Apuntes de Álgebra

José Luis Martı́nez de la Torre

José Javier Orengo Valverde
Antonio Tendero Lora

Departamento de Matemática Aplicada

Escuela Técnica Superior de Ingenieros Agrónomos y de Montes de

Albacete
UNIVERSIDAD DE CASTILLA LA MANCHA

November 30, 2015

ii
Índice de materias

1 Espacio vectorial euclı́deo. Ortogonalidad. 1

1.1 Producto escalar. Espacio vectorial euclı́deo. . . . . . . . . . 1
1.2 Norma. Espacio normado. . . . . . . . . . . . . . . . . . . . . 3
1.3 Distancia. Espacio métrico. . . . . . . . . . . . . . . . . . . . 4
1.4 Método de ortonormalización de Gram-Schmidt . . . . . . . . 4
1.5 Teorema de la proyección ortogonal . . . . . . . . . . . . . . . 8
1.6 Producto vectorial y mixto . . . . . . . . . . . . . . . . . . . 10
1.7 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 16
iv ÍNDICE DE MATERIAS
Capı́tulo 1

Espacio vectorial euclı́deo.

Ortogonalidad.

El objetivo de la primera parte de este tema es introducir el concepto de

distancia eucı́dea en un espacio vectorial. Se hace partiendo de un producto
escalar, ya que este permite siempre definir una norma que lleva al concepto
de distancia entre vectores. Como consecuencia, aprenderemos a construir
bases ortonormales (ortogonales y de norma unidad) que son útiles para la
proyección ortogonal de vectores sobre subespacios vectoriales, cuya teorı́a
aplicaremos también para hallar la recta que mejor aproxima a una nube de
puntos dada.
En la segunda parte introducimos el producto vectorial y el mixto, con
sus aplicaciones al cálculo de áreas, volúmenes y la estática.

1.1 Producto escalar. Espacio vectorial euclı́deo.

Sea V un K-espacio vectorial.
Definición 1.1 Llamaremos producto escalar a toda aplicación de V × V
en K, que denotamos por <, > o por ·, satisfaciendo los siguientes axiomas:
1. Conmutativa < ~x, ~y >=< ~y , ~x >, ∀~x, ~y ∈ V .
2. Distributiva: < ~x, ~y + ~z >=< ~x, ~y > + < ~x, ~z >, ∀~x, ~y , ~z ∈ V .
3. Producto por un escalar: < λ~x, ~y >= λ < ~x, ~y >, ∀~x, ~y ∈ V , ∀λ ∈ K.
4. No negatividad: < ~x, ~x >≥ 0, ∀~x ∈ V .
5. < ~x, ~x >= 0 ⇐⇒ ~x = ~0.
Ejemplo 1.1 En Rn el producto escalar usual es
n
X
< ~x, ~y >= x1 y1 + x2 y2 + . . . + xn yn = x i · yi
i=1
2 Espacio vectorial euclı́deo. Ortogonalidad.

donde ~x = (x1 , x2 , . . . , xn ), ~y = (y1 , y2 , . . . , yn ).

Ejemplo 1.2 En Rn,n un producto escalar habitual es

< A, B >= traza(A · B t ) .

Definición 1.2 A todo espacio vectorial en el que se ha definido un producto

escalar se le llama espacio vectorial euclı́deo. Lo denotamos (V, <, >).

Propiedades 1.1 Sea (V, <, >) un espacio vectorial euclı́deo, entonces:

1. < ~y + ~z, ~x >=< ~y , ~x > + < ~z, ~x >, ∀~x, ~y , ~z ∈ V .

2. < ~x, λ~y >= λ < ~x, ~y >, ∀~x, ~y ∈ V , ∀λ ∈ K.

3. < ~x, ~0 >= 0, ∀~x ∈ V .

4. Si < ~x, ~y >= 0 para todo ~y ∈ V , entonces ~x = ~0.

Nota 1.1 Obsérvese que en todo (V, <, >), para cada ~x ∈ V la aplicación
f~x : V → R definida por f~x (~y ) =< ~x, ~y >, es una aplicación lineal.

Definición 1.3 Sea (V, <, >) un espacio vectorial euclı́deo y (~ei )ni=1 su base
canónica. Llamamos matriz de Gram, o matriz del producto escalar <, >, a
la matriz:  
h~e1 , ~e1 i h~e1 , ~e2 i · · · h~e1 , ~en i
 h~e2 , ~e1 i h~e2 , ~e2 i · · · h~e2 , ~en i 
G=
 
.. .. .. 
 . . ··· . 
h~en , ~e1 i h~en , ~e2 i · · · h~en , ~en i

Nota 1.2 Observa que es una matriz simétrica.

Ejemplo 1.3 En ocasiones el producto  escalar 

es definido mediante su ma-
1 2 1
triz de Gram. Por ejemplo, si G =  2 2 3 , el producto escalar entre
1 3 1
los vectores (1, 2, 1) y (0, 1, 2) es:
     
1 2 1 0 0
(1 2 1) ·  2 2 3  ·  1  = (6 9 8) ·  1  = 25
1 3 1 2 2
1.2 Norma. Espacio normado. 3

1.2 Norma. Espacio normado.

Sea (V, <, >) un espacio vectorial euclı́deo.

Definición 1.4√Dado un vector ~x ∈ V , se llama norma del vector ~x al

escalar || ~x ||= < ~x, ~x >.

Nota 1.3 Existen otras normas, pero dado un producto escalar la definición
anterior es la que permite normar un espacio vectorial.

Ejemplo 1.4 En R3 , con el producto escalar

< x, y >= x1 y1 + (x2 − x3 )(y2 − y3 ) + (x1 + x3 )(y1 + y3 ) ,

la norma del vector (3, 1, 2) es

p √ √
|| (3, 1, 2) ||= < (3, 1, 2), (3, 1, 2) > = 9 + 1 + 25 = 35 .

Nota 1.4 • El único vector con norma 0 es el vector ~0.

• La norma se denota por || ~x || y no por | ~x |.

• Si || ~x ||= 1, se dice que ~x es un vector unitario o normalizado.

~x
• Todo ~x ∈ V tal que || ~x ||6= 1, se puede normalizar haciendo .
|| ~x ||

Ejemplo 1.5 Siguiendo con el ejemplo 1.4, el vector (3, 1, 2) tiene como
vector normalizado al vector ( √335 , √135 , √235 ).

Definición 1.5 A todo espacio vectorial euclı́deo en el que se ha definido

una norma se le llama espacio normado. Lo denotamos por (V, || ||).

Propiedades 1.2 Sea (V, || ||) un espacio normado, entonces:

1. || ~x ||≥ 0, ∀~x ∈ V .

2. || ~x ||= 0 ⇐⇒ ~x = 0.

3. || λ~x ||=| λ | · || ~x ||, ∀λ ∈ K, ∀~x ∈ V .

4. Desigualdad de Schwartz: |< ~x, ~y >|≤|| ~x || · || ~y ||, ∀~x, ~y ∈ V .

5. Desigualdad de Minkowski: || ~x + ~y ||≤|| ~x || + || ~y ||, ∀~x, ~y ∈ V .

6. < ~x, ~y >=|| ~x || · || ~y || cos(~x, ~y ), ∀~x, ~y ∈ V .

Demostración.- Las tres primeras propiedades se siguen de la definición,

mientras que las dos últimas se siguen de la desigualdad de Schwartz.
4 Espacio vectorial euclı́deo. Ortogonalidad.

1.3 Distancia. Espacio métrico.

Definición 1.6 Dado un espacio vectorial V , se llama distancia a toda apli-
cación d de V × V en R+ ∪ {0} verificando los siguientes axiomas:
1. d(~x, ~y ) ≥ 0, ∀~x, ~y ∈ V .

2. d(~x, ~y ) = 0 ⇐⇒ ~x = ~y .

3. d(~x, ~y ) = d(~y , ~x), ∀~x, ~y ∈ V .

4. d(~x, ~z) ≤ d(~x, ~y ) + d(~y , ~z), ∀~x, ~y , ~z ∈ V .

Definición 1.7 Sea (V, || ||) un espacio normado, llamaremos distancia eu-
clı́dea a la que se define como sigue:

d(~x, ~y ) =|| ~x − ~y ||=|| ~y − ~x || .

Ejemplo 1.6 Con el producto escalar del ejemplo 1.4, la distancia entre los
vectores (1, 2, 1) y (0, 1, 2) vendrı́a dada por:
√
d((1, 2, 1), (0, 1, 2)) =|| (1, 2, 1) − (0, 1, 2) ||=|| (1, 1, −1) ||= 5 .

Definición 1.8 A todo espacio vectorial euclı́deo y normado en el que se

ha definido una distancia se le llama espacio métrico.

1.4 Método de ortonormalización de Gram-Schmidt

Sea (V, || ||) un espacio normado cuya norma ha sido definida a partir de
un producto escalar <, >.

Definición 1.9 Se dice que los vectores ~x, ~y ∈ V son ortogonales si, y sólo
si, < ~x, ~y >= 0. En tal caso, escribiremos ~x ⊥ ~y .

Nota 1.5 Teniendo en cuenta el apartado 6. de la Propiedad 1.2, obsérvese

que la definición anterior equivale a decir que los vectores ~x e ~y forman un
ángulo de noventa grados.

Teorema 1.3 (Teorema de Pitágoras)

~x ⊥ ~y ⇐⇒ || ~x + ~y ||2 =|| ~x ||2 + || ~y ||2 .

Demostración.- Por definición de norma y por las propiedades del pro-

ducto escalar: || ~x + ~y ||2 =< ~x + ~y , ~x + ~y >=< ~x, ~x > + < ~x, ~y > + < ~y , ~x >
+ < ~y , ~y >. Pero, como < ~x, ~y >=< ~y , ~x >= 0, entonces

|| ~x + ~y ||2 =< ~x, ~x > + < ~y , ~y >=|| ~x ||2 + || ~y ||2 ,

que es lo que querı́amos demostrar. 

1.4 Método de ortonormalización de Gram-Schmidt 5

Nota 1.6 De la demostración del T. de Pitágoras se deduce que si ~x e ~y no

son ortogonales, entonces

|| ~x + ~y ||2 =|| ~x ||2 + || ~y ||2 +2 || ~x || · || ~y || cos(α)

donde α es el ángulo que forman los vectores ~x e ~y .

Definición 1.10 Diremos que dos subconjuntos A y B de V son ortogonales

si, y sólo si, todos los vectores de A son ortogonales a los de B. En tal caso,
escribiremos A ⊥ B.

Definición 1.11 Dado un subespacio vectorial U de V se llama espacio

complementario ortogonal de U (también llamado ortogonal de U ) al subes-
pacio vectorial
U ⊥ = {~x ∈ V : ~x ⊥ ~u, ∀~u ∈ U } .

Nota 1.7 Siempre se cumple que V = U ⊕ U ⊥ .

Ejemplo 1.7 Sea el subespacio vectorial U de R3 dado por U =< (1, 2, 1) >.
Su complementario con el producto escalar usual está formado por todos los
vectores (x, y, z) tales que (x, y, z) · (1, 2, 1) = 0; esto es,

U ⊥ = {(x, y, z) : x + 2y + z = 0} = {(x, y, −x − 2y) : ∀x, y ∈ R}

Definición 1.12 Se dice que la base B = (~vi )ni=1 de V es ortogonal si, y

sólo si, < ~vi , ~vj , >= 0, ∀i, j.

Proposición 1.4 Todo sistema ortogonal de vectores no nulos es lineal-

mente independiente.

Demostración.- Dada la familia de vectores no nulos, ortogonales dos a

dos, {~x1 , . . . , ~xr }, probaremos que es linealmente independiente demostrando
que los coeficientes de cualquier combinación lineal de ellos igualada a cero
son siempre nulos. En efecto, para cualquier combinación lineal

α1 ~x1 + α2 ~x2 + . . . + αr ~xr = 0

al multiplicar sucesivamente por cada ~xi , se obtiene αi ~xi ~xi = 0 y, por tanto,
αi = 0, como querı́amos demostrar. 

Definición 1.13 Se dice que la base B = (~vi )ni=1 de V es ortonormal si es

ortogonal y, además, || ~vi ||= 1, para i = 1, 2, . . . , n.

Nota 1.8 Es cómodo trabajar con una base ortonormal B = (e~1 , e~2 , . . . , e~n ),
ya que cada componente xi del vector ~x = (x1 , x2 , . . . , xn ) se puede escribir
n
X
como xi = h~x, e~i i y, por tanto, ~x = h~x, e~i i ~ei .
i=1
6 Espacio vectorial euclı́deo. Ortogonalidad.

En el siguiente teorema veremos que dada una base cualquiera siempre es

posible construir, a partir de ella, una base ortonormal. Pero, antes, vamos
a dar la idea intuitiva del mismo para las dimensiones 2 y 3.

• Dado un espacio vectorial V de dimensión n, sean H un subespacio

vectorial de dimensión dos y (~u1 , ~u2 ) una base de H. Veamos cómo se
construye una base ortonormal (~e1 , ~e2 ) de H.
~u1
Se construye ~e1 = , y ya tenemos un vector normalizado.
|| ~u1 ||
El vector ~e2 debe cumplir tres condiciones: pertenecer a H, ser orto-
gonal a ~e1 y ser unitario. Para que ~e2 ∈ H, basta encontrar un α tal
que ~e2 = ~u2 + α~e1 . Esto es, se elige el vector ~e2 en el plano engendrado
por ~e1 y ~u2 . Para que sea ortogonal a ~e1 debe cumplir ~e1 · ~e2 = 0; esto
es, que ~e1 · (~u2 + α~e1 ) = 0, de donde ~e1 · ~u2 + α~e1~e1 = 0 y, por tanto,
~e1 · ~u2 + α || ~e1 ||2 = 0. Pero, como || ~e1 ||= 1, despejando, se obtiene
α = −~u2 · ~e1 . Luego ~e2 = ~u2 − (~u2 · ~e1 )~e1 . Por último, normalizando
este vector obtenemos la base
 
~u1 ~u2 − (~u2 · ~e1 )~e1
,
|| ~u1 || || ~u2 − (~u2 · ~e1 )~e1 ||

que buscábamos. 

• Sea H un subespacio vectorial de dimensión 3 con base (~u1 , ~u2 , ~u3 ).

Veamos cómo se construye una base ortonormal (~e1 , ~e2 , ~e3 ) de H.
Procediendo de la misma manera que en el caso de dimenisón 2, obte-
~u1 ~u2 − (~u2 · ~e1 )~e1
nemos ~e1 = y ~e2 = .
|| ~u1 || || ~u2 − (~u2 · ~e1 )~e1 ||
El vector ~e3 debe ser de H, ortogonal a ~e1 y ~e2 y ser unitario. Análo-
gamente al caso de dimensión 2, se elige ~e3 = ~u3 + α~e1 + β~e2 e imponer
que ~e3 · ~e1 = 0 y ~e3 · ~e2 = 0 . Esto es, se toma ~e3 en el plano que
contiene a ~u3 y es perpendicular al plano generado por ~e1 y ~e2 .
De ~e1 · ~e3 = 0, teniendo en cuenta la ortonormalidad, se sigue:

~e1 · (~u3 + α~e1 + β~e2 ) = 0 ⇐⇒ α = −~u3 · ~e1

Del mismo modo, de ~e2 · ~e3 = 0 se tiene:

~e2 · (~u3 + α~e1 + β~e2 ) = 0 ⇐⇒ β = −~u3 · ~e2

~u3 − (~u3 · ~e1 )~e1 − (~u3 · ~e2 )~e2

de donde se sigue que ~e3 = . 
|| ~u3 − (~u3 · ~e1 )~e1 − (~u3 · ~e2 )~e2 ||
Todo esto queda reflejado en el siguiente Teorema:
1.4 Método de ortonormalización de Gram-Schmidt 7

Teorema 1.5 Método de ortonormalización de Gram-Schmidt Dada

una familia de vectores {u~1 , u~2 , . . . , u~k } linealmente independiente de un es-
pacio euclı́deo (V, h i), siempre existe una familia de vectores ortogonales y
unitarios {e~1 , e~2 , . . . , e~k } tal que hu~1 , u~2 , . . . , u~k i = he~1 , e~2 , . . . , e~k i.

u~1
Demostración.- Definimos primeramente e~1 = . A continuación
|| u~1 ||
construimos u~2 − λ1 e~1 de modo que sea ortogonal a e~1 , esto es que

hu~2 − λ1 e~1 , e~1 i = 0 ⇐⇒ hu~2 , e~1 i − hλ1 e~1 , e~1 i = 0 ⇐⇒ hu~2 , e~1 i − λ1 = 0

de donde λ1 = hu~2 , e~1 i; por lo que podemos escoger el vector normalizado

u~2 − hu~2 , e~1 i · e~1

e~2 = .
|| u~2 − hu~2 , e~1 i · e~1 ||
Análogamente, podemos construir el vector e~3 imponiendo que la expresión
u~3 − α1 e~1 − α2 e~2 sea ortogonal a e~1 y a e~2 :

hu~3 − α1 e~1 − α2 e~2 , e~1 i = 0 ⇐⇒ hu~3 , e~1 i − α1 = 0

hu~3 − α1 e~1 − α2 e~2 , e~2 i = 0 ⇐⇒ hu~3 , e~2 i − α2 = 0

de donde se deduce que α1 = hu~3 , e~1 i y α2 = hu~3 , e~2 i y se toma

u~3 − hu~3 , e~1 i · e~1 − hu~3 , e~2 i · e~2

e~3 = .
|| u~3 − hu~3 , e~1 i · e~1 − hu~3 , e~2 i · e~2 ||
Procediendo por recurrencia es fácil observar que para i = 1, 2, . . . , k la
familia ortonormal buscada es
i−1
X
u~i − hu~i , e~j i · e~j
j=1
e~i = Pi−1 
|| u~i − j=1 hu~i , e~j i · e~j ||

Ejemplo 1.8 En R3 , para todo par de vectores ~x = (x1 , x2 , x3 ), ~y = (y1 , y2 , y3 )

definimos el producto escalar ~x · ~y = x1 y1 + 2x2 y2 + 3x3 y3 . Sea la base
((1, 1, 0), (2, 0, 0), (0, 1, 2)) que deseamos ortonormalizar.
El procedimiento práctico es obtener primero una base ortogonal, que
posteriormente transformaremos en ortonormal.
Tomamos ~e1 = (1, 1, 0), entonces ~e2 = (2, 0, 0) + α(1, 1, 0) = (2 + α, α, 0).
Imponiendo que estos vectores sean ortogonales:
2
(1, 1, 0) · (2 + α, α, 0) = 0 ⇐⇒ 2 + α + 2α = 0 ⇐⇒ α = −
3
 
4 2
por tanto, ~e2 = ,− ,0 .
3 3
8 Espacio vectorial euclı́deo. Ortogonalidad.

De manera análoga, tomamos ~e3 = (0, 1, 2) + α~e1 + β~e2 y le imponemos

que sea ortogonal a ~e1 y ~e2 .

~e1 ·~e3 = 0 ⇐⇒ ~e1 · ((0, 1, 2) + α~e1 + β~e2 ) = 0 ⇐⇒ ~e1 · (0, 1, 2) + α~e1 ·~e1 = 0

2
⇐⇒ (1, 1, 0) · (0, 1, 2) + 3α = 0 ⇐⇒ 2 + 3α = 0 ⇐⇒ α = −
3

~e2 ·~e3 = 0 ⇐⇒ ~e2 · ((0, 1, 2) + α~e1 + β~e2 ) = 0 ⇐⇒ ~e2 · (0, 1, 2) + β~e2 ·~e2 = 0
 
4 2 8 4 8 1
, − , 0 · (0, 1, 2) + β = 0 ⇐⇒ − + β = 0 ⇐⇒ β =
3 3 3 3 3 2
 
2 1 4 2
por tanto, ~e3 = (0, 1, 2) − (1, 1, 0) + , − , 0 = (0, 0, 2).
3 2 3 3
Una vez obtenida la base ortogonal, sólo queda normalizarla. Ya hemos
√ 8
utilizado que ~e1 ·~e1 = 3, luego || ~e1 ||= 3. También tenemos que ~e2 ·~e2 = ,
r 3
8
luego || ~e2 ||= . Por otro lado, ~e3 · ~e3 = 12. Por tanto, la base buscada
3
es      
1 1 2 −1 1
√ , √ , 0 , √ , √ , 0 , 0, 0, 
3 3 6 6 6

1.5 Teorema de la proyección ortogonal

El hecho de que todo subespacio vectorial tiene una base ortonormal nos
va a permitir hablar del concepto de proyección ortogonal.

Definición 1.14 Sean H un subespacio vectorial del espacio vectorial euclı́deo

(Rn , h i), B = (u~i )ki=1 una base ortonormal de H y ~x un vector de Rn , se
llama proyección ortogonal de ~x sobre H, y se denota por p~H (~x), al vector
de H definido como sigue

k
X
p~H (~x) = h~x, u~i i u~i .
i=1

Nota 1.9 Por la definición es claro que si ~x ∈ H, entonces p~H (~x) = ~x.

Ejemplo 1.9 Hallemos la proyección ortogonal del vector ~x = (1, 2, 0) sobre

el subespacio vectorial H = {(x, y, z) ∈ R3 /x + y = 0}. Observa que,
geométricamente, H es un plano que pasa por el origen.
1.5 Teorema de la proyección ortogonal 9

Primeramente, sacaremos una base ortonormal de H. Como todo vector

de H es de la forma (x, −x, z), una base de H es A = ((1, −1, 0), (0, 0, 1)).
Pero, como (1, −1, 0) · (0, 0, 1) = 0, A es una base ortogonal.
Para normalizarla bastará dividir √ los vectores por sus normas, respecti-
vamente. Como || (1, −1, 0) ||= 2 y || (0, 0, 1) ||= 1, una base ortonormal
será B = (( √12 , − √12 , 0), (0, 0, 1)). Observa que para ortonomalizar la base
A también podrı́amos haber utilizado el método de Gram-Schmidt.
En consecuencia, por definición,
2
X 1 1
p~H (~x) = h~x, u~i i u~i = ((1, 2, 0) · ( √ , − √ , 0))u~1 + ((1, 2, 0) · (0, 0, 1))u~2 =
i=1
2 2
 
1 1 1 1 1
= − √ · ( √ , − √ , 0) + 0 · u~2 = − , ,0 . 
2 2 2 2 2

Teorema 1.6 (Teorema de la proyección ortogonal) Sea H un subespacio

vectorial de Rn y ~x un vector de Rn , entonces:

1. existe un único vector p~H (~x) ∈ H tal que ~x − p~H (~x) es ortogonal a
todo H;

2. y, además, || ~x − p~H (~x) ||≤|| ~x − ~y ||, para todo ~y ∈ H.

Nota 1.10 El teorema 1.6 viene a decir:

1. que cada ~x ∈ Rn se puede descomponer de manera única como suma

de un vector de H (el p~H (~x), proyección ortogonal de ~x sobre H) y
otro vector de H ⊥ (el ~x − p~H (~x), llamado proyección ortogonal de ~x
sobre H ⊥ ).

2. que el vector p~H (~x) es la mejor aproximación de ~x en el siguiente

sentido: si w ~ es cualquier otro vector de H, entonces || ~x − p~H (~x) || ≤
|| ~x − w
~ || . Afirmación que da pie al método de los mı́nimos cuadrados.
10 Espacio vectorial euclı́deo. Ortogonalidad.

Aplicación 1.1 Ajustar una recta a una nube de puntos dada. Método de
los mı́nimos cuadrados. Sean (xi , yi ), i = 1, 2, . . . , n una nube de puntos del
plano, vamos a hallar la recta y = ax + b que mejor se aproxime a todos los
puntos de la nube.
Nuestro objetivo es hallar a y b con la condición

y1 = ax1 + b
y2 = ax2 + b
.. ..
. .
yn = axn + b

que matricialmente se escribe

   
y1 1 x1
y2 1 x2 
 
b
  
= .. ..  · a .
   
 ..
 .   . . 
yn 1 xn

Llamando ~y , A y ~u, respectivamente, a las matrices que aparecen, se

trata de hallar el ~u tal que A · ~u se aproxime a ~y lo máximo posible; esto es,
que haga mı́nima la norma || ~y − A · ~u || .
Por el teorema 1.6 se sabe que la mejor aproximación de ~y en H es la
p~H (~y ) y, entonces, nuestro objetivo es hallar el ~u tal que A · ~u = p~H (~y ).
Ahora bien, también por el teorema 1.6, se tiene que hA · ~u, (~y − A · ~u)i = 0
(ya que son ortogonales), de donde

(A · ~u)t (~y − A · ~u) = 0 (1.1)

(por la definición de producto escalar entre matrices: hA, Bi = T raza(At ·B);

aunque aquı́ también se puede considerar el producto escalar en Rn ) y de la
ecuación (1.1) se sigue

~ut · At · (~y − A · ~u) = ~ut · (At ~y − At · A · ~u) = 0

y, obligando que At ~y − At · A · ~u = 0, se tiene que At ~y = At · A · ~u de donde

se deduce que
 
b
−1
~u = = At · A · At · ~y (1.2)
a

1.6 Producto vectorial y mixto

Vamos a introducir una operación entre dos vectores cuyo interés reside
en que el resultado va a ser un vector ortogonal a los dos dados.
1.6 Producto vectorial y mixto 11

Definición 1.15 (Producto vectorial) Dado un espacio vectorial V de

dimensión 3, el producto vectorial es una aplicación × : V × V → V tal
que a cada par de vectores
 y3 ) ∈ V le hace
~x = (x1 , x2 , x3 ),~y = (y1 , y2,
 x2 x3   x3 x1   x1 x2 
corresponder el vector  , ,  .
y2 y3   y3 y1   y1 y2 

~i ~j ~k 
 

x1 x2 x3 , donde ~i, ~j, ~k son los vectores de
 
Se suele escribir ~x × ~y = 
 y1 y2 y3 
la base canónica de V .
~i ~j ~k
 
 
 = −3~i−~j+2~k = (−3, −1, 2).
 
Ejemplo 1.10 (1, 1, 2)×(0, 2, 1) =  1 1 2 
 0 2 1 

Teniendo en cuenta las propiedades de los determinantes es fácil deducir

las siguientes propiedades.

~ ∈ V , entonces:
Propiedades 1.7 Sean ~u, ~v , w

1. ~u × ~v = −~v × ~u.

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

3. (α~u) × ~v = ~u × (α~v ) = α(~u × ~v ), ∀α ∈ R.

4. ~u × ~u = 0.

5. ~u × ~v = 0 ⇐⇒ {~u, ~v } es una familia ligada.

La siguiente proposición viene a ser una definición geométrica del pro-

ducto vectorial.

Proposición 1.8 Sean ~x = (x1 , x2 , x3 ), ~y = (y1 , y2 , y3 ) ∈ V y α el ángulo

que forman dichos vectores, entonces:

1. ~x × ~y es un vector ortogonal a ~x y ~y .

2. || ~x × ~y ||=|| ~x || · || ~y || sen(α).

Demostración.-

1. Lo demostraremos para ~x, en el otro caso es análogo:

 ~x · (~x× ~y ) =
       x1 x2 x3 
 x2 x3   x3 x1   x x2
+ x3  1
  
x1 
  + x2 
   =  x1 x2 x3  = 0
y2 y3  y3 y1  y1 y2  
 y1 y2 y3 


2.
12 Espacio vectorial euclı́deo. Ortogonalidad.

Aplicación 1.2 Como consecuencia de la anterior Proposición, es fácil ver

que la norma del producto vectorial de dos vectores ~x e ~y es el área del
paralelogramo determinado por estos dos vectores.

Definición 1.16 (Producto mixto) Sean ~u, ~v , w ~ ∈ V , se llama producto

mixto de estos vectores y se denota [~u, ~v , w],
~ al producto escalar del primer
vector por el vector producto vectorial de los otros. Esto es,
 
 u1 u2 u3 
 
~ = ~u · (~v × w)
[~u, ~v , w] ~ =  v1 v2 v3 
 w1 w2 w3 

donde ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ), w

~ = (w1 , w2 , w3 ).
Aplicación 1.3 Es fácil ver que el valor absoluto del producto mixto de
tres vectores ~x, ~y , ~z es el volumen del paralelepı́pedo determinado por ellos.

En efecto, el volumen es al área de la base por la altura. Pero, el área de la

base es || ~x × ~y || y la altura h =|| ~z || · cos(α), luego el volumen es
V =|| ~x × ~y || · || ~z || · cos(α) =< ~x × ~y , ~z >= [~x, ~y , ~z]
Aplicación 1.4 (Aplicación a la Fı́sica) Lo que acabamos de ver es muy
útil para resolver problemas de estática tales como el siguiente: Un hombre
levanta una vigueta de 10 kg y de 4 m de longitud tirando de una cuerda.
Encontrar la tensión T en la cuerda y la reacción A.
1.6 Producto vectorial y mixto 13

Antes de afrontar el problema, recordemos que dada la base ortonormal

{~i, ~j} de R2 , cualquier vector ~v se descompone como suma de dos vectores
~vx = ± || ~vx || ·~i y ~vy = ± || ~vy || ·~j, con signo más o menos según tengan el
mismo o distinto sentido que los vectores ~i y ~j, pudiéndose escribir:

~v = ~vx + ~vy = ± || ~vx || ·~i ± || ~vy || ·~j = (± || ~vx ||, ± || ~vy ||)

Y como estos vectores forman un triángulo rectángulo, sus normas (|| ~v ||=
v, || v~x ||= vx , || v~y ||= vy ) se relacionan, mediante el ángulo α (que es el
menor de los que forman las rectas que contienen a ~v y v~x , respectivamente),
ası́: vx = v · cos(α), vy = v · sin(α). Por tanto,

~v = ±v · cos(α) ± v · sin(α) = (±v · cos(α), ±v · sin(α))

Dicho lo anterior, pasemos a resolver el problema. Se nos pide que hallemos

la tensión (T ) de la cuerda y la reacción en A (RA ).
14 Espacio vectorial euclı́deo. Ortogonalidad.

1. Empezaremos considerando las fuerza que se ejercen sobre el cuerpo

(una vigueta) y las representaremos por vectores (ya que para des-
cribir una fuerza necesitamos especificar su magnitud y dirección) en
aquellos puntos donde se aplican.

Como vemos, hay tres fuerzas: T~ (tensión del cable), mg ~ (el peso del
poste aplicado al centro de masas) y R~ A (la acción del soporte ejercida
sobre el suelo en A). Escribiendo las magnitudes de las fuerzas con la
misma letra pero sin el vector, se tiene T~ = (−T cos(20), −T sin(20)),
~ = (0, −mg) y R
mg ~ A = (RA cos(α), RA sin(α)).

2. La Fı́sica afirma que para que el poste esté en equilibrio deben cumplirse
dos condiciones. Y la primera es que la suma vectorial de las fuerzas
sea cero. Por tanto, si T~ + mg ~ +R ~ A = ~0, sumando componente a
componente e igualando las de cada miembro, se tiene:

−T cos(20) + RA cos(α) = 0
−T sin(20) − mg + RA sin(α) = 0

que, numéricamente, queda


−0, 94 · T + RA cos(α) = 0
(1.3)
−0, 34 · T − 98, 1 + RA sin(α) = 0

3. La segunda condición es que la suma vectorial de los momentos de las

fuerzas externas, aplicadas sobre cualquier punto del espacio, sea cero.
Recordemos que el momento de una fuerza F~ sobre un punto P cualquiera
viene dado por M ~ P (F~ ) = ~rP × F~ , donde ~rP es el vector con origen P
y extremo el punto donde se aplica la fuerza F~ . Obsérvese que, por
la Proposición 1.8, el momento es un vector perpendicular al plano
definido por ~rP y F~ .
En nuestro caso, tomaremos A como punto de referencia. Si llamamos
M al punto de aplicación del vector R~ A , los vectores de posición co-
~
rrespondientes a T , mg ~
~ y RA serán ~rAB , ~rAG y ~rAM , respectivamente.
1.6 Producto vectorial y mixto 15

Y mirando el dibujo anterior es inmediato deducir que tienen por co-

ordenadas: ~rAB = (4 cos(45), 4 sin(45)), ~rAG = (2 cos(45), √
2 sin(45))
√ y
~rAM = √−R~ A . Que, numéricamente, resultan: ~rAB = (2 2, 2 2) y
√
~rAG = ( 2, 2) (las de ~rAM , como se verá, no hacen falta).
Entonces, como los momentos son vectores en el espacio, se tiene:
 ~i ~j ~k 
 
 √ √ √
~ A (T~ ) = ~rAB × T~ =  2 2 0  = 1, 2 2 T ~k

• M  2 2
 −0, 94T −0, 34T 0 
 ~i ~j ~k 
 
 √ √ √
~ A (mg) 0  = −98, 1 2 ~k

• M ~ = ~rAG × mg ~ =  2 2
 0 −98, 1 0 
~ A (R
• M ~ A ) = ~rAM × R
~ A = −R
~A × R
~A = 0

Como la suma de los momentos debe ser nula,

√ √ 98, 1
1, 2 2 T ~k − 98, 1 2 ~k = 0 ⇒ T = = 81, 75
1, 2

4. Y sustituyendo en el sistema (1.3), se tiene


−0, 94 · 81, 75 + RA cos(α) = 0
−0, 34 · 81, 75 − 98, 1 + RA sin(α) = 0

de donde RA cos(α) = 76, 82 y RA sin(α) = 126, 1. Que, elevando

al cuadrado y sumando ambas ecuaciones, resulta RA 2 = 76, 822 +

126, 12 ⇒ RA = 147, 66.  De donde, sustituyendo en la primera

76, 82
ecuación, resulta α = arc cos = 58, 6◦ .
147, 66
Conclusión: T = 81, 75 N , RA = 147, 66 N y α = 58, 6◦ .
16 Espacio vectorial euclı́deo. Ortogonalidad.

1.7 Ejercicios propuestos

1. Sea R2 [x] el espacio vectorial de los polinomios de gradoR menor o igual
1
que dos con coeficientes reales. Se define < p, q >= 0 p(t) · q(t) dt,
∀p, q ∈ R2 [x]. Demostrar que se tiene ası́ una estructura de espacio
euclı́deo. Calcular d(p, q) siendo p(x) = 1 + x + 2x2 y q(x) = −x + x2 .

2. Demostrar que la aplicación f : C × C −→ R dada por f (z1 , z2 ) =

x1 x2 + y1 y2 , siendo z1 = x1 + iy1 , z2 = x2 + iy2 es un producto escalar.
Hallar la expresión de la norma para todo z = x + iy.

3. En R1 [x] se define la aplicación f : R1 [x] × R1 [x] −→ R dada por:

f (p, p0 ) = p · p0 = aa0 + 2bb0 + ab0 + ba0 siendo p(x) = ax + b, p0 (x) =
a0 x + b0 .

(a) Demostrar que f es un producto escalar.

(b) Dado el polinomio p(x) = x − 2, hallar el conjunto de polinomios
q, tales que pq = 0.
(c) Hallar los polinomios que verifican (b) y p(0) = q(0).

4. En R3 se considera el producto escalar

f (x, y) =< x, y >= (x1 − 2x2 )(y1 − 2y2 ) + x2 y2 + (x2 + x3 )(y2 + y3 )

donde x = (x1 , x2 , x3 ) y = (y1, y2, y3 ) Hallar por el método de Gram-

Schmidt, una base ortonormal a partir de la base canónica de R3 .

5. En R3 se considera el producto escalar

f (x, y) =< x, y >= x1 y1 + (x2 − x3 )(y2 − y3 ) + (x1 + x3 )(y1 + y3 )

donde x = (x1 , x2 , x3 ) y = (y1, y2, y3 ).

(a) Hallar la matriz de f respecto de la base canónica.

(b) A partir de la base B = ((1, 1, 1), (0, 1, −1), (0, 2, 0)) de R3 , hallar
una base ortonormal.

6. En R3 se considera el producto escalar cuya matriz asociada (respecto

de la base canónica ) es:
 
1 1 0
G =  1 4 0 . Sea S = {(x, y, z) ∈ R3 / x + y = 0, 2x − z = 0}.
0 0 1
Hallar la ecuación del subespacio vectorial S ⊥ .

7. Sea F = {funciones reales de variable

R π real continuas en [−π, π]}, se
define el producto escalar < f, g >= −π f (x) · g(x) dx.
1.7 Ejercicios propuestos 17

(a) Comprobar si es o no ortogonal el conjunto A = {1, cos x, senx}.

(b) A partir de A, hallar un conjunto ortonormal.

8. En un espacio vectorial euclı́deo, demostrar que si dos vectores tienen

el mismo módulo, entonces su suma y su diferencia son vectores orto-
gonales.

9. Demostrar que en un espacio euclı́deo se verifica:

kx + yk2 + kx − yk2 = 2(kxk2 + kyk2 ) .

10. En R3 sean los vectores → −

x = (2, 1, 3) , →
−
y = (1, 0, 1). Hallar la
→
− →
−
proyección de y sobre x .

11. En R4 se consideran los vectores (3, 2, 2, 4), (1, 0, 0, 2), (1, −1, −1, 1),
hallar un vector de R4 (distinto del vector nulo) ortogonal a los tres
vectores dados.

12. Ajustar los datos (0, 1), (1, 3), (2, 4), (3, 4), (4, 5) mediante una función
lineal, utilizando el método de los mı́nimos cuadrados.
18 Espacio vectorial euclı́deo. Ortogonalidad.
Bibliografı́a

[1] Levinson Redheffer Curso de variable compleja, Ed. Reverté s.a. (1975).
[2] M. Lozano y otros Apuntes de Álgebra: ejercicios, Popular Libros (2002).
[3] Paul R. Hamos Innovación en matemáticas, Art. Scientific American (sep. 1958).
[4] J. Garcı́a Cabello y A. J. López-Linares Álgebra lineal aplicada, Edición de los
autores, profesores de la Universidad de Granada (1998).
[5] C. Alsina y E. Trillas Lecciones de Álgebra y Geometrı́a, Ed. GG (6a edición,
1992).
[6] Beer y Yonston Mecánica vectorial para ingenieros, Ed. McGraw Hill ().
[7] GEOGEBRA 3D.