6 Espacios euclı́deos
6.1 Producto escalar. Espacio euclı́deo
Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación
< · , · > : V × V −→ R
(u, v) −→< u, v >
6.2 Ejemplos
1. Si u = (x1 , . . . , xn ) y v = (y1 , . . . , yn ) son dos vectores de Rn en la base canónica, el
producto
Xn
< u, v >= xi yi
i=1
es un producto escalar, que se llama producto usual y se representa, simplemente, por
u · v.
2. En R2 , es un producto escalar:
µ ¶ µ ¶µ ¶
1 1
t
¡ ¢ 1 1 x2
< u, v >= u v = x1 y1
1 2 1 2 y2
ya que es:
· µ ¶ ¸t µ ¶
1 1 1 1
• Conmutativo: < u, v >=< u, v >t = ut v =v t u =< v, u >.
1 2 1 2
µ ¶
1 1
• Bilineal: < u, λv + µw >= ut (λv + µw) = λ < u, v > +µ < u, w >, y por la
1 2
propiedad conmutativa se verifica también en la primera variable.
• Definido positivo: Si u = (x, y), < u, u >= (x + y)2 + y 2 ≥ 0, y es cero sólo si
x = y = 0.
< u, v >= ut Av
con A ∈ Mn×n (R) simétrica (A = At ) es siempre conmutativo y bilineal, por lo que será
un producto escalar si es definido positivo.
de donde
< v1 , v1 > < v1 , v2 > · · · < v1 , vn >
< v2 , v1 > < v2 , v2 > · · · < v2 , vn >
< u, v >= ut Gv con G = .. .. ..
. . .
< vn , v1 > < vn , v2 > · · · < vn , vn >
6.4 Ejemplo
En Rn , la matriz de Gram del producto escalar usual, respecto de la base canónica, es la matriz
identidad:
1 0 ··· 0 y1
¾
u = (x1 , x2 , . . . , xn ) Xn
¡ ¢ 0 1 ··· 0 y2
=⇒ u · v = xi yi = x1 x2 · · · xn . .. .. ..
v = (y1 , y2 , . . . , yn ) .. . . .
i=1
0 0 ··· 1 yn
Luego G0 = P t GP .
6.8 Ejemplo
La norma usual de Rn , inducida por el producto usual, de u = (x1 , . . . , xn ) ∈ Rn es
v
u n
uX
kuk = t x2i
i=1
° ° µ ¶1/2 Ã !
2 1/2
° u ° u u 1 kuk
° ° 1/2
° kuk ° =< kuk , kuk > = kuk2 < u, u > =
kuk2
=1
6.10 Ejemplos
√
1. Sean u = (1, 2) y v = (3, 4) vectores de R2 , con el producto
³ usual.
´ Puesto que kuk = 5
u
y kvk = 5, ninguno de ellos es unitario, siendo kuk = √15 , √25 el vector normalizado de
dv) = arccos 511
u. Además no son ortogonales, pues u · v = 11, siendo (u, √ .
5
2. En R4 con el producto usual, los vectores normalizados de los siguientes son los que se
indican:
µ ¶
√ u 1 1
u = (1, 0, 1, 0) =⇒ kuk = 2 =⇒ = √ , 0, √ , 0
kuk 2 2
µ ¶
√ v 1 1
v = (0, 1, 0, 1) =⇒ kvk = 2 =⇒ = 0, √ , 0, √
kvk 2 2
µ ¶
w 1 1 1 −1
w = (1, 1, 1, −1)=⇒ kwk = 2 =⇒ = , , ,
kwk 2 2 2 2
Es decir:
(
< ui , uj >= 0 , para i 6= j
{u1 , . . . , um } es ortogonal ⇐⇒
kui k 6= 0 , para 1 ≤ i ≤ m
(
< ui , uj >= 0 , para i 6= j
{u1 , . . . , um } es ortonormal ⇐⇒
kui k = 1 , para 1 ≤ i ≤ m
Es claro que:
½ ¾
u1 um
{u1 , . . . , um } ortogonal =⇒ ,..., ortonormal
ku1 k kum k
Una base ortogonal es una base formada por un conjunto ortogonal, y una base ortonormal
es una base formada por un conjunto ortonormal. Es fácil observar que:
• La matriz de Gram de un producto escalar respecto de una base ortogonal es una matriz
diagonal.
• La matriz de Gram de un producto escalar respecto de una base ortonormal es la matriz
identidad. Por lo tanto: < u, v >= ut Iv = ut v.
6.13 Ejemplo
En R3 , el conjunto de vectores
{u1 = (1, 1, 0), u2 = (1, −1, 0), u3 = (0, 0, 1)}
es linealmente independiente, pues u1 ·u2 = u1 ·u3 = u2 ·u3 = 0, luego forma una base ortogonal.
Una base ortonormal es
½ µ ¶ µ ¶ ¾
u1 1 1 u2 1 −1 u3
v1 = = √ , √ , 0 , v2 = = √ , √ , 0 , v3 = = (0, 0, 1)
ku1 k 2 2 ku2 k 2 2 ku3 k
• Ahora se elige u2 = v2 + α21 u1 con la condición de que < u2 , u1 >= 0, para lo que se
necesita que
− < v2 , u1 >
< u2 , u1 >=< v2 , u1 > +α21 < u1 , u1 >= 0 =⇒ α21 =
ku1 k2
Por lo tanto
< v2 , u1 >
u2 = v2 − u1
ku1 k2
Por lo tanto
< v3 , u1 > < v3 , u2 >
u3 = v3 − 2 u1 − u2
ku1 k ku2 k2
para 2 ≤ k ≤ m.
Para obtener una base ortonormal, se aplica el proceso de normalización después de aplicar
Gram-Schmidt:
Gram-Schmidt Normalización
Base −−−−−−−−−→ Base ortogonal −−−−−−−−−→ Base ortonormal
6.15 Ejemplo
Sea S el subespacio de R4 generado por el conjunto de vectores
que es linealmente independiente (es una base de S). Aplicando el proceso de Gram-Schmidt:
u1 = v1 = (1, 1, 0, 0)
v2 · u1 0
u2 = v2 − 2 u1 = v2 − 2 u1 = (1, −1, 1, 1)
ku1 k
µ ¶
v3 · u1 v3 · u2 −1 2 3 1
u3 = v3 − u1 − u2 = v3 − u1 − u2 = −1, 1, ,
ku1 k2 ku2 k2 2 4 2 2
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 7
S ⊥ = {v ∈ V : < u, v >= 0, ∀u ∈ S}
6.18 Ejemplo
En R4 , con el producto usual, el complementario ortogonal del subespacio
es el subespacio:
© ª
S ⊥ = v ∈ R4 : < u, v >= 0, ∀u ∈ S = {v = (x1 , x2 , x3 , x4 ) : < u1 , v >=< u2 , v >= 0} =
½ ¾ x1 = α
4 x1 − x 2 + x4 = 0 4 x 2 = β
= v∈R : = v∈R : , α, β ∈ R =
x1 + x2 + x3 = 0
x3 = −α − β
x4 = −α + β
= L ({v1 = (1, 0, −1, −1), v2 = (0, 1, −1, 1)})
6.19 Teorema
Si S es un subespacio vectorial del espacio vectorial euclı́deo V , se cumple que
V = S ⊕ S⊥
• S ∩ S ⊥ = {0}:
u ∈ S ∩ S ⊥ =⇒< u, u >= kuk2 = 0 =⇒ u = 0
• S + S⊥ = V :
6.20 Proyecciones
Si S un subespacio vectorial del espacio vectorial euclı́deo V , cada vector u ∈ V se descompone
de forma única como suma de un vector de S y otro de S ⊥ , que se llaman, respectivamente,
proyección de u sobre S y sobre S ⊥ , y se representan:
½ ½
v∈S v = proyS u
u = v + w con =⇒ y u = proyS u + proyS ⊥ u
w ∈ S⊥ w = proyS ⊥ u
Se define el ángulo que forman un vector u ∈ V con un un subespacio S como el ángulo que
forma con su proyección, es decir:
que es
Pun sistema lineal de ecuaciones, cuya solución {α1 , . . . , αk } proporciona la proyección
u = ki=1 αi vi .
6.22 Ejemplo
En R4 con el producto usual, para hallar la proyección de u = (0, 2, 1, −1) sobre el subespacio
S = {(x1 , x2 , x3 , x4 ) : x1 + x2 = 0} hay que hallar una base, a ser posible ortonormal. Puesto
que
x1 = α
x2 = −α
S = (x1 , x2 , x3 , x4 ) : , α, β, γ ∈ R =
x3 = β
x4 = γ
= L ({u1 = (1, −1, 0, 0), u2 = (0, 0, 1, 0), u3 = (0, 0, 0, 1)})
y sobre S ⊥ es
proyS ⊥ u = u − proyS u = (1, 1, 0, 0)
El ángulo que forman u y S, y la distancia entre ellos, es:
d u · proyS u 4 2
(u, S) = (u, \
proyS u) = arccos = arccos √ = arccos √
kuk · kproyS uk 6·2 6
√
d(u, S) = kproyS ⊥ uk = ku − proyS uk = k(1, 1, 0, 0)k = 2
6.24 Ejemplos
0 1 0
1. La matriz A = 1 0 0 es simétrica y, por tanto, ortogonalmente diagonalizable. Sus
0 0 1
autovalores son 1, con multiplicidad 2, y −1. Los subespacios propios asociados, y la base
ortogonal respecto de la que es diagonalizable, son:
½
S(1) = L ({(1, 1, 0), (0, 0, 1)})
=⇒ B = {(1, 1, 0), (0, 0, 1), (1, −1, 0)}
S(−1) = L ({(1, −1, 0)})