Definición y concepto
Definición formal
En el ámbito del álgebra lineal y el análisis funcional, una base ortonormal constituye un conjunto específico de vectores dentro de un espacio prehilbertiano V o, de manera más particular, en un espacio de Hilbert H. Este conjunto se caracteriza por dos propiedades fundamentales que definen su estructura geométrica y algebraica: la ortogonalidad mutua entre sus elementos y la normalización de cada uno de ellos. Es decir, todos los vectores que componen la base son mutuamente ortogonales y poseen una magnitud unitaria. Esta combinación de propiedades simplifica significativamente los cálculos de proyecciones, series de Fourier y descomposiciones espectrales, ya que elimina la necesidad de normalizar los vectores durante las operaciones de producto interno.
La condición de que el span del conjunto sea denso en el espacio es un requisito esencial para que se considere una base completa. En espacios de dimensión finita, esto implica que cualquier vector del espacio puede expresarse como una combinación lineal finita de los vectores de la base. Sin embargo, en espacios de dimensión infinita, la definición se matiza: el span de una base ortonormal es denso en el espacio, lo que significa que cualquier vector puede aproximarse arbitrariamente bien por combinaciones lineales finitas de los vectores de la base, aunque no necesariamente sea igual al espacio entero en términos de suma finita estricta. Esta distinción es crucial para el análisis en espacios de Hilbert, donde la convergencia de series infinitas juega un papel central.
Diferenciación con bases ortogonales
Es fundamental distinguir entre una base ortonormal y una base simplemente ortogonal. Una base ortogonal satisface la condición de que sus elementos son mutuamente ortogonales, pero no requiere que tengan magnitud unitaria. Esto significa que los vectores pueden tener cualquier longitud positiva, lo que introduce un factor de escala en los cálculos. La transición de una base ortogonal a una base ortonormal es un proceso directo y sistemático. Se logra mediante el producto de cada vector de la base ortogonal por un escalar apropiado, específicamente el inverso de su norma. Esta operación de normalización preserva la dirección y la ortogonalidad de los vectores, ajustando únicamente su magnitud a la unidad.
Esta transformación es, de hecho, la forma habitual en la que se obtiene una base ortonormal en la práctica matemática. En lugar de buscar directamente vectores unitarios que sean ortogonales, es más común generar primero un conjunto de vectores ortogonales y luego aplicar la normalización. Este enfoque es particularmente útil cuando se utilizan métodos constructivos, como el proceso de Gram-Schmidt, que genera sistemáticamente vectores ortogonales a partir de una base cualquiera. La facilidad con la que se puede convertir una base ortogonal en una ortonormal resalta la relación estrecha entre ambos conceptos y la importancia de la normalización como paso final en la construcción de bases bien comportadas para el análisis funcional.
¿Qué diferencia a una base ortonormal de una base estándar?
La distinción entre una base ortonormal y una base estándar o algebraica convencional radica fundamentalmente en la naturaleza del espacio vectorial subyacente y en los requisitos de convergencia de sus combinaciones lineales. En espacios de dimensión finita, como Rn o Cn, una base ortonormal cumple con las propiedades clásicas de independencia lineal y generación del espacio completo. Sin embargo, al extenderse el concepto a espacios de dimensión infinita, como los espacios de Hilbert, surgen sutilezas topológicas críticas que diferencian la noción de "base" en el sentido algebraico estricto de la "base ortonormal" funcional.
El rol de la densidad en espacios infinitos
En un espacio de dimensión infinita, el span algebraico de una base ortonormal —es decir, el conjunto de todas las combinaciones lineales finitas de sus elementos— rara vez coincide con el espacio entero. En cambio, el requisito fundamental es que este span sea denso en el espacio. Esto significa que cualquier vector en el espacio puede ser aproximado arbitrariamente bien por una combinación lineal finita de los vectores de la base, bajo la métrica inducida por el producto interno. Esta propiedad de densidad es lo que permite representar vectores complejos mediante series infinitas convergentes, como las series de Fourier, donde la convergencia ocurre en la norma del espacio.
Requisitos de la estructura de espacio de Hilbert
No todos los espacios vectoriales normados admiten una base ortonormal en este sentido denso. Específicamente, los espacios de Banach generales, aunque poseen una estructura de norma completa, carecen necesariamente de un producto interno definido. La existencia de una base ortonormal requiere que la norma provenga de un producto interno, lo que convierte al espacio en un espacio prehilbertiano o, si es completo, en un espacio de Hilbert. Por lo tanto, mientras que todo espacio de Hilbert es un espacio de Banach, solo aquellos espacios de Banach que pueden equiparse con un producto interno compatible con su norma (satisfaciendo la identidad del paralelogramo) pueden poseer una base ortonormal cuya expansión sea densa en el espacio. Esta distinción es crucial para la aplicación del proceso de Gram-Schmidt y la proyección ortogonal en análisis funcional.
Construcción mediante el proceso de Gram-Schmidt
El proceso de Gram-Schmidt es el método estándar para transformar una base cualquiera en una base ortonormal. Este algoritmo se basa en la construcción secuencial de vectores ortogonales mediante la sustracción de proyecciones lineales, seguidas de una etapa de normalización para asegurar que cada vector tenga magnitud unitaria. La construcción garantiza que el subespacio generado por los primeros k vectores de la nueva base coincida con el generado por los primeros k vectores de la base original.
Algoritmo paso a paso
Dado un conjunto de vectores linealmente independientes {v₁, v₂,..., vₙ} que forman una base del espacio, el algoritmo genera una base ortonormal {e₁, e₂,..., eₙ} siguiendo estas etapas:
| Paso | Operación | Fórmula |
|---|---|---|
| 1 | Selección del primer vector | u1=v1 |
| 2 | Normalización del primer vector | e1=1‖u1‖u1 |
| 3 | Proyección ortogonal de v₂ sobre e₁ | u2=v2−(v2⋅e1)e1 |
| 4 | Normalización del segundo vector | e2=1‖u2‖u2 |
| 5 | Proyección ortogonal de vₖ sobre e₁,...,eₖ₋₁ | uk=vk−∑j=1k−1(vk⋅ej)ej |
| 6 | Normalización del k-ésimo vector | ek=1‖uk‖uk |
Propiedades de la construcción
Cada vector intermedio uₖ resulta ortogonal a todos los vectores anteriores e₁,..., eₖ₋₁. La normalización posterior asegura que cada eₖ tenga norma unitaria. El proceso mantiene la estructura de subespacios parciales: el espacio generado por {e₁,..., eₖ} coincide exactamente con el espacio generado por {v₁,..., vₖ}. Esta propiedad es fundamental en aplicaciones como la descomposición QR de matrices y en la representación de funciones en espacios de Hilbert de dimensión infinita, donde el span de la base resultante es denso en el espacio completo.
Ejemplos en espacios de dimensión finita
En espacios de dimensión finita, el concepto de base ortonormal se ilustra de manera más clara en el espacio euclídeo estándar. El ejemplo canónico es el espacio R3 equipado con el producto punto estándar. En este contexto, una base ortonormal consiste en tres vectores linealmente independientes que son mutuamente ortogonales y tienen norma igual a uno. La base canónica de R3 está compuesta por los vectores e1, e2 y e3, que apuntan a lo largo de los ejes coordenados x, y y z, respectivamente. Estos vectores satisfacen la condición de ortonormalidad porque el producto punto de cualquier par distinto es cero (ortogonalidad) y el producto punto de cada vector consigo mismo es uno (normalidad).
| Vector | Coordenadas | Norma |
|---|---|---|
| e1 | (1,0,0) | 1 |
| e2 | (0,1,0) | 1 |
| e3 | (0,0,1) | 1 |
Preservación de la ortonormalidad bajo transformaciones lineales
La estructura de una base ortonormal se mantiene bajo ciertas transformaciones lineales que preservan la geometría del espacio. Las rotaciones y las reflexiones son ejemplos fundamentales de tales transformaciones. Una rotación en R3 alrededor de un eje que pasa por el origen es una transformación lineal que mantiene invariantes las longitudes de los vectores y los ángulos entre ellos. Por lo tanto, si se aplica una rotación a cada vector de una base ortonormal, el conjunto resultante sigue siendo una base ortonormal. Esto se debe a que la matriz de rotación es una matriz ortogonal, lo que implica que sus columnas (que representan las imágenes de los vectores de la base canónica) forman una base ortonormal.
De manera similar, una reflexión a través de un plano que pasa por el origen también preserva la ortonormalidad. Una reflexión invierte la dirección de los vectores perpendiculares al plano de reflexión mientras deja invariables los vectores paralelos a él. Dado que la reflexión es una isometría, conserva el producto punto. En consecuencia, si dos vectores son ortogonales antes de la reflexión, sus imágenes también lo serán. Asimismo, la norma de cada vector se mantiene igual a la unidad. Así, el conjunto de vectores reflejados constituye nuevamente una base ortonormal del espacio.
Estas propiedades son esenciales en álgebra lineal y geometría, ya que permiten analizar cómo cambian las coordenadas de los vectores al cambiar de una base ortonormal a otra. La transición entre bases ortonormales en espacios de dimensión finita se realiza mediante matrices ortogonales, lo que simplifica los cálculos de proyecciones y descomposiciones vectoriales. La capacidad de generar nuevas bases ortonormales a partir de una dada mediante rotaciones y reflexiones subraya la riqueza estructural de los espacios euclidianos y su utilidad en aplicaciones físicas y geométricas.
Aplicaciones en espacios de funciones y análisis funcional
En el contexto del análisis funcional y los espacios de funciones de dimensión infinita, el concepto de base ortonormal adquiere una relevancia fundamental que trasciende la simple representación vectorial. A diferencia de los espacios de dimensión finita, donde cualquier vector puede expresarse como una combinación lineal finita de los elementos de la base, en espacios infinitos el span de una base ortonormal es denso pero no necesariamente igual al espacio entero. Esto implica que los vectores del espacio pueden aproximarse arbitrariamente bien mediante combinaciones lineales finitas, pero su representación exacta a menudo requiere series infinitas convergentes.
Espacios L2 y series de Fourier
Un ejemplo paradigmático se encuentra en el espacio de Hilbert L2([0,1]), que consiste en funciones de cuadrado integrable definidas en el intervalo unitario. En este espacio, las funciones trigonométricas forman una base ortonormal clásica. Específicamente, el conjunto de funciones que incluye el elemento constante unitario, así como las funciones seno y coseno con frecuencias enteras, constituye una base completa. La ortogonalidad de estas funciones se verifica mediante la integración de sus productos en el intervalo, resultando en cero cuando las frecuencias difieren, y la normalización asegura que la magnitud de cada función sea unitaria.
Esta estructura subyace directamente a las series de Fourier. Cualquier función en L2([0,1]) puede descomponerse en una serie infinita de estos elementos básicos. Los coeficientes de la serie se obtienen proyectando la función sobre cada elemento de la base ortonormal mediante el producto interno. La convergencia de la serie hacia la función original en la norma del espacio refleja la propiedad de densidad del span de la base, permitiendo representar funciones complejas mediante la superposición de ondas simples.
Espacios secuenciales y funciones indicadoras
Otro ejemplo importante se presenta en el espacio l2, que consiste en secuencias de números escalares cuya suma de cuadrados converge. Este espacio es isomorfo a ciertos espacios de funciones mediante el uso de funciones indicadoras. Por ejemplo, considerando el espacio de funciones definidas sobre un conjunto de índices, las funciones indicadoras de los conjuntos unitarios forman una base ortonormal. Cada función indicadora toma el valor unitario en un índice específico y cero en los demás. El producto interno entre dos funciones indicadoras distintas es cero debido a la disjunción de sus soportes, y el producto interno de una función consigo misma es uno, satisfaciendo así las condiciones de ortogonalidad y normalidad.
La construcción de bases ortonormales en estos espacios infinitos sigue principios análogos a los de dimensión finita, aunque con matices topológicos. El proceso de Gram-Schmidt puede aplicarse para generar una base ortonormal a partir de un conjunto de vectores linealmente independientes, garantizando que los elementos resultantes sean mutuamente ortogonales y de magnitud unitaria. Sin embargo, en dimensión infinita, la completitud de la base requiere que el cierre del span coincida con todo el espacio, lo que introduce la noción de convergencia en la norma del espacio de Hilbert.
Ejercicios resueltos
Ejercicio 1: Ortogonalización en R^3
Dado el conjunto de vectores linealmente independientes en R^3: v1 = (1, 0, 0), v2 = (1, 1, 0), v3 = (1, 1, 1). Aplicamos el proceso de Gram-Schmidt para obtener una base ortonormal.
Paso 1: El primer vector ortogonal es u1 = v1 = (1, 0, 0). Lo normalizamos obteniendo e1 = u1 / ||u1|| = (1, 0, 0), ya que su norma es 1.
Paso 2: Calculamos la proyección de v2 sobre u1: proj_u1(v2) = ((v2 · u1) / (u1 · u1)) * u1. El producto escalar v2 · u1 es 1*1 + 1*0 + 0*0 = 1. Como u1 · u1 = 1, la proyección es 1 * (1, 0, 0) = (1, 0, 0). Restamos esta proyección de v2 para obtener el segundo vector ortogonal: u2 = v2 - proj_u1(v2) = (1, 1, 0) - (1, 0, 0) = (0, 1, 0). La norma de u2 es 1, por lo que e2 = (0, 1, 0).
Paso 3: Para el tercer vector, calculamos las proyecciones sobre u1 y u2. v3 · u1 = 1, por lo que la proyección sobre u1 es (1, 0, 0). El vector ortogonal es u3 = v3 - (1, 0, 0) - (0, 1, 0) = (1, 1, 1) - (1, 1, 0) = (0, 0, 1). Su norma es 1, así que e3 = (0, 0, 1). La base ortonormal resultante es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
Ejercicio 2: Vectores no estándar en R^2
Consideremos en R^2 los vectores v1 = (1, 1) y v2 = (1, -1). Verificamos si son ortogonales calculando el producto escalar: v1 · v2 = 1*1 + 1*(-1) = 1 - 1 = 0. Al ser el producto escalar cero, los vectores son mutuamente ortogonales.
Para obtener la base ortonormal, solo debemos normalizar cada vector. La norma de v1 es sqrt(1^2 + 1^2) = sqrt(2). Por tanto, e1 = v1 / sqrt(2) = (1/sqrt(2), 1/sqrt(2)). Así, e2 = v2 / sqrt(2) = (1/sqrt(2), -1/sqrt(2)).
El conjunto {(1/sqrt(2), 1/sqrt(2)), (1/sqrt(2), -1/sqrt(2))} constituye una base ortonormal para R^2. Este ejemplo ilustra que si la base inicial ya es ortogonal, el proceso de Gram-Schmidt se reduce a la normalización de los vectores, simplificando el cálculo de las proyecciones.
Propiedades matemáticas y consecuencias
Las bases ortonormales poseen propiedades estructurales que simplifican significativamente el análisis en espacios prehilbertianos y de Hilbert. La definición establece que los elementos son mutuamente ortogonales y de magnitud unitaria, lo que implica que el producto interno de dos vectores distintos de la base es cero, mientras que el producto interno de un vector consigo mismo es uno. Esta característica permite expresar las coordenadas de cualquier vector del espacio mediante proyecciones escalares directas.
Expresión de coordenadas mediante productos internos
En un espacio con base ortonormal, la representación de un vector se obtiene proyectándolo sobre cada uno de los vectores base. Si se considera un conjunto de elementos cuyo span es denso en el espacio, las coordenadas de un vector se calculan como el producto interno del vector con cada elemento de la base. Esta propiedad elimina la necesidad de resolver sistemas lineales complejos, ya que la ortogonalidad "desacopla" las dimensiones. La magnitud unitaria asegura que la proyección no requiera normalización adicional, facilitando los cálculos en álgebra lineal.
Interpretación geométrica de las proyecciones
Geométricamente, las coordenadas en una base ortonormal corresponden a las longitudes de las proyecciones ortogonales del vector sobre los ejes definidos por la base. Esta interpretación es directa porque los ejes son perpendiculares entre sí. El proceso de Gram-Schmidt permite construir tal base a partir de una base cualquiera, transformando vectores linealmente independientes en vectores mutuamente ortogonales y de magnitud unitaria. Esta construcción garantiza que cualquier espacio prehilbertiano con base finita admite una representación ortonormal.
Consideraciones en espacios de dimensión infinita
En espacios de dimensión infinita, la estructura de las bases ortonormales presenta matices topológicos importantes. El span de una base ortonormal es denso pero no necesariamente igual al espacio entero. Esto significa que cualquier vector del espacio puede aproximarse arbitrariamente por combinaciones lineales finitas de los vectores base, pero puede requerirse una serie infinita para representar exactamente vectores fuera del span algebraico. Esta distinción es fundamental en el análisis funcional y en la teoría de espacios de Hilbert, donde la completitud del espacio juega un papel crucial en la convergencia de las series de Fourier asociadas a la base.