Ortogonalidad

1 Producto interior. Longitud y ortogonalidad

Definici
on 1 Sean u y v vectores de Rn . Se define el producto escalar (o producto interior) de u y v como

u v = uT v = (u1 , u2 , . . . , un )

v1
v2
..
.
vn

= u1 v1 + u2 v2 + . . . un vn .

3
2

Ejemplo 1 Calcular el producto escalar de u = 5 y v = 2 .

3
1

Dados u, v y w vectores de Rn y un escalar, el producto escalar verifica las siguientes propiedades:

1. u v = v u.

3. (u) v = (u v) = u (v).

2. (u + v) w = u w + v w.

4. u u 0 y u u = 0 si y solo si u = 0.

Definici
on 2 Dado un vector u Rn . Definimos su norma (o longitud) como el escalar no negativo
q

kuk = uT u = u u = u21 + u22 + + u2n .

Ejercicio 2 Demostrar que para cualquier escalar c se tiene kcuk = |c| kuk.

Un vector cuya longitud es 1 se llama vector unitario. Para obtener un vector unitario u a partir de otro dado, v,
basta dividir el vector v por su norma. Ambos vectores tienen la misma direccion, pero distinta longitud. Al proceso
mediante el cual se obtiene u a partir de v se le conoce con el nombre de normalizacion.

Ejercicio 3 Sea v =

1
2
2
0

on que v.
. Encontrar un vector unitario u en la misma direcci

Ejercicio 4 Sea W el subespacio generado por x = ( 32 , 1)T . Encontrar un vector unitario z que sea una base de W .

Definici
on 3 Sean u, v Rn . Se define la distancia entre los vectores u y v como la norma del vector u v,
dist(u, v) = ku vk = kv uk = dist(v, u).

Ejercicio 5 Calcular la distancia entre u =

7
2

yv=

3
2

!
.

Definici
on 4 Sean u, v Rn . Diremos que u y v son ortogonales si u v = 0.
1

Observese que el vector 0 es ortogonal a cualquier vector u, porque 0 u = 0, siempre.

Definici
on 5 Dado un vector v y un subespacio W diremos que v es ortogonal a W si v w = 0 para todo vector
w W.
Dos subespacios vectoriales V y W de un espacio vectorial se dicen ortogonales si v w = 0 para todo vector v V y
w W . En este caso, diremos que V es el complemento ortogonal de W y lo denotamos por V = W (y W es tambien
el complemento ortogonal de V ). Dicho de otra forma: el complemento ortogonal de W es el conjunto de todos los
vectores v que son perpendiculares a W ,
W = {v Rn : v w = 0, para todo w W }.
Observaci
on. Observese que para comprobar si un vector v pertenece al complemento ortogonal
de un espacio dado W , basta con comprobar si v es ortogonal a un conjunto que genere W .

Ejemplo 6 Hay cuatro subespacios importantes N (A), C(A), F (A), N (AT ). Cu

ales son ortogonales?
El espacio F (A) es por definici
on el generado por las filas de A, F (A) = Gen{f1 , f2 , . . . , fn } (visto como vectores columna).
Para demostrar que los subespacios son ortogonales, basta con ver que dado x N (A), entonces x es ortogonal a cada una de
las filas. Pero como x N (A), por definici
on

Ax =

f1 T
f2 T
..
.
fn T

x = 0,

Cuidado con la notaci

on!

y por tanto
f1 T x = 0, . . . , fn T x = 0.
An
alogamente, para demostrar que C(A) = Gen{a1 , a2 , . . . , am } es el complemento ortogonal de N (AT ) comprobamos que
un vector y N (AT ) arbitrario es ortogonal a todas las columnas de A: Si y N (AT ), entonces

A y=

a1 T
a2 T
..
.
am T

y = 0,

Cuidado con la notaci

on!

y por tanto
a1 T y = 0, . . . , am T y = 0.

Importante. Sea A una matriz m n. El complemento ortogonal del espacio fila de A es el

espacio nulo de A y el complemento ortogonal del espacio columna de A es el espacio nulo de AT :
(F (A)) = N (A),

(C(A)) = N (AT ).

2 Proyecciones ortogonales
Cual es la sombra que proyecta el vector b = (2, 3, 4)T sobre el plano xy? Y sobre el eje z? Como podemos
calcular la proyeccion de un vector sobre un subespacio arbitrario?
Idea. Dado v Rn y W un subespacio de Rn , queremos descomponer v
como suma de dos vectores
v = pW + e,
tal que pW W y e W .

Ejemplo 7 Proyectar un vector v sobre un subespacio vectorial de dimensi

on 1 (una recta):
Sea a el vector director de la recta. Buscamos y pW tal que
pW = a
Sabemos que si v = pW + e, entonces
ae=0
e = v pW = v a
Juntando estas dos expresiones se obtiene:
0 = a e = a (v a) = a v a a
y por tanto =

aT v
aT v
y pW = T a
aT a
a a

Ejercicio 8 Calcular la proyecci

on del vector v = (1, 1, 1)T sobre la recta cuyo vector director es a = (1, 2, 2)T .

Si W es un subespacio vectorial generado por los vectores {a1 , . . . , ap } linealmente independientes para proyectar
v sobre W usamos la misma idea que en dimension 1. Buscamos
pW = [a1 | . . . |ap ]pn x = Ax.
Utilizando que AT e = 0 concluimos x tiene que ser solucion del sistema AT v = AT Ax y entonces la proyeccion es
pW = A(AT A)1 AT v .
Ejercicio 9 Dados el vector v = (6, 0, 0)T y el subespacio W = {(1, 1, 1)T , (0, 1, 2)T }. Calcular la proyecci
on de v sobre W .

Importante.
Teorema de la descomposicion ortogonal
Sea W un subespacio de Rn . Todo vector v Rn se escribe de manera u
nica como
suma de dos vectores
v = pW + e,
tales que pW W y e W .
Distancia mnima
pW es el elemento de W que mas cerca esta de v:
kpW vk kpW bk,
para todo b W.

Ejercicio 10 Encontrar la distancia del vector v = (1, 5, 10)T al subespacio W generado por (5, 2, 1)T , (1, 2, 1)T .

3 Problemas de mnimos cuadrados

Idea. En muchos problemas practicos Ax = b no tiene solucion. Hay demasiadas ecuaciones. Sin
embargo necesitamos encontrar una solucion, de forma que Ax se parezca lo mas posible a b.
Sea e = b Ax; como el sistema no tiene solucion e 6= 0, y buscamos x tal que e sea lo mas peque
no posible.
Definici
on 6 Dada A una matriz m n y b Rn . Una solucion de mnimos cuadrados de Ax = b es y Rn tal que
kb Ayk kb Axk,
3

para todo x Rn .

Como calculamos la solucion de mnimos cuadrados?

Idea. A es rectangular y Ax = b no tiene solucion. Multiplicar ambos lados
de la ecuacion por AT ,
AT Ax = AT b.
Es un nuevo sistema, que s tiene solucion. La solucion de este sistema, es la
solucion de mnimos cuadrados del problema original.
Ejemplo 11 Dados los puntos (0, 6), (1, 0) y (2, 0) encontrar la recta que este m
as cerca de los tres puntos.
Buscamos y = mx + n con inc
ognitas m y n. El sistema que

1 0

1 1
1 2

tenemos que resolver se escribe en forma matricial como

|6

|0
|0

Es f
acil ver que este sistema es incompatible.
Buscamos una soluci
on de mnimos cuadrados. Para ello calculamos

!
1 0
3 3
1
1
1
1

T
T
,
A b=
A A=
1 1 =
3 5
0
0 1 2
1 2
y resolvemos el sistema

3
3

3
5

n
m

6
0

1
1

1
2

!
6
6

0 =
0
0

!
.

La soluci
on de mnimos cuadrados es m = 3 y n = 5, luego la recta que mejor aproxima a los tres puntos es y = 3x + 5.

4 El proceso de ortogonalizaci
on de Gram-Schmidt
Un problema de mnimos cuadrados es mas facil de resolver si AT A es diagonal.
Definici
on 7 Los vectores {q1 , . . . qn } son
ortogonales si qi qj = 0, para i 6= j.
ortonormales si son ortogonales y qi qi = 1 para todo i.
Definici
on 8 Una matriz Q con columnas ortonormales entre s se llama ortogonal
Propiedad. Si Q es cuadrada y ortogonal
QT = Q1

Dada una base {a1 , . . . , an } de un subespacio, queremos encontrar otra {q1 , . . . , qn } base de ese mismo espacio
cuyos elementos sean ortogonales (o incluso ortonormales). La ventaja que tiene el trabajar con bases ortonormales
es que, si bien el espacio generado por ambas bases el mismo, las cuentas se simplifican si utilizamos Q = [q1 | . . . |qn ]
(Recordar que QT Q = I).
Proceso de Gram-Schmidt. Dados n vectores linealmente independientes {a1 , . . . , an } de
un subespacio vectorial, construimos una base ortogonal de vectores {w1 , . . . , wn } a partir de la
base original. La base ortonormal {q1 , . . . , qn } se obtiene dividiendo cada wi por su norma.
Paso i: Elegimos w1 = a1 .

Paso ii: El vector w2 tiene que ser ortogonal a w1 . Por el teorema de de descomposicion ortogonal sabemos que
a2 = pW + e,
donde pW es la proyeccion de a2 sobre el subespacio W y e W . Sea en este caso W = Gen{w1 }. Entonces e y w1
son ortogonales. Por tanto tomamos e = w2 y as
w 1 T a2
w2 = a2 pW = a2
w1 .
w1 T w1
Paso iii: Usamos la misma idea que en el paso anterior. El vector w3 tiene que ser ortogonal a w1 y w2 . De nuevo,
por el teorema de de descomposicion ortogonal sabemos que
a3 = pW + e,
donde pW es la proyeccion de a2 sobre el subespacio W y e W . Definamos W = Gen{w1 , w2 }. Entonces e es
ortogonal a w1 y w2 , (que a su vez son ortogonales entre s). Tomamos e = w3 y as, como estamos proyectando sobre
un espacio generado por un conjunto ortogonal {w1 , w2 } tenemos
w3 = a3 pW = a3

w1 T a3
w2 T a3
w1
w2 .
T
w1 w1
w2 T w2

..
.
Paso n: Para calcular wn proyectamos an sobre el espacio generado por {w1 , . . . wn1 }, que por la construccion que
hemos hecho, son ortogonales entre s. Entonces
w1 T an
w 2 T an
wn1 T an
wn = an pW = an
w

wn1 .
1
2
w1 T w1
w2 T w2
wn1 T wn1
De esta forma obtenemos una base ortogonal {w1 , . . . , wn } y tal que Gen{a1 , . . . , an } = Gen{w1 , . . . , wn }. Para
conseguir una base ortonormal basta con dividir cada uno de los vectores de la base ortogonal por su norma; es decir

{q1 , . . . , qn } =

n w
wn o
1
,...,
.
kw1 k
kwn k

5 Diagonalizaci
on de matrices sim
etricas
Recordatorio.
A es simetrica si AT = A.
A es diagonalizable si existen matrices D diagonal y P invertible tal que
A = P DP 1
Si Q es cuadrada y ortogonal Q1 = QT
Ejemplo 12 La matriz

A = 2
1

2
6
1

1
4

tiene por valores propios = 8, 6, 3 y por vectores propios

1
1

v1 = 1 , v2 = 1 ,
2
0

v3 = 1 .
1

que son ortogonales entre s. Si v1 , v2 , v3 son vectores propios

w1 =

v1
,
kv1 k

w2 =

v2
,
kv2 k

w3 =

v3
,
kv3 k

tambien lo son y A se puede diagonalizar como

A = [w1 |w2 |w3 ]D[w1 |w2 |w3 ]1 = [w1 |w2 |w3 ]D[w1 |w2 |w3 ]T .

Cuando se puede hacer este tipo de diagonalizacion (diagonalizacion ortogonal)?

Importante. Dada A simetrica. Entonces
A es siempre diagonalizable
Vectores propios de espacios propios diferentes son siempre ortogonales
Los vectores propios se pueden escoger todos ortogonales entre s (con el proceso de GramSchmidt, cuando sea necesario)
Es mas:
A es diagonalizable ortogonalmente A es simetrica.
Ejercicio 13 Diagonalizar ortogonalmente la siguiente matriz

5 4

A = 4
5
2
2

2 .
2