para cualquier punto $(a,b)$, necesitarías que $\lambda_1(1,1) + \lambda_2(3,3) = (a,b)$. Esto te da el sistema: $\lambda_1 + 3\lambda_2 = a$ y $\lambda_1 + 3\lambda_2 = b$.

Acá está el problema: para que tenga solución, necesitás que $a = b$. Esto significa que solo podés generar puntos sobre la recta $y = x$, ¡no todo $\mathbb{R}^2$!

Cuando resolvés estos sistemas usando eliminación gaussiana, obtenés las condiciones que deben cumplir las coordenadas. Por ejemplo, para que $(x,y,z)$ sea combinación lineal de $(1,3,-2)$ y $(2,-1,1)$, debe cumplirse: $\frac{-1}{7}x + \frac{5}{7}y + z = 0$.

Truco: Si al hacer eliminación gaussiana te queda una fila de la forma $0 = \text{expresión no nula}$, entonces ese vector NO está en el espacio generado.

Vectores canónicos y espacios estándar

Los vectores canónicos son como los "ejes coordenados" de cada espacio. Son los generadores más naturales y simples que podés usar. En $\mathbb{R}^2$, los vectores $i = (1,0)$ y $j = (0,1)$ te permiten expresar cualquier punto $(a,b) = a \cdot i + b \cdot j$.

Es importante que notes cuándo un conjunto tiene vectores "redundantes". Por ejemplo, $S = \{(1,1), (1,0), (0,1), (2,2)\}$ contiene información repetida porque $(2,2) = 2(1,1)$ y $(1,1) = (1,0) + (0,1)$.

En $\mathbb{R}^3$, los tres vectores canónicos $e_1 = (1,0,0)$, $e_2 = (0,1,0)$ y $e_3 = (0,0,1)$ generan todo el espacio tridimensional. Cualquier punto como $(-5,4,3)$ se escribe como $-5e_1 + 4e_2 + 3e_3$.

Observación importante: El conjunto que solo contiene el vector cero $\{(0,0,0)\}$ únicamente genera el conjunto $\{(0,0,0)\}$.

Espacio generado y matrices

El espacio generado por un conjunto de vectores es el conjunto de todas las posibles combinaciones lineales que podés formar con ellos. Es como tener una "receta" matemática donde los vectores son los ingredientes y los escalares son las proporciones.

Para matrices $2 \times 2$, los cuatro generadores canónicos te permiten construir cualquier matriz. Una matriz $\begin{pmatrix} a & b \\ c & d \end{pmatrix}$ se descompone como suma de cuatro matrices básicas, cada una multiplicada por el coeficiente correspondiente.

Un ejemplo práctico con polinomios: si tenés $S = \{2-x, 1+x^2\}$, cualquier combinación lineal $\lambda_1(2-x) + \lambda_2(1+x^2)$ te da un polinomio de la forma $a + bx + cx^2$ donde $a = 2\lambda_1 + \lambda_2$, $b = -\lambda_1$ y $c = \lambda_2$.

Resolviendo este sistema, obtenés que $\lambda_1 = -b$ y $\lambda_2 = c$, entonces $a = -2b + c$. Por tanto, el espacio generado es $\{a + bx + cx^2 : a = -2b + c\}$.

Consejo: Para encontrar el espacio generado, armá un sistema de ecuaciones igualando coeficientes y resolvé para encontrar las relaciones entre las variables.

Resolución sistemática con eliminación gaussiana

Cuando trabajás con vectores en $\mathbb{R}^3$ como $V_1 = (2,-1,4)$ y $V_2 = (4,1,6)$, la eliminación gaussiana es tu mejor herramienta para encontrar las condiciones del espacio generado.

El proceso es metódico: planteás el sistema $x = 2\lambda_1 + 4\lambda_2$, $y = -\lambda_1 + \lambda_2$, $z = 4\lambda_1 + 6\lambda_2$ y lo escribís en forma matricial. Después aplicás operaciones elementales para escalonar la matriz.

La clave está en la última fila que obtenés después de escalonar. Si queda una ecuación como $\frac{-5}{3}x + \frac{2}{3}y + z = 0$, esa es la condición que deben cumplir los puntos $(x,y,z)$ para estar en el espacio generado.

Esta condición define geométricamente un plano que pasa por el origen en $\mathbb{R}^3$. Todos los puntos del espacio generado están sobre este plano.

Punto clave: La eliminación gaussiana no solo te dice si un sistema tiene solución, sino que también te da las ecuaciones que describen el espacio generado.

Bases y dimensión

Una base es un conjunto especial de vectores que cumple dos condiciones súper importantes: son linealmente independientes y generan todo el espacio. Es como tener el conjunto mínimo y suficiente de "ingredientes básicos" para construir cualquier vector del espacio.

La dimensión de un espacio vectorial es simplemente el número de vectores en cualquiera de sus bases. Todos los espacios que estudiamos tienen dimensión finita y bien definida.

En $\mathbb{R}$, cualquier vector no nulo como $\{3\}$, $\{11\}$ o $\{47\}$ forma una base, y la dimensión es 1. En $\mathbb{R}^2$, necesitás exactamente 2 vectores linealmente independientes como $\{(1,0), (0,1)\}$ o $\{(1,1), (3,5)\}$.

Para $\mathbb{R}^3$, la dimensión es 3, y cualquier conjunto de 3 vectores linealmente independientes forma una base. La base canónica $\{(1,0,0), (0,1,0), (0,0,1)\}$ es la más común, pero hay infinitas bases posibles.

Regla de oro: En $\mathbb{R}^n$, toda base tiene exactamente $n$ vectores, ¡ni más ni menos!

Bases en diferentes espacios vectoriales

Las bases no solo existen en $\mathbb{R}^n$, también aparecen en espacios de matrices y polinomios. Para matrices $2 \times 2$, la base canónica tiene 4 elementos, cada uno con un 1 en una posición diferente y ceros en el resto.

En matrices $2 \times 3$, necesitás 6 matrices básicas porque tenés 6 posiciones diferentes para llenar. La dimensión siempre coincide con el número total de entradas independientes en la matriz.

Para polinomios de grado 2, la base canónica es $\{1, x, x^2\}$ con dimensión 3. Cualquier polinomio $ax^2 + bx + c$ se expresa únicamente usando estos tres elementos básicos.

Un ejemplo interesante son las matrices simétricas 3×3. Una matriz simétrica tiene la forma $\begin{pmatrix} a & b & c \\ b & d & e \\ c & e & f \end{pmatrix}$ con solo 6 valores independientes, entonces su dimensión es 6, no 9.

Dato útil: Para matrices simétricas $n \times n$, la dimensión es $\frac{n(n+1)}{2}$ porque solo necesitás especificar los elementos de la diagonal y por encima de ella.

Espacios de matrices especiales

Cuando trabajás con matrices diagonales, el espacio se simplifica considerablemente. Por ejemplo, el conjunto $S = \{\begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 \\ 0 & 1 \end{pmatrix}\}$ genera todas las matrices de la forma $\begin{pmatrix} a & 0 \\ 0 & b \end{pmatrix}$.

Si querés que las matrices tengan elementos iguales en la diagonal, como $\begin{pmatrix} a & 0 \\ 0 & a \end{pmatrix}$, entonces necesitás un solo generador y la dimensión baja a 1. Esta matriz se puede escribir como $a \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$.

Para encontrar bases de espacios solución de sistemas homogéneos, resolvés el sistema y expresás las variables libres como parámetros. Si tenés $x_3 = t$ y $x_4 = r$ como variables libres, la solución general se escribe como combinación lineal de dos vectores base.

El sistema $x_1 + 2x_2 - x_3 + x_4 = 0$ y $x_1 + x_2 + x_3 + 2x_4 = 0$ tiene espacio solución generado por $\{(-3, 2, 1, 0), (-3, 1, 0, 1)\}$ con dimensión 2.

Truco: El número de variables libres en un sistema homogéneo te da directamente la dimensión del espacio solución.