Sie sind auf Seite 1von 2

PROCESO DE ORTOGONALIZACION DE GRAM SCHMIDT

Sea V un espacio vectorial producto innterno y un conjunto de vectores linealmente independientes


v1 , v2 , . . . , vk de V.Entonces con el siguiente algoritmo se puede construir vectores ortogonalesu1 , u2 , . . . , uk
base de un sub espacio de V generado por v1 , v2 , . . . , vk

u1 = v1

< v2 , u1 >
u2 = v2 u1
||u1 ||2

< v3 , u2 > < v3 , u1 >


u3 = v3 2
u2 u1
||u2 || ||u1 ||2
.
.
.

k1
X < vk , ui >
uk = vk ui . . . (1)
||ui ||2
i=1

< vj , ui >
Donde ui = P royui vj
||ui ||2
DESCOMPOSICION QR

Para toda matriz A Knm con rango(A) = m , es decir con columnas linealmente independientes ,
se puede factorizar como producto de dos matrices , una de ellas de orden n m cuyas columnas sean
ortonormales y linealmente independientes y otra matriz de orden m m triangular superior y con
numeros positivos en la diagonal (por lo tanto inversible).Tal factorizacion se le llama descomposicion
QR de A
Vamos a probar que si A = QR es una descompocision QR de A Las columnas de Q forman una
base ortonormal?
Con la caracteristica de que las columnas son ortogonales demostraremos que necesariamente son or-
tonormales
Sean u1 , u2 , . . . , um las columnas de Q .Como

uT1 uT1 u1 uT1 u2 uT1 um



...
uT2  uT2 u1 uT2 u2 ... uT2 um
QT Q =

u1 u2 . . . um =

.. .. .. ..
. . . .
uTm uTm u1 uTm u2 . . . uTm um

Y por lo tanto uTi uj es un elemento del producto QT Q ubicado en la posicion ij , tenemos que


0 si i 6= j
QT Q =I uTi uj = u1 , u2 , . . . , um es un conjunto ortonormal
1 si i = j
Como tal descomposicion existe , se procedera a hallarla

Representamos a los vectores columna de A por {v1 , v2 , . . . , vm } ,para poder descomponer tal ma-
triz tenemos que B = {v1 , v2 , . . . , vm } conjunto linealmente independiente .Aplicando el proceso de
Gram Schmidt al conjunto B se obtendra una base ortogonal de vectores {u1 , u2 , . . . , um } expresados
en (1)
De (1) expresaremos los elementos de B en funcion de {u1 , u2 , . . . , um }

1
v1 = u1

< v2 , u1 >
v2 = u1 + u2
||u1 ||2

< v3 , u1 > < v3 , u2 >


v3 = 2
u1 + u2 + u3
||u1 || ||u2 ||2
.
.
.

k1
X < vk , ui >
vk = ui + uk . . . (2)
||ui ||2
i=1

Esto expresado en forma matricial



1 a12 a13 ... a1m
0 1 a23 ... a2m
< vj , ui >
[v1 v2 . . . vm ] = [u1 u2 . . . um ] 0 0 1 ... a3m donde aij =

||ui ||2

.. .. .. .. ..
. . . . .
0 0 0 ... 1

1 a12 a13 ... a1m
0 1 a23 ... a2m

De esto tenemos que Q0 = [u1 u2 . . . um ] y R0 = 0 0 1 ... a3m lo que hacemos ahora

.. .. .. .. ..
. . . . .
0 0 0 ... 1
es normalizar cada columna de Q0 es decir

vi
Q = [v10 v20 . . . vm
0 ] con vi0 =
||vi ||
Y para que la multiplicacion siga siendo A modificamos R0 para ello multiplicamos cada fila de R0
por el numero que dividimos la correspondiente columna de Q0

||u1 || a12 ||u1 || a13 ||u1 || . . . a1m ||u1 ||
0
||u2 || a23 ||u2 || . . . a2m ||u2 ||

R=
0 0 ||u3 || . . . a3m ||u3 ||

.. .. .. .. ..
. . . . .
0 0 0 ... ||um ||
De esto se concluye que A = QR factorizacion buscada

IMPORTANCIA DE LA DESCOMPOSICION QR

La descomposicion QR es importante para poder hallar de manera mucho mas facil los vectores
propios de una matriz ya que se puede llegar que la matriz A = QR es semejante a la matriz
RQ
Sirve para resolver sistemas de ecuaciones lineales en la cual Ax = 0 se puede expresar de la
siguiente manera Rx = QT b
Para matrices cuadradas este metodo nos ayuda mucho a conocer la determinante de manera
sencilla ya que QT Q = 1 y|QT | = |Q| luego , de esto ultimo podemos decir que de A = QR
tenemos que |A| = |R|