Introducción

Anteriormente, cuando hablamos del espacio dual de un espacio vectorial, definimos qué quería decir que una forma lineal y un vector fueran ortogonales. Esa noción de ortogonalidad nos ayudó a definir qué era un hiperplano de un espacio vectorial y a demuestra que cualquier subespacio de dimensión $k$ de un espacio de dimensión $n$ podía ponerse como intersección de $n-k$ hiperplanos.

Hay otra noción de ortogonalidad en álgebra lineal que también ya discutimos en el primer curso: la ortogonalidad de parejas de vectores con respecto a un producto interior. En el primer curso vimos esta noción muy brevemente. Lo que haremos ahora es profundizar en esta noción de ortogonalidad. De hecho, gracias a las herramientas que hemos desarrollado podemos conectar ambas nociones de ortogonalidad.

Esta teoría la veremos de manera explícita en el caso real en la entrada. El caso en $\mathbb{C}$ queda esbozado en los ejercicios.

Definición de ortogonalidad

Comenzamos con las siguientes definiciones.

Definición. Sea $V$ un espacio vectorial sobre $\mathbb{R}$ y $b$ una forma bilineal de $V$. Diremos que dos vectores $x,y$ en $V$ son ortogonales (con respecto a $b$) si $b(x,y)=0$.

Definición. Sea $V$ un espacio vectorial sobre $\mathbb{R}$ y $b$ una forma bilineal de $V$. Sea $S$ un subconjunto de vectores de $V$. El conjunto ortogonal de $S$ (con respecto a $b$) consiste de todos aquellos vectores en $V$ que sean ortogonales a todos los vectores de $S$. En símbolos:

$$S^{\mathrm{\perp }}:=\{v\in V:\mathrm{\forall }s\in S,b(s,v)=0\}.$$

Es un buen ejercicio verificar que $S^{\mathrm{\perp }}$ siempre es un subespacio de $V$. Finalmente, definimos la ortogonalidad de conjuntos.

Definición. Sea $V$ un espacio vectorial sobre $\mathbb{R}$ y $b$ una forma bilineal de $V$. Diremos que dos subconjuntos $S$ y $T$ son ortogonales (con respecto a $b$) si $S\subseteq T^{\mathrm{\perp }}$.

En otras palabras, estamos pidiendo que todo vector de $S$ sea ortogonal a todo vector de $T$.

Observación. Si tenemos un espacio vectorial con producto interior $⟨\cdot ,\cdot ⟩$ de norma $\Vert \cdot \Vert$, entonces tenemos la fórmula $${\Vert x+y\Vert }^2={\Vert x\Vert }^2+2⟨x,y⟩+{\Vert y\Vert }^2.$$

De esta forma, $x$ y $y$ son ortogonales si y sólo si $${\Vert x+y\Vert }^2={\Vert x\Vert }^2+{\Vert y\Vert }^2.$$ Podemos pensar esto como una generalización del teorema de Pitágoras.

Descomposición en un subespacio y su ortogonal

Comenzamos esta sección con un resultado auxiliar.

Teorema. Sea $V$ un espacio euclideano y $W$ un subespacio de $V$. Entonces $$V=W\oplus W^{\mathrm{\perp }}.$$

Demostración. Sea $⟨\cdot ,\cdot ⟩$ el producto interior de $V$. Para demostrar la igualdad que queremos, debemos mostrar que $W$ y $W^{\mathrm{\perp }}$ están en posición de suma directa y que $V=W+W^{\mathrm{\perp }}$.

Para ver que $W$ y $W^{\mathrm{\perp }}$ están en posición de suma directa, basta ver que el único elemento en la intersección es el $0$. Si $x$ está en dicha intersección, entonces $⟨x,x⟩=0$, pues por estar en $W^{\mathrm{\perp }}$ debe ser ortogonal a todos los de $W$, en particular a sí mismo. Pero como tenemos un producto interior, esto implica que $x=0$.

Tomemos ahora un vector $v\in V$ cualquiera. Definamos la forma lineal $f:W\to \mathbb{R}$ tal que $f(u)=⟨u,v⟩$. Por el teorema de representación de Riesz aplicado al espacio vectorial $W$ y a su forma lineal $f$, tenemos que existe un (único) vector $x$ en $W$ tal que $f(u)=⟨u,x⟩$ para cualquier $u$ en $W$.

Definamos $y=v-x$ y veamos que está en $W^{\mathrm{\perp }}$. En efecto, para cualquier $u$ en $W$ tenemos:

$$\begin{array}{rl}⟨u,y⟩& =⟨u,v-x⟩\\ & =⟨u,v⟩–⟨u,x⟩\\ & =f(u)-f(u)\\ & =0.\end{array}$$

De esta manera, podemos escribir $v=x+y$ con $x\in W$ y $y\in W^{\mathrm{\perp }}$.

$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◻"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fb.svg">}$

En particular, el teorema anterior nos dice que la unión disjunta de una base de $W$ y una base de $W^{\mathrm{\perp }}$ es una base de $V$. Por ello, tenemos el siguiente corolario.

Corolario. Sea $V$ un espacio euclideano y $W$ un subespacio de $V$. Entonces $$\dim W+\dim W^{\mathrm{\perp }}=\dim V.$$

Tenemos un corolario más.

Corolario. Sea $V$ un espacio euclideano y $W$ un subespacio de $V$. Entonces $$(W^{\mathrm{\perp }}{)}^{\mathrm{\perp }}=W.$$

Demostración. Tanto $W$ como $(W^{\mathrm{\perp }}{)}^{\mathrm{\perp }}$ son subespacios de $V$. Tenemos que $W\subseteq (W^{\mathrm{\perp }}{)}^{\mathrm{\perp }}$ pues cualquier elemento de $W$ es ortogonal a cualquier elemento de $W^{\mathrm{\perp }}$. Además, por el corolario anterior tenemos:

$$\begin{array}{rl}\dim W+\dim W^{\mathrm{\perp }}& =\dim V\\ \dim W^{\mathrm{\perp }}+\dim (W^{\mathrm{\perp }}{)}^{\mathrm{\perp }}& =\dim V.\end{array}$$

De aquí se sigue que $\dim W=\dim (W^{\mathrm{\perp }}{)}^{\mathrm{\perp }}$. Así, la igualdad que queremos de subespacios se sigue si un subespacio está contenido en otro de la misma dimensión, entonces deben de ser iguales.

$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◻"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fb.svg">}$

Proyecciones ortogonales

Debido al teorema anterior, podemos dar la siguiente definición.

Definición. Sea $V$ un espacio euclideano y $W$ un subespacio de $V$. La proyección ortogonal hacia $W$ es la transformación lineal $p_W:V\to W$ tal que a cada $v$ en $V$ lo manda al único vector $p_W(v)$ tal que $x-p_W(v)$ está en $W^{\mathrm{\perp }}$.

Dicho en otras palabras, para encontrar a la proyección de $v$ en $W$ debemos escribirlo de la forma $v=x+y$ con $x\in W$ y $y\in W^{\mathrm{\perp }}$ y entonces $p_W(v)=x$.

Distancia a subespacios

Cuando definimos la distancia entre conjuntos que tienen más de un punto, una posible forma de hacerlo es considerando los puntos más cercanos en ambos conjuntos, o en caso de no existir, el ínfimo de las distancias entre ellos. Esto da buenas propiedades para la distancia. En particular, cuando queremos definir la distancia de un punto $x$ a un conjunto $S$ hacemos lo siguiente.

Definición. Sea $V$ un espacio vectorial real con producto interior $⟨\cdot ,\cdot ⟩$ de norma $\Vert \cdot \Vert$. Sea $S$ un subconjunto de $V$ y $v$ un vector de $V$. Definimos la distancia de $v$ a $S$ como la menor posible distancia de $v$ hacia algún punto de $S$. En símbolos:

$$d(v,S):=\underset{s\in S}{inf}d(v,s).$$

En general, puede ser complicado encontrar el punto que minimiza la distancia de un punto a un conjunto. Sin embargo, esto es más sencillo de hacer si el conjunto es un subespacio de un espacio con producto interior: se hace a través de la proyección al subespacio. Esto queda reflejado en el siguiente resultado.

Proposición. Sea $V$ un espacio euclideano con producto interior $⟨\cdot ,\cdot ⟩$ de norma $\Vert \cdot \Vert$. Sea $W$ un subespacio de $V$ y sea $v$ un vector en $V$. Entonces $$d(v,W)=\Vert v-p_W(v)\Vert .$$

Más aún, $p_W(v)$ es el único punto en $W$ para el cual se alcanza la distancia mínima.

Demostración. Por el teorema de descomposición en un subespacio y su ortogonal, sabemos que podemos escribir $v=x+y$ con $x$ en $W$ y con $y$ en $W^{\mathrm{\perp }}$.

Tomemos cualquier elemento $w$ en $W$. Tenemos que $x-w$ está en $W$ y que $y$ está en $W^{\mathrm{\perp }}$. Así, usando el teorema de Pitágoras tenemos que:

$$\begin{array}{rl}{\Vert v-w\Vert }^2& ={\Vert y+(x-w)\Vert }^2\\ & ={\Vert y\Vert }^2+{\Vert x-w\Vert }^2\\ & \ge {\Vert y\Vert }^2\\ & ={\Vert v-x\Vert }^2.\end{array}$$

Esto muestra que $\Vert v-w\Vert \ge \Vert v-x\Vert$. Como $x\in W$, esto muestra que la distancia de $v$ a $W$ en efecto se alcanza con $x=p_W(v)$, pues cualquier otra distancia es mayor o igual.

La igualdad en la cadena anterior de alcanza si y sólo si ${\Vert x-w\Vert }^2=0$, lo cual sucede si y sólo si $x=w$, como queríamos.

$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◻"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fb.svg">}$

Más adelante…

En la siguiente entrada recordaremos varias de las ventajas que tiene contar con una base de un espacio vectorial en la que cualesquiera dos vectores sean ortogonales entre sí. Y en la entrada después de esa, recordaremos algunas hipótesis bajo las cuales podemos garantizar encontrar una de esas bases.

Tarea moral

1. Resuelve los siguientes ejercicios:
   1. Sea ${\mathbb{R}}^3$ con el producto interno canónico y $W=\{(0,0,a_3):a_3\in \mathbb{R}\}$. Encuentra a $W^{\mathrm{\perp }}$ y define la proyección ortogonal $p_W$ hacia $W$.
   2. Encuentra el vector en $\text{Span}((1,2,1),(-1,3,-4))$ que sea el más cercano (respecto a la norma euclidiana) al vector $(-1,1,1)$.
2. Sea $V$ un espacio euclidiano y $T:V\to V$ una transformación lineal tal que $T^2=T$. Prueba que T es una proyección ortogonal si y solo si para cualesquiera $x$ y $y$ en $V$ se tiene que $$⟨T(x),y⟩=⟨x,T(y)⟩.$$
3. Resuelve los siguientes ejercicios:
   1. Demuestra que una proyección ortogonal reduce la norma, es decir, que si $T$ es una proyección ortogonal, entonces $\Vert T(v)\Vert \le \Vert v\Vert$.
   2. Prueba que una proyección ortogonal únicamente puede tener como eigenvalores a $0$ ó a $1$.
4. Demuestra que la composición de dos proyecciones ortogonales no necesariamente es una proyección ortogonal.
5. En el teorema de descomposición, ¿es necesaria la hipótesis de tener un producto interior? ¿Qué sucede si sólo tenemos una forma bilineal, simétrica y positiva?

Entradas relacionadas

• Ir a Álgebra Lineal II
• Entrada anterior del curso: Dualidad y representación de Riesz en espacios euclideanos
• Siguiente entrada del curso: Aplicaciones de bases ortogonales en espacios euclideanos

Agradecimientos

Trabajo realizado con el apoyo del Programa UNAM-DGAPA-PAPIME PE109323 «Hacia una modalidad a distancia de la Licenciatura en Matemáticas de la FC-UNAM – Etapa 3»