Descomposicion QR de matrices con columnas linealmente independientes

Jose Luis Mancilla Aguilar

En lo que sigue veremos que toda matriz A K
nm
(K = R o C) con rango(A) = m, es decir,
cuyas columnas forman un conjunto linealmente independiente, se puede factorizar como pro-
ducto de dos matrices, una de ellas de nm tal que sus columnas forman un conjunto ortonormal
y otra de mm que es triangular superior y con n umeros positivos en la diagonal (y por tanto
inversible). Tal factorizacion, que se denomina descomposicion QR de A, es utilizada por var-
ios algoritmos numericos para la resolucion de ecuaciones lineales y para el calculo de autovalores.
Denicion. Dada A K
nm
con rango(A) = m, una descomposicion QR de A es una fac-
torizacion
A = QR con Q K
nm
y R K
mm
tales que Q
H
Q = I y R es triangular superior y con n umeros positivos en la diagonal principal.
Teorema 1. Sea A K
nm
con rango(A) = m. Supongamos que A = QR es una descom-
posicion QR de A entonces
1. Las columnas de Q forman una base ortonormal de col(A);
2. P = QQ
H
es la matriz de proyeccion sobre col(A).
Demostracion. Como el punto 2. es consecuencia directa del punto 1. por lo que ya hemos
visto sobre matrices de proyeccion, solo el primero.
Sean u
1
, u
2
, . . . , u
m
las columnas de Q. Como
Q
H
Q =

u
H
1
u
H
2
.
.
.
u
H
m

[u
1
u
2
u
m
] =

u
H
1
u
1
u
H
1
u
2
u
H
1
u
m
u
H
2
u
1
u
H
2
u
2
u
H
2
u
m
.
.
.
.
.
.
.
.
.
.
.
.
u
H
m
u
1
u
H
m
u
2
u
H
m
u
m

,
y por lo tanto u
H
i
u
j
es el elemento del producto Q
H
Q ubicado en la posicion ij, tenemos que
Q
H
Q = I u
H
i
u
j
=

0 si i = j
1 si i = j
{u
1
, u
2
, . . . , u
m
} es un conjunto ortonormal.
Entonces, claramente, {u
1
, u
2
, . . . , u
m
} es una b.o.n. de col(Q). Si probamos que col(Q) = col(A)
tendremos probado el punto 1.
Para ello usaremos el siguiente resultado: si A, B y C son matrices tales que A = BC
entonces col(A) col(B).
La demostracion de este resultado es la siguiente: si y col(A) entonces existe x tal que
y = Ax = BCx. Llamando z = Cx, tenemos que y = Bz, con lo cual y col(B). Por lo tanto
cada elemento de col(A) es a su vez elemento de col(B), con lo cual col(A) col(B).
Luego, dado que A = QR, tenemos que col(A) col(Q). Como R es inversible por la
denicion de descomposicion QR, tenemos que Q = AR
1
, con lo cual col(Q) col(A). Por lo
tanto
col(A) col(Q) y col(Q) col(A) = col(A) = col(Q).
1
En lo que sigue veremos que toda matriz A de rango completo admite una descomposicion
QR.
Teorema 2. Sea A K
nm
con rango(A) = m. Entonces existe una descomposicion QR
de A.
Demostracion. Denominemos v
1
, v
2
, . . . , v
m
a las columnas de A. Por hipotesis B = {v
1
, v
2
, . . . , v
m
}
es un conjunto linealmente independiente. Aplicando el procedimiento de Gram-Schmidt al con-
junto B obtenemos una base ortogonal {u
1
, u
2
, . . . , u
m
} de col(A) que satisface las igualdades:
u
1
= v
1
u
2
= v
2

12
u
1
u
3
= v
3

13
u
1

23
u
2
.
.
.
.
.
.
.
.
.
u
j
= v
j

1j
u
1

2j
u
2

(j1) j
u
j1
.
.
.
.
.
.
.
.
.
u
m
= v
m

1m
u
1

2m
u
2

(m1) m
u
m1
con
ij
=
u
H
i
v
j
u
i

2
1 i < j.
Pero entonces, despejando cada v
i
obtenemos las igualdades
v
1
= u
1
v
2
=
12
u
1
+u
2
v
3
=
13
u
1
+
23
u
2
+u
3
.
.
.
.
.
.
.
.
.
v
j
=
1j
u
1
+
2j
u
2
+ +
(j1) j
u
j1
+u
j
.
.
.
.
.
.
.
.
.
v
m
=
1m
u
1
+
2m
u
2
+ +
(m1) m
u
m1
+u
m
.
que pueden escribirse en forma matricial
[v
1
v
2
v
m
] = [u
1
u
2
u
m
]

1
12

13

1m
0 1
23

2m
0 0 1
3m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1

.
Llamando Q
0
= [u
1
u
2
u
m
] y R
0
a la matriz triangular superior que aparece arriba, tenemos
que A = Q
0
R
0
, que es casi la factorizacion que estamos buscando, ya que las columnas de Q
0
forman un conjunto ortogonal y R
0
es triangular superior e inversible. Lo que hacemos ahora es
normalizar cada columna de Q
0
, es decir, denimos
Q = [q
1
q
2
q
m
] con q
i
=
u
i
u
i

2
y modicamos R
0
de modo tal que su producto con Q siga dando A, para ello multiplicamos cada
la de R
0
por el n umero por el cual dividimos la correspondiente columna de Q
0
obteniendo:
R =

u
1

12
u
1

13
u
1

1m
u
1

0 u
2

23
u
2

2m
u
2

0 0 u
3

3m
u
3

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 u
m

. (1)
Entonces A = QR es la factorizacion QR buscada.
Ejemplo. Hallar una descomposicion QR de
A =

1 1 0
1 0 1
0 1 1

.
De acuerdo con la demostracion del teorema anterior, para hallar tal descomposicion deberamos
aplicar el precedimiento de G-S a las columnas de A y con los vectores obtenidos, previa nor-
malizacion, construir la matriz Q. La matriz R podra obtenerse directamente mediante (1),
calculando los
ij
mediante la formula
ij
=
u
H
i
v
j
u
i

2
. Sin embargo ello no es necesario, pues, una
vez obtenida Q, como A = QR y Q
H
Q = I, tenemos que Q
H
A = Q
H
(QR) = (Q
H
Q)R = R.
Procedemos entonces a aplicar G-S a las columnas de A: llamando v
i
a la columna i de A
tenemos que
u
1
= v
1
=

1
1
0

.
u
2
= v
2

u
H
1
v
2
u
1

2
u
1
=

1
0
1

1
2

1
1
0

1
2

1
2
1

u
3
= v
3

u
H
1
v
3
u
1

2
u
1

u
H
2
v
3
u
2

2
u
2
=

0
1
1

1
2

1
1
0

1
3

1
2

1
2
1

2
3
2
3
2
3

.
Normalizando los u
i
obtenidos formamos Q:
Q =

2
2

6
6

3
3

2
2

6
6

3
3
0

6
3

3
3

y calculamos R mediante
R = Q
H
A =

2
2

2
2
0

6
2

6
6
0 0
2

3
3

.
Nota. Cuando se calcula la descomposicion QR de una matriz en forma numerica, es decir,
3
empleando una computadora digital para hacer los calculos, no se emplea el procedimiento de
Gram-Schmidt para calcular Q debido a que los errores de redondeo pueden ser muy grandes.
La descomposicion se hace empleando otros metodos que involucran la utilizacion de las deno-
minadas matrices de Householder (hay una introduccion en wikipedia).
Varios programas que efect uan calculos con matrices, como Matlab, Mathematica, Maple,
Scilab (de uso libre, se baja de la red en la direccion http://www.scilab.org/) contienen instruc-
ciones que calculan la descomposicion QR de una matriz.
Descomposicion QR y cuadrados mnimos.
La descomposicion QR de una matriz de rango completo es muy util en la resolucion de ecua-
ciones lineales por cuadrados mnimos, porque permite hacerlo en forma eciente y con bastante
precision. Observamos que si A posee columnas l.i. y A = QR es una descomposicion QR de A
entonces
A
H
Ax = A
H
b R
H
Q
H
QRx = R
H
Q
H
b R
H
Rx = R
H
Q
H
b Rx = Q
H
b,
la ultima equivalencia debido a que R
H
es inversible por serlo R. Luego, las soluciones por
cuadrados mnimos de la ecuacion Ax = b se pueden obtener resolviendo la ecuacion
Rx = Q
H
b,
lo cual tiene dos ventajas, una es que R es triangular y la otra es que, en general, el error que
se comete al resolver de esta manera mediante una computadora digital es menor que el que se
comete empleando la ecuacion normal A
H
Ax = A
H
b.
4