ÁLGEBRA LINEAL

Profesora:

M.I. Claudia Razo Hernández

[email protected]
CAPÍTULO 4
ESPACIOS VECTORIALES
 Espacio vectorial real 𝑽 → Conjunto de objetos, denominados vectores,
junto con las operaciones de suma ⨁ y multiplicación por un escalar ⨀ y
que satisfacen los diez axiomas:

1. Si 𝐱 ∈ 𝑉 y 𝐲 ∈ 𝑉, entonces 𝐱 ⨁ 𝐲 ∈ 𝑉 (Cerrado bajo la suma)

2. Para todo 𝐱, 𝐲 𝑦 𝐳 en 𝑉, 𝐱⨁𝐲 ⨁𝐳 = 𝐱⨁(𝐲⨁𝐳) (ley asociativa de la
suma)
3. Existe un vector 𝟎 ∈ 𝑉 tal que para todo 𝐱 ∈ 𝑉, 𝐱⨁𝟎 = 𝟎⨁𝐱 = 𝐱 (0
es el idéntico aditivo)
4. Si 𝐱 ∈ 𝑉 existe un vector – 𝐱 en 𝑉 tal que 𝐱⨁(−𝐱) = 𝟎 (– 𝐱 es el

DEFINICIÓN
inverso aditivo)
5. Si 𝐱 y 𝐲 están en 𝑉, entonces 𝐱⨁𝐲 = 𝐲⨁𝐱 (Ley conmutativa de la
suma)
6. Si 𝐱 ∈ 𝑉 y 𝛼 es un escalar, entonces 𝛼⨀𝐱 ∈ 𝑉 (Cerrado bajo la
multiplicación por un escalar)
7. Si 𝐱 y 𝐲 están en 𝑉, y 𝛼 es un escalar, entonces 𝛼⨀ 𝐱⨁𝐲 =
𝛼⨀𝐱⨁𝛼⨀𝐲 (Primera ley distributiva)
8. Si 𝐱 ∈ 𝑉 y 𝛼 y 𝛽 son escalares, entonces 𝛼 + 𝛽 ⨀𝐱 = 𝛼⨀𝐱⨁𝛽⨀𝐱
(Ley asociativa de la multiplicación por escalares)
9. Si 𝐱 ∈ 𝑉 y 𝛼 y 𝛽 son escalares, 𝛼⨀ 𝛽⨀𝐱 = (𝛼𝛽)⨀𝐱 (Ley
asociativa de la multiplicación por escalares)
10. Para cada vector 𝐱 ∈ 𝑉, 1⨀𝐱 = 𝐱
DEFINICIÓN

 Los elementos de 𝑉 se llaman vectores; los números reales se llaman escalares. La

operación ⨁ es la suma vectorial; la operación ⨀ es la multiplicación por un escalar.

 Algunos espacios vectoriales:

• 𝑉= Rn → Conjunto de vectores en Rn
• 𝑉 = 0 → Espacio vectorial trivial
• 𝑉 = 𝑃𝑛 → Espacio vectorial formado por todos los polinomios de grado menor o igual
que n:
𝑝 𝑥 = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0
• 𝑉 = 𝑀𝑚𝑛 → Espacio vectorial formado por las matrices de tamaño 𝑚 × 𝑛
1. Demostrar que el conjunto 𝑉= R2 es un espacio
vectorial
2. Determinar si el conjunto de matrices diagonales de
2 × 2 bajo la suma de matrices y multiplicación por un
escalar usuales, es un espacio vectorial.
3. Determinar si el conjunto 𝑉en R3 de la forma: (0, 𝑦, 𝑧)
con las operaciones: EJEMPLOS
0, 𝑦, 𝑧 ⨁ 0, 𝑦 ′ , 𝑧 ′ = (0, 𝑦 + 𝑦 ′ , 𝑧 + 𝑧′)
𝑐⨀ 0, 𝑦, 𝑧 = (0,0, 𝑐𝑧)
4. El conjunto de polinomios de grado ≤ 2 con término
constante 𝑎0 positivo.
SUBESPACIOS
 Sean 𝑉 un espacio vectorial y 𝐻 un subconjunto no vacío de 𝑉. Si 𝐻 es un espacio vectorial con
respecto a las operaciones en 𝑉, entonces 𝐻 es un subespacio de 𝑉.

 Cada espacio vectorial tiene por lo menos dos subespacios: él mismo, y el subespacio {0}
(Subespacio trivial).

 Los subespacios distintos de {0} se llaman subespacios propios.

 Un subconjunto no vacío 𝐻 de un es un espacio vectorial 𝑉, es un subespacio si se cumplen las dos

reglas de cerradura:

a) Si 𝐱 ∈ 𝐻 y 𝐲 ∈ 𝐻, entonces 𝐱 ⨁ 𝐲 ∈ 𝐻

b) Si 𝐱 ∈ 𝐻, entonces 𝛼⨀𝐱 ∈ 𝐻

 Todo subespacio de un espacio vectorial contiene el 0.

 La Intersección 𝐻1 ∩ 𝐻2 de dos subespacios 𝐻1 y 𝐻2 es un subespacio de 𝑉.

 Determinar si el subconjunto 𝐻 es un
subespacio de 𝑉:

1. 𝑉= R2; 𝐻 = { 𝑥, 𝑦 ; 𝑦 = 2𝑥}
𝑎 𝑏
2. 𝑉 = 𝑀22 ; 𝐻 = 𝐴 ∈ 𝑀22 : 𝐴 =
−𝑏 𝑐
3. 𝑉 = 𝑃4 ; 𝐻 = {𝑝 ∈ 𝑃4 ; 𝑔𝑟𝑎𝑑𝑜 𝑑𝑒 𝑝 = 4}
EJEMPLOS 4. 𝑉 = 𝑀22 ; 𝐻1 = 𝐴 ∈ 𝑀22 : 𝑎11 = 0 y 𝐻2 =
−𝑏 𝑎
𝐴 ∈ 𝑀22 : 𝐴 =
𝑎 𝑏
a. Demostrar que 𝐻1 y 𝐻2 son subespacios.
b. Demostrar que 𝐻1 ∩ 𝐻2 es un subespacio.
 COMBINACIÓN
LINEAL
 Sean 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 vectores en un espacio vectorial 𝑉.
Cualquier vector de la forma:
𝑎1 𝐯𝟏 + 𝑎2 𝐯𝟐 + ⋯ + 𝑎𝑛 𝐯𝐧
 donde 𝑎1 , 𝑎2 , … , 𝑎𝑛 son escalares, es una combinación
lineal de 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 .
 Los vectores 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 de un espacio vectorial 𝑉 son
un conjunto generador de 𝑉 si todo vector en 𝑉 es un
combinación lineal de ellos. Es decir:
𝐯 = 𝑎1 𝐯𝟏 + 𝑎2 𝐯𝟐 + ⋯ + 𝑎𝑛 𝐯𝐧
 Sean 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐤 k vectores de un espacio vectorial 𝑉.
El espacio generado por {𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐤 } es el un
conjunto de combinaciones lineales:
gen{𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐤 } = {𝐯: 𝐯 = 𝑎1 𝐯𝟏 + 𝑎2 𝐯𝟐 + ⋯ + 𝑎𝑘 𝐯𝐤 }
 El espacio generado gen{𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐤 } es un subespacio
de 𝑉.
 Si se agregan uno o más vectores a un conjunto
generador se obtiene otro conjunto generador.
 Determinar si el conjunto de vectores genera el
espacio vectorial 𝑉:

1 3
1. En R2: ,
2 4
0 0 −1
EJEMPLOS 2. En R3: 5 , −1 , −1
1 3 5
3. En 𝑃2 : 1 − 𝑥; 3 − 𝑥 2

2 1 0 0 3 −1 0 0
4. En 𝑀22 : , , ,
0 0 2 1 0 0 3 1
 INDEPENDENCIA LINEAL
Si 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 son vectores de un espacio vectorial 𝑉, se dice que son linealmente
dependientes si existen escalares 𝑐1 , 𝑐2 , … , 𝑐𝑛 no todos cero tales que:
𝑐1 𝐯𝟏 + 𝑐2 𝐯𝟐 + ⋯ + 𝑐𝑛 𝐯𝐧 = 𝟎

Si no son linealmente independientes, se dice que son linealmente

independientes.

• Dos vectores son linealmente dependientes si uno es un múltiplo escalar del

otro.
• Tres vectores en R3 son linealmente independientes si son coplanares.
• Un conjunto de 𝑛 vectores en Rm es siempre linealmente dependiente si 𝑛 >
𝑚.
• Un conjunto de vectores linealmente independientes en Rn contiene a lo más
𝑛 vectores.
• Sean 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 𝑛 vectores en Rn y 𝐴 una matriz de 𝑛 × 𝑛 cuyas columnas
son 𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 . Los vectores son linealmente independientes si el sistema
𝐴𝐱 = 𝟎 tiene solución trivial.
• Sea 𝐴 una matriz de 𝑛 × 𝑛. Entonces 𝑑𝑒𝑡𝐴 ≠ 0 sólo si las columnas de 𝐴 son
linealmente independientes.
• Cualquier conjunto de 𝑛 vectores linealmente independientes en Rn genera Rn.
 Determinar si el conjunto de vectores es linealmente independiente:
1 −1
1. ,
2 3
−3 1 4
2. , ,
2 10 −5
2 4
3. −1 , −2
4 8
−3 7 1
4. 4 , −1 , 2
2 3 8

EJEMPLOS 5. En 𝑃2 : −𝑥, 𝑥 2 − 2𝑥; 3𝑥 + 5𝑥 2

−1 1 −1 0 1 1 0 0
6. En 𝑀22 : , , ,
0 6 3 1 −1 2 1 0

Escribir las soluciones del sistema homogéneo en términos de vectores

linealmente independientes:

𝑥1 + 2𝑥2 − 𝑥3 = 0
1.
2𝑥1 + 5𝑥2 + 4𝑥3 = 0

2. 𝑥1 + 𝑥2 + 𝑥3 = 0
  Un conjunto finito de vectores {𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 } es
una base para un espacio vectorial 𝑉 si:

a) {𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 } es linealmente independiente

b) {𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 } genera a V

 Todo conjunto de 𝑛 vectores linealmente

independientes en Rn es una basa para Rn.

BASES Y  Base canónica→ Es la base más simple para un

espacio vectorial.

DIMENSIÓN • En Rn:
1 0 0 0
0 1 0 0
𝑒1 = 0 , 𝑒2 = 0 , 𝑒3 = 1 ,…, 𝑒𝑛 = 0
⋮ ⋮ ⋮ ⋮
0 0 0 1
• En 𝑴𝟐𝟐 :
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
• En 𝑷𝟐 :
𝟏, 𝒙, 𝒙𝟐
BASES Y DIMENSIÓN
 Si {𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 } es una base para 𝑉 y si 𝐯 ∈ 𝑉, existe un conjunto único de escalares 𝑐1 , 𝑐2 , … , 𝑐3
tales que:
𝐯 = 𝑐1 𝐯𝟏 + 𝑐2 𝐯𝟐 + ⋯ + 𝑐𝑛 𝐯𝐧

 Si {𝐮𝟏 , 𝐮𝟐 , … , 𝐮𝐦 } y {𝐯𝟏 , 𝐯𝟐 , … , 𝐯𝐧 } son bases de un espacio vectorial 𝑉 entonces 𝑚 = 𝑛. Esto es

cualquier base de un espacio vectorial tiene el mismo número de vectores.

 Dimensión → Es el número de vectores en todas las bases de un espacio vectorial:

dim 𝑉

• Si el número de vectores en la base es infinito, V tiene dimensión infinita.

• Si 𝑉 = {𝟎}, V tiene dimensión cero.

 Si dim 𝑉 = 𝑛 y 𝐮𝟏 , 𝐮𝟐 , … , 𝐮𝐦 es un conjunto de 𝑚 vectores linealmente independientes en 𝑉,

entonces 𝑚 ≤ 𝑛.

 Si 𝐻 es un subespacio de 𝑉, entonces:
dim 𝐻 ≤ dim 𝑉

 Para un sistema homogéneo de 𝐴𝐱 = 𝟎 donde 𝐴 es de tamaño 𝑚 × 𝑛. Si 𝑆 = {𝐱: 𝐴𝐱 = 𝟎}, 𝑆 se

llama espacio solución del sistema homogéneo. También se le llama espacio nulo de 𝐴.
EJEMPLOS
Determinar si el conjunto de vectores es una base
para el espacio vectorial 𝑉 y encuentre la dimensión:

1. En 𝑃2 : −2𝑥, 𝑥 + 3𝑥 2 ; 𝑥 + 2
3 1 3 2 −5 1 0 1
2. En 𝑀22 : , , ,
0 0 0 0 0 6 0 −7
3. 𝐻 = {(𝑥, 𝑦) ∈ Rn; 𝑥 − 𝑦 = 0}; = 1,1 ; (4,4)
4. Encontrar una base para el conjunto de vectores
en el plano 2𝑥 − 𝑦 − 𝑧 = 0.
5. Encontrar una base para el espacio solución del
𝑥−𝑦−𝑧 =0
sistema homogéneo:
2𝑥 − 𝑦 + 𝑧 = 0
RANGO, NULIDAD, ESPACIO COLUMNA Y
ESPACIO RENGLÓN
Espacio nulo → Para una matriz de una matriz 𝐴: Rango de una matriz → Si 𝐴 es una matriz de 𝑚 × 𝑛.
El rango de 𝐴 está dado por:
𝑁𝐴 = {𝐱 ∈ Rn: 𝐴𝐱 = 0}
𝜌 A = dim Im(𝐴)
Nulidad → Dimensión del espacio nulo 𝑁𝐴 :
Si 𝐴 es una matriz de 𝑚 × 𝑛, sean {𝐫𝟏 , 𝐫𝟐 , … , 𝐫𝐦 } los
𝜈 𝐴 = dim 𝑁𝐴 renglones de 𝐴 y {𝐜𝟏 , 𝐜𝟐 , … , 𝐜𝐧 } las columnas de 𝐴,
entonces:
 Si 𝑁𝐴 contiene solo el vector cero, entonces
𝜈 𝐴 = 0. Espacio renglón → Espacio generado por los
renglones de 𝐴:
 Si 𝐴 es una matriz de 𝑛 × 𝑛, es invertible sólo si
𝜈 𝐴 =0 𝑅𝐴 = gen{𝐫𝟏 , 𝐫𝟐 , … , 𝐫𝐦 }
Imagen de una matriz →Si 𝐴 es una matriz de 𝑚 × 𝑛 la Espacio columna → Espacio generado por las
imagen de 𝐴 está dada por: columnas de 𝐴:
 Im(𝐴) = {𝐲 ∈ Rm: 𝐴𝐱 = 𝐲, 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝐱 ∈ Rm} 𝐶𝐴 = gen{𝐜𝟏 , 𝐜𝟐 , … , 𝐜𝐧 }

 La imagen de 𝐴 es un subespacio de Rm.

TEOREMAS
• 𝑅𝐴 es un subespacio de Rm y 𝐶𝐴 es un • Todo vector en el espacio renglón de
subespacio de Rn. 𝐴 es ortogonal a todo vector en el
espacio nulo de 𝐴.
• Im 𝐴 = 𝐶𝐴
• Si 𝐴 es una matriz de 𝑚 × 𝑛: 𝜌 𝐴 +
• 𝜌 𝐴 = dim Im(𝐴) = dim 𝐶𝐴 = dim 𝑅𝐴
𝜈 𝐴 = 𝑛.
• Si 𝐴 es equivalente por renglones a 𝐵
• Si 𝐴 es una matriz de 𝑛 × 𝑛, 𝐴 es
entonces 𝑅𝐴 = 𝑅𝐵 , 𝜌 𝐴 = 𝜌 𝐵 y
invertible sólo si 𝜌 𝐴 = 𝑛
𝜈 𝐴 =𝜈 𝐵 .
• El sistema 𝐴𝐱 = 𝐛 tiene cuando
• El rango de una matriz es igual al
menos una solución si 𝐴 y la matriz
número de pivotes en su forma
aumentada (𝐴|𝐛) tiene el mismo
escalonada por renglones.
rango.
 1. Encontrar: 𝑁𝐴 , 𝜈 𝐴 , Im(𝐴), 𝜌 𝐴 , 𝑅𝐴 y 𝐶𝐴 para las
matrices:

1 −1 2
a) 𝐴=
3 1 0
1 −2 3
b) 𝐴= 2 4 5
1 6 2

EJEMPLOS 2. Encontrar 𝜌 𝐴 y 𝜈 𝐴 de la matriz:

1 −1 2
𝐴=
3 1 0

3. Encontrar una base para el espacio generado por los

conjuntos de vectores:

1 2 −1
4 , 1 , 3
−2 2 −4
CAMBIO DE BASE
Existen muchas bases para un espacio vectorial. Es posible cambiar de una base a otra
utilizando una matriz de transición:

Si se tienen dos bases 𝐵1 = 𝐮1 , 𝐮2 , … 𝐮𝑛 y 𝐵2 = 𝐯1 , 𝐯2 , … 𝐯𝑛 para un espacio

vectorial, se puede encontrar:

Matriz de transición de 𝑩𝟏 a 𝑩𝟐 → Es la matriz 𝐴 de 𝑛 × 𝑛 cuyas columnas están dadas

por:
𝑎1𝑗
𝑎2𝑗
𝐮𝑗 = ⋮
𝐵2
𝑎𝑛𝑗

Esto es, cada vector de la base 𝐵1 en términos de la base 𝐵2 es una columna de 𝐴:

𝑎11 𝑎12 𝑎11 ⋯ 𝑎1𝑛
𝑎21 𝑎22 𝑎23 ⋯ 𝑎2𝑛
𝐴𝐵1 → 𝐵2 = ⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 ⋯ 𝑎𝑛𝑛

Y entonces para todo 𝐱 ∈ 𝑉:

𝐱 𝐵2 =𝐴 𝐱 𝐵1

Si 𝐴 es la matriz de transición de 𝐵1 a 𝐵2 , 𝐴−1 es la matriz de transición de 𝐵2 a 𝐵1 .

CAMBIO DE BASE
 Para encontrar la matriz de transición de la base canónica a la base 𝑩𝟐 = 𝐯𝟏 , 𝐯𝟐 , … 𝐯𝒏 :

1. Se escribe la matriz 𝐶 cuyas columnas son 𝐯1 , 𝐯2 , … 𝐯𝑛 .

2. Se calcula 𝐶 −1 (matriz de transición buscada)

 Sea 𝐵1 = 𝐯𝟏 , 𝐯𝟐 , … 𝐯𝒏 una base del espacio vectorial 𝑉 de dimensión n. Si:

𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎22 𝑎2𝑛
𝐱1 𝐵1 = ⋮ , 𝐱2 𝐵1 = ⋮ , … , 𝐱𝑛 𝐵1 = ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛𝑛

𝑎11 𝑎12 𝑎11 ⋯ 𝑎1𝑛

𝑎21 𝑎22 𝑎23 ⋯ 𝑎2𝑛
𝐴= ⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 ⋯ 𝑎𝑛𝑛

 Entonces 𝐱1 , 𝐱 2 , … 𝐱 𝑛 son linealmente independientes sólo si det 𝐴 ≠ 0.

 𝑥 1 1 1
1. Escribir 𝑦 ∈ R3 en términos de la base: 0 , 1 , 1
𝑧 0 0 1
2. Escribir 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 en 𝑃2 en términos de la base:
𝑥 + 1, 𝑥 − 1, 𝑥 2 − 1
2 −1
3. En 𝑀22 escribir la matriz en términos de la base:
4 6
1 1 2 0 0 1 0 −2
EJEMPLOS −1 0
,
3 1
,
−1 0
,
0 4
4 1 −1
4. En R2, 𝐱 𝐵1 = donde 𝐵1 = , . Escribir 𝐱
−1 −1 1
−2 −3
en términos de la base 𝐵2 = ,
1 2
5. Determinar si el conjunto es linealmente dependiente o
independiente: en 𝑃2 : −3 + 𝑥 2 , 2 − 𝑥 + 4𝑥 2 , 4 + 2𝑥
 Un conjunto de vectores 𝑆 = 𝐮1 , 𝐮2 , … , 𝐮𝑘 es ortonormal si:

𝐮𝑖 ∙ 𝐮𝐣 = 0 si 𝑖 ≠ 𝑗
BASES 𝐮𝑖 ∙ 𝐮𝑖 = 1
ORTONORMALES Y
PROYECCIONES EN Si sólo se cumple la primera condición el conjunto es
ortogonal.
Rn
Longitud o norma de un vector → Si 𝐯 ∈ Rn, se puede escribir
su norma como:
𝐯 = 𝐯∙𝐯
Si 𝑆 = 𝐮1 , 𝐮2 , … , 𝐮𝑘 es un conjunto ortogonal, entonces 𝑆 es
linealmente independiente.
La base canónica 𝐸 = 𝐞1 , 𝐞2 , … , 𝐞𝑛 para Rn tiene las
propiedades:
𝐞𝑖 ∙ 𝐞𝐣 = 0 si 𝑖 ≠ 𝑗

𝐞𝑖 ∙ 𝐞𝑖 = 1
Por lo tanto es una base ortonormal para Rn.
PROCESO DE ORTONORMALIZACIÓN DE
GRAM-SCHMIDT
Cualquier base se puede convertir en una base ortonormal mediante el
siguiente proceso.
 Sea 𝐻 un subespacio de dimensión 𝑚 de Rn. Sea 𝑆 = 𝐯1 , 𝐯2 , … , 𝐯𝑚 una
base para 𝐻. Se puede formar una base ortonormal 𝐮1 , 𝐮2 , … , 𝐮𝑚 a
partir de 𝑆:
𝐯1
1. 𝐮1 =
𝐯1

2. 𝐯2′ = 𝐯2 − (𝐯2 ∙ 𝐮1 )𝐮1

𝐯2′
3. 𝐮2 =
𝐯2′
′
4. 𝐯𝑘+1 = 𝐯𝑘+1 − 𝐯𝑘+1 ∙ 𝐮1 𝐮1 − 𝐯𝑘+1 ∙ 𝐮2 𝐮2 − ⋯ − 𝐯𝑘+1 ∙ 𝐮𝑘 𝐮𝑘
′
𝐯𝑘+1
5. 𝐮𝑘+1 = ′
𝐯𝑘+1

6. Continuar hasta que 𝑘 + 1 = 𝑚

 Construir una base ortonormal para el
espacio o subespacio vectorial:

1. En R2 comenzando con los vectores

EJEMPLOS
1 −1
básicos: ,
1 1
2. 𝐻 = { 𝑥, 𝑦, 𝑧 : 2𝑥 − 𝑦 − 𝑧 = 0}
 Matriz ortogonal → Una matriz 𝑄 de 𝑛 × 𝑛 es
ortogonal si es invertible y:
𝑄−1 = 𝑄𝑇

La matriz 𝑄 de 𝑛 × 𝑛 es ortogonal sólo si sus

columnas forman una base ortonormal para
Rn .

MATRIZ
ORTOGONAL  Ejemplo:
2 1 2
3 3 3
1 2 2
Demostrar que 𝑄 = 3 3
−3 es una
2 2 1
−3
3 3
matriz ortogonal
 Proyección ortogonal → Sea 𝐻 un subespacio de Rn
PROYECCIÓN con base ortonormal 𝐮1 , 𝐮2 , … , 𝐮𝑘 . Si 𝐯 ∈ Rn, la
proyección ortogonal de 𝐯 sobre 𝐻 está dada por:
ORTOGONAL proyH 𝐯 = 𝐯 ∙ 𝐮1 𝐮1 + 𝐯 ∙ 𝐮2 𝐮2 + ⋯ + (𝐯 ∙ 𝐮𝑘 )𝐮𝑘
Sea 𝐵 = 𝐮1 , 𝐮2 , … , 𝐮𝑘 una base ortonormal para Rn y
𝐯 ∈ Rn, entonces:
𝐯 = 𝐯 ∙ 𝐮1 𝐮1 + 𝐯 ∙ 𝐮2 𝐮2 + ⋯ + (𝐯 ∙ 𝐮𝑘 )𝐮𝑘
Esto es, 𝐯 = proyH 𝐯.
La proyH 𝐯 es independiente de la base ortonormal que
se elija para 𝐻. Esto es si 𝐵1 = 𝐮1 , 𝐮2 , … , 𝐮𝑘 y 𝐵2 =
𝐰1 , 𝐰2 , … , 𝐰𝑘 son dos bases ortonormales para 𝐻:
𝐯 ∙ 𝐮1 𝐮1 + 𝐯 ∙ 𝐮2 𝐮2 + ⋯ + 𝐯 ∙ 𝐮𝑘 𝐮𝑘
= 𝐯 ∙ 𝐰1 𝐰1 + 𝐯 ∙ 𝐰2 𝐰2 + ⋯ + (𝐯 ∙ 𝐰𝑘 )𝐰𝑘
COMPLEMETO
ORTOGONAL
 Complemento ortogonal → Sea 𝐻 un
subespacio de Rn. El complemento ortogonal
de 𝐻 está dado por:

𝐻 ⊥ = {𝐱 ∈ Rn: 𝐱 ∙ 𝐡 = 0 para todo 𝐡 ∈ 𝐻}

 Si 𝐻 un subespacio de Rn, entonces:

1. 𝐻 ⊥ es un subespacio de Rn.
2. 𝐻 ∩ 𝐻 ⊥ = {𝟎}
3. dim 𝐻 ⊥ = 𝑛 − dim 𝐻

 Los espacios 𝐻 y 𝐻 ⊥ permiten descomponer

cualquier vector en Rn en un par único de
vectores 𝐡 y 𝐩 tales que 𝐡 ∈ 𝐻, 𝐩 ∈ 𝐻 ⊥ y 𝐯 =
𝐡 + 𝐩. Donde 𝐡 = proyH 𝐯 y 𝐩 = proy𝐻 ⊥ 𝐯 de
manera que:
𝐯 = 𝐡 + 𝐩 = proyH 𝐯 + proy𝐻 ⊥ 𝐯
EJEMPLO

𝑥
 Para el subespacio 𝐻 = ൝ 𝑦 ∈ Rn∶ 3𝑥 − 2𝑦 + 6𝑧 = 0 ൡ y el
𝑧
−3
vector 𝐯 = 1 , calcular:
4
a) proyH 𝐯

b) Una base ortonormal para 𝐻 ⊥

c) Escribir 𝐯 como 𝐡 + 𝐩