Espacios vectoriales con producto interno

Definición: Sea 𝑉 un espacio vectorial. Un producto interno en 𝑉 es

una aplicación , : 𝑉 × 𝑉 → ℝ que satisface las siguientes
condiciones para todo 𝑢, 𝑣, 𝑤 ∈ 𝑉:
1. 𝑢 + 𝑣, 𝑤 = 𝑢, 𝑤 + 𝑣, 𝑤
2. 𝛼𝑢, 𝑣 = 𝛼 𝑢, 𝑣
3. 𝑢, 𝑣 = 𝑣, 𝑢
4. 𝑢, 𝑢 > 0, 𝑢 ≠ 0
Ejemplos: Determinar si las siguientes aplicaciones son productos internos en
los espacios dados.
1. En ℝ𝑛 , el producto usual o euclideano 𝑥, 𝑦 = 𝑛𝑖=1 𝑥𝑖 𝑦𝑖 , donde 𝑥 =
𝑥1 , 𝑥2 , … , 𝑥𝑛 y 𝑦 = 𝑦1 , 𝑦2 , … , 𝑦𝑛 .
𝑏
2. En el espacio de las funciones continuas 𝐶[𝑎, 𝑏], 𝑓, 𝑔 = 𝑎 𝑓 𝑥 𝑔 𝑥 𝑑𝑥.
3. El espacio de la matrices de orden 2 con 𝐴, 𝐵 = 𝑇𝑟(𝐴𝐵𝑇 ).
4. Hallar los valores de 𝛼 para que la aplicación , : ℝ2 × ℝ2 → ℝ2 dada por:
𝑥1 , 𝑥2 , (𝑦1 , 𝑦2 ) = 𝑥1 𝑦1 − 𝑥1 𝑦2 − 𝑥2 𝑦1 + 𝛼𝑥2 𝑦2 ,
sea un producto interno.

1
 𝑥1 , 𝑥2 , (𝑦1 , 𝑦2 ) = 𝑥1 𝑦1 − 𝑥1 𝑦2 − 𝑥2 𝑦1 + 𝛼𝑥2 𝑦2

𝑥1 , 𝑥2 + 𝑦1 , 𝑦2 , (𝑧1 , 𝑧2 ) = 𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , (𝑧1 , 𝑧2 )
= (𝑥1 +𝑦1 )𝑧1 − (𝑥1 +𝑦1 )𝑧2 − (𝑥2 + 𝑦2 )𝑧1 + 𝛼(𝑥2 + 𝑦2 )(𝑧2 )
= 𝑥1 𝑧1 + 𝑦1 𝑧1 − 𝑥1 𝑧2 − 𝑦1 𝑧2 − 𝑥2 𝑧1 − 𝑦2 𝑧1 + 𝛼𝑥2 𝑧2 + 𝛼𝑦2 𝑧2
= (𝑥1 𝑧1 − 𝑥1 𝑧2 − 𝑥2 𝑧1 + 𝛼𝑥2 ) + (𝑦1 𝑧1 − 𝑦1 𝑧2 − 𝑦1 𝑧1 + 𝛼 𝑦2 𝑧2 )
= 𝑥1 , 𝑥2 , (𝑧1 , 𝑧2 ) + 𝑦1 , 𝑦2 , (𝑧1 , 𝑧2 )

𝛽 𝑥1 𝑥2 , (𝑦1 , 𝑦2 ) = 𝛽𝑥1 , 𝛽𝑥2 , (𝑦1 , 𝑦2 )

= 𝛽𝑥1 𝑦1 − 𝛽𝑥1 𝑦2 − 𝛽𝑥2 𝑦1 + 𝛼(𝛽𝑥2 )𝑦2
= 𝛽(𝑥1 𝑦1 − 𝑥1 𝑦2 − 𝑥2 𝑦1 + 𝛼𝑥2 𝑦2 )
= 𝛽 𝑥1 , 𝑥2 , (𝑦1 , 𝑦2 )
𝑥1 , 𝑥2 , (𝑦1 , 𝑦2 ) = 𝑥1 𝑦1 − 𝑥1 𝑦2 − 𝑥2 𝑦1 + 𝛼𝑥2 𝑦2
= 𝑦1 𝑥1 − 𝑦2 𝑥1 − 𝑦1 𝑥2 + 𝛼𝑦2 𝑥2
= 𝑦1 , 𝑦2 , (𝑥1 , 𝑦1 )
𝑥1 , 𝑥2 , (𝑥1 , 𝑥2 ) = 𝑥1 𝑥1 − 𝑥1 𝑥2 − 𝑥2 𝑥1 + 𝛼𝑥2 𝑥2
= 𝑥12 −2𝑥1 𝑥2 + 𝛼𝑥22 = 𝑥1 − 𝑥2 2
+ (𝛼 − 1)𝑥22 > 0
𝑥1 , 𝑥2 , (𝑥1 , 𝑥2 ) > 0 si y solo si 𝛼 > 1 2
5. En 𝑃𝑛 , para 𝑝 𝑥 = 𝑛𝑖=1 𝑎𝑖 𝑥 𝑖 y 𝑞 𝑥 = 𝑛𝑖=1 𝑏𝑖 𝑥 𝑖 la aplicación 𝑝, 𝑞 = 𝑛
𝑖=1 𝑎𝑖 𝑏𝑖
define un producto interno, llamado el producto interno estándar.

Teorema: Sea 𝑉 un espacio vectorial con producto interno , , sean 𝑢, 𝑣, 𝑤 ∈ 𝑉 y 𝛼 ∈ ℝ,

entonces:
1. 0𝑉 , 𝑣 = 0.
2. 𝑢, 𝑣 + 𝑤 = 𝑢, 𝑣 + 𝑢, 𝑤 .
3. 𝑢, 𝛼𝑣 = 𝛼 𝑢, 𝑣 .

3
Definición: Sea 𝑉 un espacio vectorial con producto interno , y sean 𝑢, 𝑣 ∈ 𝑉.
•Definimos la norma de 𝑣, denotada por 𝑣 , como
𝑣 = 𝑣, 𝑣 .
•Definimos la distancia entre 𝑢 y 𝑣, denotada por 𝑑(𝑢, 𝑣), como
𝑑 𝑢, 𝑣 = 𝑢 − 𝑣
•Decimos que 𝑢 y 𝑣 son ortogonales si 𝑢, 𝑣 = 0.
•Si 𝑢 ≠ 𝑣, el ángulo 𝜃 entre 𝑢 y 𝑣 es el ángulo que satisface:
𝑢,𝑣
cos 𝜃 = , 0 ≤ 𝜃 ≤ 𝜋.
𝑢 𝑣

Ejemplos:
1. En un espacio vectorial 𝑉, el vector nulo es ortogonal a todos los vectores de 𝑉.
2. Sea 𝑉 = 𝐶[0,1] y 𝑓 ∈ 𝑉 dada por 𝑓 𝑥 = 𝑒 𝑥 , calcular 𝑓 , 𝑑(𝑓, 𝑓 2 ).
3. Sea 𝑉 = 𝑃2 con el producto interno estándar, y sean 𝑝, 𝑞, 𝑟 ∈ 𝑃2 tales que:
𝑝 𝑥 = 2𝑥 2 + 𝑥 + 1
𝑞 𝑥 = 𝑥 2 − 2𝑥 + 3
𝑟 𝑥 = 𝑘𝑥 2 + 𝑘𝑥 − 2
a) Calcular el ángulo entre 𝑝 y 𝑞.
b) De ser posible, hallar el valor de 𝑘 ∈ ℝ para que 𝑝 y 𝑟 sean ortogonales.

4
Teorema: Sea 𝑉 un espacio vectorial con producto interno , , sean 𝑢, 𝑣 ∈ 𝑉 y 𝛼 ∈ ℝ,
entonces:
1. 𝑢 ≥ 0.
2. 𝑢 = 0 ⇔ 𝑢 = 0𝑉 .
3. 𝛼𝑢 = 𝛼 𝑢 .
4. 𝑑 𝑢, 𝑣 ≥ 0.
5. 𝑑 𝑢, 𝑣 = 0 ⇔ 𝑢 = 𝑣.
6. 𝑑 𝑢, 𝑣 = 𝑑(𝑣, 𝑢).

Teorema: Sea 𝑉 un espacio vectorial con producto interno , , sean 𝑢, 𝑣 ∈ 𝑉, entonces:

1. 𝑢, 𝑣 ≤ 𝑢 𝑣 (Desigualdad de Cauchy Schwarz).
2. 𝑢 + 𝑣 ≤ 𝑢 + 𝑣 . (Desigualdad triangular)
3. 𝑢 y 𝑣 son ortogonales si y solo si 𝑢 + 𝑣 2 = 𝑢 2 + 𝑣 2 .

5
 Ortogonalidad y proyección
Definición: Sea 𝑉 un espacio vectorial con producto interno y sea 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } ⊆
𝑉.
• Se dice que 𝑆 es un conjunto ortogonal si y solo si
0 𝑠𝑖 𝑖 ≠ 𝑗
𝑣𝑖 , 𝑣𝑗 =
𝑣𝑖 2 𝑠𝑖 𝑖 = 𝑗
• Se dice que 𝑆 es un conjunto ortonormal si y solo si
0 𝑠𝑖 𝑖 ≠ 𝑗
𝑣𝑖 , 𝑣𝑗 =
1 𝑠𝑖 𝑖 = 𝑗

Teorema: Sea 𝑉 un espacio vectorial con producto interno y sea 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } ⊆

𝑉 tal que 0 ∉ 𝑆. Si 𝑆 es ortogonal, entonces 𝑆 es linealmente independiente.

Corolario: Sea 𝑉 un espacio vectorial con producto interno. Todo conjunto ortonormal
es linealmente independiente.

6
Teorema: Sea 𝑉 un espacio vectorial con producto interno de dimensión finita, digamos
dim 𝑉 = 𝑛. Entonces, 𝑉 tiene una base ortonormal.

Método de ortonormalización Gram Schmidt

Sea 𝑉 un espacio vectorial con producto interno de dimensión finita con base
𝐵 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }.
𝑣1
𝑢1 =
𝑣1
𝑣2 ′
𝑣2′ = 𝑣2 − 𝑣2 , 𝑢1 𝑢1 , 𝑢2 =
𝑣2 ′
𝑣3 ′
𝑣3′ = 𝑣3 − 𝑣3 , 𝑢1 𝑢1 − 𝑣3 , 𝑢2 𝑢2 , 𝑢3 =
𝑣3 ′

⋮
𝑣𝑛 ′
𝑣𝑛′ = 𝑣𝑛 − 𝑣𝑛 , 𝑢1 𝑢1 − 𝑣𝑛 , 𝑢2 𝑢2 − ⋯ − 𝑣𝑛 , 𝑢𝑛−1 𝑢𝑛−1 , 𝑢𝑛 =
𝑣𝑛 ′

7
Ejemplos:

1. Construya una base ortonormal en ℝ3 a partir de la base

1 0 1
1 , 1 , 0
0 1 1

2. Construya una base ortonormal para el subespacio

𝑥
𝑦 : 2𝑥 − 𝑦 + 3𝑧 = 0
𝑧

3. Considere el espacio vectorial 𝑃2 con el producto interno 𝑝, 𝑞 =

1
0
𝑝 𝑥 𝑞 𝑥 𝑑𝑥. A partir de la base
1, 𝑥, 𝑥 2
Construya una base ortonormal para 𝑃2 .

4. Considere el subespacio de las matrices simétricas de orden 2, con el producto

interno dado por 𝐴, 𝐵 = 𝑎11 𝑏11 + 𝑎12 𝑏12 + 𝑎21 𝑏21 + 𝑎22 𝑏22 , donde A =
𝑎11 𝑎12 𝑏11 𝑏12
𝑎21 𝑎22 y B = . Encuentre una base ortogonal generada a
𝑏21 𝑏22
partir de la base
−1 0 0 2 −1 1
, ,
0 1 2 1 1 0
8
Definición: una matriz inversible 𝐴 es ortogonal si y solo si 𝐴−1 = 𝐴𝑇 , es decir,
𝐴𝐴𝑇 = 𝐼𝑛 .

Ejemplos:
𝑐𝑜𝑠𝛼 −𝑠𝑒𝑛𝛼 1 2 −2 1
y 2 1 −2 son ortogonales.
𝑠𝑒𝑛𝛼 𝑐𝑜𝑠𝛼 3
1 2 2

Teorema:
1. Una matriz 𝐴 es ortogonal si y solo si 𝐴𝐴𝑇 = 𝐼𝑛 .
2. El producto de dos matrices ortogonales (del mismo orden) es ortogonal.
3. La matriz identidad (de cualquier orden) es ortogonal.
4. La inversa de una matriz ortogonal es ortogonal.
5. La transpuesta de una matriz ortogonal es ortogonal.
6. El determinante de una matriz ortogonal es 1 o -1.
7. En un espacio con producto interno de dimensión finita, la matriz de
cambio de base de una base ortonormal a otra base ortonormal es
ortonormal.

9
Definición: Sea 𝑉 un espacio vectorial con producto interno , , sean 𝑢, 𝑣 ∈ 𝑉 y
supongamos que 𝑣 ≠ 0𝑉 , entonces la proyección de 𝑢 sobre 𝑣 viene dada por:
𝑢, 𝑣
𝑝𝑟𝑜𝑦𝑣 𝑢 = 𝑣
𝑣, 𝑣
1
Ejemplo: En 𝑃2 con 𝑝, 𝑞 = 0
𝑝 𝑥 𝑞 𝑥 𝑑𝑥, determine 𝑝𝑟𝑜𝑦𝑣 𝑢, siendo𝑢 = 𝑥 2
y 𝑣 = 2𝑥 − 3.

Definición: Sea 𝐻 un subespacio de un espacio euclideo 𝑉 , con base

ortonormal 𝑢1 , 𝑢2 , … , 𝑢𝑛 . Si 𝑣 ∈ 𝑉, entonces la proyección ortogonal de 𝑣
sobre 𝐻, denotada por 𝑝𝑟𝑜𝑦𝐻 𝑣, esta dada por:
𝑝𝑟𝑜𝑦𝐻 𝑣 = 𝑣, 𝑢1 𝑢1 + 𝑣, 𝑢2 𝑢2 + ⋯ + 𝑣, 𝑢𝑛 𝑢𝑛 .
Notar que 𝑝𝑟𝑜𝑦𝐻 𝑣 ∈ 𝐻.

Ejemplo:
Encuentre 𝑝𝑟𝑜𝑦𝜋 𝑣 donde 𝜋 = 𝑥, 𝑦, 𝑧 ∈ ℝ3 : 2𝑥 − 𝑦 + 3𝑧 = 0 y 𝑣 =
(3, −2,4).

10
 Complemento ortogonal

Sea 𝑉 un espacio vectorial con producto interno y sea 𝑊 un subespacio de 𝑉.

Al conjunto
𝑊 ⊥ = {𝑣 ∈ 𝑉: 𝑣, 𝑤 = 0, 𝑤 ∈ 𝑊}
Se le llama complemento ortogonal de 𝑊.

Sea 𝑉 un espacio vectorial con producto interno.

• El complemento ortogonal de un subespacio de 𝑉, es un subespacio de 𝑉.
• Sea 𝑊 un subespacio de 𝑉 y 𝐵 una base de 𝑊, entonces
𝑣 ∈ 𝑊 ⊥ ⇔ 𝑢, 𝑣 = 0, ∀𝑢 ∈ 𝐵.
Ejemplos:
1. Considere ℝ3 con el producto interno 𝑥1 , 𝑥2 , 𝑥3 , (𝑦1 , 𝑦2 , 𝑦3 ) = 𝑥1 𝑦1 +
2𝑥2 𝑦2 + 3𝑥3 𝑦3 . Determinar una base para 𝐹 ⊥ , siendo 𝐹 = { 𝑥, 𝑦, 𝑧 ∈
ℝ3 : 𝑥 + 𝑦 + 2𝑧 = 0}

11
2. Considere ℳ2×3 (ℝ) con el producto interno 𝐴, 𝐵 = 𝑇𝑟(𝐴𝐵𝑇 ) .
Determinar una base para 𝑊 ⊥, siendo
𝑎 𝑏 𝑐
𝑊= :𝑎 + 𝑏 + 𝑐 = 𝑑 + 𝑒 + 𝑓
𝑑 𝑒 𝑓

1
3. En 𝑃2 con 𝑝, 𝑞 = 0
𝑝 𝑥 𝑞 𝑥 𝑑𝑥 , determine 𝐻 ⊥ siendo 𝐻 =
{𝑝 𝑥 : 𝑝′ 1 = 0}.

4. Sea 𝐸 un espacio euclideo, demostrar que:

i. Si 𝑀 ⊆ 𝑁 entonces 𝑁 ⊥ ⊆ 𝑀⊥ .
ii. 𝐹 ∩ 𝐹 ⊥ = {0𝐹 }
iii. 𝑀 ⊆ (𝑀⊥ )⊥

Teorema: Sea 𝑉 un espacio vectorial con producto interno y sea 𝑊 un

subespacio de 𝑉. Entonces
𝑉 = 𝑊 ⊕ 𝑊 ⊥,
Es decir, dado 𝑣 ∈ 𝑉, existe un par de vectores únicos 𝑤 ∈ 𝑊, 𝑤 ′ ∈ 𝑊 ⊥
tales que 𝑣 = 𝑤 + 𝑤′. En particular, 𝑤 = 𝑝𝑟𝑜𝑦𝐻 𝑣 y 𝑤 ′ = 𝑝𝑟𝑜𝑦𝐻 ⊥ 𝑣, asi
𝑣 = 𝑝𝑟𝑜𝑦𝐻 𝑣 + 𝑝𝑟𝑜𝑦𝐻 ⊥ 𝑣.

12
 Valores y vectores propios
Definicion: Sea 𝐴 una matriz cuadrada de orden 𝑛. Diremos que 𝜆 ∈ ℝ es
un valor propio (autovalor o valor característico) de 𝐴 si existe un vector
𝑥 ∈ ℝ𝑛 no nulo tal que
𝐴𝑋 = 𝜆𝑋
Dicho vector se denomina vector propio (autovector o vector característico)
asociado a 𝜆.

Teorema: Sea 𝐴 una matriz cuadrada de orden 𝑛 y 𝜆 un autovalor de 𝐴. El

conjunto de vectores propios asociados a 𝜆, junto con el vector nulo, es
un subespacio de ℝ𝑛 llamado espacio propio de 𝜆 y denotado por 𝐸𝜆 , es
decir,
𝐸𝜆 = {𝑥 ∈ ℝ𝑛 : 𝐴𝑥 = 𝜆𝑥}

13
 Pasos para determinar los valores y vectores propios

1. Calcular la matriz 𝐴 − 𝜆𝐼𝑛 .

2. Calcular el polinomio (o ecuación) característico de la matriz 𝐴, el cual se
obtiene calculando el determinante det(𝐴 − 𝜆𝐼𝑛 ), es decir,
p 𝜆 = det 𝐴 − 𝜆𝐼𝑛 .
3. Calcular las raíces del polinomio característico 𝑝 𝜆 = 0 (tales raíces
pueden ser complejas).
4. Cada uno de los valores obtenidos en el paso 2 se sustituyen en la matriz
𝐴 − 𝜆𝐼𝑛 y se resuelve el sistema de ecuaciones 𝐴 − 𝜆𝐼𝑛 𝑥 = 0𝑛 .
5. Las soluciones obtenidas en el paso 4 serán los autovectores asociados a
cada autovalor 𝜆.

Ejemplos: Calcular los autovalores y autovectores asociados a las matrices

1 0 0
4 2
𝐴 = −1 3 0 , 𝐵 =
3 3
3 2 2

14
 Diagonalización

Definicion: Dos matrices 𝐴 y 𝐵 de orden 𝑛 son equivalentes (o

semejantes) si existe una matriz invertible 𝐶 tal que
𝐵 = 𝐶 −1 𝐴𝐶 o 𝐶𝐵 = 𝐴𝐶

Teorema: Si 𝐴 y 𝐵 son equivalentes, entonces 𝐴 y 𝐵 tienen el mismo

polinomio característico y por tanto los mimos autovalores.

Definición: Una matriz de orden 𝑛 es diagonalizable si existe una

matriz diagonal 𝐷 tal que 𝐴 es equivalente a 𝐷.

Observación: Si 𝐷 es una matriz diagonal, entonces sus valores

propios son los elementos de la diagonal.

15
Teorema: Una matriz 𝐴 de orden 𝑛 es diagonalizable si y solo si 𝐴 tiene 𝑛
vectores propios linealmente independientes, en este caso, la matriz 𝐷
equivalente a 𝐴 esta dada por:
𝜆1 0 … 0
0
𝐷 = 0 𝜆2 … ⋮
⋮ ⋮ ⋱
0 0 … 𝜆𝑛
Donde 𝜆1 , 𝜆2 , … , 𝜆𝑛 son los autovalores de 𝐴. Si 𝐶 es la matriz cuyas
columnas son los autovectores de 𝐴, entonces
𝐷 = 𝐶 −1 𝐴𝐶.

Corolario: Si la matriz 𝐴 de orden 𝑛 tiene 𝑛 valores característicos

diferentes, entonces 𝐴 es diagonalizable.

Ejemplos:
1. En caso de ser posible, diagonalice las siguientes matrices.
1 3 3 2 4 3
𝐴 = −3 −5 −3 , 𝐵 = −4 −6 −3
3 3 1 3 3 1
16
2. Determinar los valores de 𝛼 y 𝛽 para los cuales la matriz
5 0 0
𝐴= 0 −1 𝛽
3 0 𝛼
es diagonalizable.

Teorema: Sea 𝑉 un espacio vectorial de dimensión finita con bases

𝐵1 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } y 𝐵2 = 𝑤1 , 𝑤2 , … , 𝑤𝑛 . Sea 𝑇: 𝑉 → 𝑉 una
transformación lineal. Si 𝐴 𝑇 es la representación matricial de 𝑇
respecto a la base 𝐵1 y 𝐵𝑇 es la representación matricial de 𝑇 respecto
𝐵2 , entonces 𝐴 𝑇 y 𝐵𝑇 son semejantes.

Teorema: Sea 𝐴 una matriz simétrica real de orden 𝑛. Entonces los

valores característicos de 𝐴 son reales.

Teorema: Sea 𝐴 una matriz simétrica real de orden 𝑛. Si 𝜆1 y 𝜆2 son

valores propios diferentes con vectores característicos
correspondientes a 𝑣1 y 𝑣2 , entonces 𝑣1 y 𝑣2 son ortogonales.

17
Teorema: Si 𝐴 es una matriz simétrica de orden 𝑛, entonces 𝐴 tiene 𝑛
vectores propios ortonormales.

Definición: Se dice que una matriz real 𝐴 de orden 𝑛 es diagonalizable

ortogonalmente, si existe una matriz ortogonal 𝑄 tal que
𝑄 𝑇 𝐴𝑄 = 𝐷
Donde 𝐷 = 𝑑𝑖𝑎𝑔 𝜆1 , 𝜆2 , … , 𝜆𝑛 y 𝜆1 , 𝜆2 , … , 𝜆𝑛 son los valores propios
de 𝐴.

Teorema: Sea 𝐴 una matriz real de orden 𝑛. Entonces 𝐴 es

diagonalizable ortogonalmente si y solo si 𝐴 es simétrica.

18
 Procedimiento para encontrar la matriz diagonalizable

1. Encontrar una base para cada espacio característico.

2. Encontrar una base ortonormal para cada espacio característico
usando Gram Schmidt.
3. 𝑄 es la matriz de los vectores propios ortonormalizados.

Ejemplo:
Determinar una base ortonormal de vectores propios para
2 1 1
𝐴= 1 2 1 .
1 1 2

19