APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA

PRIMER SEMESTRE 2015

Para Curso ÁLGEBRA II- USACH Material N°9

2.8.0.- Espacios Vectoriales con Producto Interior: Con el propósito de establecer criterios de
medición (para longitud y ángulo) se incorpora a la estructura de Espacio Vectorial V(K),
la idea o noción de Producto Interior, es decir, para construir una teoría de medición en un
Espacio Vectorial, se precisa de una tercera operación vectorial, el producto interno (p.i.).
Teóricamente, en cada espacio vectorial se puede definir uno o más productos interiores
que conducirán a sendas métricas o teorías de medida en ese espacio vectorial. Nosotros
veremos sólo algunas métricas en matrices Mn(R) y en R n(R) pero, dejando sentada la
existencia de muchas otras, debemos consignar que se puede estudiar espacios vectoriales
con producto interior sobre R y sobre C (Complejos). En el caso de los complejos las
definiciones que veremos se complicarían por cuanto se requiere corregir las
imperfecciones que produce la ausencia de orden en C a través de la conjugación compleja.
Lo mencionaremos en ocasiones.

2.8.1 Definición de Productos Interiores o Internos: Esta operación tiene la novedad de exigir un
resultado escalar cuando se opera dos vectores:
p.i. : VV K
(v,w) <v, w> = k
Ejemplos: 1) En F(R), espacio vectorial de las funciones reales consideremos el
subespacio vectorial CI(R) de las funciones continuas en I =  a, b, por
ejemplo, f:  0, 1 R, f(x) = (x2 – 1)
b
Se definición como p.i. habitual: <f, g> =  f x   g x dx
a

CI CI : R
(f, g) <f, g >
2) En Mn(R), se define un p.i. habitual de dos modos equivalentes por su
resultante métrico: <A, B >= tr(At·B) o bien <A, B> = tr (A·Bt)
n
donde tr(A) =  aii
i 1

3) En R n(R), el más habitual p.i. es el llamado p.i. euclidiano o producto

punto:
n
 x = (x1, x2, ...,xn), y = (y1, y2, ...,yn)R n: <x, y> =  xi  yi
i 1

n
o también: x·y = x
i 1
i  yi = x1·y1 + x2·y2 + ...... + xn·yn.

1
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

Definición:
Sea K el cuerpo de los reales (o de los complejos) y V(K) un espacio vectorial.
Un producto interior sobre V es una función que asigna a cada par v, w de V un
escalar <v,w> de K de modo que,  u, v, wV; K:
a) <u + v, w> = <u, w> + <v, w>
b) <v, w> = <v, w>
c) <v, v>  0
d) <u, v> = <v, u>, cuando K = R

Observaciones: a) La exigencia d), cuando el cuerpo es C, se presenta con el complejo

conjugado para el escalar resultante del producto interior, esto se escribe,
<u, v> =  v, u  , donde z es el complejo conjugado del complejo z.
b) Note que las condiciones a) y b) se pueden fundir expresándose como una
única condición: <u + v, w> = <u, w> +  <v, w>. Y en el caso
complejo: <w, u + v> =  <w, u> +  <w, v>.
c) Más aún, se puede observar que lo anterior significa que el p.i. respeta las c.l.
de V, es decir, se puede generalizar:
m m
<   k u k , w> =
k 1
 
k 1
k · u k , w 

Ejemplo: En R3, el p.i. euclidiano quedaría expresado como:

 x = (x1, x2, x3); y = (y1, y2, y3)R 3: <x, y> = x1·y1 + x2·y2 + x3·y3; y cumple
con:
a) <u + v, w> = <(u1 +  v1, u2 +  v2, u3 +  v3),(w1, w2, w3)>
= (u1 + v1)w1 + (u2 +  v2)w2 + (u3 +  v3)w3
= u1w1 + v1w1 + u2w2 +  v2w2 + u3w3 +  v3w3
= u1w1 + u2w2 + u3w3 +  v1w1 + v2w2 +  v3w3
= (u1w1 + u2w2 + u3w3) +  (v1w1 + v2w2 + v3w3)
= <u, w> +  <v, w>
 <u +v, w> = <u, w> +  <v, w>.
b) <v, v> = (v1)2 + (v2)2 + (v3)2  0, evidentemente.
c) <u, v> = u1·v1 + u2·v2 + u3·v3 = v1·u1 + v2·u2 + v3·u3 = <v, u>.
Note que en R 3, la operatoria concreta de p.i. sería, por ejemplo:
1º) <(3, –2, 1), (2, 7, –4)> = 3·2 + (–2)·7 + 1·(–4) = –12
2º) <(3, –2, 1), (4, 3, –6) )> = 3·4 + (–2)·3 + 1·(–6) = 0
2
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

Verifique Ud. que los tres ejemplos de p.i. definidos más arriba, cumplen las
condiciones para ser producto interior.

2.8.2.- Norma de un Vector: Para lograr una métrica vectorial y angular resulta útil saber que un
p.i. sobre un cierto espacio vectorial puede ser determinado también por otra función
llamada forma cuadrática que a cada vector v le asigna su forma cuadrática. Para esto se
define la Norma del vector v.
Definición:
 vV, se define la norma de v como: v  v, v

Observación: Con la definición de producto interior y de norma de un vector se podrá

imponer a un espacio vectorial un p.i. que defina en él la 'longitud' de un
vector, el 'ángulo' entre vectores y la 'ortogonalidad' vectorial.
Definición:
Llamaremos Espacio con producto interno a todo espacio
vectorial sobre R (o sobre C) con un producto interior < ,
> definido sobre ese espacio.

Teorema 8.1.-
Si V(K) es un espacio con producto interno, entonces  v, wV; K :
a) v = ||· v
b) v > 0,  v  0 y 0V = 0.
c) |<v, w>|  v w . (Desigualdad de Schwarz)
d) v  w  v  w . (Desigualdad Triangular)

Demostración: Las afirmaciones a) y b) se desprenden directamente de la definición de norma,

hágalas Usted. Para la afirmación c): 0
1º) Si w = 0V, entonces < v, w > = v w = 0
2º) Si w  0, siempre podemos definir: u = v – v, w w vector para el cual
2
w
<u, w> = 0. (Verifíquelo Usted)
Y luego, 0  u 2 = < v – v, w w, v – v, w w > y desarrollando el p.i. se
2 2
w w
2
obtiene: u = <v, v> –  v, w  w, v 
2
w
  v, w 
2 2 2
 v w 0
2
w

y de aquí,  v, w   v
2 2 2
w
y, finalmente: |<v, w>|  v · w .

3
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

Para probar la desigualdad triangular, usamos la parte c):

v  w = v  2  v, w   w  v  2 v  w  w
2 2 2 2 2

 v  w   v  w  , con lo cual obtenemos v  w  v  w .

2 2

Normalización de v  V, cualquiera:

Si se define un vector normal o unitario como aquel cuya norma es uno, entonces
normalizar a un vector vV, consistirá en ponderarlo por el recíproco de su norma
construyendo un nuevo vector que llamaremos el normal asociado a v.
1
Notación: vˆ   v (vector unitario o de norma uno)
v

Por ejemplo: Averigüemos, en cada caso si el vector es unitario y si no lo es,

normalicémoslo.

1) 1 1 1 1
 , , ,  en R4, con el p.i. Euclidiano. Notemos que vV será
2 2 2 2
unitario o normal ssi <v,v>=1.

Veamos 1 1 1 1 1 1 1 1 1 1 1 1
 , , , ,  , , ,      1
2 2 2 2 2 2 2 2 4 4 4 4
 este vector es unitario en R4 con el p.i. Euclidiano.

1  4 
M2(R) con p.i. < A, B > = tr (A·Bt), para A = 
1 
2) En
1 
2 2
Como <A,B> =  aik b jk , se tiene
i  j k 1
2 2
<A,A> =   a   a11  a12  a 21  a 22
2 2 2 2 2
ik
i j k 1

1  4  1  4 
   , 1 1   1  16  1  1  19
1 1   
1  4 
A =   no es unitario pues A  19
1 1 
1 1  4 
Su normalización sería: Â   
19 1 1 

4
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

2.8.3. Vectores Ortogonales.

Definición:
Diremos que u y vV con p.i., son ortogonales () si y sólo si < u, v> = 0.

Ejemplo: En R2, (2,3) y (6,4) son ortogonales, pues <(2, 3),(6, –4)> = 12 – 12 = 0.

6
2 x

4

Propiedades Básicas:
a) 0v  v,  vV.
b) Si <u, v> = 0,  vV, entonces u = 0v.
c) u  v  v  u, u, vV.
d) u v  v w no implica que u w, u, v, wV.

Definiciones:
1º) Diremos que S = S i i 1 es un conjunto normal, ssi <si, si> = 1,  i = 1, 2, ..., k.
k

Notación: Ŝ = Sˆi  k
i 1

2º) Diremos que S = S  es un conjunto ortogonal ssi <si, sj> = 0,  i  j.

k
i i 1

Notación: S = S  k
i i 1

0, si i  j
3º) Diremos que S = S i i 1 es un conjunto ortonormal ssi <si, sj> = 
k
.
1, si i  j
Notación: Ŝ  = Sˆ
k
i i 1

Observación: Si el conjunto es una base B, entonces B̂ , B, B̂  serán bases normal, ortogonal y
ortonormal respectivamente
Ejemplo: a) Las bases canónicas en Rn y en Mn son ortonormales.

b) En R4, Bˆ    1 ,  1 , 1 , 1  ,  1 , 1 ,  1 , 1  ,  1 , 1 , 1 ,  1  ,   1 , 1 , 1 , 1  es base ortonormal;

 2 2 2 2 2 2 2 2 2 2 2 2   2 2 2 2 
pero B = {(1, –1,1,1), (1,1, –1,1), (1, 1, 1, –1), (–1, 1, 1, 1)} es sólo base ortogonal.

5
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

2.8.3.1.- Teoremas Adicionales de Ortogonalidad:

a) Un conjunto ortogonal en V(K), es un conjunto l.i., si no contiene al vector

nulo. Es decir, [S = S i i 1  V, con vi  vj; cuando i j; 0vS]  S es l.i.
k

k
Demostración: Sea  v
i 1
i i = 0v, viS, iIK. Luego, para cada j variando de 1 a k,
k
<vj,  v
i 1
i i > = <vj, 0v> = 0

 0 , si i  j
  i  v j , vi  = 0, pero <vj, vi> =  2
k

i 1  v j , si i  j

  j v j = 0, con v j  0 ya que S no tiene vectores nulos.

2

j = 0, para cada j variando de 1 a k. Luego, S es l.i.

b) Si wV es ortogonal con cada vector de SV entonces w es

ortogonal con cada vector de <S>. (Consecuencia de lo anterior)
c)
El conjunto de todos los vectores ortogonales a un conjunto S no vacío,
es un s.e.v de V y se le llama s.e.v. ortogonal a S. Notación: S  .

Consecuencia: S  es s.e.v. ortogonal con <S>, se dice que S  y <S> son s.e.v. complementos
ortogonales.
Pues: 1º) S   <S> = {0v}
2º) S  + <S> = V
tenemos una suma directa: S   <S>
(note que la unión de sus bases será base de V.)
Ejemplo: Sea S = {(1, 2, 1, –1)}R4. Obtenga S  y una base para R4, a partir de S.
Respuesta: Sea (x, y, z, u) S  , luego: <(x, y, z, u), (1, 2, 1, –1)> = 0
 x + 2y + z – u = 0
u = x + 2y + z = 0 , x, y, zIR
(x, y, z, x + 2y + z)  S  ,x, y, zIR
lo cual significa que S  = <{(1, 0, 0, 1),(0, 1, 0, 2), (0, 0, 1, 1)}> es el s.e.v.
complemento ortogonal de <S>.
Y una base para R4, sería:
BR4 = {(1, 2, 1, –1), (1, 0, 0, 1), (0, 1, 0, 2), (0, 0, 1, 1)}

6
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

2.8.3.2. Teoremas con Norma.

Ya hemos visto que en Espacios Vectoriales con p.i. sobre R, la norma o longitud de un
vector vV es v  v, v y hemos dicho que se cumple:

1.- v  0,  vV; v = 0  v = 0v. 2.- v = ||· v  R, vV.

3.- |<v, w>|  v · w . 4.- v  w  v  w ,  v, wV.
1
vˆ   v , vector unitario. v = <v, v> vV.
2
5.- 6.-
v

Ahora, gracias a la ortogonalidad (vw  <v, w> = 0), se puede agregar:

7.- Teoremas de Pitágoras: v, wV, espacio vectorial con p.i., Si vw entonces
vw  v  w .
2 2 2

Demostración: v  w = <v + w, v + w>

2

= <v + w, v> + <v + w, w>

= <v, v> + <w, v> + <v, w> + <w, w>, pero <v, w> = 0
v+w w 2
= v + w
2

 vw  v  w
2 2 2

v
8.- Diagonales en paralelogramo: v, wV, espacio vectorial con p.i.,
v  w + v  w = 2 v +2 w
2 2 2 2

Demostración: Es análoga a la anterior, hágala desarrollando v  w y v  w .

2 2

Haga un dibujo para visualizar la situación.

9.- Coeficiente de Fourier (proyección de un vector sobre otro):

Sea wV, no nulo.  vV, espacio vectorial con p.i.,  R /(v  w)  w. Es fácil
probar que  existe y que tiene la forma:  = v, w  v, w .
2
w, w w
Demostración: Para que v – w sea  con w, exigimos que <v – w, v> = 0.
<v, w> – <w, w> = 0, y luego  = vw , existe por construcción
w, w
si w  0v.
Se define a este escalar  como la componente de v sobre w, y se le anota: c = v, w .
2
w
También a c se le llama coeficiente de Fourier para v, con respecto a w.
Además, cw es la proyección de v sobre w, luego, v, w ·w es la proyección de v
2
w
sobre w.
7
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

Observación: Note que si w = û fuese unitario (normal), la proyección de v sobre w

sería simplemente <v, û > û .
Ejemplo: En Rn, con ej = (0, 0, ... 0 ,1 , 0, ..., 0), j-ésimo vector de la base canónica, la
proyección de x = (x1, x2, ... , xn) sobre ej, sería simplemente el vector
proyección <x, ej > = xj·ej = (0, 0, ... 0 ,xj , 0, ..., 0).

10.- Angulo entre vectores: Si el ángulo formado por v y w mide , entonces se deduce
de lo anterior que cos  = v, w .(haga un dibujo)
v w

Demostración: En el triángulo que forman los dos vectores v y w, cuyos lados

serán de medidas v , w y v  w , aplicamos la ley del coseno
para el ángulo , resultando:
vw = v 2 + w 2  2 v · w cos , y despejando cos ,
2

2 v · w cos  = v 2 + w 2  v  w
2

= v 2 + w 2 [ v 2
 2<v, w> + w 2]
= 2<v, w>
De donde resulta obvio que cos  = v, w .
v w

11.- Ortogonalidad a un conjunto de vectores:

Si S = vi im1 es un conjunto ortogonal en V, espacio vectorial con p.i., entonces,
para cualquier vector vV, no generado por S (v< S >), existe el vector
m
v   ci vi que es ortogonal a cada vector de S.
i 1

Demostración: Hágala Usted mismo sabiendo que los vectores de S son

ortogonales todos entre sí: <vi,vj> = 0, si i  j), y que ci es el
coeficiente de Fourier para cada vi de S sobre v
m
Consecuencia: Diremos que la proyección de v sobre S, o sobre <S>, es c v
i 1
i i .
m
Si S = uˆi im1 es base ortonormal de <S> entonces a   v, uˆ
i 1
i  uˆ i

se le llama proyección ortogonal de v sobre <S> y anotamos PrvS.

Además, es consecuencia directa de este teorema Nº11 el importante Teorema de

Gram-Schmidt que permite construir una base ortogonal a partir de una base
ordenada cualquiera en cualquier subespacio o espacio con p.i.

8
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

2.8.4.- Teorema de Gram-Schmidt: Proceso de Ortogonalización.

Todo s.e.v. W de V tiene al menos una base ortogonal que se puede construir a través del
proceso de ortogonalización de Gram-Schmidt, a partir de una base cualquiera de V.
Demostración: Se usa el Principio de Inducción Matemática de carácter fuerte que
consiste en: 1º) Verificar para el primer elemento. 2º) Suponer verdadero
para los elementos anteriores a un m–ésimo elemento; y, 3º) Demostrar
para ese m–ésimo elemento. Hagámoslo.
Sea B = vi im1 una base ordenada cualquiera de W  V.
1º) Sea w1 = v1. Construyamos w2 = v2 – c1v1, con c1 = v2 , v1 ,
v1 , v1
coeficiente de Fourier de v2 sobre v1, de modo que w2  v1 y así el
conjunto  w1, w2 será ortogonal.
2º) Suponemos que esta construcción de wk es posible hacerla hasta
k 1
obtener el conjunto ortogonal wk im11 con wk = vk   ci vi , k  m.
i 1

3º) Demostramos, usando la propiedad Nº11 anterior, que el último

m1
vector wm = vm   ci vi es ortogonal a cada vector de wk im11 , y, por
i 1

lo tanto el conjunto total wk im1 resulta ortogonal.

De este modo, queda demostrado que hemos construido una base
ortogonal para W, pues, por teorema a) del acápite 2.8.3.1.-, todo
conjunto ortogonal sin vector nulo es l.i.
Luego, B = wi im1 será base ortogonal de W  V.
Observación: Si al final del proceso se normaliza cada vector obteniendo los nuevos
vectores ŵk = 1 wk, se construirá una base ortonormal para W.
wk
Opcionalmente, se puede normalizar en cada paso del proceso, obteniendo
k 1
uk = ŵk sucesivamente y simplificando cada wk = vk    vk , ui  ui .
i 1

El proceso de ortonormalización quedaría:

1º) û1 = 1 v1
v1
1
2º) w2 = v2 - <v2,u1>u1, y normalizamos û 2 = w2
w2
Y así sucesivamente, para el k-ésimo vector, con k variando de 3 a m:
kº) wk = vk – [<vk,u1>u1 + <vk,u2>u2 + ........ + [<vk,uk – 1>uk – 1
y normalizamos û k = 1 w
k
wk

Con todo lo cual hemos construido la base ortonormal B̂  = uˆi im1

9
APUNTES DE ALGEBRA LINEAL MARCEL SAINTARD VERA
PRIMER SEMESTRE 2015
Para Curso ÁLGEBRA II- USACH Material N°9

Ejemplo: Aplique el proceso de Gram-Schmidt para ortogonalizar y ortonormalizar la

base B = {(1,0, 0, 1), (0, 2, 1, 1), (1, 1, 1, 0)} de W R4.
Además, para v = (2, 3, 0, 4) que no está en W (Verifíquelo), obtenga su
proyección ortogonal sobre W.
(1, 0, 0, 1) 1 1
Respuesta: 1º) Al normalizar v1 = (1,0,0,1), obtenemos û 1 = =( ,0, 0, )
(1, 0, 0, 1) 2 2
2º) w2 = v2  <v2, û 1 > û 1
1 1 1 1
= (0, 2, 1, 1)  <(0, 2, 1, 1),( , 0, 0, )> ( , 0, 0, )
2 2 2 2
1 1 1 1 1
= (0, 2, 1, 1)  ( , 0, 0, ) = (0, 2, 1, 1)  ( , 0, 0, )
2 2 2 2 2
1 1 1
= ( , 2, 1, ) = (1, 4, 2, 1)
2 2 2
(1, 4,  2, 1) 1 4 2 1
y normalizamos û 2 = =( , , , )
(1, 4,  2, 1) 22 22 22 22
3º) w3 = v3  <v3, û 1 > û 1  <v3, û 2 > û 2
1 1 1 1 1 4 2 1
= (1, 1, 1, 0) ( , 0, 0, ) ( , , , )
2 2 2 22 22 22 22 22
1 1 1 4 2 1
= (1, 1, 1, 0) ( , 0, 0, )  ( , , , )
2 2 22 22 22 22
6 9 12 6 3
=( , , ,  )= (2, 3, 4,2)
11 11 11 11 11
1 (2, 3, 4,  2) 2 3 4 2
y normalizamos û 3 = w3 = =( , ) , ,
w3 (2, 3, 4,  2) 33 33 33 33
1 1 1 4 2 1 2 3 4 2
B̂  = {( , 0, 0, ),( , , , ),( , , , )}
2 2 22 22 22 22 33 33 33 33
es base ortonormal

Ahora, para v = (2, 3, 0, 4) obtengamos su proyección ortogonal sobre W.

Probemos que v W verificando que v es l.i. respecto de B.
1 0 0 1 1 0 0 1  1 0 0 1 
     
Si escalonamos  0 2  1 1   0 2 1 1   0 1 1  1
1 1 1 0  0 1 1  1  0 0 3 3 
     
2 3 0 4   0 2   0 2 
 3 0 0 0
Se concluye que B {v} es l.i. y luego v W.
3
La proyección ortogonal de v sobre W es   v, uˆ
i 1
i  uˆ i , luego,

PrvW = <v, û 1 > û 1 + <v, û 2 > û 2 + <v, û 3 > û 3

6 14 5 8 2 10
= û 1 + û 2 + û 3 = ( ,3,  , ).
2 22 33 3 3 3

10