Está en la página 1de 18

Espacios Vectoriales Eucldeos.

Proyecciones
Ortogonales y Mnimos Cuadrados.
Sumario:
PARTE TERICA DEL TEMA
1.- Espacio vectorial eucldeo.
2.- Ortogonalidad Propiedades.
3.- Norma. Propiedades.
4.- Proyecciones en espacios eucldeos.
5.- Mtodo de los mnimos cuadrados
6.- Ajuste de datos con el mtodo de los mnimos cuadrados.
PROBLEMAS RESUELTOS.
Introduccin al captulo
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 especficos
1. Reconocer en una forma bilineal un producto escalar y manejar adecuadamente sus
propiedades.
2. Definir la norma asociada a cada producto escalar y demostrar sus propiedades.
3. Obtener para cada vector del espacio su norma, mdulo, y para cada par de vectores
el ngulo que forman a partir del producto escalar.
4. Reconocer diferentes expresiones para un producto escalar al considerarlo en bases
diferentes.
5. Encontrar una base del espacio en la cual un producto escalar dado adopte la
expresin ms simple (expresin cannica).
6. Conocer y utilizar con soltura el mtodo de ortonormalizacin de Gram-Schmit.
7. Determinar el complemento ortogonal de un subespacio.
8. Entender y calcular la proyeccin ortogonal de un vector sobre un subespacio.
9. Comprender y manejar el mtodo de los mnimos cuadrados.
Espacio vectorial eucldeo. Proyecciones
Ortogonales y Mnimos Cuadrados.
Espacio vectorial eucldeo.
Un conjunto E es un espacio vectorial eucldeo n-dimensional si es un espacio vectorial
real de dimensin n en el que se ha definido una operacin:
f E E :


, verificando las siguientes propiedades:
1.
( , ) ( , ) f x y f y x
,
, x y E

2. ( ) ( ) ( ) f x y z f x z f y z + , , + , , ,
y
, x y z E ,

3. ( ) ( ) ( ) f x y z f x y f x z , + , + , , ,
y
, x y z E ,

4. ( ) 0 0 f x x x x E , > , ,
Esta operacin recibe el nombre de producto escalar y la notacin que vamos a utilizar
es :
( , ) f x y x y o

Matriz Asociada al Producto Escalar
Si { }
1 2 n
B e e e , , ,
es una base del espacio vectorial eucldeo E , entonces la matriz
asociada al producto escalar respecto a dicha base viene dada por:
1 1 2 1 1
2 1 2 2 2
1 2
n
n
n n n n
e e e e e e
e e e e e e
A
e e e e e e
_






,
o o L o
o o L o
L L L L
o o L o
MATRIZ DE GRAM
como el producto escalar es conmutativo, sucede que
i j j i
e e e e i j , , o o
y de ah se
obtiene que la matriz A es simtrica, es decir:
1 1 2 1 1
1 2 2 2 2
1 2
n
n t
n n n n
e e e e e e
e e e e e e
A A
e e e e e e
_






,
o o L o
o o L o
L L L L
o o L o

Ortogonalidad
Definicin. Vectores ortogonales.
Sea E un espacio vectorial eucldeo. Dos vectores u y v son ortogonales si y slo si
0 u v o .
Proposicin
El vector
0
es el nico vector ortogonal a todos los vectores del espacio.
Definici n. Vector ortogonal a un subespacio.
Un vector u es ortogonal a un subespacio S de E si y slo si,
x S ,
0 u x . o
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 .
Definici n. Subespacios ortogonales.
Dos subespacios V y W de E son ortogonales si
x V
,
0 y W x y o
.
Proposicin
Para que dos subespacios V y W sean ortogonales es necesario y suficiente que los
vectores de una base de V sean ortogonales con los vectores de una base de W .
Propiedades de la relacin de ortogonalidad.
Las principales propiedades de la relacin de ortogonalidad son las siguientes:
1. Si { }
1 2 k
S u u u , , , L
es un sistema de vectores ortogonales dos a dos, 0
i
u ,
1 2 i k , , ,
, entonces S es un sistema libre.
2. Si
1 2
, V V son dos subespacios de E ,tal que
1 2 1 2
, V V V V entonces existe un
vector no nulo de
2
V ortogonal a todo el subespacio
1
V .
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 complemento ortogonal de V y se representa
por V

.
5. Si V es un subespacio de E entonces {0} V V

.
6. Si V es un subespacio de E entonces V V E

.
Definicion. Longitud, norma o mdulo de un vector.
Se llama longitud, norma o mdulo de un vector u , y se representa por
u

u
a la
raz cuadrada positivo del producto escalar u u o , es decir,
u u u + o
------------
------------
E
u u u u
+
:
+

o

NOTA: Si
1 u
, se dice entonces que el vector u es unitario.
Propiedades de la norma.
1. 0 0 u u > ,
2. 0 0 u u
3.
u u u E , ,
.
4.
0
u
u E u
u
, ,
, es un vector unitario en la direccin de u.
5. Desigualdad de Schwarz,
u v E u v u v u v , : o

6. Desigualdades triangulares,
u v E , :

(a)
u v u v + +

(b)
u v u v

Definicin. Angulo que forman dos vectores.
Sean ,
n
u v u v , o el producto escalar usual, es decir,
1
n
t
i i
i
u v u v u v

o

El ngulo

que forman dos vectores u y v se define por medio de la expresin:


( )
u v
cos
u v

o

Proposicin.
Sean , ; , 0
n
u v u v
a)
u
y
v
son ortogonales (
u v
) ( ) 0 0
t
cos u v .
b)
u
y v son paralelos (
// u v
)
( ) 0
t
cos u v u v t .

Definicin. Bases ortogonales y ortonormales.
Una base de un espacio vectorial eucldeo es ortogonal si sus vectores son ortogonales
dos a dos.
Una base ortonormal es una base ortogonal de vectores unitarios.
Mtodo de ortogonalizacin de Gram-Schmidt.
Este mtodo nos permite construir una base ortonormal a partir de una base cualquiera
del espacio.
Si { }
1 2 n
B e e e , , ,
es una base de E , los vectores que se obtienen de la forma:
1 2
1 1
1 3 2 3
1 1 2 2
1 2 1
1 1 2 2 1 1
1 1
2 2 1
3 3 1 2
1 2 1
....
n n n n
n n
n n n
c e
c c
c e c e
c c c c
c e c e c e
c c c c c c
c e
c e c
c e c c
c e c c c




o
o
o o
o o
o o o
o o o
L L L L L L L L L L L L L L L L L L
constituyen una base ortogonal. Entonces
{ }
1 2
1 2
n
n
c c c

c c c
B

, , ,
es una base ortonormal.
Proyecciones en Espacios Eucldeos.
Definicin. Proyeccin ortogonal de un vector sobre otro.
Sea 0 v E v , . Todo vector u E se descompone como:
u v
v v
u v w + .
o
o

siendo el vector w un vector ortogonal a v .
El vector
u v
v v
v
o
o
es la proyeccin ortogonal de u sobre v .
Proyeccin Ortogonal de un vector sobre un subespacio S.
Sea S un subespacio de E. Todo vector u de E se descompone de manera nica de la
forma u s w + , siendo s S y w ortogonal a S . El vector s es la proyeccin
ortogonal de u sobre S .
Expresin matricial del vector proyeccin sobre un subespacio.
Sea u E . Sea { } ( )
1 2
linealmente independientes
k i
S L a a a a , , , , L
un subespacio de
E , y sea A la matriz cuyas columnas son las coordenadas de los vectores
i
a
en una
base B de E . El vector proyeccin,
s ,
del vector u sobre S viene dado por:
( )
1
t t
s A A A A u


NOTAS:
1. La existencia de la matriz
( )
1
t
A A

queda garantizada por ser linealmente
independientes los vectores
i
a
, para
1 2 i k , , ,
.
2. Obsrvese que en el caso particular de
( ) 1 dim S
, { } S L v
, la expresin del
vector proyeccin s de u sobre S sera:
1
( ) ( )
t t
u v
v v
s v v v v v u


o
o

que corresponde a la forma
( )
1
t t
s A A A A u

tomando A la matriz columna de las


coordenadas de v . En este caso
t
v v A A o y
t
u v A u o .
Definicin. Matriz Proyeccin asociada a un subespacio S.
Sea S un subespacio de E y { }
1 2 k
B a a a , , , L
una base de dicho subespacio. Sea A
la matriz cuyas columnas son las coordenadas de los vectores
i
a
en una cierta base de
E . La matriz proyeccin para el subespacio S es la matriz:
1
( )
t t
S
P A A A A

.
El producto
S
P u
para cualquier vector u E nos proporciona la proyeccin
ortogonal de u sobre el subespacio S .
Teorema.
Sea S un subespacio vectorial de E y { }
1 2 S k
B a a a , , , L
una base del mismo. Sea B
una base de E y A la matriz n k , cuyas columnas son las coordenadas de los vectores
i
a
respecto a la base B .
La matriz proyeccin:
1
( )
t t
S
P A A A A


es la nica matriz con la propiedad de que para todo vector u E , el vector
S
P u
es la
proyeccin de u sobre S .
NOTA: El teorema anterior nos dice que la matriz proyeccin es nica, independiente
de la base elegida en el subespacio.
Propiedades de la matriz proyeccin.
La matriz proyeccin
S
P
satisface:
1.
2
( )
S S
P P , es decir,
S
P
es idempotente.
2. ( )
t
S S
P P , es decir,
S
P
es simtrica.
Caracterizacin de las matrices proyeccin.
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.
Matriz proyeccin utilizando bases ortonormales.
Si A es una matriz n k de columnas ortonormales,
t
A A
es la matriz 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 { }
1 2 k
B a a a , , , L

una base ortonormal del mismo. Si A es la matriz cuyas columnas son los vectores
i
a
,
entonces la matriz proyeccin para el subespacio S , al ser
t
A A I
, es
t
S
P AA .
Mtodo de los Mnimos Cuadrados
Planteamiento del Problema.
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.
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:
( )
2 2 2
1 2 1 2 m m
Ax b d d d d d d , , , + + + + .
Pero minimizar su norma es equivalente a minimizar su norma al cuadrado, es decir,
2
2 2 2
1 2 m
Ax b d d d + + + .
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
1
( )
t t
A A A A b

, el vector
*
x lo obtendremos de resolver:
1
( )
t t
Ax A A A A b

.
Multiplicando la igualdad anterior por
t
A
queda:
( ) ( )
1
t t t t t
A Ax A A A A A b A b


t
A b
,
Es decir
*
x , es la solucin del sistema lineal compatible y determinado:
t t
A Ax A b

(Nota: El sistema anterior es compatible y determinado ya que la matriz
t
A A
es una
matriz cuadrada de orden n, regular).
La solucin del sistema anterior, al ser A de rango mximo, es
( )
1
* t t
x A A A b

, que
nos da la solucin ptima del sistema Ax b , en el sentido de mnimos cuadrados.
NOTA: Si
m n
A M

tiene columnas ortonormales, la solucin del sistema Ax b por


el mtodo de los mnimos cuadrados es
* t
x A b
, al ser
t
A A I

Ajuste de datos con el mtodo de mnimos cuadrados
Recta de ajuste de datos en el plano.
Supongamos que partimos de una coleccin de datos ( )
i i
x y ,
,
1 2 i 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
( )
i i
x y ,
en la anterior igualdad se obtiene:
1 2
i i
y a bx i 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:
1 1
2 2
4
1
1
1
m
y x
y x a
y Ax Ax y
b
y x
_ _









, ,
_


,
M M M

La solucin que minimiza el error en trminos de mnimos cuadrados es la solucin del
sistema
t t
A Ax A y , que es:
* 1
( )
t t
x A A A y


NOTA: ( )
t
A A es invertible siempre que las columnas de A sean linealmente
independientes, que, en este caso, equivale a decir que los valores
i
x
no sean todos
iguales, es decir, que los puntos ( )
i i
x y ,
no estn todos en una recta vertical.
Ajuste de datos en
1 n+

por una funcin lineal.


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:
( )
1 2
1 2 1
k k kn k
x x x y k m m n , , , ; , , , , , > +

y se quieren ajustar por la relacin lineal
0 1 1 n n
y s s x s x + + + L
.
Se obtiene entonces el sistema:
0 1 1 k k n kn
y s s x s x + + + L
,
1 2 k m , , , .

Matricialmente se expresa como:
1 11 1 0
21 2 2 1
1
1
1
1
n
n
m m mn n
y x x s
y x x s
y x x s
_ _ _









, , ,

L
L
M L L L L M
L

de forma abreviada
y As As y
.
Si
( ) 1 rang A n +
, estamos ante un problema que se puede resolver con el mtodo de
los mnimos cuadrados, siendo la solucin ptima la solucin del sistema
t t
A As A y ,
que es
( )
1
* t t
s A A A y

.
Otras funciones de ajuste.
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 ( )
i i
x y , .

As, por ejemplo, si el ajuste se realiza por una funcin polinmica
2
0 1 2
( )
n
n
y f x c c x c x c x + + + + , L
al sustituir los datos ( )
i i
x y ,
en la igualdad anterior se obtiene el sistema:
2
0 1 2
n
i i i n i
y c c x c x c x + + + + , L
1 2 k m , , , .

Matricialmente se expresa como:
2
1 0 1 1 1
2
2 1 2 2 2
2
1
1
1
n
n
n
m n m m m
y c x x x
y c x x x
y Ac Ac y
y c x x x
_ _ _









, , ,

L
L
M M L L L L
L

siendo la solucin ptima por el mtodo de mnimos cuadrados la solucin del sistema
t t
A Ac A y , que es
( )
1 *
t t
c A A A y

.
PROBLEMAS
1. Dado el espacio vectorial V de los polinomios de grado menor o igual que 1 y el
producto escalar:
1
1 2 1 2
0
( ) ( ) ( ) ( ) p x p x p x p x dx

. Calcular la matriz asociada al producto escalar


respecto de la base { } 1 B x ,

SOLUCIN:
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 por:
u u u v
u v v v
_
.

,
o o
o o

En este caso particular tenemos que: 1 u y que v x .
Tal y como se ha definido el producto escalar, lo que sabemos es que:
1 1
0 0
1 1 1 1 1 dx dx .

o

1 1
0 0
1 1 1 2 x xdx xdx . /

o

1 1
2
0 0
1 3 x x x xdx x dx . /

o

Luego, la matriz asociada al producto escalar en la base { } 1 x ,
es:
1 1 2
1 2 1 3
/ _

/ /
,

2. De un producto escalar definido en
2

respecto de la base { } B u v ,
, se sabe
que:
) i
2 u u o
) ii

(3 ) 5 u u v + o

) iii

5( ) v v u u o o

a) Calcular la matriz asociada al producto escalar.
b) Calcular
(2 3) (1 4) , , o

SOLUCIN:
a)
u u u v
A
u v v v
_


,
o o
o o

Tenemos que:
2 u u o
(3 ) 5 3( ) 5 6 5 1 u u v u u u v u v u v + + + o o o o o

5( ) 10 v v u u o o

La matriz asociada al producto escalar es:
2 1
1 10
A
_

,

b)
( ) ( )
1 2 1 1
(2 3) (1 4) 2 3 2 3 113
4 1 10 4
A
_ _ _
, , , ,

, , ,
o

3. Sea E un espacio vectorial eucldeo de dimensin
n
y U un subespacio
vectorial de E , U

, el subespacio complemento ortogonal de U , calcular:


a) ( ) dim U U


b) ( ) dim U U

+
SOLUCIN:
a) Sabemos que la suma de U y U

es directa, por tanto {0} U U

con lo cual
( ) 0 dim U U

.
b) Adems de ser suma directa se tiene que, U U V

, directamente se obtiene que


( ) ( ) dim U U dim V n

+ .
4. Sea { }
3
( ) 2 0 F x y z x y z , , / + ,
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.
{ } { }
3 3
( ) 2 0 ( ) 2 F x y z x y z x y z z x y , , / + , , / +

{ }
3
( 2 ) (1 0 2) (0 1 1) x y x y x y , , + / , < , , , , , >

Una base para F es
1 1 2
1 0
{ 0 1 } { }
2 1
B u u
_ _

, ,


, ,
que sus vectores no son ortogonales ya
que
1 2
0
(1 0 2) 1 2 0
1
t
u u
_

, ,


,

Aplicamos el mtodo de Gram-Schmidt
1 1
1
0
2
v u
_




,

1 1
1 1
2
5
2
2 2 1 5
1
5
0 1
1 0 1
1 2
t
t
u v
v v
v u v

_ _ _




, , ,

2
5
2
1
5
1
{ 0 1 }
2
B
_ _

,


, ,
es una base ortogonal de F y normalizando los vectores de
2
B se
obtiene
3
2
1
30
5
5
0
30
2
1
5
30
{ } B
_

_





,






,
,

que es una base ortonormal de F.


5. Sea F
1
n
B , una base ortonormal de
2
F B , una base ortonormal de F

,
demostrar que
1 2
B B B es una base ortonormal de
n
.
SOLUCIN:
Sabemos que {0} F F

, como el vector nulo no pertenece a ninguna base, los


vectores de
1
B son linealmente independientes con los de
2
B . 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 tanto forman una base de


n
.
Por otra parte los vectores de
1
B son ortonormales, es decir, todos tienen norma igual a
1 y son ortogonales entre si, lo mismo ocurre con los vectores de
2
B y los vectores de
1
B respecto de los de
2
B tambin son ortogonales ya que los de
1
B son vectores de F
y los de
2
B lo son de F

.
En definitiva los vectores de B estn normalizados y son todos ortogonales entre si,
forman una base ortonormal de
n

.
6. Dados los subespacios de
3

3
1
3 0
( )
0
x y z
F x y z
y z

, , /
' ;

y
{ }
3
2
( ) 0 F x y z x y z , , / + +

Calcular
1 2
( ) dim F F


SOLUCIN:
1
1 1 3
( ) 3 3 2 1
0 1 1
dim F rango
_
;

,

( )
2
( ) 3 1 1 1 3 1 2 dim F rango ;

1
1
{(4 11)} { }
F
B w , ,

2
1 2
{( 1 1 0) ( 1 0 1)} { }
F
B v v , , , , , ,

{ }
3 3
1 1
{ 0} ( ) 4 0
t
F x x w x y z x y z

/ , , / + +

1
1 2
{(1 0 4) (0 1 1)} { }
F
B u u

, , , , , ,

Sabemos que
1 2 1 2 1 2
1 2 1 2
( ) ( ) ( ) ( )
2 2 ( )
1 0 1 1
4 0 1 1 0
4 1 0 1
1 0 1 1
4 0 1 1 0 4 3 1
0 0 3 3
4 3 1
dim F F dim F dim F dim F F
rango u u v v
rango
rango

+ +
+

_





,
_





,


7. Un producto escalar en
3

con respecto a la base ( ) ( ) ( ) { 1 0 1 2 1 0 1 0 1 } B

, , , , , , , ,

tiene por matriz asociada
2 1 2
1 3 1
2 1 4
G
_



,
, calcular la norma del vector v que en la
base cannica tiene por coordenadas: ( ) 4 1 1 v , ,

SOLUCIN:
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:
1 2 1
0 1 0
1 0 1
P
_



,
, por lo tanto, se cumple que:
4 1 2 1
1 0 1 0
1 1 0 1
x
y
z
_






,
_ _

, ,
siendo
x y z
_

,
, ,
las coordenadas de
v
respecto a la base B.
Por lo tanto:
x
y
z
_






,

1
1 2 1 4
0 1 0 1
1 0 1 1

_ _



, ,

1 1 1
2 2 2
3 1 1
2 2 2
1 4
0 1 0 1 1
1 1
_ _ _




, , ,

Una vez que tenemos expresado el vector v respecto de la base B , su norma ser:
( ) ( )
1 1
2 2
3 15 1
2 2 2
3 3
2 2
2 1 2
1 1 3 1 1 1 2 4 1
2 1 4
t
v v v v Gv
_ _ _





, , ,

8. Si V es un espacio vectorial de dimensin 5 n y { }
0 W x V Ax :
es un
subespacio vectorial de V . Justificar 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
( ) 2 dim W
, el rango de A es 2.
SOLUCIN:
Sabemos que:
) i
Al estar W definido como solucin de un sistema de ecuaciones homogneo,
( ) ( ) ( ) ( ) 5 ( ) dim W dim V rango A n rango A rango A

) ii
( ) ( ) ( ) dim W dim W dim V

+
a) Verdadera
Para verlo, basta considerar la definicin de ncleo de una aplicacin lineal:
Si tenemos la aplicacin lineal:
f V V :
definida por
( ) f x Ax
, por definicin de
ncleo se tiene que: { } { }
( ) ( ) 0 0 Ker f x V f x x V Ax 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

+ +

c) Verdadera
Sabemos que para cada w W , entonces:
0 Aw
, por lo tanto, al 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
f V V :

definida por
( ) f x Ax
. Por la frmula de las dimensiones sabemos que:
( ) ( ( )) ( ( )) dim V dim Ker f dim Im f +
.
y tambin sabemos que
( ( )) ( ) dim Im f rango A .
Luego, como
( ) 5 dim V
y
( ) ( ( )) 2 dim W dim Ker f
, entonces
( ( )) 5 2 3 dim Im f
luego
( ) 3 rango A .

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) ( ) 0 dim U U


c) ( ) ( ) dim U U dim V


d) { }
( ) 0 U


SOLUCIN:
a) Falso
Veamos el siguiente contraejemplo.
Consideramos
3
V , espacio vectorial eucldeo con el producto escalar usual,
( ) ( )
1 2 3 1 2 3 1 1 2 2 3 3
x x x y y y x y x y x y , , , , + +
, y el subespacio ( ) 1 0 1 U , ,
. Veamos cul
es su complemento ortogonal:
( ) ( ) ( ) { }
3
1 0 1 0 con el producto escalar usual U x y z x y z

, , : , , , , ,

( ) { } ( ) { } ( ) ( )
3 3
0 1 1 0 0 0 1 x y z x y x y z x y , , : + , , : , , , , ,

( ) 1 dim U
y sin embargo ( ) 2 1 dim U


b) Verdadera
Una de las propiedades del subespacio complemento ortogonal nos dice que:
U U V

de donde se deduce inmediatamente que { }


0 U U


, o
equivalentemente:
0 dim U U
_

,


c) Falsa
Sabemos que { }
0 U U


, 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,
{ }
( ) 0 U

.

10. El vector ( ) 1 1 0 v F , , , siendo ( ) ( ) 0 1 1 1 3 1 F , , , , ,
. 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
( )
1
t t
w A A A A v

siendo A la matriz cuyas columnas son los vectores de la base que


genera al subespacio F .
NOTA: Una condicin necesaria para que exista la matriz
( )
1
t
A A

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 .
( )
1
t t
w A A A A v



1
0 1 0 1 1
0 1 1 0 1 1
1 3 1 3 1
1 3 1 1 3 1
1 1 1 1 0

1 _ _ _
_ _
1


1

, ,

1

, , , ]


11 1
18 9
1 1
9 9
0 1 1
0 1 1
1 3 1
1 3 1
1 1 0
_ _
_ _





, ,

, ,


5 13 1
9 18 18
1 2 2
9 9 9
0 1 1
1 3 1
1 1 0
_ _
_



, ,


1
6
1
3
1
3
0 1
7
1 3
6
1 1
1
6
_

_

_





,

,


,

Otra forma de enfocar y resolver el problema es sabiendo que el vector ( ) 1 1 0 v F , ,
,
siendo ( ) ( )
1 2
0 1 1 1 3 1 , F u u < , , , , , >< >
, quiere decir que el sistema:
1
1 2
2
0 1 1 0 1 1
1 3 1 1 3 1
1 1 0 1 1 0

_




,
_ _ _ _ _

+



, , , , ,

es un sistema incompatible. Se plantea y resuelve el sistema
t t
A A A v , obtenindose
1
1 6
1
2 3

_




,
_


,
que son las coordenadas de la proyeccin ortogonal de v sobre
F,
el vector
proyeccin de v sobre F es por tanto
( )
1
3
1
1 6
7
1 2 6
1
2 3
1
6
0 1
1 3
1 1
A u u

_




,
_ _
_

.


,


, ,

11. Sea el espacio vectorial
3

, y el subespacio ( ) ( ) 1 0 1 0 1 1 W , , , , ,
. Si
( )
3
4 3 0 u , ,
, u W . Calcular el vector de W que mejor se aproxima a u en
el sentido de mnimos cuadrados.
SOLUCIN:
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:
( )
1
t t
x A A A A u

, siendo A la matriz cuyas columnas son las coordenadas de un


sistema generador, linealmente independiente de W .
Por lo tanto, se tiene que:
( )
1
t t
x A A A A u

1
1 0 1 0 4
1 0 1 1 0 1
0 1 0 1 3
0 1 1 0 1 1
1 1 1 1 0

1 _ _ _
_ _
1


1
, ,

1
, , , ]


1 0
0 1
1 1
_



,

1
4
2 1 1 0 1
3
1 2 0 1 1
0

_
_ _



, ,

,


2 1
3 3
1 2
3 3
1 0 4
1 0 1
0 1 3
0 1 1
1 1 0
_ _
_ _



, ,

, ,

5
3
2
3
7
3
_






,

12. Dado el sistema:
0
1
2 3 1
x y
x y
x y
+

+
;

+

, calcular la mejor solucin por mnimos
cuadrados.
SOLUCIN:
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
t t
x A A A b


1
1 1 0
1 1 2 1 1 2
1 1 1
1 1 3 1 1 3
2 3 1

1 _ _
_ _
1


1
, ,

1
, , ]

1
0
6 6 1 1 2
1
6 11 1 1 3
1

_
_ _




, ,

,

11 1
30 5
1 1
5 5
0
1 1 2
1
1 1 3
1
_
_ _

, ,

,

13
30
3
5

_


,

Luego, la mejor solucin por mnimos cuadrados es:
13
30
x
e
3
5
y
.
13. Utilizando el mtodo de los mnimos cuadrados, calcular la solucin
aproximada del sistema de ecuaciones
2 3
2 0
3 2
x y
x y
x y
+


'


SOLUCIN:
La matriz de los coeficientes del sistema es
2 1
1 2
3 1
A
_



,
,
( ) 2 rango A .

La matriz de los trminos independientes es
3
0
2
b
_

,
.
El sistema no tiene solucin ya que
2 1 3
( ) ( ) 1 2 0 3 2 ( )
3 1 2
rango A rango A b rango rango A

_





,

Tenemos el sistema:
Ax b
, siendo
x
x
y
_


,
.
La solucin ptima del sistema en el sentido de los mnimos cuadrados, es la solucin
del sistema
t t
A Ax A b
como la matriz A es de rango mximo, viene dada por:
( )
1
* t t
x A A A b


Es decir:
1
*
2 1 3
2 1 3 2 1 3
1 2 0
1 2 1 1 2 1
3 1 2
x

_ _ _
_ _




, ,


, , ,

2 1
25 25
1 14
25 75
3
2 1 3
0
1 2 1
2
_
_
_






,

,

,

1
5
14
15
_



,

14. Dado el sistema
1 2
1 2
1 2
0
3 1
1
x x
x x
x x
+

+
;

+

calcular la solucin por mnimos cuadrados.
SOLUCIN:
La matriz de coeficientes del sistema es
1 1
3 1
1 1
A
_

,

,

( ) 2 rango A .

La matriz ampliada es
1 1 0
3 1 1
1 1 1
A

_

,

,
( ) 3 rango A

,
por tanto el sistema es incompatible, luego no tiene solucin exacta.
Se plantea el nuevo sistema
t t
A Ax A b , siendo
1
2
x
x
x
_




,

y
0
-1
1
b
_

,


,

para encontrar solucin aproximada al sistema por el mtodo de mnimos cuadrados, el
nuevo sistema a resolver es:
1
2
1 1 0
1 3 1 1 3 1
3 1 1
1 1 1 1 1 1
1 1 1
x
x
_




,
_ _
_ _




, ,

, ,

1 2
1 2
11 3 2
3 3 0
x x
x x

;
+

cuya solucin exacta es
1 2
1 1
4 4
x x , .

15. Calcular la recta que mejor se ajusta en el sentido de mnimos cuadrados al
conjunto de puntos siguiente
{( 2 2) ( 1 0) (0 1) (1 4)} , , , , , , ,

SOLUCIN:
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 2 2 2
( 1 0) 0 1 0
(0 1) 1 0 1
(1 4) 4 1 4
m n m n
m n m n
m n n
m n m n
, + +

, + +

;
; ;
, +


, + +


2 1 2
1 1 0
0 1 1
1 1 4
A



,
si hallamos una forma escalonada equivalente de
A

obtenemos
1
2
2 1 2
0 1 1
0 0
0 0 0
_



,
directamente se observa que
( ) 2 rango A
y ( ) 3 rango A

Sistema
incompatible, no hay una recta que pase por los cuatro puntos.
Se plantea el nuevo sistema
t t
A Ax A b .

Siendo
2 1
1 1
0 1
1 1
m
A x
n
_

_

,


,


,
y
2
0
1
4
b
_



,
y nos queda:
6 2 0
2 4 5
m n
m n

;
+

cuya solucin exacta es
3 1
2 2
m n , .

La recta es por tanto
3 1
2 2
y x +

Bibliografa
[1] BURGOS, J. lgebra Lineal y Geometra Cartesiana. McGraw-Hill. Madrid,
1999.
[2] DE LA VILLA, A. Problemas de lgebra. Clagsa. Madrid, 1994.
[3] GROSSMANN, S.I. lgebra Lineal con aplicaciones. McGraw-Hill. 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. Prentice-Hall, Inc. Mxico,
1989.