Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
 
1 1 1
SOL:La matriz escalonada de A es U = 0 1 −1, y por tanto, el
0 0 −5
sistema Ax = b tiene solución única para todo b.

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
 
1 1 1
SOL:La matriz escalonada de A es U = 0 1 −1, y por tanto, el
0 0 −5
sistema Ax = b tiene solución única para todo b. Entonces, ν(A) = 0 y
el ρ(A) = 3.
Algebra lineal Básica
Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
La matriz
 escalonada equivalente al sistema
 Bx = c es
1 −2 1 1 c1
U =  0 4 0 −4 c2 − 2c1 ,
0 0 0 0 c3 − 2c2 + 4c1

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
La matriz
 escalonada equivalente al sistema
 Bx = c es
1 −2 1 1 c1
U =  0 4 0 −4 c2 − 2c1 , Halle NB , CB , ν y ρ??
0 0 0 0 c3 − 2c2 + 4c1

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
OBS: Para determinar el núcleo o el rango de una matriz, podemos
observar que la nulidad de una matriz coincide con el número de variables
libres y que el rango coincide con el número de variables pivotales, Asi que

ν(A) + ρ(A) = #variables

Algebra lineal Básica

Rango y Nulidad de una Matriz

DEF: Dada una matriz A, definimos ν(A), la nulidad de A, como la

dimensión del espacio nulo de A. ν(A) = dim(NA )

DEF: Dada una matriz A, definimos ρ(A), el rango de A, como la

dimensión del espacio columna de A. ρ(A) = dim(CA )

EJEM: Determinemos la nulidad ν y el rango ρ de las matrices

   
1 1 1 1 −2 1 1
A = 2 3 1 B = 2 0 2 −2
1 −1 −2 0 8 0 −8
OBS: Para determinar el núcleo o el rango de una matriz, podemos
observar que la nulidad de una matriz coincide con el número de variables
libres y que el rango coincide con el número de variables pivotales, Asi que

ν(A) + ρ(A) = #variables

Algebra lineal Básica

Rango y Nulidad de una Matriz

Base de CA
TEO: Dada una matriz A, las columnas de A correspondientes a las
columnas pivotales de una forma escalonada equivalente forman una base
de CA .

Algebra lineal Básica

Rango y Nulidad de una Matriz
La base de CA está formada por columnas de A y no por columnas de la
matriz escalonada U. OJO: El Tma no está diciendo que sea el único
conjunto de columnas que sea base de CA

Algebra lineal Básica

Rango y Nulidad de una Matriz
La base de CA está formada por columnas de A y no por columnas de la
matriz escalonada U. OJO: El Tma no está diciendo que sea el único
conjunto de columnas que sea base de CA

EJEM: Encontremos
  unabase de
    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 
2 −1 1 −1 0

Algebra lineal Básica

Rango y Nulidad de una Matriz
La base de CA está formada por columnas de A y no por columnas de la
matriz escalonada U. OJO: El Tma no está diciendo que sea el único
conjunto de columnas que sea base de CA

EJEM: Encontremos
  unabase  de    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 

2 −1 1 −1 0
   
1 −1 2 1 3 1 −1 2 1 3
−1 0 1 2 3 0 −1 3 3 6
SOL: Aquı́ A =  1 −2 5 4 9 y U = 0 0 0
  
0 0
2 −1 1 −1 0 0 0 0 0 0
Halle dos bases diferentes de CA

Algebra lineal Básica

Rango y Nulidad de una Matriz
La base de CA está formada por columnas de A y no por columnas de la
matriz escalonada U. OJO: El Tma no está diciendo que sea el único
conjunto de columnas que sea base de CA

EJEM: Encontremos
  unabase  de    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 

2 −1 1 −1 0
   
1 −1 2 1 3 1 −1 2 1 3
−1 0 1 2 3 0 −1 3 3 6
SOL: Aquı́ A =  1 −2 5 4 9 y U = 0 0 0
  
0 0
2 −1 1 −1 0 0 0 0 0 0
Halle dos bases diferentes de CA

EJEM: Encontremos una base de P2 contenida en

{1 − x, x − 2x 2 , −2 + 2x, 1 − 2x 2 , 1 + x − x 2 }.

Algebra lineal Básica

Rango y Nulidad de una Matriz
La base de CA está formada por columnas de A y no por columnas de la
matriz escalonada U. OJO: El Tma no está diciendo que sea el único
conjunto de columnas que sea base de CA

EJEM: Encontremos
  unabase  de    
 1 −1 2 1 3 
 
−1  0  1  2  3
V = gen   ,   ,   ,   ,  
 1
 −2 5 4 9 

2 −1 1 −1 0
   
1 −1 2 1 3 1 −1 2 1 3
−1 0 1 2 3 0 −1 3 3 6
SOL: Aquı́ A =  1 −2 5 4 9 y U = 0 0 0
  
0 0
2 −1 1 −1 0 0 0 0 0 0
Halle dos bases diferentes de CA

EJEM: Encontremos una base de P2 contenida en

{1 − x, x − 2x 2 , −2 + 2x, 1 − 2x 2 , 1 + x − x 2 }.

SOL: Si B es la base canónica de P2 , entonces [1 − x]B =??

Algebra lineal Básica

Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

Algebra lineal Básica

Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.

Algebra lineal Básica

Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.
EJEM: Si tenemos un sistema de 15 ecuaciones con 20 incógnitas, qué
podemos decir de las soluciones del sistema, si sabemos que el espacio
nulo tiene dimensión 5?.

Algebra lineal Básica

Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.
EJEM: Si tenemos un sistema de 15 ecuaciones con 20 incógnitas, qué
podemos decir de las soluciones del sistema, si sabemos que el espacio
nulo tiene dimensión 5?. R/ Puesto que ν(A) = 5, ρ(A) = 20 − 5 = 15.
Como, CA ⊆ R15 y ρ(A) = 15, entonces, CA = R15 .

Algebra lineal Básica

Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.
EJEM: Si tenemos un sistema de 15 ecuaciones con 20 incógnitas, qué
podemos decir de las soluciones del sistema, si sabemos que el espacio
nulo tiene dimensión 5?. R/ Puesto que ν(A) = 5, ρ(A) = 20 − 5 = 15.
Como, CA ⊆ R15 y ρ(A) = 15, entonces, CA = R15 .

DEF: Dada una matriz Am×n , definimos FA , el espacio fila de A, como el

espacio generado por los vectores formados por las filas de A. Note que
dim(FA ) = ρ(AT ).

Algebra lineal Básica

Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.
EJEM: Si tenemos un sistema de 15 ecuaciones con 20 incógnitas, qué
podemos decir de las soluciones del sistema, si sabemos que el espacio
nulo tiene dimensión 5?. R/ Puesto que ν(A) = 5, ρ(A) = 20 − 5 = 15.
Como, CA ⊆ R15 y ρ(A) = 15, entonces, CA = R15 .

DEF: Dada una matriz Am×n , definimos FA , el espacio fila de A, como el

espacio generado por los vectores formados por las filas de A. Note que
dim(FA ) = ρ(AT ).
 
2 −1 0 2
EJEM: Dada la matriz A = 4 −1 −3 3  encontremos una base
0 1 −3 −1
de FA y su dimensión.
Algebra lineal Básica
Relación Nulidad y Rango de una matriz

TEO: Dada una matriz A de tamaño m × n, ν(A) + ρ(A) = n.

CORO: Dada una matriz Am×n , su nulidad, ν es igual al número de

variables libres del sistema Ax = 0.
EJEM: Si tenemos un sistema de 15 ecuaciones con 20 incógnitas, qué
podemos decir de las soluciones del sistema, si sabemos que el espacio
nulo tiene dimensión 5?. R/ Puesto que ν(A) = 5, ρ(A) = 20 − 5 = 15.
Como, CA ⊆ R15 y ρ(A) = 15, entonces, CA = R15 .

DEF: Dada una matriz Am×n , definimos FA , el espacio fila de A, como el

espacio generado por los vectores formados por las filas de A. Note que
dim(FA ) = ρ(AT ).
 
2 −1 0 2
EJEM: Dada la matriz A = 4 −1 −3 3  encontremos una base
0 1 −3 −1
de FA y su dimensión. dim(FA ) = 2
Algebra lineal Básica
Relación CA y FA

TEO: Dada cualquier matriz A, dim CA = dim FA .

Algebra lineal Básica

Relación CA y FA

TEO: Dada cualquier matriz A, dim CA = dim FA .

OBS: Note que CA 6= FA .

RESUMEN I
TEO: Dada cualquier matriz Am×n , Entonces las siguientes afirmaciones
son equivalentes.
El número de pivotes de la forma escalonada de A es n.
Los vectores columna de A forman un conjunto l.i.
ρ(A) = n
dim CA = n.
ρ(AT ) = n
dim FA = n.
ν(A) = 0.
NA = {0}.
El sistema Ax = 0 tiene sólo la solución trivial.

Algebra lineal Básica

Relación CA y FA

TEO: Dada cualquier matriz A, dim CA = dim FA .

RESUMEN II
TEO: Dada cualquier matriz Am×n , Entonces las siguientes afirmaciones
son equivalentes.
El número de pivotes de la forma escalonada de A es m.
Los vectores columna de A generan a Rm
ρ(A) = m
dim CA = m.
ρ(AT ) = m
dim FA = m.
Cada fila de la forma escalonada de A contiene un pivote.
ν(A) = n − m.
El sistema Ax = b tiene solución para todo b, es decir, los sistemas
son consistentes.

Algebra lineal Básica

Relación CA y FA

TEO: Dada cualquier matriz A, dim CA = dim FA .

RESUMEN III
TEO: Dada cualquier matriz An×n , Entonces las siguientes afirmaciones
son equivalentes.
El número de pivotes de la forma escalonada de A es n.
Los vectores columna de A generan a Rn , son l.i. y base de Rn
ρ(A) = n
dim CA = n.
dim FA = n.
Cada fila de la forma escalonada de A contiene un pivote.
ν(A) = 0.
El sistema Ax = b tiene solución única para todo b.
La matriz A es invertible.
det A 6= 0

Algebra lineal Básica

Bases Ortonormales en Rn

DEF Un conjunto de vectores S = {v1 , v2 , . . . , vk } de Rn es ortonormal,

si y sólo si, 
1 si i = j
vi · vj =
0 si i 6= j

Algebra lineal Básica

Bases Ortonormales en Rn

DEF Un conjunto de vectores S = {v1 , v2 , . . . , vk } de Rn es ortonormal,

si y sólo si, 
1 si i = j
vi · vj =
0 si i 6= j

TEO: Si B = {v1 , v2 , . . . , vk } es una base ortogonal (ortonormal) de un

subespacio V de Rn y u está en V , entonces
u = λ1 v1 + λ2 v2 + . . . + λk vk , donde
u · vi
λi = para i = 1, 2, . . . , k.
vi · vi

Algebra lineal Básica

Bases Ortonormales en Rn

DEF Un conjunto de vectores S = {v1 , v2 , . . . , vk } de Rn es ortonormal,

si y sólo si, 
1 si i = j
vi · vj =
0 si i 6= j

TEO: Si B = {v1 , v2 , . . . , vk } es una base ortogonal (ortonormal) de un

subespacio V de Rn y u está en V , entonces
u = λ1 v1 + λ2 v2 + . . . + λk vk , donde
u · vi
λi = para i = 1, 2, . . . , k.
vi · vi

DEF: Un vector u ∈ Rn es ortogonal a un subespacio S de Rn , si y sólo

si, el vector u es ortogonal a todos y cada uno de los vectores del
subespacio S; es decir,

u·v=0 para todo v∈S

Algebra lineal Básica
Ortogonalidad

TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

Algebra lineal Básica

Ortogonalidad

TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

DEM (⇒) Si el vector u es ortogonal a S, entonces, u es ortogonal a

todos los vectores de S, y en particular, u es ortogonal a vi para
i = 1, 2, . . . k.

Algebra lineal Básica

Ortogonalidad

TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

DEM (⇒) Si el vector u es ortogonal a S, entonces, u es ortogonal a

todos los vectores de S, y en particular, u es ortogonal a vi para
i = 1, 2, . . . k.

(⇐) Si u es ortogonal a v1 , v2 , . . . , vk , entonces u · vi = 0 para

i = 1, 2 . . . k.

Algebra lineal Básica

Ortogonalidad

TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

DEM (⇒) Si el vector u es ortogonal a S, entonces, u es ortogonal a

todos los vectores de S, y en particular, u es ortogonal a vi para
i = 1, 2, . . . k.

(⇐) Si u es ortogonal a v1 , v2 , . . . , vk , entonces u · vi = 0 para

i = 1, 2 . . . k. Ahora, si v ∈ S, ⇒ ∃αi ∈ R tales que
v = α1 v1 + α2 v2 + · · · + αk vk ,
por lo tanto,
u · v = α1 u · v1 + α2 u · v2 + · · · + αk u · vk = 0.
Es decir, u es ortogonal a todo v ∈ S.

Algebra lineal Básica

Ortogonalidad

TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

DEM (⇒) Si el vector u es ortogonal a S, entonces, u es ortogonal a

todos los vectores de S, y en particular, u es ortogonal a vi para
i = 1, 2, . . . k.

(⇐) Si u es ortogonal a v1 , v2 , . . . , vk , entonces u · vi = 0 para

i = 1, 2 . . . k. Ahora, si v ∈ S, ⇒ ∃αi ∈ R tales que
v = α1 v1 + α2 v2 + · · · + αk vk ,
por lo tanto,
u · v = α1 u · v1 + α2 u · v2 + · · · + αk u · vk = 0.
Es decir, u es ortogonal a todo v ∈ S.

Algebra lineal Básica

Ortogonalidad

TEO: Un vector u ∈ Rn es ortogonal al subespacio

S = gen{v1 , v2 , . . . , vk }, si y sólo si, el vector u es ortogonal a los
vectores v1 , v2 , . . . , vk

DEM (⇒) Si el vector u es ortogonal a S, entonces, u es ortogonal a

todos los vectores de S, y en particular, u es ortogonal a vi para
i = 1, 2, . . . k.

(⇐) Si u es ortogonal a v1 , v2 , . . . , vk , entonces u · vi = 0 para

i = 1, 2 . . . k. Ahora, si v ∈ S, ⇒ ∃αi ∈ R tales que
v = α1 v1 + α2 v2 + · · · + αk vk ,
por lo tanto,
u · v = α1 u · v1 + α2 u · v2 + · · · + αk u · vk = 0.
Es decir, u es ortogonal a todo v ∈ S.

EJER: Verifique que u = (−1 − 1 2)T es ortogonal al plano

P = {(x y z)T : x + y − 2z = 0, x, y , z ∈ R}.
Algebra lineal Básica
Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Pasos para hallar v y uc : 1) Halle una base de S, v1 , v2 , . . . , vk

2) Construya la matriz A = [v v · · · Algebra
v ]. lineal Básica
Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Pasos para hallar v y uc : 1) Halle una base de S, v1 , v2 , . . . , vk

2) Construya la matriz A = [v1 v2 · · · vk ].

Algebra lineal Básica

Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Pasos para hallar v y uc : 1) Halle una base de S, v1 , v2 , . . . , vk

2) Construya la matriz A = [v1 v2 · · · vk ].
3) Halle el vector AT u

Algebra lineal Básica

Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Pasos para hallar v y uc : 1) Halle una base de S, v1 , v2 , . . . , vk

2) Construya la matriz A = [v1 v2 · · · vk ].
3) Halle el vector AT u
4) Resuelva el sistema
AT Ax = AT u
hallando el vector x. Esto es, [AT A|AT u]. Note que AT A es invertible,
entonces el sistema tiene solución única.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio

TEO: Sean S un subespacio de Rn y u un vector arbitrario de Rn .

Entonces, existe un único vector v ∈ S tal que
uc = u − v es ortogonal al subespacio S ó uc = 0.
kuc k ≤ ku − yk para todo y ∈ S.
Al vector uc lo llamamos la componente de u ortogonal a S y al vector
v = ProyS u, la proyección ortogonal de u en S.

Pasos para hallar v y uc : 1) Halle una base de S, v1 , v2 , . . . , vk

2) Construya la matriz A = [v1 v2 · · · vk ].
3) Halle el vector AT u
4) Resuelva el sistema
AT Ax = AT u
hallando el vector x. Esto es, [AT A|AT u]. Note que AT A es invertible,
entonces el sistema tiene solución única.
5) Por último, v = Ax y uc = u − v es ortogonal a S.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H,

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v,

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u.

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 .
1 0 2 2 0 0 −3 −3

Algebra lineal Básica

Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 . De aquı́, obtenemos que la
1 0 2 2 0 0 −3 −3
solución de AT Ax = AT u es:
x=
Algebra lineal Básica
Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 . De aquı́, obtenemos que la
1 0 2 2 0 0 −3 −3
solución de AT Ax = AT u es:
x = (0 − 1 1)T y ProyH u = v = Ax =
Algebra lineal Básica
Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 . De aquı́, obtenemos que la
1 0 2 2 0 0 −3 −3
solución de AT Ax = AT u es:
x = (0 − 1 1)T y ProyH u = v = Ax = (0 − 1 1 1)T .
Algebra lineal Básica
Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 . De aquı́, obtenemos que la
1 0 2 2 0 0 −3 −3
solución de AT Ax = AT u es:
x = (0 − 1 1)T y ProyH u = v = Ax = (0 − 1 1 1)T .
Algebra lineal Básica
Proyección ortogonal sobre un subespacio
EJEM: Encontremos la proyección ortogonal de u = (1 − 1 0 2)T en el
hiperplano
n o
H = (x y z w )T , x − z + w = 0, x, y , z, w ∈ R .
y calcule la distancia de u al hiperplano H.
SOL: Hallemos una base de H, B = {v1 , v2 , v3 } con
v1 = (1 0 1 0)T , v2 = (0 1 0 0)T y v3 = (0 0 1 1)T es una base de H.
ProyH u = v, pero v = Ax donde A = [v1 v2 v3 ] y x es la solución de
AT Ax = AT u. Observe que
   
2 0 1 1
AT A = 0 1 0 AT u = −1
1 0 2 2
usando Eliminación
! Gauss al sistema ampliado,
!
2 0 1 1 2 0 1 1
0 1 0 −1 ≈ 0 1 0 −1 . De aquı́, obtenemos que la
1 0 2 2 0 0 −3 −3
solución de AT Ax = AT u es:
x = (0 − 1 1)T y ProyH u = v = Ax = (0 − 1 1 1)T .
Algebra lineal Básica
Proceso de ortogonalización de Gram-Schmidt

TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.

Algebra lineal Básica

Proceso de ortogonalización de Gram-Schmidt

TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.
Poner atención al PROFESOR...

Algebra lineal Básica

Proceso de ortogonalización de Gram-Schmidt

TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.

Algebra lineal Básica

Proceso de ortogonalización de Gram-Schmidt

TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.
CONCLUSIÓN: Dada una base B = {v1 , v2 , . . . , vk } de S. Podemos
construir una base ortogonal B ′ = {u1 , u2 , . . . , uk } de S, definiendo a ui
asi:
!
vi · u 1 vi · u 2 vi · ui−1
ui = v i − u1 + u2 + · · · + ui−1
u1 · u1 u2 · u2 ui−1 · ui−1

Algebra lineal Básica

Proceso de ortogonalización de Gram-Schmidt

TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.
CONCLUSIÓN: Dada una base B = {v1 , v2 , . . . , vk } de S. Podemos
construir una base ortogonal B ′ = {u1 , u2 , . . . , uk } de S, definiendo a ui
asi:
!
vi · u 1 vi · u 2 vi · ui−1
ui = v i − u1 + u2 + · · · + ui−1
u1 · u1 u2 · u2 ui−1 · ui−1
EJEM:
n Construya una base ortogonal y otra o ortonormal de
B = (1 0 1 0)T , (0 1 0 0)T , (0 0 1 1)T

Algebra lineal Básica

Proceso de ortogonalización de Gram-Schmidt

TEO: Todo subespacio S de Rn , S 6= {0}, tiene al menos una base

ortonormal.
CONCLUSIÓN: Dada una base B = {v1 , v2 , . . . , vk } de S. Podemos
construir una base ortogonal B ′ = {u1 , u2 , . . . , uk } de S, definiendo a ui
asi:
!
vi · u 1 vi · u 2 vi · ui−1
ui = v i − u1 + u2 + · · · + ui−1
u1 · u1 u2 · u2 ui−1 · ui−1
EJEM:
n Construya una base ortogonal y otra o ortonormal de
B = (1 0 1 0)T , (0 1 0 0)T , (0 0 1 1)T

SOL: Claramente la base ortogonal es: u1 = v1 = (1 0 1 0)T

v 2 · u1
u2 = v 2 − u1 = (0 1 0 0)T
u 1 · u1
v3 · u1 v3 · u2 1
u3 = v3 − u1 − u2 = (−1 0 1 2)T
u1 · u 1 u2 · u 2 2
Algebra lineal Básica