Unidad 2

15/02/2018
ALGEBRA LINEAL
2018
Maestría en Estadística Aplicada
Mgter. Mónica Bocco
II. ESPACIOS VECTORIALES

1. Vectores
2. Espacio Vectorial
3. Subspacio Vectorial
4. Combinación Lineal y Conjunto Generador
5. Independencia Lineal
6. Bases y Dimensiones
7. Cambio de bases y coordenadas
8. Espacio fila y espacio columna. Rango y nulidad
9. Ortogonalidad y ortonormalidad
10.Aplicaciones
Mgter. Mónica Bocco - 2018
1
15/02/2018
1. VECTORES
En el plano R2 sus elementos se denominan vectores (segmentos

lineales dirigidos u orientados).
Un vector es una parte de una recta, en el que se identifican su origen y
su extremo.
Definición: En el plano coordenado un vector x se representa por el par

x1 
ordenado x =   .
x 2 
 
Los valores x 1 , x 2 se denominan componentes del vector.
Representamos el vector x con el segmento de (0 ,0) a ( x 1 , x 2 ) .
Características de un vector
Módulo o longitud: La longitud o magnitud o módulo del vector

x = ( x 1 , x 2 ) es:
x = x 12 + x 2 2
Dirección: La dirección del vector x = ( x 1 , x 2 ) se define a través del
ángulo θ que forma el vector con el semieje positivo de las abscisas:

y
tg θ = con 0 ≤ θ < 2π
x
Sentido: Es la orientación que adopta el vector.
2
15/02/2018
Características de un vector
x1 
Nota: En todo este capítulo representaremos al vector x =   también de
x 2 
 
la forma x = ( x 1 , x 2 ) , entendiendo en el contexto su escritura.
OPERACIONES CON VECTORES
Definición: a) Dado el vector x = ( x 1 , x 2 ) y el escalarα definimos el

producto por:
α . x = (α . x 1 , α . x 2 )
b) Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , definimos la suma por:
x + y = ( x1 + y1, x 2 + y 2 )
Propiedad:
Dos vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , en el plano R2, verifican la
desigualdad triangular:
x+ y ≤ x + y
3
15/02/2018
Operaciones entre vectores
Operaciones entre vectores
4
15/02/2018
Vector Unitario
Definición: Un vector unitario es un vector de longitud 1.
x
Observar:Si x es un vector del plano, entonces es un vector unitario
x
que tiene la misma dirección del vector x.
Importante:
Existen dos vectores particulares en R2: e 1 = (1,0) y e 2 = (0,1) que verifican
tres propiedades:
Son vectores unitarios.
Ninguno de ellos es múltiplo del otro.
Todo vector x = ( x 1 , x 2 ) del plano se puede escribir como:
x = ( x 1 , x 2 ) = x 1 (1,0) + x 2 (0,1) = x 1 e 1 + x 2 e 2
PRODUCTO ESCALAR y PROYECCIONES EN R2
Definición: Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , no nulos,

definimos el producto escalar o producto punto de los mismo por:
x. y = x 1 . y 1 + x 2. y 2
TEOREMA I
Si x , y , z son vectores y α un escalar, se verifica:
2
a) x = x. x
b) x .0 = 0
c) x. y = y. x
d) x .( y + z) = x . y + x . z
e) (α x ) . y = α ( x . y )
5
15/02/2018
Definición: Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , ambos no

nulos, definimos el ángulo ϕ entre x e y como el ángulo no negativo más
pequeño que forman sus representaciones. El ángulo se define por:
x. y
cos ϕ =
x . y
Definición: Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , ambos no

nulos, la proyección de x sobre y es un vector denotado por proy y x que
se define por:
x. y
proy y x = y
2
y
Ángulo entre vectores y proyección de un vector sobre otro
6
15/02/2018
Vectores Ortogonales
Definición: Decimos que los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , ambos

no nulos, son ortogonales o perpendiculares si el ángulo que forman es
π .
2
TEOREMA II
Los vectores x e y , no nulos, son ortogonales si y sólo si x . y = 0

Si un vector x es diferente de 0, entonces para cualquier otro vector
y el vector de la forma:
y. x
y− x = y − proy x y es ortogonal a x.
2
x
Importante: Las definiciones y resultados enunciados para vectores x en

el plano R2, se extienden análogamente para vectores:
x = ( x1 , x 2 , x3 ) en el espacio R3
En general: las definiciones y resultados se extienden análogamente a Rn

donde un vector genérico es de la forma x = ( x1 , x 2 ,L , x n ) .
7
15/02/2018
Características de un vector en el espacio
PRODUCTO VECTORIAL o CRUZ EN R3
Definición: Si en R3 llamamos e 1 = (1,0,0) , e 2 = (0,1,0) y e 3 = (0,0,1)

entonces el producto cruz o producto vectorial de dos vectores x e y , que
denotamos por el vector x x y es un nuevo vector cuyas coordenadas
son:
x x y = ( x 2 . y 3 − x3 . y 2 ) e 1 + ( x3 . y1 − x1 . y 3 ) e 2 + ( x1 . y 2 − x 2 . y1 ) e 3
Observar: El resultado del producto vectorial es un vector, mientras que

el resultado del producto escalar es el número:
x . y = x1 . y1 + x 2 . y 2 + x 3 . y 3
8
15/02/2018
TEOREMA III
Para los vectores x e y en el espacio R3 se verifica:

e1 e 2 e3
x x y = x1 x 2 x3
y1 y 2 y3
El producto cruz x x y es un vector ortogonal al vector x y al
vector y.
2. ESPACIOS VECTORIALES
Definición: Un espacio vectorial real V es el conjunto formado por todos

los elementos para los cual las operaciones de suma y producto por un
escalar real está definidas y son cerradas en V, esto es,
x , y ∈V → x + y ∈V y x ∈ V , α∈R → α x ∈ V
y satisfacen los siguientes axiomas:

A1: Conmutatividad de la suma de vectores: x + y = y + x
A2: Asociatividad de la suma de vectores: ( x + y ) + z = x + ( y + z )
A3: Existe un vector 0 ∈ V que verifica: x + 0 = x (vector nulo)
A4: Si x ∈ V , existe − x ∈ V que verifica: x + (− x) = 0 (vector inverso
aditivo)
A5: Distributividad del escalar α ∈ R : α ( x + y ) = α x + α y
A6: Distributividad de los escalares α, β∈ R : (α + β) x = α x + β x
A7: Asociatividad de los escalares α, β∈ R : (α . β) x = α (β x )
A8: El escalar 1 verifica: 1. x = x
Los elementos de V se llaman vectores.
9
15/02/2018
Ejemplo: Son espacios vectoriales:
R2 y R 3 con las operaciones entre sus elementos (vectores)

definidas en la Sección 1.
El espacio Rn con las operaciones entre sus elementos (vectores

x = ( x1 , x2 ,L, xn ) con xi ∈R ) definidas como:
x + y = ( x1 + y1 , x2 + y 2 ,L, xn + y n )
α . y = ( α . x1 , α . x2 ,L, α . xn )
para x = ( x1 , x2 ,L, xn ) e y = ( y1 , y 2 ,L, y n ) vectores de Rn y α∈ R .
c) El conjunto V = { 0 } , llamado espacio vectorial trivial
d) El conjunto Pn de los polinomios con coeficientes reales de grado

menor o igual que n, donde para α∈ R y los polinomios de Pn:
p ( x ) = a 0 + a1 x + a 2 x 2 + L + a n x n y q ( x ) = b0 + b1 x + b2 x 2 + L + bn x n las
operaciones se definen por:
p ( x) + q ( x) = ( a0 + b0 ) + ( a1 + b1 ) x + ( a 2 + b2 ) x 2 + L + ( a n + bn ) x n
α . p ( x) = α . a 0 + (α . a1 ) x + (α . a 2 ) x 2 + L + ( α . a n ) x n
e) El conjunto C [a,b] de las funciones que verifican:

C [a, b] = { f :[a, b ] → R / f es una función continua }
y las operaciones se definen, para x∈[ a, b] y α∈R , como:
( f + g )( x) = f ( x) + g ( x) y (α f )( x) = α . f ( x)
10
15/02/2018
f) El espacio Rmxn de las matrices A = (a i j ) (m x n), con entradas

reales, con las operaciones de suma y producto por escalar definidas en
la Unidad I
g) El conjunto de pares ordenados de R2 que se encuentran sobre la

recta y = a. x con a un número real, esto es las rectas que pasan por el
origen y tienen pendiente a : V = {( x, a.x) / x∈R y a ∈R un número fijo }
Ejemplo: No son espacios vectoriales:

a) El conjunto V = {(a,1) / a ∈R}
b) El conjunto de pares ordenados de R2 que se encuentran sobre
una recta y = a. x + b con a, b números reales no nulos, esto es las rectas
que no pasan por el origen.
Propiedades de los Espacios Vectoriales
Si V es un espacio vectorial, entonces para x ∈ V se verifica;

a) 0 .x = 0
b) x + y = 0 → x = − y
c) (−1) . x = − x
11
15/02/2018
3. SUBESPACIOS VECTORIALES
Definición: Un subconjunto S , no vacío, de un espacio vectorial V que es

cerrado para las operaciones de suma y producto, esto es:
x, y ∈S → x+ y ∈S y x ∈ S , α ∈R → α x ∈ S
se denomina subespacio de V.
Observar:
a) La definición anterior asegura que se verifican en el subespacio S
todos los axiomas de la definición de espacio vectorial.
b) Todo subespacio S de un espacio vectorial V contiene al vector 0.
Ejemplo: Para el espacio vectorial V :

El subconjunto { 0 } es un subespacio, llamado subespacio trivial.
El conjunto V es un subespacio en sí mismo.
Si V= R 2 el conjunto S = {( x, a.x ) / x ∈ R y a ∈ R un número fijo } de

todas las rectas que pasan por el origen es un subespacio (propio).
Si V= R 3 el conjunto:
S = {( x, y , z ) / a x + b y + c z = 0 y a , b, c ∈ R son números fijos }
de todos los planos que pasan por el origen es un subespacio (propio).
12
15/02/2018
Si V = Rmxn , el conjunto S de las matrices A = a i j ( ) que verifican

a11 = 0 es un subespacio.
Si V = C [a,b], es un subespacio el conjunto:

{
C n [a, b] = f :[a, b ] → R / f ' , f " ,L , f (n ) son funciones continuas }
Ejemplo: :
a) El conjunto S = {( a,1) / a ∈ R} no es un subespacio vectorial de R 2.
{
b) El conjunto S = ( A∈R m x n / A es invertible } no es un subespacio
vectorial de Rmxn.
Sub-espacio Nulo de una matriz
( )
Definición: Si A = a i j es una matriz m x n, el conjunto:
{
N ( A) = x ∈R n / A . x = 0 ⊆ Rn }
es un supespacio de Rn , formado por todas las soluciones del sistema de
ecuaciones homogéneo A . x = 0 , que se denomina subespacio nulo de la
matriz A.
13
15/02/2018
4. COMBINACIÓN LINEAL Y ESPACIO GENERADO
Definición: Si v1 , v2 ,L, vn son vectores de un espacio vectorial V , una

combinación lineal de éstos es un vector de la forma:
α1 v1 + α 2 v2 + L+ α n vn
donde α1 , α 2 ,L, α n son escalares.
Definición: Si v1 , v 2 ,L, vn son vectores de un espacio vectorial V , el

conjunto formado por todas las combinaciones lineales de ellos se
denomina conjunto generador, que denotamos con v1 , v2 ,L, vn . Es
decir:
v1 , v 2 ,L, vn = {v / v = α1 v1 + α 2 v2 + L + α n v n }
α
con 1 2, α , L , α n son escalares.
Definición: El conjunto de vectores {v1 , v2 ,L, vn } es un conjunto

generador del espacio vectorial V si v1 , v2 ,L, vn = V . Esto es todo
vector de V puede escribirse como una combinación lineal de ellos.
Importante:
El espacio vectorial R2 = e 1 ,e 2 con e 1 = (1,0) y e 2 = (0,1) , ya que
todo vector x = (x 1 , x 2 ) del plano se puede escribir como
combinación lineal: ( x 1 , x 2 ) = x 1 (1,0) + x 2 (0,1)
El espacio vectorial R3 = e 1 , e 2 , e 3 .
14
15/02/2018
TEOREMA IV
Si v1 , v2 ,L, vn son vectores de un espacio vectorial V , el conjunto

v1 , v2 ,L, vn es un subespacio de V .
Ejemplo: En R3 el conjunto e 1,e 2 genera el plano x,y, y es un

subespacio de R3.
Importante:
El espacio generado por dos vectores, no nulos, en R3 que no son
paralelos, es un plano que contiene al origen.
5. INDEPENDENCIA LINEAL
* Si v1 , v 2 ,L, vn = V entonces cada vector del espacio vectorial

puede ser “construido” con los elementos de su conjunto generador.
¿Existe un conjunto generador minimal?
* ¿Existe alguna relación entre los vectores (1, 2, 3) y (3, 6, 9) ?
15
15/02/2018
Generalizando:
Si v1 , v2 ,L , v n = V y uno de éstos vectores puede ser escrito
como combinación lineal de los otros (n –1) vectores, entonces
estos (n –1) vectores generan a V. En este caso decimos que
{v1 , v2 , L , v n } no es un conjunto generador minimal del espacio.
Dados los n vectores v1 , v 2 , L, v n . Es posible escribir uno de éstos

como combinación lineal de los otros (n –1) vectores si y sólo si
existen escalares c1 , c 2 , L, c n no todos nulos que verifican:
c1 v1 + c 2 v2 + L + c n v n = 0
Definición: El conjunto de vectores {v1 , v 2 , L , v n } en un espacio vectorial

V se dice linealmente independiente si:
c1 v1 + c 2 v 2 + L + c n v n = 0 entonces ci = 0 para todo i = 1,2,L, n
Nota: Indistintamente podemos decir que el conjunto de vectores

{v1 , v 2 ,L, v n } es linealmente independiente o también que los vectores
v1 , v 2 ,L , vn son linealmente independientes.
Importante:
En Rn un conjunto de vectores linealmente independientes contiene a lo
sumo n vectores.
16
15/02/2018
Definición: El conjunto de vectores {v1 , v 2 , L , v n } en un espacio vectorial

V se dice linealmente dependiente si existen escalares c1 , c 2 ,L , c n no
todos nulos que verifican c1 v1 + c 2 v 2 + L + c n v n = 0
Propiedad:
Dos vectores en un espacio vectorial son linealmente dependientes si y

sólo si uno es múltiplo del otro.
Importante:
Si hay una elección no trivial de escalares para los cuales la
n
combinación lineal ∑ ci vi sea igual a cero, entonces son linealmente
i =1
dependientes; en cambio si el único modo que la combinación lineal sea
nula es que todos los escalares sean nulos entonces {v1 , v 2 ,L, v n } es
linealmente independiente.
TEOREMA V
Si v1 , v 2 , L , vn son n vectores en el espacio vectorial Rn y

consideramos la matriz A = [v1 v 2 L v n ] . Entonces el conjunto
{v1 , v 2 , L , v n } es linealmente dependiente si y sólo se verifican alguna de
las siguientes condiciones:
A es singular
det (A) = 0
A . x = 0 tiene soluciones no triviales.
17
15/02/2018
6. BASES Y DIMENSIÓN
Definición: El conjunto de vectores {v1 , v2 ,L, vn } forman una base para

el espacio vectorial V si:
a) {v1 , v2 ,L, vn } es linealmente independiente.
b) V = v1 , v 2 ,L , v n
Ejemplo:
El conjunto { e 1 , e 2 } es una base de R2, llamada base canónica.
El conjunto { e 1 , e 2 , e 3 } es una base de R3, su base canónica.
La base canónica de R2x2 es:
 1 0  0 1 0 0  0 0 
E11 =   , E12 = 0 0 , E 21 = 1 0 , E22 = 0 1 
  0 0       
{ 2 3
La base canónica de Pn es 1, x , x , x }
Propiedad:
Si {v1 , v 2 , L , v n } y {u1 , u 2 , L , u m } son bases para el espacio vectorial V,

entonces n = m.
Definición: Si V es un espacio vectorial y tiene una base que contiene n

elementos, decimos que V tiene dimensión n (es decir el número de
vectores de todas las bases). Si V = {0 } entonces decimos que tiene
dimensión 0.
18
15/02/2018
Si V verifica dim V = n decimos que es un espacio vectorial de dimensión

finita, de otro modo decimos que es un espacio vectorial de dimensión
infinita.
Ejemplo:
dim R2 = 2, dim R3 = 3 , y en general dim Rn = n.
dim R2x2 = 4, y en general dim Rm x n = m x n.
dim Pn = n + 1
El espacio vectorial C [a,b] tiene dimensión infinita.
7. CAMBIO DE BASES - COORDENADAS
Definición: Si V es un espacio vectorial y B = {v1 , v2 ,L , vn } es una base ordenada del

espacio. Entonces cualquier vector de V se escribe como c1 v1 + c2 v2 + L + cn vn = v ,
donde c1 , c2 , L, cn son escalares. El vector (v ) B = (c1 , c2 ,L , cn ) se llama vector de
coordenadas de v respecto de la base B.
Nota: Si x = ( x 1 , x 2 ) entonces x = x 1 e1 + x 2 e 2 es una combinación lineal de la base

canónica C = { e 1 , e 2 } y en este caso ( x)C = ( x 1 , x 2 )
Si B = { u 1 , u 2 } es una base ordenada del espacio vectorial R2 y x = α u1 + β u2 el
vector de coordenadas en dicha base es ( x) B = (α , β ) .
19
15/02/2018
Definición: En el espacio vectorial V , con dim V = n, consideramos las

bases ordenadas B 1 = {u1 , u 2 ,L, u n } y B 2 = {v1 , v 2 ,L , v n } . Entonces cada
vector u j , con 1 ≤ j ≤ n , puede escribirse de forma única como
combinación lineal de los vectores de la base B 2 = {v1 , v 2 ,L , v n } con
vector de coordenadas u j ( )B (
= c1 j , c2 j ,L, cnj .
2
)
Llamamos matriz de transición de la base B 1 a la base B 2 es:
c11 c12 L c1n 
U = M M M 
 
c n1 c n 2 L c nn 
↑ ↑
(u1 ) B2 (u n ) B2
Entonces cualquier vectorx de V se escribe como:

( x ) B2 = U (x ) B1 o bien (x ) B1 = U −1 ( x ) B 2
8. ESPACIO FILA Y ESPACIO COLUMNA.

RANGO y NULIDAD
Definición: Si A es una matriz m x n, el subespacio generado por los

vectores filas de A se llama espacio fila de A, y lo denotamos por R A y el
subespacio generado por los vectores columnas de A, se llama espacio
columna de A y lo denotamos por C A
Propiedad:
Dos matrices equivalentes tienen el mismo espacio fila.
Definición: Llamamos rango de A , que denotamos por rg (A) o ρ ( A) ,

a la dim R A y la nulidad de A a µ( A) = dim N(A) (espacio nulo de A).
20
15/02/2018
Nota: El rango de la matriz A es igual al número de pivotes de la forma

escalonada reducida de la matriz.
Propiedad
Si A es una matriz (m x n), entonces dim R A = dim C A
TEOREMA VI
Si A es una matriz (m x n), entonces:
rg (A) + µ( A) = n o dim R A + dim N(A) = n
9. ORTOGONALIDAD Y ORTONORMALIDAD
Definición: Dos subespacios X e Y se dicen ortogonales, y los notamos

X ⊥ Y , si xT . y = 0 para todo vector x ∈ X e y ∈ Y .
n
Definición: Si X es un subespacio de R , el complemento ortogonal de X,
que denotamos por X ⊥ , se define por:
{
X ⊥ = y ∈ R n / y T . x = 0 para todo x ∈ X }
21
15/02/2018
Conjuntos Ortogonales
Definición: Un conjunto de vectores {v1 , v2 ,L, vn } en un espacio

vectorial V con producto escalar o interno, se dice ortogonal si vi . v j = 0
para todo i ≠ j .
Propiedad
Si {v1 , v2 , L, vn } es un conjunto ortogonal de vectores no nulos en un espacio vectorial
V con producto escalar o interno, entonces es un conjunto linealmente independiente.
Definición: Un conjunto ortonormal de vectores unitarios {v1 , v2 , L , v n }

en un espacio vectorial V con producto escalar o interno, se dice que es
1 si i = j
ortonormal. Esto es vi . v j = δ ij donde δ ij = 
0 si i ≠ j
Nota: Dado un conjunto ortogonal de vectores no nulos {v1 , v 2 ,L , vn } es
posible obtener un vector ortonormal {u1 , u 2 ,L, u n } , definiendo:
1
ui = vi para todo i = 1,2,L , n
vi
22
15/02/2018
PROCESO DE ORTOGONALIZACIÓN
de GRAM-SCHMIDT
Si V es un espacio vectorial con producto escalar o interno, utilizando

proyecciones se puede construir, partiendo de una base {v1 , v 2 , L, v n } , una
base ortonormal de vectores {u1 , u 2 ,L, u n } de forma tal que se verifique:
v1 , v 2 ,L , v k = u1 , u 2 ,L, u k para k = 1,2,L, n
1
1. Definimos: v1 u1 = entonces u1 = 1
v1
Llamando p1 = proy u1 v 2 , entonces p1 = (v2 . u1 ) .u1 y luego v 2 − p1 ⊥ u1
(v . u )
Además v 2 − p1 ≠ 0 , pues v 2 − p1 = v 2 − 2 1 . v1 ≠ 0 pues los vectores
v1
v1 y v2 son linealmente independientes.
1
2. Definimos: u2 = ( v2 − p1 )
v2 − p1
Entonces u 2 ⊥ u1 y u 2 = 1 , además como son linealmente independientes
es v1 , v 2 = u1 , u 2
3. Construimos p 2 = proy u1 , u 2 v3 , entonces p 2 = (v3 . u1 ) .u1 + (v3 . u 2 ) .u 2

1
Definimos: u3 = ( v3 − p2 )
v3 − p 2
y en general en forma recursiva:

1
k. Definimos: u k +1 = (vk +1 − pk ) para k = 1,2,L, n − 1
vk +1 − p k
con p k = (v k +1 . u1 ) .u1 + (v k +1 . u 2 ) .u 2 + L + (v k +1 . u k ) .u k
23
15/02/2018
Nota: A partir de los pasos realizados en el proceso de ortonormalización

de G-S, se realiza la factorización de la matriz A, de la forma A = Q . R , de la
siguiente manera:
 v1 (v2 .u1 ) (v3 . u1 ) 


R= 0 v2 − p1 (v3 .u 2 )  y Q = [u1 u 2 u3 ]
 0 0 v3 − p 2 
TEOREMA V: Factorización Q . R
Si A es una matriz m x n, de rango n, entonces A puede ser factoreada en
el producto Q. R , donde Q es una matriz m x n con columnas ortonormales
y R es una matriz n x n que es triangular superior e invertible. Éstas
matrices tienen la forma:
r11 r12 L r1n 
0 r 
Q = [q1 q 2 L q n ] y R =  22 L r2n 
 M M M 
 
 0 0 L rnn 
donde, si {v1 , v 2 ,L , v n } son los vectores columnas de la matriz A, se
definen:
r11 = v1
r kk = vk − pk −1 k = 2,..., n
para
r ik = q i . vk i = 1,..., k − 1 k = 2,..., n
para y
y {q1 , q 2 ,L , q n } es la bae ortonormal del espacio columna de A,
construida a partir de los vectores columnas de la matriz por el proceso de
ortonormalización de G-S, es decir:
r 11 q1 = v1
r kk q k = v k − r 1k q1 − r 2 k q 2 − L − − r ( k −1) k q k −1 para k = 2,..., n
24
15/02/2018
Nota: La descomposición de la matriz A en la forma A = Q . R , permite

resolver el problema de mínimos cuadrados A x = b de forma sencilla,
cuando la matriz (m x n) tiene rango n, pero sus vectores columnas no
forman un conjunto de vectores ortonormales en Rm.
TEOREMA VI
Si A es una matriz m x n, de rango n, entonces la solución del problema
de mínimos cuadrados A x = b está dada por xˆ = R −1Q T b , donde Q es
una matriz m x n con columnas ortonormales y R es una matriz n x n que
es triangular superior e invertible, dadas por el teorema de factorización.
La solución x̂ puede obtenerse utilizando la “sustitución hacia atrás” del
sistema R x̂ = Q T b
10. Apéndice: APLICACIONES
Problema de Mínimos Cuadrados

(Legendre y Gauss, 1806).
Objetivo: encontrar la “curva de mínimos cuadrados” para un conjunto de
puntos en el plano.
Curva de mínimos cuadrados se considera al gráfico de una función

lineal, polinomial o trigonométrica.
25
15/02/2018
Solución de mínimos cuadrados para

sistemas sobredeterminados
Dado el sistema A x = b con A matriz m x n y m > n, en general no es

posible encontrar un vector solución x ∈ R n , por esto se “trata de
obtener” un vector x para el cual A x esté “lo más cercano posible”al
vector b. El proceso de encontrar dicho vector x está basado en el
concepto de ortogonalidad.
Definición: Dada la matriz A, m x n y m > n, para cada b ∈ R n como b = b .b = bT b ,

definimos:
* el resto o residuo, para cada x ∈ R n , como el vector r ( x ) = b − A x ,
* la distancia entre el vector b y A x como la norma r ( x) = b − A x
Definición: Un vector x ∈ R n que minimiza la distancia r ( x) = b − A x , en forma

∧
2
equivalente debe minimizar r (x) , si existe, el vector x que cumple la condición se
dice que es la solución de mínimos cuadrados para el sistema A x = b .
TEOREMA VII
Si S es un subespacio de R m , para cada vector b ∈ R m existe un único elemento p ∈ S
que es el más cercano a b, esto es:
b− y > b− p
para cualquier y ∈ S , y ≠ p . Más aún, tal vector p ∈ S es el más cercano al vector dado
b ∈ R m si y sólo si b − p ∈ S ⊥ .
26
15/02/2018
Propiedades
∧
a) Un vector x es una solución al problema de mínimos cuadrados A x = b si y sólo si
∧
A x = p es el vector en R A (espacio fila de la matriz A), que está más cercano a b. El
vector p es la proyección de b sobre R A , que verifica:
∧
b − p = p − A xˆ = r  x 
 
debe ser un elemento de (R A )⊥ .
b) El vector x̂ es una solución al problema de mínimos cuadrados A x = b si y sólo si

∧
r  x  ∈ (R A )⊥
 
∧
¿Cómo se obtiene x ?
∧
Puesto que (R A )⊥ = N ( AT ) , pues (R A ) ⊥ N ( AT ) , entonces el vector x será una
solución al problema de mínimos cuadrados A x = b si y sólo si:
∧  ∧ ∧
0 = AT r  x  = AT  b − A x  = AT b − AT A x .
   
Entonces, resolver el problema de mínimos cuadrados equivale a resolver:

∧
AT b = AT A x
Este sistema (n x n) se llama Sistema de ecuaciones Normales.
27
15/02/2018
Condiciones bajo las cuales el problema de mínimos

cuadrados tiene solución única
TEOREMA VIII
Si la matriz A (m x n) tiene dim R A = rg (A) = nº de columnas de A = n, entonces las
∧
ecuaciones normales AT b = AT A x tienen solución única de la forma:
∧
(
x = AT A )−1 AT b
y x̂ es la solución al problema de mínimos cuadrados A x = b .
Nota:
∧
( )−1
Nota El vector proyección p = A x = A AT A AT b , que se encuentra en R A , es el
vector más cercano a b, en el sentido de mínimos cuadrados y la matriz
(
P = A AT A )−1 AT se llama matriz de proyección.
El problema de mínimos cuadrados A x = b es especialmente fácil de

resolver en el caso de que las columnas de la matriz A formen un conjunto
normal en Rm.
TEOREMA IV
Si los vectores columna de una matriz A forman un conjunto ortonormal de
vectores en Rm, entonces A A = I y la solución al problema de mínimos
T
cuadrados es x̂ = A b .
T
28

Unidad 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Unidad 2

Diunggah oleh

Hak Cipta:

Format Tersedia

15/02/2018

Maestría en Estadística Aplicada

Mgter. Mónica Bocco

II. ESPACIOS VECTORIALES

En el plano R2 sus elementos se denominan vectores (segmentos

Definición: En el plano coordenado un vector x se representa por el par

Mgter. Mónica Bocco - 2018

Módulo o longitud: La longitud o magnitud o módulo del vector

Dirección: La dirección del vector x = ( x 1 , x 2 ) se define a través del

ángulo θ que forma el vector con el semieje positivo de las abscisas:

Mgter. Mónica Bocco - 2018

Mgter. Mónica Bocco - 2018

OPERACIONES CON VECTORES

Definición: a) Dado el vector x = ( x 1 , x 2 ) y el escalarα definimos el

Mgter. Mónica Bocco - 2018

Operaciones entre vectores

Mgter. Mónica Bocco - 2018

Operaciones entre vectores

Mgter. Mónica Bocco - 2018

Definición: Un vector unitario es un vector de longitud 1.

Mgter. Mónica Bocco - 2018

PRODUCTO ESCALAR y PROYECCIONES EN R2

Definición: Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , no nulos,

Mgter. Mónica Bocco - 2018

Definición: Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , ambos no

Definición: Dados los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , ambos no

Mgter. Mónica Bocco - 2018

Ángulo entre vectores y proyección de un vector sobre otro

Mgter. Mónica Bocco - 2018

Definición: Decimos que los vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , ambos

Los vectores x e y , no nulos, son ortogonales si y sólo si x . y = 0

Mgter. Mónica Bocco - 2018

Importante: Las definiciones y resultados enunciados para vectores x en

En general: las definiciones y resultados se extienden análogamente a Rn

Mgter. Mónica Bocco - 2018

Características de un vector en el espacio

Mgter. Mónica Bocco - 2018

PRODUCTO VECTORIAL o CRUZ EN R3

Definición: Si en R3 llamamos e 1 = (1,0,0) , e 2 = (0,1,0) y e 3 = (0,0,1)

Observar: El resultado del producto vectorial es un vector, mientras que

Mgter. Mónica Bocco - 2018

Para los vectores x e y en el espacio R3 se verifica:

Mgter. Mónica Bocco - 2018

Definición: Un espacio vectorial real V es el conjunto formado por todos

y satisfacen los siguientes axiomas:

Los elementos de V se llaman vectores.

Mgter. Mónica Bocco - 2018

Ejemplo: Son espacios vectoriales:

R2 y R 3 con las operaciones entre sus elementos (vectores)

El espacio Rn con las operaciones entre sus elementos (vectores

c) El conjunto V = { 0 } , llamado espacio vectorial trivial

Mgter. Mónica Bocco - 2018

d) El conjunto Pn de los polinomios con coeficientes reales de grado

e) El conjunto C [a,b] de las funciones que verifican:

Mgter. Mónica Bocco - 2018

f) El espacio Rmxn de las matrices A = (a i j ) (m x n), con entradas

g) El conjunto de pares ordenados de R2 que se encuentran sobre la

Mgter. Mónica Bocco - 2018

Ejemplo: No son espacios vectoriales:

Propiedades de los Espacios Vectoriales

Si V es un espacio vectorial, entonces para x ∈ V se verifica;

Mgter. Mónica Bocco - 2018

Definición: Un subconjunto S , no vacío, de un espacio vectorial V que es