Proyecciones y bases ortonormales

Curso 2017-18

Proyecciones

Definición
Una matriz P ∈ Cn×n se dice que es una proyección si es una
matriz idempotente. Es decir, si P 2 = P.

Proposición
Si P ∈ Cn×n es una proyección también lo es In − P. A ésta se le
llama proyección complementaria de P y cumple que
Ker(P) = Im(In − P) y Ker(In − P) = Im P.

Proposición
Si P ∈ Cn×n es una proyección entonces Im(P) ⊕ Ker(P) = Cn
Conclusión: Si P es una proyección, proyecta Cn sobre Im(P) a lo
largo de Ker(P).

2
Proyecciones ortogonales

Definición
Una proyección P ∈ Cn×n es ortogonal si Ker(P) = (Im(P))⊥ .

Proposición
Una proyección P es ortogonal si y sólo si P = P ∗ (i.e., es
hermı́tica).

Proposición
Una matriz P ∈ Cn×n de rango r es una proyección ortogonal si y
sólo si existe una matriz Q ∈ Cn×r , con columnas ortonormales, tal
que P = QQ ∗ .

Propiedades de las proyecciones ortogonales

1 QQ ∗ proyecta ortogonalmente sobre Im(Q) (paralelamente a

(Im(Q))⊥ = Ker(Q ∗ )).
2 In − QQ ∗ proyecta ortogonalmente sobre (Im(Q))⊥
(paralelamente a Im(Q)).
3 Las proyecciones ortogonales de rango 1 son de la forma:
Pq = qq ∗ , q un vector unitario. Proyectan ortogonalmente
sobre < q >. Su complementaria, In − qq ∗ , es de rango n − 1
y proyecta ortogonalmente sobre < q >⊥ .

4
Algoritmo clásico de Gram-Schmidt
F=RoC

Algoritmo clásico de Gram-Schmidt

 
Dada A = a1 a2 · · · an ∈ Fm×n , m ≥ n, rang(A) = n,

R=zeros(n,n)
Q=A
for j = 1:n
for i = 1:j − 1
rij = qi∗ aj
qj = qj − rij qi
end for
rjj = kqj k2
qj
qj =
rjj
end for
5

Algoritmo modificado de Gram-Schmidt

F=RoC

Algoritmo modificado de Gram-Schmidt

 
Dada A = a1 a2 · · · an ∈ Fm×n , m ≥ n, rang(A) = n,

R=zeros(n,n)
Q=A
for j = 1:n
for i = 1:j − 1
rij = qi∗ qj (Método Clásico: rij = qi∗ aj )
qj = qj − rij qi
end for
rjj = kqj k2
qj
qj =
rjj
end for
6
Coste: ∼ 2n2 m (el mismo para ambos algoritmos)
Existencia y unicidad de factorización QR
Teorema
Si A ∈ Cm×n (m ≥ n) tiene rango completo admite una única
factorización QR.

Teorema
Toda matriz A ∈ Cm×n (m ≥ n) admite una factorización QR.
Factorización reducida vs completa Si A ∈ Cm×n , m ≥ n y
A = QR es una factorización reducida
 
Q̃ = Q Q1 ∈ Cm×m unitaria
 
R
R̃ = ∈ Cm×n
0
A = Q̃ R̃ factorización completa

Un análisis experimental de la estabilidad

disp(’Escogidas U y V matrices unitarias 80x80
aleatorias’)
0
10

S=diag(2.^(-1:-1:-80)); −5
10

A=U*S*V’; eps1/2
[QC,RC]=clgs(A); −10
10

[QM,RM]=mgs(A);
rjj

axis([1 80 10^(-25) 10^0]) −15

10
eps
semilogy(1:80, diag(RC),’*’);
−20
hold on 10
2−j
semilogy(1:80,diag(RM),’o’);
−25
10
10 20 30 40 50 60 70 80
j

semilogy(1:80, 2.^(-1:-1:-80),’r.-’);
plot(1:80,sqrt(eps).*ones(80),1:80,eps.*ones(80))

8
Pérdida numérica de la ortogonalidad
>> A=[ 0.70000 0.70711; 0.70001 0.70711];
>> [Q R]=mgs(A)
>> norm(A-Q*R)
ans =
0
>> norm(Q’*Q-eye(2))
ans =
2.301436818896718e-11
>> [Q R]=qr(A)
>> norm(A-Q*R)
ans =
2.680315483308931e-16
>> norm(eye(2)-Q’*Q)
ans =
2.351490101248793e-16

Análisis del error

Teorema
Sea A ∈ Rm×n de rango n y sean Q b ∈ Rm×n y Rb ∈ Rn×n las
matrices calculadas mediante el método MGS. Entonces existen
constantes ci (que dependen de m y n) tales que
bR,
A + ∆A1 = Q b k∆A1 k ≤ c1 kAk2 M . (1)
bT Q
kQ b − In k2 ≤ c2 κ2 (A)M + O((κ2 (A)M )2 ), (2)
y existe una matriz (exactamente) ortogonal Q tal que
b
A + ∆A2 = Q R, k∆A2 (:, j)k2 ≤ c3 kaj k2 M , j = 1, . . . , n : (3)

La propiedad (1) también es verdadera para el método CGM.

10