£ §
yi � 1
xi
yi
Ai
Ai � 1 ui
xi � 1
Ai � 2
ai �1
fi fi
217
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
218
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
9. Un espacio vectorial con producto punto
En esta sección profundizamos hechos sobre el producto punto y ortogonalidad.
ï Definición 9.1. El producto punto en Rn es la función h·, ·i : Rn × Rn → R definida para
cualesquiera dos vectores ~x,~y ∈ Rn por
n
X
h~x, ~y i := ~x • ~y = ~x⊤~y = x i yi .
i=1
Lema 9.1. Dados ~x,~y ,~z ∈ Rn y c ∈ R el producto punto en Rn cumple:
1. h~x + ~z , ~y i = h~x, ~y i + h~z , ~y i = h~y , ~x + ~z i ,
2. hc~x, ~y i = c h~x, ~y i = h~x, c~y i ,
3. h~x, ~y i = h~y , ~xi ,
4. h~x, ~xi ≥ 0 & h~x, ~xi = 0 ⇐⇒ ~x = ~0 .
Demostración.
Lema 9.2. Sean ~y ,~z ∈ Rn . Si h~x, ~y i = h~x, ~z i para todo ~x ∈ Rn , entonces ~y = ~z .
Demostración.
219
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
9. Un espacio vectorial con producto punto
El producto punto en Rn es compatible con la norma euclidiana, ya que la la longitud de cada
vector se puede medir con el producto punto, es decir para ~u ∈ Rn tenemos
v
u n
uX p
k~uk2 = t (ui )2 = h~u, ~ui .
i=1
Interpretaciones:
k~uk2 es la longitud de la linea que conecta el origen ~0 con la ubicación ~u.
La distancia entre dos vectores ~u & ~v es la longitud de (~u − ~v ) :
p
k~u − ~v k2 = (u1 − v1 )2 + . . . + (un − vn )2
Para ~u ∈ Rn y α ∈ R la definición implica que kα~uk2 = |α| · k~uk2 .
2
4
Ejemplo: ~u = 3 , ~v = 2 .
2 1
−1 3
9.1. Ángulos y ortogonalidad
Teorema 9.3 (Cauchy-Schwarz-Bunyakovsky). Para cualesquiera dos vectores ~u,~v ∈ Rn se tiene:
|h~u, ~v i| ≤ k~uk2 k~v k2
Demostración. La prueba se divide en 2 casos.
Caso 1: Sean ~u,~v L.D., es decir, ~u = c~v para un escalar c ∈ R Entonces
|h~u, ~v i| = |hc~v , ~v i| = |c h~v , ~v i| = |c| k~v k22 = |c| k~v k2 k~v k2 = kc~v k2 k~v k2 = k~uk2 k~v k2
220
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
9.1. Ángulos y ortogonalidad
Caso 2: Sean ~u,~v L.I., es decir, ~u 6= c~v para cualesquier escalar c ∈ R
Corolario 9.4. Dados dos vectores ~u,~v ∈ Rn existe un único ángulo α ∈ [0, π] tal que
h~v , ~ui = h~u, ~v i = cos(α) k~uk2 k~v k2 .
Demostración.
221
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
9. Un espacio vectorial con producto punto
Ahora que tenemos angulos entre vectores podemos definir ortogonalidad.
ï Definición 9.2. Dos vectores ~u,~v ∈ Rn son ortogonales si
h~u, ~v i = 0
Si ~u,~v ∈ Rn \ ~0 , entonces α ∈ [0, π] y cos α = 0 =⇒ α = π/2.
Ejemplo: La base canónica:
Ejemplo: Eigenvectores de una matriz simétrica (para distintos eigenvalores).
~ ∈ Rn es un vector unitario (o normalizado) si tiene longitud uno,
ï Definición 9.3. Un vector w
~ = 1.
i.e. w
Observación: Cada vector ~u ∈ Rn \ ~0
es producto de su longitud y un vector unitario.
222
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
9.1. Ángulos y ortogonalidad
ï Definición 9.4. Una matriz A ∈ Rn×n es ortogonal si su transpuesta es su inversa, i.e.
A⊤ A = I & AA⊤ = I
En palabras: Las columnas de A son ortogonales y vectores unitarios (tienen longitud uno).
Ejemplo: Eigenvectores normalizados de una matriz simétrica.
Interpretación: Ahorra podemos ententer el teorema 7.16.
El teorema dice que cada matriz simétrica en Rn×n tiene eigenvalores reales, es diagonalizable y
que existe una matriz ortogonal de eigenvectores, es decir AV = V D y V ⊤ V = I.
En palabras: Las columnas de V son unitarias (o normalizadas) y ortogonales.
223
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
9. Un espacio vectorial con producto punto
9.2. Transformaciones rı́gidas
Las matrices ortogonales preservan distancias y ángulos.
Esto se debe a h~u, ~ui = k~uk22 .
Ejemplos:
224
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]