Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
7.1.1. Expresi
on matricial del producto escalar . . . . . . . . . . . . . . . . . . .
7.3.1. Medida de
angulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6. Proyecci
on ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
7.8. Diagonalizaci
on de matrices cuadradas simetricas . . . . . . . . . . . . . . . . . .
13
. . . . . . . . . . . . . . . . . . . . . . . . . . .
15
7.9.1. Expresi
on matricial de un cambio de base . . . . . . . . . . . . . . . . . .
16
7.9.2. Clasificaci
on de las formas cuadraticas . . . . . . . . . . . . . . . . . . . .
19
7.9.3. Reducci
on de formas cuadraticas . . . . . . . . . . . . . . . . . . . . . . .
21
7.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
ii
Indice general
Tema 7
7.1.
V V
R
(v1 , v2 )
hv1 , v2 i
El espacio eucldeo
Ejemplos 7.1.
1. En el espacio vectorial real Rn , dados dos elementos cualesquiera,
x = (x1 , x2 , . . . , xn ), y = (y1 , y2 , . . . , yn ),
la aplicaci
on
hx, yi = x1 y1 + x2 y2 + + xn yn
es un producto escalar, llamado producto escalar usual, can
onico o estandar.
2. En R2 , adem
as del producto escalar anterior (definido como hx, yi = x1 y1 + x2 y2 ), es
producto escalar la aplicaci
on
hx, yi = 3x1 y1 x1 y2 x2 y1 + 4x2 y2
siendo x = (x1 , x2 ), y = (y1 , y2 ) dos elementos cualesquiera de R2 .
3. Sin embargo, con la misma notacion, la aplicacion
hx, yi = x1 y1 x2 y2
no es producto escalar.
En efecto, entre otros fallos de las propiedades tenemos que
h(2, 2), (2, 2)i = 4 4 = 0,
h(2, 3), (2, 3)i = 4 9 < 0.
la aplicaci
on
j=1
i=1 j=1
hv, 0i = 0
Si hv, wi = 0 para todo w V entonces v = 0.
Observaci
on 7.1. En todo espacio vectorial (V, +, ) de dimension finita se puede definir un
producto escalar.
En efecto, si dim(V ) = n y B = {e1 , e2 , . . . , en } es base de V , dados x, y V tales que
x = x1 e1 + x2 e2 + + xn en , y = y1 e1 + y2 e2 + + yn en , el producto escalar se define por
hx, yi = x1 y1 + x2 y2 + + xn yn .
7.1.1.
Expresi
on matricial del producto escalar
* n
X
xi ei ,
i=1
n
X
+
=
yj ej
xi yj hei , ej i.
i,j
j=1
Por tanto, el producto escalar queda perfectamente determinado con solo conocer los productos escalares de los vectores de una base.
Si llamamos gij = hei , ej i con i, j = 1, . . . , n y consideramos la matriz G = (gij )nn se
puede escribir
y1
con i, j = 1, . . . , n
se llama matriz de Gram, matriz metrica o matriz coordenada del producto escalar en la
base dada.
Notese que dicha matriz depende de la base elegida, aunque las matrices de Gram de un
producto escalar en distintas bases estan relacionadas.
Definici
on 7.4. Dos matrices A y B cuadradas de orden n son congruentes si existe una
matriz regular P de orden n tal que
P t A P = B.
Puede comprobarse que las matrices de Gram de un producto escalar en bases
distintas son congruentes.
Ademas, la matriz G es siempre simetrica, ya que
gij = hei , ej i = hej , ei i = gji ,
y es regular o invertible, pues verifica que
|G| =
6 0.
7.2.
El espacio eucldeo
Norma eucldea
1
v
kvk
v2 =
1
v
kvk
son unitarios.
Aunque hemos definido la norma a partir del producto escalar, puede definirse una norma
en un espacio vectorial cualquiera, sin necesidad de recurrir a este.
As, todo espacio vectorial eucldeo es un espacio vectorial normado con la norma que se
deriva del producto escalar. Sin embargo, el enunciado recproco no es cierto: Podemos disponer
de una norma en el espacio vectorial sin que en dicho espacio vectorial exista una producto
escalar del cual se derive dicha norma.
7.3.
Distancia eucldea
La norma de un espacio vectorial normado permite definir una distancia en V y por tanto
permite medir distancias y
angulos entre vectores.
Definici
on 7.7 (Distancia). Sea (V, +, ) un espacio vectorial normado.
Dados v1 , v2 V , llamamos distancia de v1 a v2 al n
umero real
d(v1 , v2 ) = kv1 v2 k
Propiedades
Si v1 , v2 , v3 V , se verifican las propiedades siguientes:
d(v1 , v2 ) 0 para todo v1 , v2 V .
d(v1 , v2 ) = 0 v1 = v2 .
d(v1 , v2 ) = d(v2 , v1 ).
d(v1 , v2 ) d(v1 , v3 ) + d(v3 , v2 ), para cualquier v3 V .
Podemos definir un espacio metrico sin necesidad de recurrir a una norma.
Definici
on 7.8. Llamaremos espacio m
etrico a todo espacio vectorial real en el que este definida una distancia.
A partir de un espacio vectorial normado siempre se puede obtener un espacio metrico, pero
no todo espacio metrico se obtiene necesariamente a partir de una norma.
Un espacio metrico obtenido a partir de una norma verifica la siguiente propiedad, que no
posee en general un espacio metrico cualquiera:
Proposici
on 7.3. En un espacio normado V (y en particular en un espacio vectorial eucldeo)
la distancia es invariante frente a traslaciones, es decir, si v1 , v2 , v3 V se verifica que
d(v1 , v2 ) = d(v1 + v3 , v2 + v3 ).
7.3.1.
Medida de
angulos
x [0, ].
|hv1 , v2 i|
hv1 , v2 i
1 1
1
kv1 k kv2 k
kv1 k kv2 k
hv1 , v2 i
.
kv1 k kv2 k
Notese que 0 .
No esta definido el
angulo entre dos vectores cuando alguno de ellos es nulo.
7.4.
El espacio eucldeo
Definici
on 7.10. Sea (V, h, i) un espacio vectorial eucldeo y sean v1 , v2 V .
Diremos que v1 es ortogonal a v2 si hv1 , v2 i = 0.
Por la conmutatividad del producto escalar, si v1 es ortogonal a v2 , v2 sera ortogonal a v1 .
Diremos entonces que v1 y v2 son ortogonales y lo representaremos por
v1 v2 .
Como curiosidad, comentemos que es de aplicacion tambien en este ambito un conocido
teorema:
Teorema 7.4 (de Pit
agoras.). Sean v1 , v2 V dos elementos de un espacio vectorial eucldeo
(V, h, i). Entonces se verifica
v1 v2 kv1 + v2 k2 = kv1 k2 + kv2 k2
Definici
on 7.11. Sea (V, h, i) un espacio vectorial eucldeo y sean C y D dos subconjuntos de
vectores de V .
Diremos que C y D son ortogonales (y escribiremos CD) si se verifica cd para cualesquiera c C, d D.
Como caso particular, si v V verifica que vc, c C, se dice que v es perpendicular u
ortogonal a C y se escribe vC en vez de poner {v}C.
Proposici
on 7.5. Sea (V, h, i) un espacio vectorial eucldeo.
Si C = {c1 , . . . , cn } y D = {d1 , . . . , dm } son subconjuntos de vectores de V ortogonales,
entonces los subespacios generados por C y D son ortogonales, es decir
CD hCihDi
Proposici
on 7.6. Sea (V, h, i) un espacio vectorial eucldeo.
Si W1 , W2 son subespacios ortogonales de V entonces W1 W2 = {0}.
Esta proposici
on no significa que dos subespacios W1 , W2 ortogonales sean suplementarios,
ya que aunque su suma es directa no tiene por que ocurrir que W1 W2 = V .
Subespacios ortogonales
Sea C un subconjunto de vectores de un espacio vectorial eucldeo V . Se denota por C el
conjunto de vectores de V que son ortogonales a C; por tanto,
C = {v V : cv c C}
Proposici
on 7.7. El conjunto C es subespacio vectorial.
Definici
on 7.12. Si W es subespacio vectorial de un espacio vectorial eucldeo (V, h, i), el
conjunto W se llama subespacio ortogonal de W .
El conjunto W es subespacio vectorial de V en virtud de la proposicion anterior.
7.5 M
etodo de ortogonalizaci
on de GrandSchmidt
Proposici
on 7.8. Si W es subespacio vectorial de un espacio vectorial eucldeo V entonces la
suma W + W es directa.
Sea (V, h, i) un espacio vectorial eucldeo y W un subespacio vectorial de V .
Si W y W son suplementarios, al subespacio W se le llama suplementario ortogonal
o suplemento ortogonal de W .
Sistemas ortogonales y ortonormales
Definici
on 7.13. Sea (V, h, i) un espacio vectorial eucldeo y S = {v1 , . . . , vp } un sistema de
vectores de V .
El sistema S es ortogonal si vi vj , i 6= j.
El sistema S es ortonormal si es ortogonal y ademas kvi k = 1, i.
Seg
un la definici
on precedente, el vector 0 puede formar parte de un sistema ortogonal,
aunque no de un sistema ortonormal.
Proposici
on 7.9. Sea
sistema ortogonal de vectores no nulos. Entonces S
S = {v1 , . . . , vp } un
vp
v2
v1
,
,...,
es ortonormal.
es libre y el sistema
kv1 k kv2 k
kvp k
As pues, todo sistema ortonormal es libre (lo es cualquier sistema ortogonal de vectores
no nulos).
Sea (V, h, i) un espacio vectorial eucldeo de dimension finita.
A una base de V que sea un sistema ortogonal u ortonormal la llamaremos, respectivamente,
base ortogonal o base ortonormal de V .
La siguiente proposici
on ayuda a determinar cuando una base es ortogonal u ortonormal.
Proposici
on 7.10. Sea (V, h, i) un espacio vectorial eucldeo tal que dim(V ) = n.
B = {v1 , v2 , . . . , vn } es una base ortogonal de V si, y s
olo si, la matriz de Gram en dicha
base es diagonal.
B = {v1 , v2 , . . . , vn } es una base ortonormal de V si, y s
olo si, la matriz de Gram en dicha
base es la identidad.
Nos interesa saber si pueden encontrarse bases ortogonales u ortonormales en cualquier
espacio vectorial eucldeo V de dimension finita, dada la simplicidad de la matriz de Gram en
dichas bases.
Este interes justifica la siguiente seccion.
7.5.
M
etodo de ortogonalizaci
on de GrandSchmidt
El espacio eucldeo
= u1
v2
= u2 + v1 ,
con =
hv1 , u2 i
hv1 , v1 i
...
...
vp = up + 1p v1 + 2p v2 + + p1,p vp1
...
...
siendo ip =
hvi , up i
.
hvi , vi i
subespacio de V . Entonces W W = V .
Consecuencias
Si (V, h, i) un espacio vectorial eucldeo de dimension finita n, se verifica:
Si {v1 , . . . , vp , vp+1 , . . . , vn } es una base ortonormal de V entonces los subespacios hv1 , . . . , vp i
y hvp+1 , . . . , vn i son ortogonales y suplementarios.
Si {v1 , . . . , vp } es una base ortonormal de W y {vp+1 , . . . , vn } es una base ortonormal de
W entonces el sistema {v1 , . . . , vp , vp+1 , . . . , vn } es una base ortonormal de V .
El interes de las bases ortonormales radica en el hecho de que en ellas, la expresion del
producto escalar se simplifica al m
aximo, pues la matriz de Gram es la matriz identidad I. Se
verifica por tanto el siguiente teorema:
7.6 Proyecci
on ortogonal
y = y1 v1 + y2 v2 + + yn vn ,
entonces,
hx, yi = x1 y1 + x2 y2 + + xn yn ,
p
kxk = x21 + x22 + + x2n ,
xi = hx, vi i = kxk cos(x, vi ).
7.6.
Proyecci
on ortogonal
Definici
on 7.14. Sea (V, h, i) un espacio vectorial eucldeo y W un subespacio de V . Sea v V .
Diremos que un vector w W es la proyecci
on ortogonal de v sobre W si el vector v w
es ortogonal a W , es decir, si v w W .
Se escribe w = proyW (v).
Si w = proyW (v), el n
umero kv wk proporciona la mnima distancia del vector v al subespacio W , es decir, kv wk es la menor de todas las normas kv uk siendo u W . Eso justifica
la siguiente definici
on.
Definici
on 7.15. Llamamos distancia del vector v al subespacio W al n
umero kv wk,
que se denota por d(v, W ).
Por tanto,
d(v, W ) = d(v, proyW (v)) = d(v, w).
Veamos cu
ando existe la proyecci
on ortogonal de un vector cualquiera de V sobre un subespacio dado W .
Recordemos, antes, que la suma W + W es directa, pero en general, los subespacios W y
no son suplementarios. Ahora veremos que la condicion necesaria y suficiente para que todo
vector de V tenga proyecci
on ortogonal sobre W es justamente esa: que W W = V .
W
10
El espacio eucldeo
hv, wi i
,
kwi k2
i = 1, 2, . . . , p.
kvk2
p
X
hv, wi i2
i=1
7.7.
kwi k2
!1/2
.
Una aplicaci
on entre dos espacios vectoriales eucldeos que conserva el producto escalar de
ambos se llama transformaci
on ortogonal. En concreto,
Definici
on 7.16. Dados dos espacios vectoriales eucldeos (V, h, i) y (W, (|)) sobre un mismo
cuerpo K, una aplicaci
on f : V W se dice ortogonal si
Es lineal: x, y V, , K,
f ( x + y) = f (x) + f (y)
Conserva el producto escalar : x, y V ,
hx, yi = (f (x)|f (y))
Si f : (V, h, i) (W, (|)) es una aplicacion ortogonal se verifican las siguientes propiedades:
kf (x)k = kxk, para todo x V , donde k k y k k son las normas eucldeas en V y W .
Si C y D son subconjuntos ortogonales de V entonces f (C), f (D) son subconjuntos ortogonales de W .
11
y1
a11 a1n
x1
.. ..
.. ..
..
. = .
.
. .
yn
an1 ann
xn
12
El espacio eucldeo
p
p
x2 + (y)2 = x2 + y 2 = k(x, y)k.
=
= I.
0 1
0 1
0 1
La aplicaci
on T es una transformacion ortogonal inversa, pues |A| = 1. Ademas, como
vimos en el ejemplo anterior, es
1
0
cos()
sen()
A=
=
con = 0.
0 1
sen() cos()
7.8 Diagonalizaci
on de matrices cuadradas sim
etricas
7.8.
13
Diagonalizaci
on de matrices cuadradas sim
etricas
Definici
on 7.19. Dadas A, B Mn (R), matrices cuadradas de orden n, se dice que A y B son
14
El espacio eucldeo
7 1 2
7
2
A = 1
2
2 10
Su polinomio caracterstico es |A I| = (6 )2 (12 ), por lo que los valores propios
de A (y de f ) son 1 = 6 (doble) y 2 = 12 (simple).
Una base de V (6) es B1 = {(1, 1, 0), (2, 0, 1)}, que podemos ortonormalizar, usando el proceso
de Gram-Schmidt, obteniendo la base ortonormal
(
!
!)
2
2
3
3 3
B1 =
,
,0 ,
,
,
.
2 2
3
3 3
Procediendo de manera similar obtenemos una base ortonormal de V (12) = h(1, 1, 2)i, que
es
(
!)
6 6 6
B2 =
,
,
.
6 6 3
Entonces, en la base ortonormal
(
!
2 2
B=
,
,0 ,
2 2
!
!)
3
3 3
6 6 6
,
,
,
,
,
3
3 3
6 6 3
15
6 0 0
D= 0 6 0
0 0 12
Se verifica que P 1 A P = P t A P = D, siendo P la matriz ortogonal
2
3
6
3
6
2
6
P = 22 33
3
6
0
3
3
7.9.
W
f (x, y)
R
f (x, y)
que a cada par de vectores de (x, y) V V le asigna un escalar es una forma bilineal sobre V si se verifican las igualdades siguientes, donde x, x0 , y, y 0 V son vectores
cualesquiera, y , 0 R.
f ( x + 0 x0 , y) = f (x, y) + 0 f (x0 , y)
f (x, y + 0 y 0 ) = f (x, y) + 0 f (x, y 0 )
Ejemplo 7.4. La aplicaci
on f : R2 R2 R dada por
f (x, y) = 3x1 y1 6x1 y2 + 5x2 y1 + 4x2 y2
donde x = (x1 , x2 ), y = (y1 , y2 ) son dos elementos de R2 , es una forma bilineal sobre R, como
se comprueba sin dificultad.
Si (V, +, ) es un espacio vectorial tal que dim(V ) = n y B = {e1 , e2 , . . . , en } es una base de
V , toda forma bilineal f : V V R se puede escribir como
f (x, y) =
n
X
i,j=1
aij xi yj
16
El espacio eucldeo
y1
a11 a12 a1n
a21 a22 a2n y2
f (x, y) = (x1 , x2 , . . . , xn ) .
..
.. ..
.
.
.
.
.
.
. .
an1 an2 ann
yn
o, abreviadamente,
f (x, y) = X t A Y
donde X e Y son, respectivamente, las matrices columna de las coordenadas de x e y en la base
B.
Observaci
on 7.2. En la igualdad f (x, y) = X t A Y cometemos un abuso de notacion al
igualar un escalar f (x, y) y una matriz de orden 1 1, X t A Y ; lo hacemos puesto que no hay
confusion en la escritura y adem
as porque R y M11 (R) son cuerpos isomorfos.
Ejemplo 7.5. La forma bilineal del ejemplo anterior,
f (x, y) = 3x1 y1 6x1 y2 + 5x2 y1 + 4x2 y2 ,
se puede expresar, considerando en R2 la base canonica {(1, 0), (0, 1)}, como
y
3 6
1
f (x, y) = (x1 , x2 )
5
4
y2
Observese que los elementos de la matriz son
a11 = f ((1, 0), (1, 0)) = 3,
7.9.1.
...
Expresi
on matricial de un cambio de base
Sea (V, +, ) un espacio vectorial de dimension finita n y f una forma bilineal sobre V ,
f : V V R. Sea B = {e1 , e2 , . . . , en } una base de V y llamemos A a la matriz de f en
dicha base B. Dicha matriz permite expresar f como f (x, y) = X t A Y , donde X, Y son las
matrices columna de las coordenadas de los vectores x, y en B.
Si consideramos otra base B 0 = {e01 , e02 , . . . , e0n } de V , la matriz de f en dicha base sera otra
matriz A0 distinta de A. Para dicha matriz debera verificarse
f (x, y) = (X 0 )t A0 Y 0
(7.1)
(7.2)
17
Si comparamos esa u
ltima expresi
on con la igualdad (7.1) se deduce que
A0 = P t A P
Esta es la expresi
on matricial del cambio de base de una forma bilineal.
Definici
on 7.24. Dos matrices A y A0 cuadradas del mismo orden se dicen matrices congruentes si existe una matriz regular P del mismo orden tal que A0 = P t A P
Las matrices asociadas a una forma bilineal f en distintas bases son congruentes.
Sea (V, +, ) un espacio vectorial real y sea f una forma bilineal definida sobre V . Se llama
forma cuadr
atica sobre V asociada a f a la aplicacion
w : V R
= (x1 , x2 )
= Xt A Y
3
5
y2
entonces la forma cuadr
atica asociada es w : R2 R definida por
w(x) = 8x21 6x1 x2 + 5x22
8 3
x1
= (x1 , x2 )
= Xt A X
3
5
x2
2. La matriz M =
5 1
2 3
define la forma cuadratica
5 1
2 3
x1
= 5x21 + x1 x2 3y22
x2
1/2 3
x2
18
El espacio eucldeo
Observaci
on 7.3.
La matriz de una forma cuadr
atica es siempre simetrica. La expresion matricial en una
base B = {e1 , e2 , . . . , en } es
w(x) =
n
X
aij xi xj
i,j=1
= (x1 , x2 , . . . , xn )
a11
a21
..
.
a12
a22
..
.
an1 an2
. . . a1n
. . . a2n
..
..
.
.
. . . ann
x1
x2
..
.
= Xt A X
xn
n
X
i,j=1
aij xi xj =
n
X
aii x2i + 2
i=j=1
aij xi xj
i<j
w(e2 ) = 3;
w(e1 + e3 ) = 5;
w(e3 ) = 0;
w(e2 + e3 ) = 2.
19
1
3/2
2
x1
3
5/2 x2
w(x) = w(x1 , x2 , x3 ) = (x1 , x2 , x3 ) 3/2
2
5/2
0
x3
2
2
= x1 + 3x2 3x1 x2 + 4x1 x3 5x2 x3
= (x1 , x2 , . . . , xn )
d1 0 0
0 d2 0
..
.. . .
.
. ..
.
.
0 0 dn
x1
x2
..
.
xn
7.9.2.
Clasificaci
on de las formas cuadr
aticas
a11 . . . a1n
.. .
..
S = ...
.
.
an1 . . . ann
20
El espacio eucldeo
...
An1
a11
a12
. . . a1,n1
a21
a22
. . . a2,n1
=
..
..
..
..
.
.
.
.
an1,1 an1,2 . . . an1,n1
An = |S|
Soluci
on:
21
1 1
M1 = 1 1
0 0
de R3 la matriz
0
0
1
en la base can
onica de R3 es
2 1 0
M2 = 1 2 0
0 0 1
En este caso, es f
acil ver que la signatura de w2 es (3, 0), por lo que w2 es definida positiva
y w2 (x, y, z) > 0 para cualquier elemento no nulo (x, y, z) R3 , de modo que la segunda
ecuaci
on no tiene soluci
on no nula.
7.9.3.
Reducci
on de formas cuadr
aticas
n X
n
X
aij xi xj
i=1 j=1
22
El espacio eucldeo
1 1 0
x1
w(x1 , x2 , x3 ) = x21 + 2x1 x2 + 6x22 + 4x2 x3 + x23 = (x1 , x2 , x3 ) 1 6 2 x2
0 2 1
x3
Como a11 = 1 6= 0 hacemos:
w
= 2x1 + 2x2
x1
luego
2
1 1 w
= (x1 + x2 )2
a11 2 x1
y1 = x 1 + x 2
y2 = 5x2 + 2x3
Ahora, haciendo el cambio
y3 = x 3
1
1
w(y1 , y2 , y3 ) = y12 + y22 + y32 .
5
5
1 1
0 5
Ademas, tomando la matriz P =
0 0
1 0 0
1 0
0
1 5 0 0 1/5 0
0 2 1
0 0 1/5
resulta
0
2 resulta
1
1 1
0 5
0 0
que P t D P = A, es decir
0
1 1 0
2 = 1 6 2
1
0 2 1
M
etodo de Jacobi
Este metodo se utiliza cuando la matriz S de la forma cuadratica w tiene todos sus menores
principales no nulos. Entonces llamamos A0 = 1 y se puede probar que existe una factorizaci
on
de la matriz S tal que S = T t D T , donde
A0
A1
0 ...
0
p1n
A1
A0 p12 . . .
A1
2
...
0
. . . p2n
0 A
0 A
A
2
1
D=
T =
.. . .
..
.. . .
..
..
,
..
.
.
.
.
.
.
.
.
0
...
An1
An
...
An
An1
23
1 1 0
x1
= (x1 , x2 , x3 ) 1 6 2 x2
0 2 1
x3
Ahora se tiene que
A0 = 1,
A1 = 1,
1 1
A2 =
1 6
1 1 0
A3 = 1 6 2
0 2 1
= 5,
= 1.
A0 02 A1 02 A2 02
1 02
02
x +
x +
x = x02
1 + x2 + 5x3
A1 1
A2 2
A3 3
5
A1
a
b
1 a b
A0
2
c = 0 5 c
T = 0 A
A1
3
0 0 1/5
0
0 A
A2
tal que
S = Tt D T
Por tanto
1 1 0
1 0 0
1 0 0
1 a b
1 6 2 = a 5 0 0 5 0 0 5 c
0 2 1
b c 1/5
0 0 5
0 0 1/5
Efectuando el producto
1
1
0
se obtiene
1 0
1
a
b
6 2 = a a2 + 5
ab + c
2
2
2 1
b ab + c b + c /5 + 1/5
a=1
b=0
c=2
y por tanto
1 1 0
T = 0 5 2
0 0 1/5
1 0 0
D = 0 1/5 0
0 0 5
24
7.10.
El espacio eucldeo
Ejercicios
x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) R3
Hallar:
7.10 Ejercicios
25
10. Sea V un espacio vectorial eucldeo de dimension finita. Sea U un subespacio de V . Supongamos que existe la aplicaci
on proyeccion ortogonal sobre U , p : V V . Demostrar que
p es lineal.
11. En R3 con el producto escalar usual, hallar el subespacio ortogonal del plano generado por
los vectores (1, 1, 2) y (1, 2, 3).
Encontrar la matriz de la proyeccion ortogonal en la base canonica.
12. Sea S el espacio vectorial de las matrices simetricas de orden 2 con coeficientes en R:
a b
: a, b, c R
S=
b c
Se considera en S la aplicaci
on
h, i : S S R
hA, Bi = tr(AB),
A, B S
a) Es h, i un producto escalar?
b) En caso de serlo, hallar el subespacio ortogonal del subespacio V , generado por la
matriz
1 1
A=
1
0
13. Sea V un espacio vectorial de dimension 3 y h, i un producto escalar en V . Sea B =
{e1 , e2 , e3 } una base de V en la cual la matriz de Gram del producto escalar es:
1 1 1
G= 1 2 2
1 2 3
a) Hallar el subespacio ortogonal a H = {x1 e1 + x2 e2 + x3 e3 : 2x1 x2 3x3 = 0}.
26
El espacio eucldeo
u2 = e1 + e3 ,
u3 = e1 + e2 .
u V
x, y V
Demostrar que:
a) Ker(f ) e Im(f ) son subespacios ortogonales de V .
b) V = Ker(f ) Im(f ).
c) Si A = (aij )nn es la matriz de f en una base ortonormal, entonces aij = aji, i, j.
C
omo se llama una matriz de este tipo?
17. Sea (R2 [x], h, i) el espacio vectorial eucldeo de los polinomios de grado menor o igual que
2, con coeficientes reales y h, i el producto escalar definido por
ha + bx + cx2 , a0 + b0 x + c0 x2 i = aa0 + bb0 + cc0
a + bx + cx2 , a0 + b0 x + c0 x2 R2 [x]
Sea B = {1, x, x2 } una base de R2 [x]. Sea f : R2 [x]R2 [x] el endomorfismo definido por
f (a + bx + cx2 ) = c + bx + ax2 y A = (f )B y sea M = {X : X = An , con n N}.
7.10 Ejercicios
27
a) f ((x1 , x2 ), (y1 , y2 )) = x1 y1 x2 y2
f ((x1 , x2 ), (y1 , y2 )) = x1 y1 + x2 y2 + x1 y2 + x2 y1
(x1 , x2 ), (y1 , y2 ) R2
(x1 , x2 ), (y1 , y2 ) R2
ke3 k2 = 2ke2 k2 = 4
ke2 + e3 k2 = 5
Sabiendo adem
as que el vector e1 es ortogonal a los vectores e2 y e1 + e3 , se pide:
a) Hallar la matriz del producto escalar respecto de la base B y dar la expresion matricial
del producto escalar en dicha base.
b) Hallar una base ortonormal de V .
c) Sea W el subespacio generado por los vectores e2 + e3 y e1 + e3 . Hallar W . Son
suplementarios los subespacios W y W ?
28
El espacio eucldeo
21. Sea V un espacio vectorial de dimension 3 y sea B = {e1 , e2 , e3 } una base de V . Definimos
en V el siguiente producto escalar, donde v = x1 e1 +x2 e2 +x3 e3 , w = y1 e1 +y2 e2 +y3 e3 R3 :
hv, wi = 2x1 y1 + x2 y2 + 12x3 y3 x1 y2 x2 y1 + 3x1 y3 + 3x3 y1
a) Hallar la matriz de Gram en la base B y dar la expresion matricial correspondiente.
b) Sea W el subespacio de V siguiente:
W = {( + )e1 + (2 4)e2 + 2e3 : , R}.
1) Hallar una base ortogonal de W .
2) Hallar el subespacio W . Son suplementarios W y W ? Son ortogonales?
c) Haciendo uso de b), dar una base ortogonal de V . Hallar la matriz de Gram en esta
base. Que relaci
on hay entre esta matriz y la obtenida en el apartado a)?
22. Diagonalizar ortogonalmente el endomorfismo simetrico de R3 definido por
f (x, y, z) = (3x + y + z, x + 3y + z, x + y + 3z)
considerando en R3 el producto escalar usual.
23. En el espacio vectorial eucldeo canonico R3 y respecto de una base ortonormal B =
{e1 , e2 , e3 } se considera un endomorfismo f del que se sabe
f (e1 ) = 3e1 + 2e2 + 2e3 .
f (e2 ) = 2e1 + 2e2 .
La matriz A de f en la base B es simetrica.
v = 2e1 2e2 e3 es un vector propio de f .
a) Hallar A, as como los autovalores y autovectores de f .
b) Diagonalizar ortogonalmente f , determinando una base en la que se obtenga dicha
diagonalizaci
on.
24. Consideremos el espacio vectorial eucldeo canonico R3 y
R3 R3 el endomorfismo definido por
3x0 = x
0 0 0
3y 0 = 2x
f (x, y, z) = (x , y , z ) siendo
3z 0 = 2x
7.10 Ejercicios
29
26. De la siguiente matriz A se sabe que 1 = 1 es uno de sus autovalores y que (1, 1, 1) es un
vector propio de A asociado al autovalor 1 .
1 2
A= 2 1
2 2
a) Hallar , y .
b) Hallar los autovalores y subespacios propios de A.
c) Comprobar que A es diagonalizable y hallar su matriz diagonal D.
d ) Analizar si A es ortogonalmente diagonalizable y, en caso afirmativo, hallar una matriz
ortogonal P tal que P 1 A P = D.