Ortogonalizacion - Universidad de Santiago de Chile
Transcripción
Ortogonalizacion - Universidad de Santiago de Chile
Ortogonalización Ricardo Santander Baeza Departamento de Matemática y Ciencia de la Computación Universidad de Santiago de Chile Enero 2009 Idea inicial de producto interno Planteamiento de la idea en bruto Consideremos un K espacio vectorial de dimensión n y α = {v1 , v2 , . . . , vn } una base de V entonces automáticamente pensamos en el meollo del Algebra Lineal, es decir que, para cada v ∈ V existen únicos escalares que representan al vector v, en forma teórica o práctica respecto de esa base. En sı́mbolos v = n X i=1 Más aún, [ ]α : V v ai vi ⇐⇒ [v]α = 7−→ MR (n × 1) 7−→ [v]α Es una biyección de espacios vectoriales... a1 a2 .. . an Primeros cuestionamientos 1. Dada la base y el vector v, la determinación de los escalares ai , para (i = 1, 2, . . . , n) se realiza a través de un sistema de ecuaciones. 2. Lamentablemente la resolución del sistema de ecuaciones implica que la búsqueda es secuencial, esto es, para conocer ai , por ejemplo debo conocer ai−1 . 3. ¿Y qué tiene de malo una búsqueda secuencial?. Una respuesta es depende de ¿quién? y ¿qué se ejecuta?. Por ejemplo Por ejemplo De grano en grano un zorzal se comió una viña, en este caso para el zorzal no hay problema, probablemente se encuentre ” feliz ”. Por ejemplo De grano en grano un zorzal se comió una viña, en este caso para el zorzal no hay problema, probablemente se encuentre ” feliz ”. Suponga que desea pedir un préstamo en el Banco U, entonces en esta empresa usted es lo siguiente para su Ejecutivo de Cuentas: Por ejemplo De grano en grano un zorzal se comió una viña, en este caso para el zorzal no hay problema, probablemente se encuentre ” feliz ”. Suponga que desea pedir un préstamo en el Banco U, entonces en esta empresa usted es lo siguiente para su Ejecutivo de Cuentas: Usted fulano de tal 5204401-4 casado empleado .. . = pocos miles morro 2 latino Por ejemplo De grano en grano un zorzal se comió una viña, en este caso para el zorzal no hay problema, probablemente se encuentre ” feliz ”. Suponga que desea pedir un préstamo en el Banco U, entonces en esta empresa usted es lo siguiente para su Ejecutivo de Cuentas: Usted fulano de tal 5204401-4 casado empleado .. . = pocos miles morro 2 latino ¿Cuál cree Ud. qué es la casilla favorita del ejecutivo?. Por ejemplo De grano en grano un zorzal se comió una viña, en este caso para el zorzal no hay problema, probablemente se encuentre ” feliz ”. Suponga que desea pedir un préstamo en el Banco U, entonces en esta empresa usted es lo siguiente para su Ejecutivo de Cuentas: Usted fulano de tal 5204401-4 casado empleado .. . = pocos miles morro 2 latino ¿Cuál cree Ud. qué es la casilla favorita del ejecutivo?. Acertó en pleno, imagina que el tuviese que leer todas las casillas (posiciones) anteriores a los pocos miles para pensar en su préstamo, si ası́ fuese, lo más probable es que se quedará sin comprar su portátil favorito. ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir hEjecutivo, Usted i ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir hEjecutivo, Usted i = ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir hEjecutivo, Usted i = 0 0 0 0 .. . fulano de tal 5204401-4 casado empleado .. . * , 1 pocos miles 0 morro 2 latino 0 + ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir hEjecutivo, Usted i = 0 0 0 0 .. . fulano de tal 5204401-4 casado empleado .. . * , 1 pocos miles 0 morro 2 latino 0 + = ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir hEjecutivo, Usted i = 0 0 0 0 .. . fulano de tal 5204401-4 casado empleado .. . * , 1 pocos miles 0 morro 2 latino 0 0 0 0 0 .. . t fulano de tal 5204401-4 casado empleado .. . + = 1 pocos miles 0 morro 2 0 latino ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir hEjecutivo, Usted i = = 0 0 0 0 .. . fulano de tal 5204401-4 casado empleado .. . * , 1 pocos miles 0 morro 2 latino 0 0 0 0 0 .. . t fulano de tal 5204401-4 casado empleado .. . + = 1 pocos miles 0 morro 2 0 latino ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir 0 0 0 0 .. . fulano de tal 5204401-4 casado empleado .. . * hEjecutivo, Usted i = , 1 pocos miles 0 morro 2 latino 0 = pocos miles 0 0 0 0 .. . t fulano de tal 5204401-4 casado empleado .. . + = 1 pocos miles 0 morro 2 0 latino ¿Cómo cree que el ejecutivo accedió a la casilla correcta.? Probablemente el procedió de la siguiente forma: Generó una matriz adecuada, con ceros en la posición que no le interesa, es decir construyó: 0 0 .. Ejecutivo = . 1 0 0 Procedió a multiplicar por cero, como antaño, para eliminar lo indeseable, es decir 0 0 0 0 .. . fulano de tal 5204401-4 casado empleado .. . * hEjecutivo, Usted i = , 1 pocos miles 0 morro 2 latino 0 = pocos miles Conclusión: No califica 0 0 0 0 .. . t fulano de tal 5204401-4 casado empleado .. . + = 1 pocos miles 0 morro 2 0 latino Definición de Producto Interno Sea V un K - espacio vectorial. V se dice un espacio con ”Producto Interno” ó un espacio ”Prehilbertiano” si y sólo si existe una función. h, i : V × V 7−→ K (u, v) 7−→ hu, vi tal que satisface las condiciones: hv, vi ≥ 0 (∀v, v ∈ V ) ∧ hv, vi = 0 ⇐⇒ v = 0 hu + v, w i = hu, w i + hv, w i hu, v + w i = hu, vi + hu, w i hλu, vi = λhu, vi hu, λvi = λ̄hu, vi hu, vi = hv, ui Algunos Ejemplos En Kn definimos: h(x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn )i = n X xj ȳj (1) j=1 El producto definido en (1) se llama producto interno canónico de Kn , debe observarse que si K = R entonces (1) se transforma en: h(x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn )i = n X j=1 xj yj (2) En MR (n) define hA, Bi = tr (B t · A) (3) El producto definido en (3) se llama producto interno canónico de MR (n) En C([a, b]) = {f : [a, b] 7−→ R | f continua} define hf , gi = Z b f (t)g(t) dt (4) a El producto definido en (4) se llama producto interno canónico de C([a, b]) En el espacio vectorial R2 [x] define para cada p(x) ∈ R2 [x] y q(x) ∈ R2 [x] el producto hp(x), q(x)i = p(0) · q(0) + p(1) · q(1) + p(2) · q(2) entonces el producto definido en (5) es un producto interno (5) Bases Ortogonales Aunque nuestro astuto ejecutivo, encontró la forma de determinar la coordenada que a él le interesaba, no obstante hay todavı́a un pequeño problema. Entonces parece natural que debamos analizar el efecto del producto interno (si es que lo hay) en el proceso de búsqueda de coordenadas. Es inmediato de observar que la ventaja del producto es que, permite implementar la preconcebida máxima ” multiplicate por cero ” la cual sin duda para bien ó para mal reduce en cualquier caso el problema. Bases Ortogonales Sea α = {v1 , v2 } una R - base de R2 tal que hv1 , v2 i = 0 entonces como α es base, para v ∈ R2 existen únicos a1 , a2 en K tales que v = a1 v1 + a2 v2 Como hv1 , v2 i = 0 entonces podemos multiplicar (6) por v1 para obtener; hv, v1 i = ha1 v1 + a2 v2 , v1 i = a1 hv1 , v1 i + a2 hv2 , v1 i = a1 hv1 , v1 i hv, v1 i , observe que hv1 , v1 i > 0, pues es un vector no nulo. hv1 , v1 i hv, v2 i De una forma absolutamente análoga a la anterior obtenemos que a2 = hv2 , v2 i Ası́ que, si α = {v1 , v2 } una K - base de R2 tal quehv1 , v2 i = 0 entonces De donde sigue que, a1 = v = hv, v1 i hv, v2 i v1 + v2 hv1 , v1 i hv2 , v2 i (6) Supongamos que en un V espacio vectorial con producto interno h, i existe una base α = {v1 , v2 , . . . , vn } tal que hvi , vj i = 0 si i 6= j entonces u ∈ V =⇒ u = n X ai vi i=1 Ahora, como consecuencia de que hvi , vj i = 0 si i 6= j sigue que u= n X ai vi =⇒ hu, vj i = i=1 * n X i=1 ai vi , vj + = n X ai hvi , vj i i=1 =⇒ hu, vj i = aj hvj , vj i hu, vj i =⇒ aj = (j = 1, 2, . . . n) hvj , vj i Esto es extraordinario, pues en esta condiciones tenemos ”casi el máximo de eficiencia,” ya que, u= n X hu, vi i vi hvi , vi i i=1 hu, v i 1 hv1 , v1 i hu, v i 2 ⇐⇒ [u]α = hv2 , v2 i .. . hu, v i n hvn , vn i Definición de Base Ortogonal Sea V un K-espacio con producto interno h, i y considera α = {v1 , v2 , . . . , vn } ⊂ V entonces α será llamada una ”Base Ortogonal” si α es una base de V Si j 6= k entonces hvj , vk i = 0 La coordenada respecto de la base ortogonal α, ai = coeficiente de Fourier del vector u.” hu, vi i se llamará el ”i−ésimo hvi , vi i Ejemplos c(n) la base canónica de Kn con el producto interno canónico h, i es una base ortogonal, pues ( 1: i=j hei , ej i = 0 : i 6= j Si V = h{1, sen x, cos x, sen 2x, cos 2x, . . . , sen nx, cos nx}i y define en V el producto interno: hf , gi = Z π f (t)g(t) dt (7) −π entonces α = {1, sen x, cos x, sen 2x, cos 2x, . . . , sen nx, cos nx} es una base ortogonal de V , respecto de (7) Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , v2 = (x2 , y2 ) v1 = (x1 , y1 ) θ2 θ Figura 1 θ1 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , v2 = (x2 , y2 ) v1 = (x1 , y1 ) θ2 θ Figura 1 θ1 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , hv1 , v2 i = 0 ⇐⇒ x1 x2 + y1 y2 = 0 v2 = (x2 , y2 ) v1 = (x1 , y1 ) θ2 θ Figura 1 θ1 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , hv1 , v2 i = 0 ⇐⇒ x1 x2 + y1 y2 = 0 v2 = (x2 , y2 ) ⇐⇒ l(v1 ) cos θ1 l(v2 ) cos θ2 + l(v1 ) sen θ1 l(v2 ) sen θ2 = 0 v1 = (x1 , y1 ) θ2 θ Figura 1 θ1 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , hv1 , v2 i = 0 ⇐⇒ x1 x2 + y1 y2 = 0 v2 = (x2 , y2 ) ⇐⇒ l(v1 ) cos θ1 l(v2 ) cos θ2 + l(v1 ) sen θ1 l(v2 ) sen θ2 = 0 v1 = (x1 , y1 ) θ2 θ Figura 1 θ1 ⇐⇒ l(v1 )l(v2 ) cos(θ2 − θ1 ) = 0 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , hv1 , v2 i = 0 ⇐⇒ x1 x2 + y1 y2 = 0 v2 = (x2 , y2 ) ⇐⇒ l(v1 ) cos θ1 l(v2 ) cos θ2 + l(v1 ) sen θ1 l(v2 ) sen θ2 = 0 v1 = (x1 , y1 ) ⇐⇒ l(v1 )l(v2 ) cos(θ2 − θ1 ) = 0 ⇐⇒ l(v1 )l(v2 ) cos θ = 0 θ2 θ Figura 1 θ1 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , hv1 , v2 i = 0 ⇐⇒ x1 x2 + y1 y2 = 0 v2 = (x2 , y2 ) ⇐⇒ l(v1 ) cos θ1 l(v2 ) cos θ2 + l(v1 ) sen θ1 l(v2 ) sen θ2 = 0 v1 = (x1 , y1 ) ⇐⇒ l(v1 )l(v2 ) cos(θ2 − θ1 ) = 0 ⇐⇒ l(v1 )l(v2 ) cos θ = 0 θ2 θ Figura 1 θ1 ⇐⇒ θ = π 2 Observación Importante ¿Qué significa geométricamente el hecho hvi , vk i = 0?, para i 6= k. Para responder a esto, consideremos la Figura , y a partir de ese modelo, usemos el producto interno usual en R2 , hv1 , v2 i = 0 ⇐⇒ x1 x2 + y1 y2 = 0 v2 = (x2 , y2 ) ⇐⇒ l(v1 ) cos θ1 l(v2 ) cos θ2 + l(v1 ) sen θ1 l(v2 ) sen θ2 = 0 v1 = (x1 , y1 ) ⇐⇒ l(v1 )l(v2 ) cos(θ2 − θ1 ) = 0 ⇐⇒ l(v1 )l(v2 ) cos θ = 0 θ2 θ θ1 ⇐⇒ θ = π 2 Figura 1 Ası́ que la conclusión es que en el plano R2 la condición hv1 , v2 i = 0, significa que las rectas generadas por los vectores v1 y v2 son perpendiculares. Modelamiento del caso hv1 , v2 i = 6 0 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto 0 R2 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto 0 R2 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto 0 R2 v1 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto 0 R2 v1 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto v2 0 R2 v1 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto v2 α 0 R2 v1 Modelamiento del caso hv1 , v2 i = 6 0 Planteamiento de la idea en bruto v2 α v1 0 R2 Figura 1: α 6= 90 Refinamiento 1 v2 α 0 R2 v1 Refinamiento 1 v2 α 0 R2 v1 Refinamiento 1 v2 α 0 R2 P(v2 ) v1 Refinamiento 1 v2 α 0 R2 | {z Proyección ortogonal P(v2 ) } v1 Refinamiento 1 v2 α 0 R2 | {z Proyección ortogonal P(v2 ) } v1 Refinamiento 1 v2 α 0 R2 | {z Proyección ortogonal P(v2 ) } Figura 2: Aparece la sombra completa v1 Refinamiento 2 v2 0 R2 P(v2 ) v1 Refinamiento 2 v2 0 R2 P(v2 ) v1 Refinamiento 2 v2 0 R2 P(v2 ) v1 Refinamiento 2 v2 0 R2 P(v2 ) v1 Refinamiento 2 v2 0 R2 P(v2 ) v1 Figura 3: Aparece la sombra de menor tamaño Refinamiento 3 v2 0 R2 P(v2 ) v1 Refinamiento 3 v2 0 R2 P(v2 ) v1 Refinamiento 3 v2 0 R2 P(v2 ) v1 Refinamiento 3 v2 0 R2 P(v2 ) v1 Refinamiento 3 v2 0 R2 P(v2 ) v1 Figura 4: Aparece la sombra de menor tamaño Refinamiento 4 v2 0 R2 P(v2 ) v1 Refinamiento 4 v2 0 R2 P(v2 ) v1 Refinamiento 4 v2 0 R2 P(v2 ) v1 Refinamiento 4 v2 0 R2 P(v2 ) v1 Refinamiento 4 v2 0 R2 P(v2 ) v1 Figura 5: Aparece la sombra de menor tamaño Refinamiento 5 v2 0 R2 P(v2 ) v1 Refinamiento 5 v2 0 R2 P(v2 ) v1 Refinamiento 5 v2 0 R2 P(v2 ) Figura 6: No aparece la sombra v1 Método Cientı́fico: Planteamiento de la ecuación básica v2 0 R2 P(v2 ) v1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) v1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) v1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) v1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) v1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) (1) v1 v2 = v2′ + P(v2 ) Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) (1) (2) v1 v2 P(v2 ) = v2′ + P(v2 ) = av1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) (1) (2) (3) v1 v2 P(v2 ) v2 = v2′ + P(v2 ) = av1 = v2′ + av1 Método Cientı́fico: Planteamiento de la ecuación básica v2′ v2 0 R2 P(v2 ) (1) (2) (3) v1 v2 P(v2 ) v2 = v2′ + P(v2 ) = av1 = v2′ + av1 ⇓ Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = v1 v2 P(v2 ) v2 v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = v1 v2 P(v2 ) v2 v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = v1 v2 P(v2 ) v2 v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 a = v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i hv2 , v1 i hv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 a = ⇓ v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i hv2 , v1 i hv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 a = v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i hv2 , v1 i hv1 , v1 i ⇓ v2′ = v2 − hv2 , v1 i v1 hv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 a hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i hv2 , v1 i hv1 , v1 i ⇓ v2′ Conclusión: = v2′ + P(v2 ) av1 v2′ + av1 = v2 − hv2 , v1 i v1 hv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v1 v2 P(v2 ) v2 a = v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i hv2 , v1 i hv1 , v1 i ⇓ v2′ = v2 − Conclusión: hv1 , v2 i = 6 0 =⇒ hv1 , v2′ i = 0 Si hv2 , v1 i v1 hv1 , v1 i Método Cientı́fico: Planteamiento de la ecuación básica v2′ 0 R2 v2 P(v2 ) (1) (2) (3) = = = ⇓ (4) hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ hv2 , v1 i = ⇓ v2 P(v2 ) v2 a v1 = v2′ + P(v2 ) av1 v2′ + av1 hv2′ + av1 , v1 i hv2′ , v1 i + ahv1 , v1 i ahv1 , v1 i hv2 , v1 i hv1 , v1 i ⇓ v2′ = v2 − Conclusión: hv1 , v2 i = 6 0 =⇒ hv1 , v2′ i = 0 v2′ = v2 − Si hv2 , v1 i v1 hv1 , v1 i hv2 , v1 i v1 hv1 , v1 i Generalización Si hv1 , v2 i = 0 entonces para v3 ∈ V tenemos que v3′ v3 a2 v2 0 R3 a1 v1 P(v3 ) v1 Entonces v3′ = v3 − P(v3 ) = v3 − a2 v2 − a1 v1 hv3 , v2 i hv3 , v1 i = v3 − v2 − v1 hv2 , v2 i hv1 , v1 i v2 Proceso de Ortogonalización de Gram Schmidt Si α = {v1 , v2 , . . . , vn } es una base de V entonces es posible construir, a partir de α una nueva base α′ = {v1′ , v2′ , . . . , vn′ } tal que v1 = v1 hv2 , v1′ i ′ v hv1′ , v1′ i 1 hv3 , v ′ i hv3 , v ′ i = v3 − ′ 2′ v2′ − ′ 1′ v1′ hv2 , v2 i hv1 , v1 i .. . ′ hvs , vs−1 i ′ hvs , v2′ i ′ hvs , v1′ i ′ = vs − ′ − · · · − v v − v ′ hvs−1 , vs−1 i s−1 hv2′ , v2′ i 2 hv1′ , v1′ i 1 .. . ′ hvn , vn−1 i ′ hvn , v2′ i ′ hvn , v1′ i ′ v v − v = vn − ′ − · · · − ′ hvn−1 , vn−1 i n−1 hv2′ , v2′ i 2 hv1′ , v1′ i 1 v2′ = v2 − v3′ vs′ vn′ En particular esta nueva base es una base ortogonal, pues si i 6= j entonces hvi′ , vj′ i = 0 Norma Inducida por el producto interno Sea α = {v1 , v2 , . . . , vn } una base ortogonal entonces para cada u ∈ V, tenemos la representación única en términos de la base α. n X hu, vi i u = vi hvi , vi i i=1 Pero, dando una nueva mirada, (interesante preguntarse ¿por qué no lo hicimos antes?), podemos observar en primer lugar el siguiente fenómeno. u = n X hu, vi i ·v hvi , vi i i i=1 = = n X i=1 n X 1 · hu, vi i · vi hvi , vi i hu, vi i · i=1 vi hvi , vi i vi entonces tenemos el siguiente hvi , vi i ”mejoramiento técnico en la representación de los vectores.” Si llamamos β = {v1′ , v2′ , . . . , vn′ }, donde vi′ = Primeras ideas de la base ortonormal Si llamamos β = {v1′ , v2′ , . . . , vn′ }, donde vi′ = vi , para cada i = 1, 2, . . . , n entonces hvi , vi i hvi′ , vj′ i = 0 si i 6= j n X u= hu, vi i · vi′ i=1 En efecto Para dilucidar el primer punto, hacemos lo siguiente. vj vi ′ ′ hvi , vj i = , hvi , vi i hvj , vj i 1 = hvi , vj i = 0 Si i 6= j pues α es base ortogonal hvi , vi i · hvi , vj i Del punto anterior sigue que β es una base ortogonal y entonces cada u ∈ V se escribe de forma única como u= n X i=1 hu, vi i · vi′ Definición de Norma Nos queda pendiente dilucidar cuanto vale hvi′ , vi′ i. En esta dirección si calculamos obtenemos lo siguiente hvi′ , vi′ i = = vi vi 1 , = hvi , vi i hvi , vi i hvi , vi i hvi , vi i · hvi , vi i 1 hvi , vi i (Pues hvi , vi i ∈ R) hvi , vi i2 Motivados por lo anterior, y aprovechando las propiedades del producto interno hacemos la siguiente definición Llamaremos normativa o norma inducida por el producto interno imperante en el espacio vectorial V a la función p k k : V 7−→ R+ ∪ {0} tal que kuk = hu, ui Definición de base ortonormal Sea V un K-espacio con producto interno h, i y considera β = {w1 , w2 , . . . , wn } ⊂ V entonces β será llamada una ”Base Ortonormal” si β es una base ortogonal de V kvi k = 1, es decir hvi , vi i = 1 para i = 1, 2, . . . n Equivalentemente β es una base ortonormal ( 1 : si i = j ⇐⇒ hvi , vj i = 0 : si i 6= j Logros de las bases ortonormales Si V es un R espacio vectorial con producto interno h, i y α y β son dos bases ortonormales entonces ([I]βα )−1 = ([I]βα )t Si α = {v1 , v2 , . . . , vn } es una base ortonormal de V entonces el producto interno se ”canoniza”, en el siguiente sentido: hv, ui = [v]tα · [u]α = n X hv, vj ihu, vj i j=1 Proyección Ortogonal Si remiramos el cuadro entonces observamos que hemos resuelto uno de los tres problemas planteados en él, en efecto sólo construimos el proceso de ortogonalización de Gram Schmidt, que esencialmente ”consiste en controlar la sombra que un vector proyecta en un subespacio del espacio, es decir un vector anula a otro si su proyección en el es nula.” v W w1 0V w2 Figura PW (v) Proyección Ortogonal Sean V un K-espacio vectorial con producto interno, W ≤ V y α = {w1 , w2 , . . . , ss }, una base ortogonal de W entonces llamaremos Proyección ortogonal a la función PW definida como sigue: PW : V 7−→ W tal que PW (v) = S X hv, wi i i=1 kwi k2 wi (8) Una técnica que nos ha dado buenos dividendos es que cada proceso que hacemos, dentro de lo posible, lo comprobamos a fin de asegurar la calidad y eficiencia del mismo, en este caso aún no tenemos mecanismos de control, pero procedamos a formalizarlos. Si V un K-espacio vectorial con producto interno, W ≤ V y α = {w1 , w2 , . . . , ss }, una base ortogonal de W entonces PW (w ) = w ⇐⇒ w ∈ W PW ◦ PW = PW Finalmente, Si volvemos a remirar el cuadro anterior entonces observamos que aún falta desarrollar la idea de distancia de un vector a un subespacio,en realidad debemos generalizar la idea de distancia entre vectores. v v’ w1 0V w2 Distancia W PW (v) Figura Esto motiva hacer la siguiente definición Si V es un K espacio vectorial con producto interno h, i, y W ≤ V entonces kv − PW (v)k es la distancia del vector v al subespacio W. Usaremos la notación: d (v, W) = kv − PW (v)k