Académique Documents
Professionnel Documents
Culture Documents
MATEMTICAS I
159
INTRODUCCION
La estructura de espacio vectorial despliega una gran capacidad operativa cuando incorpora los conceptos de distancia y ngulo entre sus elementos. Para integrar estas dos cualidades mtricas en un espacio vectorial es preciso definir en l un producto escalar, el cual otorga a dicho espacio el calificativo de eucldeo, de modo que a todo espacio vectorial dotado de un producto escalar se le denominar espacio vectorial eucldeo. Si se dota al espacio vectorial de un producto escalar se va a poder trasladar, al terreno de lo abstracto, las nociones de longitud y ngulo, en especial el concepto de ortogonalidad, sin que stas pierdan las propiedades generales que les son inherentes. Antes de comenzar con el estudio de los espacios vectoriales eucldeos es preciso matizar que, en este curso, dicho estudio se limitar nicamente al caso de productos escalares sobre espacios vectoriales reales. Basndonos en la idea de ortogonalidad y proyeccin ortogonal, estudiaremos el mtodo de los mnimos cuadrados, para resolver de forma aproximada sistemas de ecuaciones lineales incompatibles.
OBJETIVOS
Reconocer en una forma bilineal un producto escalar y manejar adecuadamente sus propiedades. Definir la norma asociada a cada producto escalar y demostrar sus propiedades. Obtener para cada vector del espacio su norma, mdulo, y para cada par de vectores el ngulo que forman a partir del producto escalar.
160
MATEMTICAS I
Reconocer diferentes expresiones para un producto escalar al considerarlo en bases diferentes. Encontrar una base del espacio en la cual un producto escalar dado adopte la expresin ms simple (expresin cannica). Conocer y utilizar con soltura el mtodo de ortonormalizacin de Gram-Schmit. Determinar el complemento ortogonal de un subespacio. Entender y calcular la proyeccin ortogonal de un vector sobre un subespacio. Comprender y manejar el mtodo de los mnimos cuadrados.
MATEMTICAS I
161
f : E E
1. f ( x , y ) = f ( y , x ) ,
x , y E
,
2. f ( x + y , z ) = f ( x , z ) + f ( y , z ) , 3. f ( x , y + z ) = f ( x , y ) + f ( x , z ) ,
y x , y , z E y x , y , z E
4. f ( x , x ) > 0, x 0, x E
Esta operacin recibe el nombre de producto escalar y la notacin que vamos a utilizar es : f ( x , y ) = x y
1.1 Matriz Asociada al Producto Escalar
Si B = {e1 , e2 ,, en } es una base del espacio vectorial eucldeo E , entonces la matriz asociada al producto escalar respecto a dicha base viene dada por:
e1 e1 e2 e1 e e e e A= 2 1 2 2 e e e e n 1 n 2 e1 en e2 en MATRIZ DE GRAM en en
como
el
producto
escalar
es
conmutativo,
sucede
que
ei e j = e j ei , i, j es decir:
162
MATEMTICAS I
e1 e1 e e t A= A = 1 2 e e 1 n
e2 e1 e2 e2 e2 en
en e1 en e2 en en
2. Ortogonalidad
2.1 Vectores ortogonales.
Dos vectores u
y v son
2.4 Proposicin
Un vector u es ortogonal a un subespacio S de E si y slo si es ortogonal a todos los vectores de una base de S .
2.5 Subespacios ortogonales.
suficiente que los vectores de una base de V sean ortogonales con los vectores de una base de W .
2.7 Propiedades de la relacin de ortogonalidad.
MATEMTICAS I
163
dos, ui 0 , i = 1, 2,, k , entonces S es un sistema libre. 2. Si V1 , V2 son dos subespacios de E ,tal que V1 V2 , V1 V2 entonces existe un vector no nulo de V2 ortogonal a todo el subespacio V1 . 3. Si V es un subespacio vectorial de E de dimensin k < n , todo sistema libre formado con vectores de V tiene como mximo k vectores ortogonales dos a dos. 4. Si V es un subespacio de E , de dimensin k < n , el conjunto de todos los vectores ortogonales a V es un subespacio de dimensin
n k . Dicho subespacio se denomina suplementario ortogonal o
6. Si V es un subespacio de E entonces V V = E.
u =+ u u
: E -----------+
u ------------ u = + u u
NOTA: Si u = 1 , se dice entonces que el vector u es unitario.
164
MATEMTICAS I
1. 2. 3.
u > 0, u 0 u = 0 u = 0
u = u , u E, .
u v u v
Sean
u,v
n
,u v
el
producto
escalar
usual,
es
decir,
u v = u t v = ui vi
i =1
Sean u , v
; u,v 0
MATEMTICAS I
165
son ortogonales dos a dos. Una base ortonormal es una base ortogonal de vectores unitarios.
3.5 Mtodo de ortogonalizacin de Gram-Schmidt.
Este mtodo nos permite construir una base ortonormal a partir de una base cualquiera del espacio. Si B = {e1 , e2 ,, en } es una base de E , los vectores que se obtienen de la forma: c1 = e1 c2 = e2 c1 c3 = e3 c1
c e2 1 c1
c1 c1 c2
c e3 2 c2
c e3 1 c1
c2
cn = en c1
c en 1 c1
c1 c2
c en 2 c2
c2 .... c n1 c n cn 1
n1 n1
c c1 c2 , , n , c1 c2 cn
} es una
v + w.
de E se descompone de
166
MATEMTICAS I
, ak } ( ai , linealmente independientes ) un
subespacio de E , y sea A la matriz cuyas columnas son las coordenadas de los vectores ai en una base B de E . El vector proyeccin, s , del vector u sobre S viene dado por: s = A( At A ) At u
1
NOTAS:
1. La existencia de la matriz
( A A)
t
linealmente independientes los vectores ai , para i = 1, 2,, k . 2. Obsrvese que en el caso particular de dim( S ) = 1 , S = L {v } , la expresin del vector proyeccin
s=u v
v v
de u
sobre
sera:
v = v (v t v ) 1 (v t u )
1
que corresponde a la forma s = A( At A ) At u tomando A la matriz columna de las coordenadas de v . En este caso v v = At A y
u v = At u .
subespacio. Sea A la matriz cuyas columnas son las coordenadas de los vectores ai en una cierta base de E . La matriz proyeccin para el subespacio S es la matriz:
MATEMTICAS I
167
mismo. Sea B una base de E y A la matriz n k , cuyas columnas son las coordenadas de los vectores ai respecto a la base B . La matriz proyeccin: PS = A( At A) 1 At es la nica matriz con la propiedad de que para todo vector u E , el vector PS u es la proyeccin de u sobre S .
NOTA: El teorema anterior nos dice que la matriz proyeccin es nica,
La condicin necesaria y suficiente para que una matriz n n sea una matriz proyeccin es que sea idempotente y simtrica. En este caso, la matriz es la matriz proyeccin para el subespacio generado por sus columnas.
4.9 Matriz proyeccin utilizando bases ortonormales.
168
MATEMTICAS I
identidad. En esta propiedad simplifica en gran medida la expresin de la matriz proyeccin. Sea E un subespacio vectorial de dimensin n , S un subespacio y
B = {a1 , a2 , , ak } una base ortonormal del mismo. Si A es la matriz
cuyas columnas son los vectores ai , entonces la matriz proyeccin para el subespacio S , al ser At A = I , es PS = AAt .
Trataremos de aplicar el estudio realizado sobre las proyecciones a problemas de anlisis de datos, que nos conducen a sistemas con mayor nmero de ecuaciones que de incgnitas (sistemas sobredeterminados) que, normalmente, son incompatibles. A pesar de la no existencia de solucin exacta en dichos sistemas. Los sistemas incompatibles surgen en situaciones reales y hay que intentar encontrar la mejor solucin posible. El problema ser encontrar un vector que minimice el error que cometemos al suponer que dicho vector es la solucin del sistema.
5.2 Mtodo de los Mnimos Cuadrados.
Sea el sistema Ax = b , siendo A una matriz m n , con m > n , cuyas columnas son linealmente independientes, es decir, rang ( A) = n . Si b no es combinacin lineal de las columnas de A , el sistema lineal anterior Ax = b es incompatible. Se trata entonces de encontrar un vector x * que minimice el vector error Ax b que para nosotros significar minimizar su norma eucldea:
MATEMTICAS I
169
Esta es la razn del nombre del mtodo de los mnimos cuadrados. Para todo vector x , el vector Ax pertenece al subespacio S generado por las columnas de A ; adems, el error Ax b es la distancia de b a
Ax . Entonces, buscar la mejor solucin x * del sistema con el mtodo
de los mnimos cuadrados, equivale a encontrar el vector x * , tal que la distancia de Ax * a b sea la menor posible. De todos los vectores Ax de S , el que minimiza Ax b es el vector proyeccin de b sobre S , es decir el vector A( At A) 1 At b , el vector x * lo obtendremos de resolver: Ax = A( At A) 1 At b . Multiplicando la igualdad anterior por At queda: At Ax = ( At A )( At A ) At b = At b = At b ,
1
(Nota: El sistema anterior es compatible y determinado ya que la matriz At A es una matriz cuadrada de orden n, regular). La solucin del sistema anterior, al ser A de rango mximo, es x * = ( At A ) At b , que nos da la solucin ptima del sistema Ax = b ,
1
170
MATEMTICAS I
( xi , yi ) ,
i = 1, 2,, m , que nos proporcionan un conjunto de puntos en el plano. El objetivo es hallar una funcin lineal y = f ( x) , que represente lo mejor posible dichos valores. Geomtricamente, significa que la grfica de la funcin y = f ( x) debe aproximarse lo ms posible a la coleccin de puntos. El problema ser determinar los valores de a y b tales que la recta y = f ( x) = a + bx , denominada recta de ajuste, se adapte lo mejor posible a nuestros datos. Sustituyendo ( xi , yi ) en la anterior igualdad se obtiene: yi = a + bxi , i = 1, 2,, m. Salvo en el caso de que los datos estn sobre una recta del plano, se obtiene un sistema sobredeterminado incompatible que se puede expresar matricialmente:
y1 y y
2 m
1 x2 a = y = Ax Ax = y b 1 x4
1 x1
MATEMTICAS I
171
La solucin que minimiza el error en trminos de mnimos cuadrados es la solucin del sistema At Ax = At y , que es: x * = ( At A) 1 At y
NOTA: ( At A) es invertible siempre que las columnas de A sean
linealmente independientes, que, en este caso, equivale a decir que los valores xi no sean todos iguales, es decir, que los puntos ( xi , yi ) no estn todos en una recta vertical.
6.2 Ajuste de datos en
n +1
Cuando los datos tienen ms de dos componentes, se obtienen sistemas con ms de dos incgnitas por lo general sobredeterminados. Supongamos que tenemos los datos:
( xk1 , xk 2 ,, xkn ; yk ) ,
k = 1, 2,, m,
m > n +1
+ sn xn .
+ sn xkn , k = 1, 2,, m.
y1 y y
2 m
1 1 1
x1n s0 x2 n s1 x
mn n
de forma abreviada y = As As = y . Si rang ( A) = n + 1 , estamos ante un problema que se puede resolver con el mtodo de los mnimos cuadrados, siendo la solucin ptima la solucin del sistema At As = At y , que es s * = ( At A ) At y .
1
172
MATEMTICAS I
En algunas ocasiones hay que recurrir a otras funciones, como las polinmicas o las exponenciales, para que la curva y = f ( x) sea la que mejor se adapte a un conjunto de datos ( xi , yi ) . As, por ejemplo, si el ajuste se realiza por una funcin polinmica y = f ( x) = c0 + c1 x + c2 x 2 +
+ cn x n ,
+ cn xin ,
k = 1, 2,, m.
y1 y2 y
m
1 1 1
x1 x2 xm
x12
2 x2
x1n c0 n x2 c1 x
n m n
2 xm
y = Ac Ac = y
siendo la solucin ptima por el mtodo de mnimos cuadrados la solucin del sistema At Ac = At y , que es c = ( At A ) At y .
*
1
MATEMTICAS I
173
PROBLEMAS
1. Dado el espacio vectorial V de los polinomios de grado menor o igual que 1 y el producto escalar:
p1 ( x) p2 ( x) = p1 ( x) p2 ( x)dx .
0
Calcular
la
matriz
asociada
al
Un producto escalar es un caso particular de forma bilineal simtrica, por lo tanto existe una matriz simtrica A, asociada al producto escalar, respecto de cualquier base B = {u , v } de V . Dicha matriz vendr dada u u por: u v u v . v v
En este caso particular tenemos que: u = 1 y que v = x . Tal y como se ha definido el producto escalar, lo que sabemos es que: 1 1 = 1.1dx = dx = 1
0 0 1 1
1 x = 1. xdx = xdx = 1/ 2
0 0
x x = x. xdx = x 2 dx = 1/ 3
0 0
respecto de la base
174
MATEMTICAS I
B = {u , v } , se sabe que:
i) u u = 2
ii ) u (3u + v ) = 5 iii ) v v = 5(u u )
a) Calcular la matriz asociada al producto escalar. b) Calcular (2, 3) (1, 4) SOLUCIN:
a) u u A= u v
u u =2
u v v v
v v = 5(u u ) = 10
2 1 La matriz asociada al producto escalar es: A = 1 10 b) 1 2 1 1 (2, 3) (1, 4) = ( 2, 3) A = ( 2, 3) = 113 4 1 10 4
3. Sea E un espacio vectorial eucldeo de dimensin n y U un subespacio vectorial de E , ortogonal de U , calcular: a) dim(U U ) b) dim(U + U ) SOLUCIN:
U , el subespacio complemento
MATEMTICAS I
175
a) Sabemos que la suma de U y U es directa, por tanto U U = {0} con lo cual dim(U U ) = 0. b) Adems de ser suma directa se tiene que, U U = V , directamente se obtiene que dim(U + U ) = dim(V ) = n.
4. Sea
F = {( x, y, z )
/ 2 x + y z = 0} , calcular
una
base
ortonormal de F. SOLUCIN:
Primero hallaremos una base de F, si es ortogonal, bastara con normalizar y el problema estara resuelto, sino aplicaremos el mtodo de Gram-Schmidt para transformarla en otra base de F que sea ortonormal.
F = {( x, y, z )
/ 2 x + y z = 0} = {( x, y, z )
3
/ z = 2 x + y} =
= {( x, y, 2 x + y )
/ x, y
1 0 Una base para F es B1 = { 0 , 1 } = {u1 , u2 } que sus vectores no son 2 1 0 ortogonales ya que u u2 = (1, 0, 2) 1 = 2 0 1
t 1
176
MATEMTICAS I
vectores de B2 se obtiene B3
= {
1 5 0 , 2 5
2 30 5 } 30 1 30
de F.
5. Sea F ortonormal de ortonormal de SOLUCIN:
n n
Sabemos que F F = {0}, como el vector nulo no pertenece a ninguna base, los vectores de B1 son linealmente independientes con los de B2 . Si la dim(V ) = k entonces dim(V ) = n k , luego una base de F unida con una base de F son k + (n k ) = n vectores linealmente independientes de
n
Por otra parte los vectores de B1 son ortonormales, es decir, todos tienen norma igual a 1 y son ortogonales entre si, lo mismo ocurre con los vectores de B2 y los vectores de B1 respecto de los de B2 tambin son ortogonales ya que los de B1 son vectores de F y los de B2 lo son de
MATEMTICAS I
177
F .
En definitiva los vectores de B estn normalizados y son todos ortogonales entre si, forman una base ortonormal de
6. Dados los subespacios de
3
F1 = ( x, y, z ) F2 = {( x, y, z )
x y 3z = 0 y y z = 0
/ x + y + z = 0}
1 1 3 dim( F1 ) = 3 rango = 3 2 = 1; 0 1 1
dim( F2 ) = 3 rango (1 1 1) = 3 1 = 2;
/ x t w1 = 0} = {( x, y, z )
/ 4 x + y + z = 0}
178
MATEMTICAS I
0 1 1 1 1 0 = 1 0 1 0 1 1 1 1 0 = 43 =1 0 3 3
con por
respecto matriz
la
base
tiene
asociada
( 4,1, 1)
Lo primero que tenemos que hacer es expresar el vector v respecto a la base B . Sabemos que la relacin entre las coordenadas de un vector respecto de ambas bases es x = Px Sabemos que la matriz P cambio de base de B ' a la base cannica es:
4 1 2 1 x 1 2 1 P = 0 1 0 , por lo tanto, se cumple que: 1 = 0 1 0 y 1 1 0 1 z 1 0 1
MATEMTICAS I
179
x 1 2 1 4 y = 0 1 0 1 = z 1 0 1 1
1 2 0 1 2
1 1 1
4 1 2 0 1 = 1 3 1 2 1 2
1 2
Una vez que tenemos expresado el vector v respecto de la base B , su norma ser:
v = v v = v t Gv =
(1 2
2 1 2 1 2 1 3 ) 1 3 1 1 = 2 3 2 1 4 2
1 2 ( 1 2 4 ) 1 = 3 2 n=5
15 2
8. Si V
W = x V : Ax = 0
cuales de las siguientes afirmaciones son verdaderas y cuales falsas: a) W es el ncleo de la aplicacin lineal
f : V V definida por
f ( x ) = Ax .
b) dim(W ) coincide con el rango de A . c) Todas las filas de la matriz A pertenecen a W d) Si dim(W ) = 2 , el rango de A es 2. SOLUCIN:
Sabemos que:
180
MATEMTICAS I
Si tenemos la aplicacin lineal: f : V V definida por f ( x ) = Ax , por definicin de ncleo se tiene que:
Ker ( f ) = x V / f ( x ) = 0 = x V / Ax = 0 = W .
b) Verdadera Tenemos que:
dim(W ) + dim(W ) = dim(V ) dim(W ) + dim(W ) = n dim(W ) = n dim(W ) = n (n rango( A)) = rango( A)
} {
multiplicar cada fila de la matriz A por w , el resultado es 0 . En realidad esto es equivalente a decir que cada vector fila de la matriz A multiplicado por el vector w , usando el producto escalar usual, nos da 0, es decir que cada vector fila de la matriz A es ortogonal a todos los vectores de W , por lo tanto cada vector fila de la matriz A pertenece a
W .
d) Falsa El subespacio vectorial W se puede ver como el ncleo de la aplicacin
MATEMTICAS I
181
9. Sea V un espacio vectorial eucldeo y U un subespacio vectorial de V , U el subespacio complemento ortogonal de U . Justificar cuales de las siguientes afirmaciones son verdaderas y cuales falsas: a) dim(U ) = dim(U ) b) dim(U U ) = 0 c) dim(U U ) = dim(V ) d) (U ) = 0 SOLUCIN:
{}
( x1, x2 , x3 ) ( y1 , y2 , y3 ) = x1 y1 + x2 y2 + x3 y3 ,
: x + y = 0} = {( x, y, z )
: x = y} = (1, 1, 0 ) , ( 0, 0,1)
dim(U ) = 1 y sin embargo dim(U ) = 2 1 b) Verdadera Una de las propiedades del subespacio complemento ortogonal nos dice que:
U U = V
de
donde
se
deduce
inmediatamente
que
{}
182
MATEMTICAS I
Sabemos que U U = 0 , por lo tanto la dimensin de esta interseccin nunca puede ser igual a la dimensin de V porque se parte de la hiptesis de que el espacio vectorial V es no nulo. d) Falsa. (U ) = U , por lo tanto, siempre que U sea distinto del subespacio nulo, (U ) 0 .
10. El vector v = (1,1, 0 ) F , siendo F = ( 0,1,1) , (1, 3, 1) . Calcular el vector de F que mejor se aproxima a v en el sentido de mnimos cuadrados. SOLUCIN:
{}
{}
El vector que mejor se aproxima a v en el sentido de mnimos cuadrados es su proyeccin ortogonal sobre F, dicha proyeccin ortogonal viene dada por w = A( At A ) At v siendo A la matriz cuyas columnas son los
1
( A A)
t
es
que los vectores que definen las columnas de la matriz A sean linealmente independientes, es decir, no basta con que generen a F , es necesario que sean base de F . w = A( At A ) At v
1
0 1 0 1 1 0 1 1 0 1 1 = 1 3 1 3 1 = 1 1 1 3 1 1 1 1 3 1 0
MATEMTICAS I
183
0 1 11 = 1 3 181 1 1 9 0 1 1 = 1 3 19 1 1 9
1 1 0 1 1 9 1 = 1 3 1 9 1 0
5 18 2 9
1 1 = 2 9 0
13 18
1 3 0 1 1 6 7 = 1 3 1 = 1 1 3 6 1 6
que el sistema:
0 1 1 0 1 1 1 1 + 2 3 = 1 1 3 1 = 1 1 1 0 1 1 2 0
1 = 1 2
1 1 1 3 6 7 3 1 = 6 . 3 1 1 1 6
0
3
184
MATEMTICAS I
Si u = ( 4, 3, 0 )
El vector de W que mejor se aproxima a u en el sentido de mnimos cuadrados es su proyeccin ortogonal sobre W . Dicha proyeccin ortogonal viene dada por la siguiente expresin: x = A( At A ) At u , siendo
1
5 4 3 1 1 0 1 2 3 3 = 2 1 1 3 3 0 0 7 3
MATEMTICAS I
185
Si llamamos A a la matriz de los coeficientes y b a la matriz de los trminos independientes del sistema anterior, como las columnas de A son linealmente independientes, sabemos que la mejor solucin por mnimos cuadrados viene dada por: 1 1 0 1 t 1 1 2 1 1 2 t x = ( A A ) A b = 1 1 1 = 1 1 3 2 3 1 1 3 1
0 1 6 6 1 1 2 11 30 = 1 = 6 11 1 1 3 1 5 1 0 1 1 1 2 5 1 = 1 1 3 5 1 1
1
13 30 3 5
Luego, la mejor
y= 3. 5
x = 13 30
SOLUCIN:
2 1 A = 1 2 , 3 1
186
MATEMTICAS I
x Tenemos el sistema: Ax = b , siendo x = . y La solucin ptima del sistema en el sentido de los mnimos cuadrados, es la solucin del sistema At Ax = At b como la matriz A es de rango mximo, viene dada por: x * = ( At A ) At b
1
Es decir: 2 1 3 2 1 3 2 1 3 * x = 1 2 0 = 1 2 1 3 1 1 2 1 2
2 25 1 25
1 25 2 14 1 75
1
3 3 0 = 2 1 2
1 5 14 15
0 = 1 calcular la solucin por = 1
=
x1 + x2
MATEMTICAS I
187
por tanto el sistema es incompatible, luego no tiene solucin exacta. Se plantea el nuevo sistema A Ax = A b, siendo x =
t t
1 2
0 y b = -1 , 1
para encontrar solucin aproximada al sistema por el mtodo de mnimos cuadrados, el nuevo sistema a resolver es:
1 1 0 1 3 1 x1 1 3 1 3 1 x = 1 1 1 1 2 1 1 1 1 1 1
11x1 3 x2 3 x1 + 3 x2
15. Calcular la recta que mejor se ajusta en el sentido de mnimos cuadrados al conjunto de puntos siguiente
Buscamos la recta, y = mx + n, que mejor se ajuste al conjunto de puntos, primero se intentar encontrar una recta que contenga a los cuatro puntos, si no existe, se buscar la que menor error cuadrtico cometa. (2, 2) 2 (1, 0) 0 (0, 1) 1 (1, 4) 4 = 2m + n 2m + n = 1m + n m + n n = 0m + n m+n 1m + n = = 2 = 0 ; = 1 = 4
188
MATEMTICAS I
2 1 A = 0 1
2 0 obtenemos 0 0
rango( A ) = 3 Sistema incompatible, no hay una recta que pase por los cuatro puntos. Se plantea el nuevo sistema At Ax = At b. 2 1 Siendo A = 0 1 1 2 1 0 m , x = y b = y nos queda: 1 1 n 4 1
MATEMTICAS I
189
Bibliografa
[1] BURGOS, J. lgebra Lineal y Geometra Cartesiana. McGrawHill. Madrid, 1999. [2] DE LA VILLA, A. Problemas de lgebra. Clagsa. Madrid, 1994. [3] GROSSMANN, S.I. lgebra Lineal con aplicaciones. McGrawHill. Mxico, 1996. [4] GUERRA, N.; LPEZ, B. Problemas resueltos tipo test de lgebra Lineal (Con esquemas tericos). El Libro Tcnico. Las Palmas de G.C., 1999. [5] LAY DAVID C. Algebra lineal y sus aplicaciones. Addison Wesley Longman. Mxico 1999. [6] NOBLE, B.; DANIEL, J.W. lgebra Lineal Aplicada. PrenticeHall, Inc. Mxico, 1989.
190
MATEMTICAS I