9 Isometrías

Sea VV un espacio vectorial con producto escalar ,\langle,\rangle real.

Definition 9.1.

Decimos que un endomorfismo f:VVf\colon V\to V es una isometria si, vV\forall v\in V, se tiene que

f(v)=v\left\lVert f(v)\right\rVert=\left\lVert v\right\rVert\;
Lemma 9.2.

Sea f:VVf\colon V\to V endomorfismo. Se cumple que

f(v)=vvVf(v),f(w)=v,wv,wV\left\lVert f(v)\right\rVert=\left\lVert v\right\rVert\forall\;v\in V\iff% \langle f(v),f(w)\rangle=\langle v,w\rangle\;\forall v,w\in V
Proof 9.3.
)\Leftarrow)

f(v)2=f(v),f(v)=v,v=v2vV\left\lVert f(v)\right\rVert^{2}=\langle f(v),f(v)\rangle=\langle v,v\rangle=% \left\lVert v\right\rVert^{2}\;\forall v\in V.

)\Rightarrow)

Como q(v)=v,v=v2q(v)=\langle v,v\rangle=\left\lVert v\right\rVert^{2} y F(v,w)=v,w=12(q(v+w)q(v)q(w))F(v,w)=\langle v,w\rangle=\frac{1}{2}(q(v+w)-q(v)-q(w)),

v,w=12(v+w2v2w2)\langle v,w\rangle=\frac{1}{2}(\left\lVert v+w\right\rVert^{2}-\left\lVert v% \right\rVert^{2}-\left\lVert w\right\rVert^{2})

Por otro lado,

f(v),f(w)=12(f(v+w)2f(v)2f(w)2)=f(v)=v12(v+w2v2w2)\langle f(v),f(w)\rangle=\frac{1}{2}(\left\lVert f(v+w)\right\rVert^{2}-\left% \lVert f(v)\right\rVert^{2}-\left\lVert f(w)\right\rVert^{2})\overset{\left% \lVert f(v)\right\rVert=\left\lVert v\right\rVert}{=}\frac{1}{2}(\left\lVert v% +w\right\rVert^{2}-\left\lVert v\right\rVert^{2}-\left\lVert w\right\rVert^{2})

Por tanto, f(v),f(w)=v,w\langle f(v),f(w)\rangle=\langle v,w\rangle.

Proposition 9.4.

Sea f:VVf\colon V\to V un endomorfismo y BB una base ortonormal respecto de ,\langle,\rangle. Entonces

f es isometriaM(f,B)=P con P1=Ptf\text{ es isometria}\iff M(f,B)=P\text{ con }P^{-1}=P^{t}
Proof 9.5.

Sea B={v1,,vn}B=\left\{v_{1},\ldots,v_{n}\right\} y v,wVv,w\in V de forma que (v)B=(x1,,xn)(v)_{B}=(x_{1},\ldots,x_{n}), (w)B=(y1,,yn)(w)_{B}=(y_{1},\ldots,y_{n}). Sea P=M(f,B)P=M(f,B).

f es isometriav,w=f(v),f(w)v,wV(x1xn)(y1yn)=(x1xn)PtP(y1yn)PtP=IP1=Pt{}f\text{ es isometria}\iff\langle v,w\rangle=\langle f(v),f(w)\rangle\;% \forall v,w\in V\iff\\ {}\iff\begin{pmatrix}x_{1}&\cdots&x_{n}\\ \end{pmatrix}\cdot\begin{pmatrix}y_{1}\\ \vdots\\ y_{n}\\ \end{pmatrix}=\begin{pmatrix}x_{1}&\cdots&x_{n}\\ \end{pmatrix}P^{t}P\begin{pmatrix}y_{1}\\ \vdots\\ y_{n}\\ \end{pmatrix}\iff P^{t}P=I\iff P^{-1}=P^{t}
Remark 9.6.

Si PP cumple P1=PtP^{-1}=P^{t},

PtP=Idet(P)2=det(Pt)det(P)=det(PtP)=det(I)=1P^{t}P=I\Rightarrow\mathrm{det}(P)^{2}=\mathrm{det}(P^{t})\cdot\mathrm{det}(P)% =\mathrm{det}(P^{t}\cdot P)=\mathrm{det}(I)=1

Por lo tanto, det(f)=±1\mathrm{det}(f)=\pm 1 y ff se clasifica en:

  • directa, si detf=1\mathrm{det}f=1.

  • inversa, si detf=1\mathrm{det}f=-1.

Ademas, si A=Q1PQA=Q^{-1}PQ, entonces det(A)=det(Q)1det(P)det(Q)=det(P)\mathrm{det}(A)=\mathrm{det}(Q)^{-1}\cdot\det(P)\cdot\det(Q)=\det(P).

Theorem 9.7 (Clasificacion de isometrias en dimension 2).

Sea VV un espacio vectorial de dimension 2 sobre \mathbb{R} con producto escalar ,\langle,\rangle y sea f:VVf\colon V\to V una isometría.

Entonces podemos encontrar una base ortonormal BONBON tal que M(f,BON)M(f,BON) es de la siguiente forma:

  • Si es directa,

    M(f,BON)=(cosαsinαsinαcosα)α[0,2π)M(f,BON)=\begin{pmatrix}\cos\alpha&-\sin\alpha\\ \sin\alpha&\cos\alpha\\ \end{pmatrix}\;\;\alpha\in[0,2\pi)
  • Si es inversa,

    M(f,BON)=(1001)M(f,BON)=\begin{pmatrix}1&0\\ 0&-1\\ \end{pmatrix}
Proof 9.8.

Sea f:VVf\colon V\to V una isometria y sea BONBON una base ortonormal cualquiera. Llamamos P=M(f,BON)=(abcd)P=M(f,BON)=\begin{pmatrix}a&b\\ c&d\\ \end{pmatrix}.

Imponemos PtP=IP^{t}\cdot P=I. Entonces

(acbd)(abcd)=(1001){a2+c2=1ab+cd=0b2+d2=1\begin{pmatrix}a&c\\ b&d\\ \end{pmatrix}\cdot\begin{pmatrix}a&b\\ c&d\\ \end{pmatrix}=\begin{pmatrix}1&0\\ 0&1\\ \end{pmatrix}\Rightarrow\begin{cases}a^{2}+c^{2}=1\\ ab+cd=0\\ b^{2}+d^{2}=1\end{cases}

En la primera ecuacion, como a2+c2=1a^{2}+c^{2}=1, α[0,2π)\exists\alpha\in[0,2\pi) tal que a=cosαa=\cos\alpha y c=sinαc=\sin\alpha.

De la segunda ecuacion se obtiene que 0=ab+cd=|adcb|λ0=ab+cd=\begin{vmatrix}a&-d\\ c&b\\ \end{vmatrix}\Rightarrow\exists\lambda\in\mathbb{R} tal que (db)=λ(ac)=λ(cosαsinα)d=λcosα\begin{pmatrix}-d\\ b\\ \end{pmatrix}=\lambda\begin{pmatrix}a\\ c\\ \end{pmatrix}=\lambda\begin{pmatrix}\cos\alpha\\ \sin\alpha\\ \end{pmatrix}\Rightarrow d=-\lambda\cos\alpha y b=λsinαb=\lambda\sin\alpha.

Sustituyendo bb y dd en la tercera ecuacion,

(λsinα)2(λcosα)2=1λ2(sin2α+cos2α)=1λ=±1.(\lambda\sin\alpha)^{2}-(\lambda\cos\alpha)^{2}=1\Rightarrow\lambda^{2}(\sin^{% 2}\alpha+\cos^{2}\alpha)=1\Rightarrow\lambda=\pm 1.

Consideramos los dos casos segun el valor de λ\lambda:

Caso λ=1\lambda=-1

Si λ=1\lambda=-1, entonces det(P)=1\mathrm{det}(P)=1 y la matriz PP es

P=(cosαsinαsinαcosα)α[0,2π)P=\begin{pmatrix}\cos\alpha&-\sin\alpha\\ \sin\alpha&\cos\alpha\\ \end{pmatrix}\;\;\alpha\in[0,2\pi)

Esto se cumple con cualquier base ortonormal.

Caso λ=1\lambda=1

Si λ=1\lambda=1, entonces det(P)=1\mathrm{det}(P)=-1 y P=(cosαsinαsinαcosα)P=\begin{pmatrix}\cos\alpha&\sin\alpha\\ \sin\alpha&-\cos\alpha\\ \end{pmatrix} simetrica.

Diagonalizamos PP por congruencia ortogonal

pf(x)=|xcosαsinαsinαx+cosα|=x2cos2αsin2α=x21=(x+1)(x1)p_{f}(x)=\begin{vmatrix}x-\cos\alpha&-\sin\alpha\\ -\sin\alpha&x+\cos\alpha\\ \end{vmatrix}=x^{2}-\cos^{2}\alpha-\sin^{2}\alpha=x^{2}-1=(x+1)(x-1)

Entonces se obtiene

{S1=v1v1v1=w1S1=v2v2v2=w2\begin{cases}S_{1}=\langle v_{1}\rangle\;\;\frac{v_{1}}{\left\lVert v_{1}% \right\rVert}=w_{1}\\ S_{-1}=\langle v_{2}\rangle\;\;\frac{v_{2}}{\left\lVert v_{2}\right\rVert}=w_{% 2}\end{cases}

La BONBON buscada es {w1,w2}\left\{w_{1},w_{2}\right\} y se cumple M(f,{w1,w2})=(1001)M(f,\left\{w_{1},w_{2}\right\})=\begin{pmatrix}1&0\\ 0&-1\\ \end{pmatrix}.

Remark 9.9.

Si ff es directa, salvo f=idf=id, la matriz de ff no es simetrica.

Si ff es inversa, su matriz PP (en cualquier base ortonormal) siempre es simetrica.

Remark 9.10.

Si la isometría es directa, la llamamos giro de ángulo α\alpha. Cada angulo lo gira α\alpha radianes hacia la izquierda.

Si la isometría es inversa, es una simetria del eje horizontal.

Theorem 9.11 (Clasificación de isometrías en dimensión 3).

Sea VV un espacio vectorial real con producto escalar ,\langle,\rangle y dimV=3\dim V=3. Sea f:VVf\colon V\to V isometría. Entonces existe BON={w1,w2,w3}BON=\left\{w_{1},w_{2},w_{3}\right\} tal que M(f,BON)M(f,BON) es de la siguiente forma:

  • Si ff es directa,

    (1000cosαsinα0sinαcosα)\left(\begin{array}[]{c|cc}1&0&0\\ \hline\cr 0&\cos\alpha&-\sin\alpha\\ 0&\sin\alpha&\cos\alpha\end{array}\right)
  • Si ff es inversa,

    (1000cosαsinα0sinαcosα)\left(\begin{array}[]{c|cc}-1&0&0\\ \hline\cr 0&\cos\alpha&-\sin\alpha\\ 0&\sin\alpha&\cos\alpha\end{array}\right)

para α[0,2π)\alpha\in[0,2\pi).

Remark 9.12.
  1. a)
    pf(x)\displaystyle p_{f}(x)
    =|x1000xcosαsinα0sinαxcosα|=(x1)(x2+cos2α2cosαx+sin2α)=\displaystyle{}=\begin{vmatrix}x-1&0&0\\ 0&x-\cos\alpha&\sin\alpha\\ 0&-\sin\alpha&x-\cos\alpha\\ \end{vmatrix}=(x-1)(x^{2}+\cos^{2}\alpha-2\cos\alpha x+\sin^{2}\alpha)=
    =(x1)(x22cosαx+1)\displaystyle{}=(x-1)(x^{2}-2\cos\alpha x+1)
  2. b)

    pf(x)=(x+1)(x22cosαx+1)p_{f}(x)=(x+1)(x^{2}-2\cos\alpha x+1).

Por lo tanto, si el polinomio es x2+ax+1cosα=a2x^{2}+ax+1\Rightarrow\cos\alpha=-\frac{a}{2}.

Proof 9.13.

Hallamos pf(x)[x]p_{f}(x)\in\mathbb{R}[x], de grado 3. Sea λ\lambda autovalor real de ff (existe porque pf(x)p_{f}(x) tiene grado 3).

Sea 0vV0\neq v\in V tal que f(v)=λvf(v)=\lambda v. Entonces

v=f isomf(v)=λv=|λ|v\left\lVert v\right\rVert\overset{f\text{ isom}}{=}\left\lVert f(v)\right% \rVert=\left\lVert\lambda v\right\rVert=\left|\lambda\right|\cdot\left\lVert v\right\rVert

Es decir, |λ|=1λ=±1\left|\lambda\right|=1\iff\lambda=\pm 1.

Como vv es un vector no isotropo, V=vvV=\langle v\rangle\oplus\langle v\rangle^{\perp}. Veamos si podemos aplicar el teorema anterior a v\langle v\rangle^{\perp}. Para ello, comprobamos que ff restringida a v\langle v\rangle^{\perp} esta bien definida y es una isometria.

Veamos que f(v)vf(\langle v\rangle^{\perp})\subseteq\langle v\rangle^{\perp}. Sea wvw\in\langle v\rangle^{\perp},

f(w),v=λλf(w),v=1λf(w),λv=1λf(w),f(v)=1λw,v=wv0\langle f(w),v\rangle=\frac{\lambda}{\lambda}\langle f(w),v\rangle=\frac{1}{% \lambda}\langle f(w),\lambda v\rangle=\frac{1}{\lambda}\langle f(w),f(v)% \rangle=\frac{1}{\lambda}\langle w,v\rangle\overset{w\in\langle v\rangle^{% \perp}}{=}0

Por tanto esta bien definida y es isometría porque lo hereda de ff. Llamamos a esta aplicacion gg.

Aplicando el teorema de dimension 2 a gg, existe base ortonormal de v{w2,w3}\langle v\rangle^{\perp}\;\left\{w_{2},w_{3}\right\} tal que la matriz de gg en esa base es (cosαsinαsinαcosα)\begin{pmatrix}\cos\alpha&-\sin\alpha\\ \sin\alpha&\cos\alpha\\ \end{pmatrix} o (1001)\begin{pmatrix}1&0\\ 0&-1\\ \end{pmatrix}.

En VV consideramos la base ortonormal BON={vv,w2,w3}BON=\left\{\frac{v}{\left\lVert v\right\rVert},w_{2},w_{3}\right\}. Entonces

M(f,BON)=(λ000cosαsinα0sinαcosα) o M(f,BON)=(λ00010001)M(f,BON)=\left(\begin{array}[]{c|cc}\lambda&0&0\\ \hline\cr 0&\cos\alpha&-\sin\alpha\\ 0&\sin\alpha&\cos\alpha\end{array}\right)\text{ o }M(f,BON)=\left(\begin{array% }[]{c|cc}\lambda&0&0\\ \hline\cr 0&1&0\\ 0&0&-1\end{array}\right)

En el primer caso, se cumple el teorema tanto si λ=1\lambda=1 como si λ=1\lambda=-1. Veamos el segundo. Si λ=1\lambda=1,

M(f,BON)=(100010001)M(f,BON)=\begin{pmatrix}1&0&0\\ 0&1&0\\ 0&0&-1\\ \end{pmatrix}

reordenando la base ortonormal llegamos a (100010001)=(1000cos0sin00sin0cos0)\begin{pmatrix}-1&0&0\\ 0&1&0\\ 0&0&1\\ \end{pmatrix}=\begin{pmatrix}-1&0&0\\ 0&\cos 0&-\sin 0\\ 0&\sin 0&\cos 0\\ \end{pmatrix}.

Si λ=1\lambda=-1, reordenando la base (100010001)=(1000cosπsinπ0sinπcosπ)\begin{pmatrix}1&0&0\\ 0&-1&0\\ 0&0&-1\\ \end{pmatrix}=\begin{pmatrix}1&0&0\\ 0&\cos\pi&-\sin\pi\\ 0&\sin\pi&\cos\pi\\ \end{pmatrix}

Definition 9.14.

Decimos que un espacio afin (A,V,+)(A,V,+) es un espacio afin euclideo si VV es un espacio vectorial real con producto escalar (espacio euclideo).

Dados dos puntos P,QAP,Q\in A, podemos definir la distancia entre ellos

d(P,Q)=PQd(P,Q)=\left\lVert\vec{PQ}\right\rVert
Remark 9.15.

Sabemos que

  1. 1.

    d(P,Q)0d(P,Q)\geq 0 y ademas d(P,Q)=0PQ=0PQ=0vP=Qd(P,Q)=0\iff\left\lVert\vec{PQ}\right\rVert=0\iff\vec{PQ}=0_{v}\iff P=Q.

  2. 2.

    d(P,Q)=PQ=QP=PQQP=d(Q,P)d(P,Q)=\left\lVert\vec{PQ}\right\rVert\overset{\vec{QP}=\vec{PQ}}{=}\left% \lVert\vec{QP}\right\rVert=d(Q,P)

  3. 3.

    Por la desigualdad triangular en VV, d(P,R)=PR=PQ+QRPQ+QR=d(P,Q)+d(Q,R)d(P,R)=\left\lVert\vec{PR}\right\rVert=\left\lVert\vec{PQ}+\vec{QR}\right% \rVert\leq\left\lVert\vec{PQ}\right\rVert+\left\lVert\vec{QR}\right\rVert=d(P,% Q)+d(Q,R).

Definition 9.16 (Distancia entre variedades afines (provisional)).

Si X1X_{1} y X2X_{2} son dos variedades afines, podemos considerar

inf{d(P1,P2)P1X1,P2X2}\inf\left\{d(P_{1},P_{2})\mid P_{1}\in X_{1},P_{2}\in X_{2}\right\}

y definir la distancia entre X1X_{1} y X2X_{2} como esta cantidad.

Proposition 9.17.

Sea X1=P+S1X_{1}=P+S_{1} (S1S_{1} subespacio director de X1X_{1}) y X2=Q+S2X_{2}=Q+S_{2} (S2S_{2} subespacio director de X2X_{2}) y sea v=pS1+S2(PQ)S1+S2v=p_{S_{1}+S_{2}}(\vec{PQ})\in S_{1}+S_{2}. Por otro lado, sean v1S1,v2S2v_{1}\in S_{1},v_{2}\in S_{2} tal que v=v1+v2v=v_{1}+v_{2}.

Consideramos P1=P+v1X1P_{1}=P+v_{1}\in X_{1} y P2=Qv2X2P_{2}=Q-v_{2}\in X_{2}. Entonces d(P1,P2)d(P,Q)PX1,QX2d(P_{1},P_{2})\leq d(P^{\prime},Q^{\prime})\;\forall P^{\prime}\in X_{1},% \forall Q^{\prime}\in X_{2}.

Mas aun, d(P1,P2)=P1P2(P+v1)(Qv2)=PQv1v2=PQv=PQpS1+S2(PQ)d(P_{1},P_{2})=\left\lVert\vec{P_{1}P_{2}}\right\rVert-\left\lVert\vec{(P+v_{1% })(Q-v_{2})}\right\rVert=\left\lVert\vec{PQ}-v_{1}-v_{2}\right\rVert=\left% \lVert\vec{PQ}-v\right\rVert=\left\lVert\vec{PQ}-p_{S_{1}+S_{2}}(\vec{PQ})\right\rVert.

Proof 9.18.

Sean PX1P^{\prime}\in X_{1} y QX2Q^{\prime}\in X_{2} dos puntos cualquiera. Se tiene que

d(P,Q)2=PQ2=PP+PQ+QQv+v2==PPS1+QQS2+vS1+S2S1+S2+PQv(S1+S2)=PitagorasPP+QQ+v2+PQv2PQv2=d(P1,P2){}d(P^{\prime},Q^{\prime})^{2}=\left\lVert\vec{P^{\prime}Q^{\prime}}\right% \rVert^{2}=\left\lVert\vec{P^{\prime}P}+\vec{PQ}+\vec{QQ^{\prime}}-v+v\right% \rVert^{2}=\\ {}=\lVert\underbrace{\underbrace{\vec{P^{\prime}P}}_{\in S_{1}}+\underbrace{% \vec{QQ^{\prime}}}_{\in S_{2}}+\underbrace{v}_{S_{1}+S_{2}}}_{\in S_{1}+S_{2}}% +\underbrace{\vec{PQ}-v}_{\in(S_{1}+S_{2})^{\perp}}\rVert\overset{\text{% Pitagoras}}{=}\left\lVert\vec{P^{\prime}P}+\vec{QQ^{\prime}}+v\right\rVert^{2}% +\left\lVert\vec{PQ}-v\right\rVert^{2}\geq\\ {}\geq\left\lVert\vec{PQ}-v\right\rVert^{2}=d(P_{1},P_{2})

Por lo tanto, hemos visto que d(P1,P2)d(P,Q)d(P_{1},P_{2})\leq d(P^{\prime},Q^{\prime}).

Definition 9.19 (Distancia entre variedades afines).
d(X1,X2)=min{d(P,Q)PX1QX2}=PQpS1+S2(PQ)d(X_{1},X_{2})=\min\left\{d(P^{\prime},Q^{\prime})\mid\begin{subarray}{c}P^{% \prime}\in X_{1}\\ Q^{\prime}\in X_{2}\end{subarray}\right\}=\left\lVert\vec{PQ}-p_{S_{1}+S_{2}}(% \vec{PQ})\right\rVert

siendo PP un punto de X1X_{1} y QQ un punto de X2X_{2}.

Proposition 9.20 (Distancia de un punto a un hiperplano).

Sea AA un espacio afin euclideo, RR un sistema de referencia cartesiano (con base ortonormal respecto del producto escalar). Sea PP un punto de AA y π\pi un hiperplano cuya ecuacion implicita respecto de RR sea πa0+a1x1++anxn=0\pi\equiv a_{0}+a_{1}x_{1}+\cdots+a_{n}x_{n}=0. Entonces, si (P)R=(p1,,pn)(P)_{R}=(p_{1},\ldots,p_{n}),

d(P,π)=|a0+a1p1++anpn|a12++an2.d(P,\pi)=\frac{\left|a_{0}+a_{1}p_{1}+\cdots+a_{n}p_{n}\right|}{\sqrt{a^{2}_{1% }+\cdots+a^{2}_{n}}}.
Proof 9.21.

En la formula general, X1=P+{0v}X_{1}=P+\left\{0_{v}\right\} y X2=πX_{2}=\pi. Tenemos que escribir X2X_{2} como un punto del hiperplano sumado al subespacio del mismo. Podemos suponer, sin perdida de generalidad, que an0a_{n}\neq 0, con lo que xn=(a0a1x1an1xn1)1anx_{n}=(-a_{0}-a_{1}x_{1}-\cdots-a_{n-1}x_{n-1})\frac{1}{a_{n}} x1,x2,,xn1\forall x_{1},\forall x_{2},\ldots,\forall x_{n-1}.

Por tanto, las ecuaciones parametricas de π\pi son

{x1=x1x2=x2xn1=xn1xn=a0ana1anx1an1anxn1\begin{cases}x_{1}=x_{1}\\ x_{2}=x_{2}\\ \vdots\\ x_{n-1}=x_{n-1}\\ x_{n}=-\frac{a_{0}}{a_{n}}-\frac{a_{1}}{a_{n}}x_{1}-\cdots-\frac{a_{n-1}}{a_{n% }}x_{n-1}\end{cases}

es decir,

(x1xn)=(00a0an)coord de un punto de πrespecto de R+(100010001a1ana2anan1an)n1 columnascoord vectores de los vectores de una basedel subespacio director de π respecto de R(x1xn1)\begin{pmatrix}x_{1}\\ \vdots\\ x_{n}\\ \end{pmatrix}=\underbrace{\begin{pmatrix}0\\ \vdots\\ 0\\ -\frac{a_{0}}{a_{n}}\\ \end{pmatrix}}_{\begin{subarray}{c}\text{coord de un punto de }\pi\\ \text{respecto de }R\end{subarray}}+\underbrace{\begin{pmatrix}1&0&\cdots&0\\ 0&1&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ 0&\cdots&0&1\\ -\frac{a_{1}}{a_{n}}&-\frac{a_{2}}{a_{n}}&\cdots&-\frac{a_{n-1}}{a_{n}}\\ \end{pmatrix}}_{\begin{subarray}{c}n-1\text{ columnas}\\ \text{coord vectores de los vectores de una base}\\ \text{del subespacio director de }\pi\text{ respecto de }R\end{subarray}}\cdot% \begin{pmatrix}x_{1}\\ \vdots\\ x_{n-1}\\ \end{pmatrix}

Por lo tanto, para π\pi vamos a tomar como punto (0,,,a0an)(0,\ldots,\ldots,-\frac{a_{0}}{a_{n}}) y, como subespacio director, el generado por las columnas de las ecuaciones parametricas.

Por otro lado, S1{0V}+S2Sπ=Sπ\underbrace{S_{1}}_{\left\{0_{V}\right\}}+\underbrace{S_{2}}_{S_{\pi}}=S_{\pi}. Vamos a ver que Sπ=wS^{\perp}_{\pi}=\langle w\rangle donde (w)Base=(a1,a2,,an)(w)_{\text{Base}}=(a_{1},a_{2},\ldots,a_{n}).

En primer lugar, veamos si wSπw\in S^{\perp}_{\pi} (sabemos que dimSπ=1\dim S^{\perp}_{\pi}=1).

w,Sπ=?0\langle w,S_{\pi}\rangle\overset{?}{=}0

para ello, tenemos que comprobar que w,coord cada vectorde la base de Sπ=0\langle w,\begin{subarray}{c}\text{coord cada vector}\\ \text{de la base de }S_{\pi}\end{subarray}\rangle=0.

w,1er vector=(a1an)I(100a1an)=a1ana1an=0w,2do vector=(a1an)I(010a2an)=a2ana2an=0\begin{array}[]{c}\langle w,\text{1er vector}\rangle=\begin{pmatrix}a_{1}&% \cdots&a_{n}\\ \end{pmatrix}\cdot I\cdot\begin{pmatrix}1\\ 0\\ \vdots\\ 0\\ -\frac{a_{1}}{a_{n}}\\ \end{pmatrix}=a_{1}-a_{n}\frac{a_{1}}{a_{n}}=0\\ \langle w,\text{2do vector}\rangle=\begin{pmatrix}a_{1}&\cdots&a_{n}\\ \end{pmatrix}\cdot I\cdot\begin{pmatrix}0\\ 1\\ \vdots\\ 0\\ -\frac{a_{2}}{a_{n}}\\ \end{pmatrix}=a_{2}-a_{n}\frac{a_{2}}{a_{n}}=0\\ \cdots\end{array}

Luego, efectivamente, se tiene que Sπ=wS^{\perp}_{\pi}=\langle w\rangle, siendo ww el vector normal del plano dado por (w)Base=(a1,a2,,an)(w)_{\text{Base}}=(a_{1},a_{2},\ldots,a_{n}).

Por una parte, sabemos que d(P,π)d(P,\pi) es la norma de un vector que este en SπS^{\perp}_{\pi}, μw\mu w para algun μ\mu\in\mathbb{R}:

d(P,π)=μw=|μ|w=|μ|w,w=|μ|(a1an)I(a1an)=|μ|a12++an2d(P,\pi)=\left\lVert\mu w\right\rVert=\left|\mu\right|\cdot\left\lVert w\right% \rVert=\left|\mu\right|\cdot\sqrt{\langle w,w\rangle}=\left|\mu\right|\sqrt{% \begin{pmatrix}a_{1}&\cdots&a_{n}\\ \end{pmatrix}\cdot I\cdot\begin{pmatrix}a_{1}\\ \vdots\\ a_{n}\\ \end{pmatrix}}=\left|\mu\right|\cdot\sqrt{a^{2}_{1}+\cdots+a^{2}_{n}}

Por otra parte, si P=(p1,,pn)P=(p_{1},\ldots,p_{n}) y Q=(0,,0,a0an)XQ=(0,\ldots,0,-\frac{a_{0}}{a_{n}})\in X,

d(P,π)2=PQpSπ(PQ)2=PQpSπ(PQ),PQpSπ(PQ)==PQ,PQpSπ(PQ)pSπ(PQ)Sπ,PQpSπ(PQ)Sπ=PQ,PQpSπ(PQ)μw==(p1pn1a0anpn)Iμ(a1an)=μ(a1p1a2p2an1pn1anpna0){}d(P,\pi)^{2}=\left\lVert\vec{PQ}-p_{S_{\pi}}(\vec{PQ})\right\rVert^{2}=% \langle\vec{PQ}-p_{S_{\pi}}(\vec{PQ}),\vec{PQ}-p_{S_{\pi}}(\vec{PQ})\rangle=\\ {}=\langle\vec{PQ},\vec{PQ}-p_{S_{\pi}}(\vec{PQ})\rangle-\langle\underbrace{p_% {S_{\pi}}(\vec{PQ})}_{\in S_{\pi}},\underbrace{\vec{PQ}-p_{S_{\pi}}(\vec{PQ})}% _{\in S^{\perp}_{\pi}}\rangle=\langle\vec{PQ},\underbrace{\vec{PQ}-p_{S_{\pi}}% (\vec{PQ})}_{\mu w}\rangle=\\ {}=\begin{pmatrix}-p_{1}&\cdots&-p_{n-1}&-\frac{-a_{0}}{a_{n}}-p_{n}\\ \end{pmatrix}\cdot I\cdot\mu\cdot\begin{pmatrix}a_{1}\\ \vdots\\ a_{n}\\ \end{pmatrix}=\mu(-a_{1}p_{1}-a_{2}p_{2}-\ldots-a_{n-1}p_{n-1}-a_{n}p_{n}-a_{0})

Luego

μ2(a12++an2)=μ(a0a1p1anpn)μ=a0a1p1anpna12++an2\mu^{2}(a^{2}_{1}+\cdots+a^{2}_{n})=\mu(-a_{0}-a_{1}p_{1}-\cdots-a_{n}p_{n})% \Rightarrow\mu=\frac{-a_{0}-a_{1}p_{1}-\cdots-a_{n}p_{n}}{a^{2}_{1}+\cdots+a^{% 2}_{n}}

Sustituimos μ\mu en d(P,π)=|μ|a12++an2=|a0a1p1anpna12++an2|a12++an2=|a0+a1p1++anpn|a12++an2d(P,\pi)=\left|\mu\right|\cdot\sqrt{a^{2}_{1}+\cdots+a^{2}_{n}}=\left|\frac{-a% _{0}-a_{1}p_{1}-\cdots-a_{n}p_{n}}{a^{2}_{1}+\cdots+a^{2}_{n}}\right|\cdot% \sqrt{a^{2}_{1}+\cdots+a^{2}_{n}}=\frac{\left|a_{0}+a_{1}p_{1}+\cdots+a_{n}p_{% n}\right|}{\sqrt{a^{2}_{1}+\cdots+a^{2}_{n}}}.