Capítulo 3

EL ESPACIO EUCLíDEO RN . ORTOGONALIDAD Y MíNIMOS

CUADRADOS

Este capítulo se dedica al estudio de la estructura euclídea de Rn . Definiremos

los conceptos de producto escalar ordinario y norma, que nos permitirán medir dis-
tancias y ángulos entre vectores, y definir los conceptos de complemento ortogonal de
un subespacio vectorial y proyección ortogonal de un vector sobre un subespacio, que
nos conducirán al método de resolución de ecuaciones en el sentido de los mínimos
cuadrados.

3.1. Producto escalar y norma. Ortogonalidad

3.1.1. Definiciones y propiedades
Definición 111 Si u y v son dos vectores cualesquiera de Rn su producto escalar
ordinario es:
X
n
u · v = (u1 , ..., un ) · (v1 , ..., vn ) = u1 v1 + · · · + un vn = ui vi
i=1

Rn con este producto escalar se llama espacio euclídeo n—dimensional. Si u y v se

representan por columnas, se verifica que: u · v = vT u = uT v

Proposición 112 Sean u, v ∈ Rn y c ∈ R, cualesquiera. Se verifica:

a) u · v = v · u.

b) (u + v) · w = u · w + v · w.

c) (cu) · v = c(u · v)

d) u · u ≥ 0, y u · u = 0 ⇔ u = 0.

Demostración:

a) u · v = (u1 , ..., un ) · (v1 , ..., vn ) = u1 v1 + · · · + un vn = v1 u1 + · · · + vn u‘n = v · u.

b) (u + v) · w = ((u1 , ..., un ) + (v1 , ..., vn )) · (w1 , ..., wn )

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 138 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

= (u1 + v1 , ..., un + vn ) · (w1 , ..., wn )

= (u1 + v1 )w1 + · · · + (un + vn )wn

= (u1 w1 + · · · + un wn ) + (v1 w1 + · · · + vn wn )
= u · w + v · w.

c) (cu) · v = c(u1 , ..., un ) · (v1 , ..., vn ) = (cu1 , ..., cun ) · (v1 , ..., vn )

= cu1 v1 + · · · + cun vn = c(u1 v1 + · · · + un vn )

= c(u · v).

d) u · u = (u1 , ..., un ) · (u1 , ..., un ) = u21 + · · · + u2n ≥ 0.

u · u = 0 ⇔ u21 + · · · + u2n = 0 ⇔ u1 = · · · = un = 0 ⇔ u = 0. ¤

Definición 113 La norma de un vector u ∈ Rn es el número real

rn µ n ¶ 12
√ p P P
kuk = u · u = u21 + · · · + u2n = u2i = u2i .
i=1 i=1

Proposición 114 Sean u, v ∈ Rn , k ∈ R, cualesquiera. Se verifica:

a) kuk = 0 ⇔ u = 0.

b) kkuk = |k| kuk .

c) |u · v| ≤ kuk kvk (desigualdad de Cauchy-Schwarz)

d) ku + vk ≤ kuk + kvk (desigualdad triangular)

Demostración:
√
a) kuk = 0 ⇔ u · u = 0 ⇔ u · u = 0 ⇔ u = 0.
p √ √
b) kkuk = (ku) · (ku) = k2 u · u = |k| kuk .

c) Si u = 0, entonces kuk = 0, u · v = 0 y el resultado es cierto.

Si u 6= 0, consideramos el vector xu + v, siendo x un escalar no nulo.

0 ≤ kxu + vk2 = (xu + v) · (xu + v) = x2 u · u + 2xu · v + v · v = ax2 + 2bx + c = p(x)

siendo, a = u · u > 0, b = u · v, c = v · v.

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Producto escalar y norma. Ortogonalidad 139

Como p(x) ≥ 0 la ecuación p(x) = 0 o no tiene raices reales o tiene una raíz doble:
√
−2b ± 4b2 − 4ac
x=
2

Esto implica que 4b2 − 4ac ≤ 0. Por tanto,

√ √ √ √
b2 ≤ ac ⇔ |b| ≤ a c ⇔ |u · v| ≤ u · u v · v ⇔ |u · v| ≤ kuk kvk

d) ku + vk2 = (u + v)(u + v) = u · u + 2u · v + v · v
= kuk2 + 2u · v + kvk2 ≤ kuk2 + 2 |u · v| + kvk2

≤ kuk2 + 2 kuk kvk + kvk2 = (kuk + kvk)2 .

Por tanto, ku + vk2 ≤ (kuk + kvk)2 ⇒ ku + vk ≤ kuk + kvk . ¤

Definición 115 La distancia entre dos vectores u, v ∈ Rn viener ndada por:

p P
d(u, v) = ku − vk = (u1 − v1 )2 + · · · + (un − vn )2 = (ui − vi )2 .
i=1

Proposición 116 Sean u, v, w ∈ Rn , cualesquiera. Se verifica:

a) d(u, v) = 0 ⇔ u = v.
b) d(u, v) = d(v, u).
c) d(u, v) ≤ d(u, w) + d(w, u).

Demostración:
p
a) d(u, v) = 0 ⇔ (u1 − v1 )2 + · · · + (un − vn )2 = 0 ⇔ (u1 − v1 )2 = · · · = (un −
vn )2 = 0
⇔ (u1 − v1 ) = · · · = (un − vn ) = 0 ⇔ ui = vi para todo i : 1, ...n ⇔ u = v.
p p
b) d(u, v) = (u1 − v1 )2 + · · · + (un − vn )2 = (v1 − u1 )2 + · · · + (vn − un )2 = d(v, u).
c) d(u, v) = ku − vk = ku − w + w − vk = k(u − w) + (w − v)k ≤ ku − wk+kw − vk
= d(u, w) + d(w, v). ¤

Definición 117 Dos vectores u, v ∈ Rn son ortogonales si u·v = 0, y se denota u⊥v.

Definición 118 Dados dos vectores no nulos u, v ∈ Rn , se dice que forman un ángulo
α ∈ [0, π], si
u·v
cos α = .
kuk kvk

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 140 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

Teorema 119 (de Pitágoras) Sean u, v ∈ Rn dos vectores ortogonales, entonces:

ku + vk2 = kuk2 + kvk2 .
Demostración:
ku + vk2 = (u + v) · (u + v) = u · u + u · v + v · u + v · v = kuk2 + kvk2
pues u · v = 0 al ser ortogonales. ¤
Corolario 120 Si u1 , ..., up ∈ Rn son vectores ortogonales dos a dos, se tiene:
ku1 + · · · + up k2 = ku1 k2 + · · · + kup k2 .
3.1.2. Complemento ortogonal
Definición 121 Sea E un subespacio vectorial de Rn .
a) Se dice que un vector x ∈ Rn es ortogonal a E si es ortogonal a todos los vectores
de E.
b) El conjunto de todos los vectores de Rn que son ortogonales a E se llama comple-
mento ortogonal y se denota por E ⊥ .
Ejemplo 122 Sean E = {(u1 , u2 , u3 ) ∈ R3 : u3 = 0} y F = {u ∈ R3 : u1 = 0, u2 =
0}, se verifica que E ⊥ = F .

Ejemplo 123 Los subespacios E = {(u1 , u2 , u3 ) ∈ R3 : u3 = 0} y G = {(u1 , u2 , u3 ) ∈

R3 : u1 = 0} no son subespacios ortogonales, pues hay vectores de E y G que no son
ortogonales entre si.
u = (1, 1, 0) ∈ E, v = (0, 1, 1) ∈ G ⇒ u · v = 1 6= 0

v = (0,1,1) ∈ G

u = (1,1, 0) ∈ E E

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Producto escalar y norma. Ortogonalidad 141

Esto nos indica que la “pared” y el “suelo” no son ortogonales en el sentido que aquí
se ha definido.

Proposición 124 Sea E un subespacio vectorial de Rn , dotado del producto escalar

usual. Se verifica:

a) E ⊥ es un subespacio vectorial.
b) E ∩ E ⊥ = {0}.
c) dim E + dim E ⊥ = n

d) (E ⊥ )⊥ = E.

Demostración:

a) Sean u1 , u2 ∈ E ⊥ y λ, µ ∈ R cualesquiera, y sea v un vector cualquiera de E. Se

verifica que:
(λu1 + µu2 ) · v = (λu1 ) · v + (µu2 ) · v = λ(u1 · v) + µ(u2 · v) = λ0 + µ0 = 0.

Luego (λu1 + µu2 ) ∈ E ⊥ y E ⊥ es un subespacio vectorial de Rn .

b) Sea u ∈ E ∩ E ⊥ , enontces u ∈ E y u ∈ E ⊥ , luego u · u = 0 ⇒ kuk2 = 0 ⇒ u = 0.
Luego E ∩ E ⊥ = {0}.
c) Sea E = L{v1 , ..., vp }, con dim E = p, entonces E ⊥ = {x ∈ Rn |x · vi = 0, i =
1, ..., p}, y

como los vectores vi son l.i. se tiene que dim E ⊥ = n − p, y por tanto: dim E +
dim E ⊥ = n.
d) Si F = E ⊥ se verifica que dim F + dim F ⊥ = n, luego dim(E ⊥ )⊥ = dim F ⊥ =
n − dim F = n − (n − p) = p.
Además, para todo x ∈ E, se cumple que x · y = 0, siendo y cualquier vector de
E ⊥ , luego x ∈ (E ⊥ )⊥ , por tanto E ⊆ (E ⊥ )⊥ , como dim E = p resulta que
(E ⊥ )⊥ = E. ¤

Ejemplo 125 Sea E = L {v1 , v2 } , v1 = (1, 1, 0, 1), v2 = (0, −1, 1, 1) un subespacio

vectorial de R4 . Determinar una base de E ⊥ .

½ ½ x1 = −α − 2β
x · v1 = 0 x1 + x2 + x4 = 0 x2 =α+β
x ∈ E ⊥ si y sólo si ⇒ ⇒
x · v2 = 0 −x2 + x3 + x4 = 0 x3 =α
x4 =β
con α, β ∈ R.

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 142 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

Luego E ⊥ = L{u1 , u2 }, siendo u1 = (−1, 1, 1, 0), u2 = (−2, 1, 0, 1).

La base pedida es BE ⊥ = {u1 , u2 } , por ser un sistema generador l.i.

Nota: Obsérvese que u1 · v1 = u1 · v2 = u2 · v1 = u2 · v2 = 0, y que dim E + dim E ⊥ = 4.

Ejemplo 126 Sea W = L {w1 , w2 , w3 , w4 } , donde w1 = (2, −1, 1, 3, 0), w2 = (1, 2, 0, 1, −2),
w3 = (4, 3, 1, 5, −4), w4 = (3, 1, 2, −1, 1). Determinar una base de W ⊥ .

En primer lugar buscamos una base de W, para ello disponemos los vectores wi como
columnas de una matriz y estudiamos su dependencia lineal mediante un proceso de
escalonamiento.
⎡ ⎤
⎡ ⎤ 2 1 4 3 ⎡ ⎤
2 1 4 3 2 1 4 3
⎢ 0 5
5 5 ⎥
⎢ −1 2 3 1 ⎥ ⎢ 2 2 ⎥ ⎢ 0 52 5 5 ⎥
⎢ ⎥ ⎢ 1 1 ⎥ ⎢ 2 ⎥
⎢ 1 0 1 2 ⎥ ∼ ⎢ 0 − 2 −1 − 2 ⎥ ∼ ⎢ 0 0 0 0 ⎥
⎢ ⎥ F21 ( 1 ) ⎢ ⎥ F32 ( 1 ) ⎢ ⎥
⎣ 3 1 5 −1 ⎦ 2 ⎢ 0 − 1 −1 − 11 ⎥ 5 ⎣
0 0 0 −5 ⎦
F31 (− 12 ) ⎣ 2 2 ⎦ F42 ( 1 )
0 −2 −4 1 5
F (− 3 ) 41 0 −2 −4
2
1 F (4) 0 0 0 52 5
3

⎡ ⎤ ⎡ ⎤
2 1 4 3 2 1 4 3
5 5
⎢ 0 2 5 ⎥ ⎢ 0 52 5 52 ⎥
⎢ 2 ⎥ ⎢ ⎥
∼ ⎢ 0 0 0 3 ⎥ ∼ ⎢ 0 0 0 3 ⎥
F53 ⎢ ⎥ F (5) ⎢ ⎥
⎣ 0 0 0 −5 ⎦ 43 3 ⎣ 0 0 0 0 ⎦
0 0 0 0 0 0 0 0

Por tanto, dim W = 3, y los vectores {w1 , w2 , w4 } constituyen una base de W.

Es decir: W = L {w1 , w2 , w4 }

w1 = (2, −1, 1, 3, 0), w2 = (1, 2, 0, 1, −2), w3 = (4, 3, 1, 5, −4), w4 = (3, 1, 2, −1, 1).
⎧
⎨ 2x1 − x2 + x3 + 3x4 =0
⊥
x ∈ W si y sólo si x · wi = 0 (i = 1, 2, 4) ⇒ x1 + 2x2 + x4 − 2x5 = 0
⎩
3x1 + x2 + 2x3 − x4 + x5 = 0
x1 = − 175
α + 85 β
x2 = 65 α + 15 β
y la solución es x3 = 5α − 3β
x4 =α
x5 =β
© ª
W ⊥ = L (− 17
5 5
, 6 , 5, 1, 0), ( 85 , 15 , −3, 0, 1) = L {(−17, 6, 25, 5, 0), (8, 1, −15, 0, 5)}

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Proyección ortogonal y Método de mínimos cuadrados 143

BW ⊥ = {(−17, 6, 25, 5, 0), (8, 1, −15, 0, 5)} es la base pedida.

Nota: Obsérvese que las componentes de los vectores {w1 , w2 , w4 } , base de W , coin-
ciden con los coeficientes del sistema de ecuaciones implícitas que determina W ⊥ .

El siguiente resultado relaciona el ortogonal del espacio columna de una matriz

con el espacio nulo de la matriz traspuesta, y lo emplearemos más adelante con ocasión
del estudio del método de los mínimos cuadrados.

Teorema 127 Sea A ∈ Mm×n (R), se verifica que N(AT ) = R(A)⊥ .

Demostración:
Si rg(A) = r ⇒ dim R(A) = r y dim R(A)⊥ = m − r, siendo R(A) ⊆ Rm . Por otra
parte, N(AT ) ⊆ Rm y dim N(AT ) = m − r. Para probar que R(A) y N(AT ) coinciden
bastará demostrar que: N(AT ) ⊆ R(A)⊥ .

Si y ∈ N(AT ), entonces AT y = 0, y representando la matriz AT por filas:

⎡ T ⎤ ⎡ ⎤ ⎡ T ⎤ ⎡ ⎤
a1 0 a1 y 0
⎢ .. ⎥ ⎢ .. ⎥ ⎢ .. ⎥ ⎢ .. ⎥
⎣ . ⎦y = ⎣ . ⎦ ⇒ ⎣ . ⎦=⎣ . ⎦ ⇒ aTi y = 0 ⇒ ai · y = 0
aTn 0 aTn y 0

Por tanto, ai ⊥y para todo i = 1, ..., n ⇒ y ∈ R(A)⊥ ⇒ N(AT ) ⊆ R(A)⊥ . Como

dim N(AT ) = dim R(A)⊥ se tiene finalmente: N(AT ) = R(A)⊥ . ¤

3.2. Proyección ortogonal y Método de mínimos cuadrados

El objetivo de esta sección es introducir el método de mínimos cuadrados
para la resolución de sistemas de ecuaciones lineales. Este método permite dar una
"solucion aproximada" a los sistemas de ecuaciones lineales que son incompatibles.
El ajuste de una curva a una nube de puntos lo estudiaremos como una aplicación de
este método. La idea clave en la que se basa la resolución de sistemas de ecuaciones
por el método de mínimos cuadrados es la proyección ortogonal.

3.2.1. Proyección ortogonal

En R3 sabemos que si E es una recta o un plano que pasa por el origen, entonces
todo vector u ∈ R3 se puede expresar como suma de dos vectores u = u1 + u2 , donde
u1 ∈ E y u2 ∈ E ⊥ .

En la figura se ha representado la descomposición de una vector u como suma

de dos vectores, u1 que está contenido en el plano E = {(x1 , x2 , x3 ) ∈ R3 : x3 = 0}, y
u2 que está contenido en la recta E ⊥ = {(x1 , x2 , x3 ) ∈ R3 : x1 = x2 = 0}.

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 144 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

E⊥ u = u1 + u2

u
u2

u1 E

Esta situación se puede generalizar al espacio vectorial Rn . Si E es un sube-

spacio vectorial de Rn , entonces todo vector u ∈ Rn se puede expresar de manera
única como u = u1 + u2 , donde u1 ∈ E y u2 ∈ E ⊥ . Se suele escribir Rn = E ⊕ E ⊥ ,
indicando con ello que

Rn = E + E ⊥ y E ∩ E ⊥ = {0}.
El vector u1 se denomina proyección ortogonal de u sobre E, y se escribe:
u1 = proyE u. Análogamente u2 = proyE⊥ u. Es decir: u = proyE u + proyE ⊥ u.

Además, si BE es una base de E y BE ⊥ es una base de E ⊥ se cumple que

E + E ⊥ = L{BE ∪ BE ⊥ }.

Ejemplo 128 Expresar el vector u = (1, 1, 1) como suma de dos vectores u1 ∈ E y

u2 ∈ E ⊥ , donde E = L{v1 , v2 }, siendo v1 = (2, 1, 1), v2 = (−3, 0, 1)}.

Se verifica que dim E = 2, luego dim E ⊥ = 1.

½ ½ x = 13 α
(x, y, z) · (2, 1, 1) = 0 2x + y + z = 0
Si (x, y, z) ∈ E ⊥ ⇒ ⇒ ⇒ y = − 53 α
(x, y, z) · (−3, 0, 1) = 0 −3x + z = 0
z=α

luego E ⊥ = L{(1, −5, 3)} = L{v3 }

Reuniendo las bases de E y de E ⊥ se tiene una base de R3

B = {v1 , v2 , v3 } = {(2, 1, 1), (−3, 0, 1), (1, −5, 3)}.

A continuación calculamos las coordenadas del vector u = (1, 1, 1) en esta base:

⎡ ⎤
2 −3 1
u = P uB , donde P = ⎣ 1 0 −5 ⎦ y uB = (α1 , α2 , α3 )B .
1 1 3

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Proyección ortogonal y Método de mínimos cuadrados 145

⎤⎡ ⎡ ⎤ ⎡ ⎤ α1 = 67
2 −3 1 α1 1
⎣ ⎦ ⎣ 8
Resolviendo el sistema P uB = u, 1 0 −5 α2 = 1 ⎦ ⇒
⎦ ⎣ α2 = 35
1 1 3 α3 1 1
α3 = − 35
se tiene: uB = ( 67 , 35
8 1
, − 35 )B
6 8 1
sustituyendo: uB = (2, 1, 1) + (−3, 0, 1)− (1, −5, 3)
|7 {z35 }| 35 {z }
u1 ∈E u2 ∈E ⊥

u1 = proyE u = 67 (2, 1, 1) + 8
35
(−3, 0, 1) = ( 36 , 6 , 38 ) ∈ E
35 7 35
1 1 1 3
u2 = proyE⊥ u = − 35 (1, −5, 3) = (− 35 , 7 , − 35 ) ∈ E⊥
⎡ 1 2 3
⎤⎡ ⎤ ⎡ 6 ⎤
7 7 7 1 7
⎢ 8 1 11 ⎥⎣ ⎦ ⎢ 8 ⎥
Nota 1: Si se conoce P −1 , uB = P −1 u = ⎣ − 35 7 35 ⎦ 1 = ⎣ 35 ⎦
1
− 17 3 1 1
− 35
35 35

Nota 2: Comprobar que u1 + u2 = u, u1 · u2 = 0.

Dado un vector v ∈ Rn y un subespacio E de Rn , la proyección ortogonal de v

sobre E es precisamente el vector de E más próximo a v. Esto se pone de manifiesto
en el siguiente resultado.

proy E v
u E

Proposición 129 Sea E un subespacio vectorial de Rn , y v ∈ Rn . Entonces, para

todo vector u ∈ E, u 6= proyE v se verifica: kv − proyE vk < kv − uk .
Demostración: Sea u ∈ E, u 6= proyE v, entonces:
v − u = (v − proyE v) + (proyE v − u)
| {z } | {z }
∈E ⊥ ∈E

Si aplicamos el teorema de Pitágoras:

kv − uk2 = kv − proyE vk2 + kproyE v − uk2
Como u 6= proyE v se tiene que kproyE v − uk2 > 0, y en consecuencia
kv − uk2 > kv − proyE vk2 ⇒ kv − uk > kv − proyE vk
¤

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 146 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

La proyección ortogonal de un vector sobre un subespacio puede calcularse de

diversas maneras. A continuación describimos el método de los mínimos cuadrados
para la resolución de sistemas de ecuaciones lineales, que nos proporciona un algo-
ritmo para el cálculo de la proyección ortogonal, además de darnos una "solución
aproximada" para los sistemas de ecuaciones lineales que sean incompatibles.

3.2.2. Método de los mínimos cuadrados

Para introducir este método consideraremos un sistema de ecuaciones lineales
Ax = b. En relación con la compatibilidad del sistema pueden darse dos situaciones:

Cuando el sistema Ax = b es compatible y b = β1 a1 + · · · + βn an , siendo

β = (β1 , . . . , βn ) una solución del sistema. Si denotamos por R(A) el espacio
columna de la matriz A, podemos escribir b ∈ R(A).
Geométricamente podemos considerar la situación de la siguiente figura.

a1
b
R(A)

a2

Si Ax = b no es compatible, el sistema no tiene solución y entonces b ∈

/ R(A).

b1 R(A)

Ahora bien la proyección ortogonal de b sobre R(A) sí pertenece a este subespacio:

b1 = proyR(A) b ∈ R(A)

y podemos escribir:
b1 = α1 a1 + · · · + αn an ⇔ b1 = Aα.
Obviamente, el vector α = (α1 , . . . , αn ) no es una solución del sistema Ax = b, pero
sí podemos tomarla como una solución aproximada. Surge la pregunta, ¿cuál es el

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Proyección ortogonal y Método de mínimos cuadrados 147

error que se comete al hacer esta aproximación? Como estimación del error vamos a
considerar la norma del vector kb − b1 k .

Para determinar los coeficientes de la proyección ortogonal, es decir el vector

α = (α1 , . . . , αn ), procedemos del siguiente modo:

b1 ∈ R(A) ⇒ b − b1 ∈ R(A)⊥ ⇒ b − b1 ∈ N(AT ) ⇒ AT (b − b1 ) = 0 ⇒ AT b1 = AT b

Sustituyendo b1 = Aα, resulta el sistema:

AT Aα = AT b
que se denomina sistema normal asociado. La solución de este sistema nos determina
los coeficientes de la proyección ortogonal de b sobre el espacio columna R(A). En
general, se tiene el siguiente resultado.

Teorema 130 Sea (S) : Ax = b un sistema de ecuaciones lineales, la solución del

sistema (SN ) : AT Ax = AT b determina los coeficientes de la proyección ortogonal de
b sobre el espacio columna R(A).

Observaciones:
1) b1 = proyR(A) b = Ax, donde x es solución de (SN).
2) La solución del sistema (SN) se denomina pseudosolución o solución en el sentido
de los mínimos cuadrados de (S).
3) El sistema (SN) es un sistema cuadrado con n incógnitas.
4) El sistema (SN) siempre es compatible, pues la proyección ortogonal siempre está
determinada.
5) Si las columnas de A son linealmente independientes (rg(AT A) = n) la solución
de (SN) es única.

6) Si las columnas de A son linealmente dependientes (rg(AT A) < n) la solución de

(SN) no es única.
7) Si (S) es compatible, sus soluciones coinciden con las del sistema normal asociado
(SN).
8) Si (S) es incompatible, podemos usar la solución del sistema (SN) como solución
aproximada del sistema (S), siendo el error cometido E = kb − b1 k = kb − Axk .

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 148 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

Ejemplo 131 Resolver el sistema (S) : Ax = b en el sentido de los mínimos cuadra-

dos. A continuación calcular la proyección ortogonal del vector b sobre el espacio
columna de A. ⎡ ⎤ ⎡ ⎤
1 1 ∙ ¸ 2
(S) : Ax = b ⎣ 1 −1 ⎦ x1 = ⎣ 0 ⎦
x2
2 1 2
⎡ ⎤ ⎡ ⎤
∙ ¸ 1 1 ∙ ¸ ∙ ¸ 2
1 1 2 ⎣ 1 −1 ⎦ x1 = 1 1 2 ⎣ 0 ⎦
(SN) : AT Ax = AT b
1 −1 1 x2 1 −1 1
2 1 2

∙ ¸∙ ¸ ∙ ¸ 5
6 2 x1 6 x1 =
= ⇒ 7
2 3 x2 4 6
x2 =
7

El sistema (S) es incompatible pues rg(A|b) = 3 y rg(A) = 2.

Por tanto, la solución de (SN) es una solución aproximada de (S).

La proyección ortogonal de b sobre R(A) viene dada por:

⎤ ⎡ 5 ⎤ ⎡ 11 ⎤
⎡
1 1 7
⎢ ⎥
b1 = proyR(A) b = Ax = ⎣ 1 −1 ⎦ ⎣ 76 ⎦ = ⎣ − 17 ⎦
16
2 1
7 7

finalmente, b1 = ( 11
7
, − 17 , 16
7
)

Nota: El error cometido al tomar x = ( 57 , 67 ) como solución aproximada es:

1
√
E = kb − b1 k = 7
14

Ejemplo 132 Sea E = L{(1, 1, 2), (1, −1, 1)} y sea u = (2, 0, 2), hallar u1 = proyE u.

Para calcular u1 basta resolver el sistema (SN) : AT Ax = AT u

⎡⎤ ⎡ ⎤
1 1 2
⎣ ⎦ ⎣
siendo A = 1 −1 u = 0 ⎦ ,
2 1 2
∙ 5
¸
La solución del sistema (SN) es x = 7 , pues se trata del mismo sistema del
6
7

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Proyección ortogonal y Método de mínimos cuadrados 149

ejemplo anterior. Por tanto,

⎤ ⎡ ⎡ ⎤
1 1 ∙ 5
¸ 11
7
u1 = proyE u = proyR(A) u = Ax = ⎣ 1 −1 ⎦ 7
6 =⎣ − 17 ⎦
7 16
2 1 7

es decir, u1 = ( 11
7
− 17 , 16
7
).

Ejemplo 133 Resolver el sistema (S) con el método de mínimos cuadrados el sis-
tema ⎧
⎨ x1 + x2 + x3 + x4 = 2
(S) : x1 + x2 + x3 + x4 = 3
⎩
x1 + x2 + x3 + x4 = 4

De manera trivial se observa que el sistema (S) es incompatible. Consideramos (SN),

sistema normal asociado.
⎡ ⎤
⎡ ⎤ x1 ⎡ ⎤
1 1 1 1 ⎢ ⎥ 2
(S) : Ax = b ⎣ 1 1 1 1 ⎦ ⎢ x2 ⎥ = ⎣ 3 ⎦
⎣ x3 ⎦
1 1 1 1 4
x4

(SN) : AT Ax = AT b
⎡ ⎤ ⎡⎤ ⎡ ⎤
1 1 1 ⎡ ⎤ x1 1 1 1 ⎡ ⎤
⎢ 1 1 1 ⎥ 1 1 1 1 ⎢ ⎥ 2
⎢ ⎥⎣ 1 x2 ⎥ ⎢
⎥ = ⎢ 1 1 1 ⎥⎣ 3 ⎦
⎣ 1 1 1 ⎦ 1 1 1 ⎦⎢
⎣ x3 ⎦ ⎣ 1 1 1 ⎦
1 1 1 1 4
1 1 1 x4 1 1 1
⎡ ⎤⎡ ⎤ ⎡ ⎤
3 3 3 3 x1 9
⎢ 3 3 3 3 ⎥ ⎢ x2 ⎥ ⎢ 9 ⎥
⎢ ⎥⎢ ⎥=⎢ ⎥
⎣ 3 3 3 3 ⎦ ⎣ x3 ⎦ ⎣ 9 ⎦
3 3 3 3 x4 9

El sistema (SN) es compatible indeterminado, y basta resolver la ecuación

3x1 + 3x2 + 3x3 + 3x4 = 9.

x1 =3−α−β−γ
x2 =α
cuya solución es: con α, β y γ ∈ R.
x3 =β
x4 =γ

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 150 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

Ejemplo 134 Para el sistema Ax = b del ejemplo anterior, calcula la proyección

ortogonal del vector b sobre el espacio columna de A.

Puesto que conocemos la pseudosolución del sistema Ax = b,

⎡ ⎤
⎡ ⎤ 3−α−β−γ ⎤ ⎡
1 1 1 1 ⎢ ⎥ 3
α
b1 = proyR(A) b = Ax = ⎣ 1 1 1 1 ⎦⎢ ⎣
⎥=⎣ 3 ⎦
⎦
β
1 1 1 1 3
γ

es decir, b1 = (3, 3, 3).

3.2.3. Ajuste de datos por el método de mínimos cuadrados

El método de los mínimos cuadrados es útil para resolver problemas de ajuste
de curvas (rectas o parábolas, por ejemplo) a nubes de puntos. Estos problemas dan
lugar a sistemas sobredeterminados que en general son incompatibles. A continuación
consideramos dos ejemplos.

Ejemplo 135 Dados los puntos (−1, −1), (0, 1), (1, 2), (2, 2). Ajustar a una recta por
el método de los mínimos cuadrados. Repetir la operación ajustando a una parábola.

a) Ajuste a una recta: y = mx + n.

Imponiendo que los puntos de la nube pertenezcan a dicha recta, obtenemos el sistema
de ecuaciones
⎧ ⎡ ⎤ ⎡ ⎤
⎪
⎪ −m + n = −1 −1 1 −1
⎨ ⎢ 0 1 ⎥ ⎢ ⎥
n=1 ⎥, b = ⎢ 1 ⎥
(S) : Aα = b, siendo A = ⎢ ⎣ ⎦ ⎣
⎪
⎪ m+n=2 1 1 2 ⎦
⎩
2m + n = 2 2 1 2

El sistema normal asociado es (SN ) : AT Aα = AT b

⎡ ⎤ ⎡ ⎤
∙ ¸ −1 1 ∙ ¸ ∙ ¸ −1
−1 0 1 2 ⎢ 0 1 ⎥ ⎢ ⎥
⎢ ⎥ m = −1 0 1 2 ⎢ 1 ⎥
1 1 1 1 ⎣ 1 1 ⎦ n 1 1 1 1 ⎣ 2 ⎦
2 1 2
∙ ¸∙ ¸ ∙ ¸ ½
6 2 m 7 6m + 2n = 7
= ↔
2 4 n 4 2m + 4n = 4

1
Resolviendo el sistema anterior, la pseudosolución es m = 1, n = 2
y la recta de

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Proyección ortogonal y Método de mínimos cuadrados 151

mejor aproximación en el sentido de los mínimos cuadrados es y = x + 12 .

El error cometido es: E = kb − b1 k

⎡ ⎤ ⎡ 1 ⎤
−1 1 ∙ ¸ −2
⎢ 0 1 ⎥ 1 ⎢ 1 ⎥
siendo b1 = proyR(A) b = Aα = ⎢
⎣ 1
⎥ =⎢ 2 ⎥
1 ⎦ 12 ⎣ 3 ⎦
2
5
2 1 2

°⎡ ⎤ ⎡ 1 ⎤° °⎡ 1 ⎤°
° −1 −2 ° ° °
° ° ° − 21 °
°⎢ 1 ⎥ ⎢ 1 ⎥° °⎢ ⎥°
sustituyendo E = kb − b1 k = °⎢ ⎥ ⎢ 2 ⎥° °⎢ 2 ⎥°
°⎣ 2 ⎦ − ⎣ 3 ⎦° = °⎣ 1 ⎦° = 1
° 2 ° ° 2 °
° 2 5 ° ° −1 °
2 2

Nota: La recta obtenida es, precisamente, la que minimiza la suma de los cuadrados
de los errores que se cometen al estimar la ordenada de un punto.

X
4
¯ ¯
E2 = ¯yi − (xi + 1 )¯2 = ε21 + ε22 + ε23 + ε24 = 1
+ 14 + 14 + 1
=1⇒E=1
2 4 4
i=1

ε1 = y1 − (x1 + 12 ) = (−1) − (−1 + 12 ) = − 12

ε2 = y2 − (x2 + 12 ) = 1 − (0 + 12 ) = 1
2

ε3 = y3 − (x3 + 12 ) = 2 − (1 + 12 ) = 1
2

ε4 = y4 − (x4 + 12 ) = 2 − (2 + 12 ) = − 12

p
X
En general, para una nube de p puntos: E = 2
|yi − (mxi + n)|2 = kb − b1 k2 ⇒
i=1
E = kb − b1 k .

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 152 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

4 y = x+ 1
2

(1, 2)
(2, 2)
2
(0,1)

-2 0 2 4
( − 1, − 1)

-2

b) Ajuste a una parábola: y = mx2 + nx + p

Imponiendo que la parábola pase por todos los puntos de la nube, se obtiene el sistema
de ecuaciones
⎧
⎪
⎪ m − n + p = −1
⎨
p=1
(S) :
⎪
⎪ m+n+p=2
⎩
4m + 2n + p = 2
⎤ ⎡⎡ ⎤
1 −1 1 −1
⎢ 0 0 1 ⎥ ⎢ ⎥
(S) : Aα = b, siendo A = ⎢ ⎥y b=⎢ 1 ⎥
⎣ 1 1 1 ⎦ ⎣ 2 ⎦
4 2 1 2

El sistema normal asociado es (SN ) : AT Aα = AT b

⎤ ⎡ ⎡ ⎤
⎡ ⎤
1 −1 1 ⎡ ⎤ ⎡ ⎤ −1
1 0 1 4 ⎢ m 1 0 1 4 ⎢
⎣ −1 0 1 2 ⎦ ⎢ 0 0 1 ⎥ ⎥
⎥ ⎣ n ⎦ = ⎣ −1 0 1 2 ⎦ ⎢ 1 ⎥
⎣ 1 1 1 ⎦ ⎣ 2 ⎦
1 1 1 1 p 1 1 1 1
4 2 1 2

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Proyección ortogonal y Método de mínimos cuadrados 153

⎡ ⎤⎡ ⎤ ⎡ ⎤
18 8 6 m 9 m = − 12
⎣ 8 6 2 ⎦ ⎣ n ⎦ = ⎣ 7 ⎦ , cuya solución es: n = 32
6 2 4 p 4 p=1
Luego la parábola de mejor ajuste es y = − 12 x2 + 32 x + 1.

El error cometido es: E = kb − b1 k

⎡⎤ ⎡ ⎤
1 −1 1 ⎡ − 1 ⎤ −1
⎢ 0 0 1 ⎥
2 ⎢ 1 ⎥
siendo b1 = proyR(A) b = Aα = ⎢ ⎥⎢ 3 ⎥
=⎢ ⎥
⎣ 1 1 1 ⎦ ⎣ 2 ⎦ ⎣ 2 ⎦=b
4 2 1 1 2

sustituyendo E = kb − b1 k = 0.

La recta y parábola obtenidas se representan en la siguiente figura. Obsérvese que en

este caso, la parábola pasa por todos los puntos.

-2 0 2 4 6
x
-1

-2

Ejemplo 136 Cinco niños tienen las edades (años) y pesos (kg.) siguientes:

Edad 2 3 5 7 8
Peso 10 26 30 40 44

Ajustar una recta a estos datos mediante el método de mínimos cuadrados, y estimar,
haciendo uso de ella, el peso para niños de 4 y 10 años.

Sea: y = mx + n

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 154 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados
⎡ ⎤ ⎡ ⎤
2 1 10
⎢ 3 1 ⎥∙ ¸ ⎢ 26 ⎥
⎢ ⎥ m ⎢ ⎥
(S) : Aα = b ⎢ 5 1 ⎥ ⎢ 30 ⎥
⎢ ⎥ n =⎢ ⎥
⎣ 7 1 ⎦ ⎣ 40 ⎦
8 1 44

(SN) : AT Aα = AT b ⎡ ⎤ ⎡ ⎤
2 1 10
∙ ¸⎢ 3 1 ⎥∙ ¸ ∙ ¸⎢ 26 ⎥
2 3 5 7 8 ⎢ ⎥ m 2 3 5 7 8 ⎢ ⎥
⎢ 5 1 ⎥ ⎢ 30 ⎥
1 1 1 1 1 ⎢ ⎥ n = 1 1 1 1 1 ⎢ ⎥
⎣ 7 1 ⎦ ⎣ 40 ⎦
8 1 44
∙ ¸∙ ¸ ∙ ¸
151 25 m 880
=
25 5 n 150
∙ ¯ ¸ ∙ ¯ ¸ ∙ ¯ ¸
151 25 ¯¯ 880 151 25 ¯¯ 880 151 25 ¯¯ 880
¯ ∼ 25 130 ¯ 650 ∼
25 5 150 F21 (− 151 ) 0 151 151 F21 (151) 0 130 ¯ 650

m=5
La solución que se obtiene es . Luego la recta pedida es: y = 5x + 5.
n=5

A una edad de 4 años le corresponde un peso de 25 Kg., y a una edad de 10 años le

corresponde un peso de 55 Kg.

3.3. Bases ortonormales

En Rn determinados cálculos se simplifican cuando usamos la base canónica,
que es una base caracterizada porque su vectores son unitarios y ortogonales entre
sí. Dado un subespacio E de Rn , vamos a ver que para dicho subespacio se puede
encontrar bases con propiedades similares a las de la base canónica; es decir, podemos
mostrar que E contiene al menos una base B cuyos vectores son de norma uno y
ortogonales dos a dos. El procedimiento para obtener dicha base es el Método de
ortonormalización de Gram-Schmidt que describiremos más adelante.

3.3.1. Definición y propiedades

Definición 137 a) Un conjunto de vectores de Rn se llama conjunto ortogonal si sus
vectores son ortogonales dos a dos.
b) Un conjunto ortogonal en el que cada vector tiene norma 1 se denomina conjunto
ortonormal.

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Bases ortonormales 155

Ejemplo 138 a) La base canónica de Rn es un conjunto ortonormal, pues ei · ej = 0

y kei k = 1 para cada i, j.

b) H = {u1 , u2 , u3 }, con u1 = (0, 1, 0), u2 = (1, 0, 1) y u3 = (1, 0, −1) es ortogonal

pues u1 · u2 = u2 · u3 = u3 · u1 = 0.

A partir de H se puede obtener un conjunto o sistema ortonormal dividiendo cada

vector por su norma:
u1 u2 u3
v1 = = (0, 1, 0) v2 = = ( √12 , 0, √12 ) v3 = = ( √12 , 0, − √12 )
ku1 k ku2 k ku3 k

El conjunto H 0 = {v1 , v2 , v3 } es ortonormal.

Teorema 139 Todo conjunto H = {u1 , ..., up } ortogonal de vectores no nulos es
linealmente independiente.
Demostración: Hemos de probar que la ecuación h1 u1 + · · · + hp up = 0 se verifica
si y sólo si hi = 0 para todo i = 1, ...p. Puesto que H es ortogonal se verifica que:
ui · uj = 0 para cada i, j. Entonces,

h1 u1 + · · · + hp up = 0 ⇒ ui · (h1 u1 + · · · + hp up ) = 0 ⇒ hi (ui · ui ) = 0 ⇒

hi kui k2 = 0 ⇒ hi = 0 para todo i = 1, ...p. ⇒ S es un conjunto l.i. ¤

kui k6=0

Corolario 140 Todo conjunto H = {u1 , ..., up } ortonormal de vectores es lineal-

mente independiente.
Definición 141 Una base B de un subespacio vectorial de Rn es ortogonal (ortonor-
mal) si B es un conjunto ortogonal (ortonormal).
Ejemplo 142 a)√B = √
{(2, 0),
√ √
(0, 2)} es una base ortogonal de R2 .
b) B 0 = {( 2 , 2 ), (− 2 , 22 )} es un base ortonormal de R2 .
2 2 2

Teorema 143 Si B = {v1 , ..., vp } es una base ortonormal de un subespacio vectorial

S de Rn entonces para todo vector u ∈ S, se verifica que u = (α1 , ..., αp )B , siendo
αi = u · vi para i = 1, ..., p.
Demostración: Si u = (α1 , ..., αp )B , sabemos que u = α1 v1 + · · · + αp vp . Veamos que
αi = u · vi .

u · vi = (α1 v1 + · · · + αp vp ) · vi = α1 (v1 · vi ) + · · · + αp (vp · vi ) = αi (vi · vi ) = αi

pues vi · vj = 0 si i 6= j y vi · vi = 1. ¤

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 156 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

3.3.2. Bases ortonormales y proyección ortogonal

Cuando se conoce una base ortonormal de un subespacio vectorial S se puede
calcular fácilmente la proyección ortogonal de un vector u sobre dicho subespacio.

Sea u ∈ Rn y S = L(B), siendo B = {w1 , ..., wp } una base ortonormal de S.

Se tiene que u = u1 + u2 , siendo u1 = proyS u y u2 = proyS ⊥ u, entonces:

u1 = proyS u = α1 w1 + · · · + αp wp , donde αi = u · wi para cada i = 1, ..., p.

La proyección sobre el ortogonal se calcularía por diferencia: u2 = proyS ⊥ u = u − u1 .

Nota: si {v1 , ..., vp } es una base ortogonal de E se tiene que { kvv11 k , ..., kvvpp k } es una base
ortonormal, y entonces:

u1 = proyS u = α1 kvv11 k + · · · + αp kvv11 k , donde αi = u · kvvii k para cada i = 1, ..., p.

y sustituyendo se tiene:

v1 u · v1 u · vp
u1 = proyS u = (u · ) v1
kv1 k kv1 k
+ · · · + (u · v1
) v1
kv1 k kv1 k
= v1 + · · · + vp
v1 · v1 vp · vp

© ª
Ejemplo 144 Dado el subespacio S = L (0, 1, 0), (− 45 , 0, 35 ) , calcular la proyección
del vector u = (1, 1, 1) sobre S ⊥ .

Se tiene que u = u1 + u2 , siendo u1 = proyS u, u2 = proyS ⊥ u.

Por otra parte, S viene determinado por una base ortonormal:

v1 = (0, 1, 0), v2 = (− 45 , 0, 35 ) v1 · v2 = 0, kv1 k = kv2 k = 1

Se verifica que:

u1 = proyS u = α1 v1 + α2 v2 = v1 − 15 v2 = (0, 1, 0) − 15 (− 45 , 0, 35 ) = ( 25
4 3
, 1, − 25 )

α1 = u · v1 = (1, 1, 1) · (0, 1, 0) = 1

α2 = u · v2 = (1, 1, 1) · (− 45 , 0, 35 ) = − 15

Para calcular u2 = proyS ⊥ u, consideramos que

4 3
u2 = u − u1 = (1, 1, 1) − ( 25 , 1, − 25 ) = ( 21
25
, 0, 28
25
)

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Bases ortonormales 157

Ejemplo 145 Calcular la proyección ortogonal del vector b = (2, 3, 4) sobre el sub-
espacio S = L{(1, 1, 1)}.
Para determinar el subespacio√ √S mediante
√ una base ortonormal basta nor-
3 3 3
malizar el vector (1, 1, 1): S = L{( 3 , 3 , 3 )} = L{z}.
Aplicando la proposición anterior, se tiene que:
√ √ √ √
b1 = proyS b = α1 z, siendo α1 = b · z = (2, 3, 4) · ( 33 , 3
3
, 33 ) =3 3
√ √ √ √
es decir, b1 = proyS b = α1 z = 3 3( 33 , 33 , 33 ) = (3, 3, 3).

Otro resultado que simplifica el cálculo de la proyección ortogonal cuando se

trabaja con una base ortonormal es el siguiente.
Proposición 146 Sea S = L(B), siendo B = {w1 , ..., wp }, una base ortonormal, y
sea u ∈ Rn entonces u1 = proyS u = AAT u, siendo A = [w1 | · · · |wp ].
Demostración: u1 = proyS u = proyR(A) u = Ax. Si B es una base ortonormal,
entonces AT A = I, y (SN) : AT Ax = AT u ∼ x = AT u, con lo que u1 = proyS u =
Ax = AAT u. ¤

Ejemplo 147 Dado el subespacio S = L{(0, 1, 0), (− 45 , 0, 35 )}, calcular la proyección

del vector u = (1, 1, 1) sobre S ⊥ .
Se tiene que u = u1 + u2 , siendo u1 = proyS u, u2 = proyS ⊥ u. Por otra parte, S
viene determinado por una base ortonormal:
v1 = (0, 1, 0), v2 = (− 45 , 0, 35 ), y se cumple: v1 · v2 = 0, kv1 k = kv2 k = 1
⎡ ⎤
0 − 45
⎢ ⎥
Se verifica que: u1 = proyS u = AAT u, siendo A = ⎣ 1 0 ⎦
3
0 5

sustituyendo:
⎡⎤ ⎡ 4 ⎤
0 − 45 " #⎡ 1 ⎤
25
⎢ ⎥ 0 1 0 ⎢ ⎥
T
u1 = proyS u = AA u = ⎣ 1 0 ⎦ ⎣ 1 ⎦ =⎣ 1 ⎦
4 3
3 −5 0 5 1 3
0 5
− 25
4 3
u1 = proyS u = ( 25 , 1, − 25 )
finalmente,
4 3
u2 = proyS ⊥ u = u − u1 = (1, 1, 1) − ( 25 , 1, − 25 ) = ( 21
25
, 0, 28
25
).

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 158 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

A continuación exponemos el Método de Gram-Schmidt para obtener una base

ortonormal de un subespacio a partir de una base cualquiera del mismo.
3.3.3. Método de ortonormalización de Gram-Schmidt
Es un método que permite obtener una base ortonormal de un subespacio
S de Rn a partir de una base cualquiera B = {u1 , ..., up } de dicho subespacio. El
proceso de cálculo se divide en dos etapas: en la primera se halla una base ortogonal
de S : B 0 = {v1 , ..., vp }, y a continuación, diviendo cada vector por vi por su norma
wi = kvvii k , se obtiene la base ortonormal buscada B 00 = {w1 , ..., wp }.

Ejemplo 148 Sea B = {(1, 0), (2, 2)}. A partir de B hallar una base ortonormal de
R2 con el método de Gram-Schmidt.

1) Cálculo de la base ortogonal: B 0 = {v1 , v2 }.

v1 = u1 = (1, 0)
v2 = u2 + αv1 = (2, 2) + α(1, 0)

imponemos la condición de que v1 y v2 sean ortogonales: v2 · v1 = 0

u2 · v1
v2 · v1 = (u2 + αv1 ) · v1 = u2 · v1 + α(v1 · v1 ) = 0 ⇒ α = −
v1 · v1
u2 · v1 = (2, 2) · (1, 0) = 2
v1 · v1 = (1, 0) · (1, 0) = 1
2
sustituyendo: α = − = −2, luego v2 = u2 − 2v1 = (2, 2) − 2(1, 0) = (0, 2)
1
así B 0 = {v1 , v2 }, con v1 = (1, 0), v2 = (0, 2), es una base ortogonal.

Obsérvese que v2 = u2 − proyL{v1 } u2 . Luego, v2 ∈ (L{v1 })⊥ .

2) Cálculo de la base ortonormal: B 00 = {w1 , w2 }.

Basta dividir cada vector vi por su norma:

v1 v2
w1 = kv1 k
= (1, 0), w1 = kv2 k
= (0, 1)

A continuación se resume el proceso seguido, obsérvese que para el cálculo del vector
v2 lo que se ha hecho es restarle al vector u2 su proyección sobre el vector v1 .

u2
v2
w2

u1 v1 w1

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Bases ortonormales 159

B = {u1 , u2 } → B 0 = {v1 , v2 } → B 00 = {w1 , w2 }

Ejemplo 149 Sea W = {(x, y, z)|x + y + z = 0}, un subespacio vectorial de R3 .
Determinar una base ortonormal de dicho subespacio. ⎧
⎨ x = −α − β
En primer lugar resolvemos el sistema: x + y + z = 0 ⇒ y=α
⎩
z=β
lo que permite determinar W con un sistema generador.
W = L{(−1, 1, 0), (−1, 0, 1)} = L{u1 , u2 }
Los vectores u1 y u2 son l.i., por tanto B = {u1 , u2 } es una base de W.
0
Buscamos primero una base ortogonal: BW = {v1 , v2 }
v1 = u1 ⇒ v1 = (−1, 1, 0)
v2 = u2 + λv1
u2 · v1
imponemos que v1 ⊥v2 ⇒ v1 · v2 = 0 ⇒ v1 · (u2 + λv1 ) = 0 ⇒ λ = −
v1 · v1
v1 · v1 = (−1, 1, 0) · (−1, 1, 0) = 2
⇒ λ = − 12
u2 · v1 = (−1, 0, 1) · (−1, 1, 0) = 1
1 1
v2 = u2 − v1 = (−1, 0, 1) − (−1, 1, 0) = (− 12 , − 12 , 1)
2 2
luego BW = {(−1, 1, 0), (− 12 , − 12 , 1)} es la base ortogonal.
Nota: Obsérvese que v2 = u2 − proyL{v1 } u2 . Es decir, v2 ∈ (L{v1 })⊥ .
00
Para hallar una base ortonormal BW = {z1 , z2 }, basta dividir los vectores v1 y v2 por
su norma.
v1 (−1, 1, 0) √ √
z1 = = √ = (− √12 , √12 , 0) = (− 22 , 22 , 0)
kv1 k 2
√ √
kv1 k = v1 · v1 = 2

v2 (− 12 , − 12 , 1) q 2 1 1 √
6
√ √ √
z2 = = q = 3 (− 2 , − 2 , 1) = 3
(− 12 , − 12 , 1) = (− 6
6
, − 6
6
, 36 )
kv2 k 3
2

v2 · v2 = (− 12 , − 12 , 1) · (− 12 , − 12 , 1) = 1
4
+ 14 + 1 = 3
2

√ q
kv2 k = v2 · v2 = 32
√ √ √ √ √
2 2 6 6
00
BW = {(− 2
, 2
, 0), (− 6
, − 6
, 36 )} es una base ortonormal de W.

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 160 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

A continuación se resume el método de ortonormalización de Gram-Schmidt

para obtención de una base ortonormal en un subespacio S de Rn .

Método de Gram-Schmidt Sea S = L(B) un subespacio vectorial de Rn , deter-

minado por la base B = {u1 , ..., up }.

1) Se calcula una base ortogonal de S: B 0 = {v1 , ..., vp }

v1 = u1

vi = ui + α1 v1 + · · · + αi−1 vi−1 , i = 2, ..., p

ui · vj
donde αi = − , j = 1, ..., i − 1
vj · vj
vi
2) Se halla la base ortonormal de S: B 00 = {z1 , ..., zp }, siendo zi = , i = 1, ..., p.
kvi k

Nota:
a) Obsérvese que vi = ui −proyL{v1 ,...,vi−1 } ui . Por tanto, vi ∈ (L{v1 , ..., vi−1 })⊥ .
b) Puesto que en cada etapa de cálculo de los vi o de los zi se han realizado
transformaciones elementales. con los vectores, resulta que:

L{u1 } = L{v1 } = L{z1 }

L{u1 , ..., uk } = L{v1 , ..., vk } = L{z1 , ..., zk } para k = 2, ..., p

Ejemplo 150 Sea W = L{u1 , u2 , u3 } un subespacio vectorial de R4 , donde u1 =

(1, −2, 0, 1), u2 = (−1, 0, 0, −1) y u3 = (1, 1, 0, 0). Hallar una base ortonormal de W.
0
Buscamos primero una base ortogonal: BW = {v1 , v2 , v3 }

v1 = u1 ⇒ v1 = (1, −2, 0, 1)
u2 · v1
v2 = u2 + α1 v1 = u2 − v1
v1 · v1
v1 · v1 = (1, −2, 0, 1) · (1, −2, 0, 1) = 6

u2 · v1 = (−1, 0, 0, −1) · (1, −2, 0, 1) = −2

1
luego v2 = u2 − ( −2
6
)v1 = (−1, 0, 0, −1) + (1, −2, 0, 1) = (− 23 , − 23 , 0, − 23 )
3
u3 · v1 u3 · v2
v3 = u3 + α1 v1 + α2 v2 = u3 − v1 − v2
v1 · v1 v2 · v2

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 Bases ortonormales 161

u3 · v1 = (1, 1, 0, 0) · (1, −2, 0, 1) = −1

v2 · v2 = (− 23 , − 23 , 0, − 23 ) · (− 23 , − 23 , 0, − 23 ) = 4
3

u3 · v2 = (1, 1, 0, 0) · (− 23 , − 23 , 0, − 23 ) = − 43

luego v3 = u3 + 16 v1 + v2

v3 = (1, 1, 0, 0) + 16 (1, −2, 0, 1) + (− 23 , − 23 , 0, − 23 ) = ( 12 , 0, 0, − 12 )

0
BW = {(1, −2, 0, 1), (− 23 , − 23 , 0, − 23 ), ( 12 , 0, 0, − 12 )}
00
Para hallar una base ortonormal BW = {z1 , z2 , z3 }, basta dividir los vectores v1 ,v2 y
v3 por su norma.
v1 (1, −2, 0, 1) √ √ √
z1 = = √ = ( 66 , − 36 , 0, 66 )
kv1 k 6
√ √
kv1 k = v1 · v1 = 6

v2 (− 23 , − 23 , 0, − 23 ) √ √ √
z2 = = q = (− 33 , − 33 , 0, − 33 )
kv2 k 4
3

√ q
kv2 k = v2 · v2 = 43

v3 ( 1 , 0, 0, − 1 ) √ √
z3 = = 2 q 2 = ( 22 , 0, 0, − 22 )
kv3 k 1
2

v3 · v3 = ( 12 , 0, 0, − 12 ) · ( 12 , 0, 0, − 12 ) = 1

√ q 2
kv3 k = v3 · v3 = 12
√ √ √ √ √ √ √ √
00 6 6 6 3 3 3 2 2
BW = {( 6
, − 3
, 0, 6
), (− 3
, − 3
, 0, − 3
), ( 2
, 0, 0, − 2
)}

es la base ortonormal buscada.

3.3.4. Matrices ortogonales

Sea B = {v1 , v2 , v3 } una base ortonormal de R3 , con v1 = (0, 1, 0), v2 =
(− 45 , 0, 35 ), v3 = ( 35 , 0, 45 ). ¿Cómo es la matriz de cambio de base B a la base canónica?
⎡ ⎤
0 − 45 53
⎢ ⎥
La expresión del cambio de base sería: x = P xB ⇒ P = [v1 |v2 |v3 ] = ⎣ 1 0 0 ⎦
3 4
0 5 5

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo

 162 El espacio euclídeo Rn . Ortogonalidad y mínimos cuadrados

Observamos que, en este caso, la matriz del cambio de base verifica que P −1 = P T .
Esto sucede siempre que planteamos un cambio de base entre bases ortonormales. A
las matrices que tienen esta propiedad se denominan matrices ortogonales.

Definición 151 Una matriz Q ∈ Mn (R) es ortogonal si QQT = QT Q = I.

Observaciones:

a) Si Q ∈ Mn (R) es ortogonal entonces: Q−1 = QT

b) Las columnas de una matriz ortogonal Q de orden n constituyen una base orto-
normal de Rn .

Álgebra Lineal de Fundamentos Matemáticos de la Ingeniería V. Carmona, J.R. Fernández y F. Naranjo