@ Bases ortoncemates y proyecciones © Proceso de ortogonalizaciin de Gram-Schmide En nuestro estudio de R? y R°, definimos longitudes de segmentos rectilineos y angulos formados por rectas en funcién del producto escalar. @ Nuestro objetivo es extender estas ideas a espacios vectoriales mas generales. © Primero, vamos a generalizar el producto escalar, que llamaremos. producto interno, y después definiremos longitud y dngulos en funcidn de este producto interior. © Recordemos que en R” se definié el producto escalar x-y de dos vectores x = (15.82, +05 %n)e Y= (1s Y25 0-5 9n) Por fa fSrmula xy 22 toa = © En un espacio vectorial general, se escribe (x, y) en lugar de x+y para los productos internos.© Vamos a definir el producto interno axiomaticamente y no con una formula. Es decir, enunciaremos un conjunto de postulados que se requiere que cumplan los productos internos, Definicion Se dice que un espacio vectorial real tiene un producto interior si a cada par elementos x, y € V corresponde un niimero real Unico (x, y) que satisfacen los siguientes postulados cualesquiera que sean v, y, 2€V, y para todos los escalares or @ (x,y) =(y,x) (conmutatividad 0 simetria). @ (x,y+z) =(x,y) + (x,2) (distributividad o finealidad). © a(x @(xx)>0 <> x40 ) = (ax, y) (asociatividad w homogeneidad). (positividad). @ En un espacio vectorial complejo, un producto interno (x,y) es un escalar complejo que satisface los mismos postulados que los del producto interno real, excepto el de simetria que se reemplaza por (x,y) = (y, x), ( Simetria hermitiana ) donde {y, x) es el complejo conjugado de (x, y) © A partir del postulado de homogeneidad y de la simetria hermitiana se llega a la igualdad (x, ay) = (ay, x) @ (x,y). © Un espacio vectorial complejo con un producto interno se llama espacio unitario.(x,y)=(%x), —_ ( Simetria hermitiana ) donde (y, x) es el complejo conjugado de (x, y) © A partir del postulado de homogeneidad y de la simetria hermitiana se llega a la igualdad (x, Hy) = (@y,x) = @(y,x) =@ (x,y). © Un espacio vectorial complejo con un producto interno se llama espacio unitario. © Veamos algunos ejemplos de espacios con producto interior @ R" es un espacio con producto interno (x,y) =x-y. La verificacién de los postulados se hizo en la introduccién de esta unidad. @ En R’, para los vectores x = (x1,.42), y= (v1.92) se define (x,y) =2niy1 tarye Se afirma que la formula anterior define un producto interno en R?. Sea 2)yaeR ) Conmutatividad (x, y) = 2xiy1 +a2y2 = 2ynat -+y2a2 = (y, x) ) Vamos a usar que y z2), de manera queLa verificacién de los postulados se hizo en la introduccion de esta unidad. @ En R’, para los vectores x = (1,2), y = (v1. y2) se define (x.y) = 2x yy tony2 Se afirma que la formula anterior define un producto interno en R?. Sea z= (21,22) ya@eR ) Conmutatividad: (x,y) =2eiy1 Hany = yin ) Vamos a usar que y-+2= (9) +21,y2-+22), de manera que 2 Qeiyitany2+2m1z (xytz) = 2wa(ytz)+ (x, y) +(x, 2) iii) Como ax = (ax1, x2) se tiene @ (x,y) = (2x1 y1 +.x2V2) = 2x1 )y1 + (OLx2)y2 = (AX, ¥) iv) Finalmente, >0 <> x#0. Fs y) = 2(-2)(5)+(3)(2) =-14 x) = 2(-2)(-2)+ (3)(3)=17. y) = 2(5)? +2? =54 Este ejemplo muestra que pueden existir mas de un producto interno en un espacio vectorial dado.@ Seanz.weC". Siz= Zn) ¥ W= (Wi, Wr w,), se define 2, W) = Wy +2282 +--+ 24TH Vamos a demostrar que la formula anterior define un producto interno en co i) Simetria hermitiana (uw) = = Wwe il) Sea we C", donde w= (11,1, ..., tt»). Ahora bien WU (16) Huy, W2-buD, -.-, Wy ate), entonces (wu) = ill) Sq @EC. Recordemos que z= (az, O22, ..., O2n), Se tiene @ (2, W) = O(c) Wi + 22 Wa +--+ + En We) = (2, W) iv) Finalmente, (n.2a)= © EnC?, sean z= (1+i,—-2,3+41) y w= (2+4,4,2—5i), de manera que (a,) +i)(2¥i) + i) + (3+4i)(2=3i) i+2 Bix 11 +261. i)(T¥i) + ()(-2)+ (2-5) F451) 261==11@ Sea C[a, 6] el conjunto de todas las funciones continuas y sean f, 9€ Cla, 6]. Vamos a demostrar que . (n9= [ foaar define un producto interno en Cla, b] i) Conmutatividad: b > (f.9)= [ sa) giar Ht) fle)de = (9, i) Sea h € Cla, b]. entonces (f9+h) 6 . . [090 +mya1 = Fa)attyar+ f° f(yn()ar (f+ (Gh). iit) Sea @ EIR, de manera que a ‘ a(fg=a Fa) g(t)ar= | la f(t)] g(t) de = (af). iv) Sea f € Cla, b] distinta de cero. Como f es continua alcanza su valor minimo. Sea m= min f(t). De Calculo integral tenemos que pays fs? 1=(f,f) © En C[-1, 1}, sea ft) =1y oft) =e’, entonces 1 td dr=e(-1 +9] =2¢Teorema (Desigualdad de Cauchy-Schwarz) Sea V un espacio vectorial con producto interno. Sean x, y EV, entonces I(x, y)I" S (x, x) (yy) Ademés, la igualdad se da si y solo six ey son linealmente dependientes. Demostracion Si x =0 0 y =0 se cumple la igualdad 0 =0. Supongamos que x ni y son cero. Sea z=Axtpy donde A y 4 son escalares. Vamos a usar el hecho (z, z) > 0 para toda A y H. Después expresaremos esta desigualdad en términos de x e y, y con una eleccidn apropiada de A y 41 obtendremos la desigualdad de Cauchy-Schwarz Demostracion (nn) = (Axtpy,Axtuy) 8 = (Ax, Ax) + (Ax, my) + (uy, Ax) + (my, uy) = AX (x.x)+AR (x,y) +m (yx) +ui (y. y) 20. Elijamos A = (y, y) > Oy cancelemos este factor en la desigualdad anterior para obtener (9) (xx) 4H (xy) +H (yx) HHT O. ‘Ahora se toma i= — (x,y), de esto, t= —(y, x). Esta ultima desigualdad tome la forma (yy) (xx) (Ky) (yx) > (yy) (xx) —Iis.y))?Demostracion Por lo tanto, Nyy)? < (xx) (yey). La igualdad se da si y silo siz=0, es decir, si Ax+py =0. Esto ocurre si s6lo si x e y son linealmente dependientes. o @ Si aplicamos el teorema anterior al espacio Cla, b] con el producto interno » (f.9)=] f(t)ge)ar, la desigualdad de Cauchy-Schwarz toma la forma ([‘roane) < (sore) (ara) © El producto interior puede usarse para definir el concepto de longitud en cualquier espacio que tenga producto interno. Definicion Sea V un espacio con producto interno. Sea definido por la ecuacién V, el ntimero no negativo, |x|] Ixl] = (x, x) se denomina norma del elemento x. @ La desigualdad de Cauchy-Schwarz expresada en término de normas toma la forma x, y)| SI lly © En un espacio vectorial V podemos definir el producto interior de diferentes maneras, por lo que la norma de un elemento dependerd del producto interno elegido.i) Para R", con el producto escalar usual, la norma del vector X= (1,42) --254n) €S [bel] = (x, x)? = (ef 4ad ee x2)!? Por ejemplo, en R?, el vector x = (3, 4) tiene norma x\| = VP + =5. En cambio, con el producto interno x.y) =2uyi-beaye la norma del vector x es = 2oR+ ii) Sean z,w €C", donde x= (e1, 22, -+.524) ¥ W= (Wt, Wa... Wa). Con el producto escalar (nw s+ ian La norma de x es lz] = Por ejemplo, el vector 2 = (3—2i,4+i,—-3+54) €C’, tiene norma (| = (3-21? + [4 +a? +|-3 45a? ii!) En Cla, 6), con el producto interior . (f.9)= a: Sle) g(t) ae La norma de f es ini=(f*rorar)Por ejemplo, en C[0, 271]. la norma de flt)=cost S152 es ivi? = = 4 (t+ 4sin2) |" =x fll = va. El siguiente teorema da las propiedades fundamentales de las normas y no dependen de! producto escalar elegido. Teorema En un espacio vectorial V con producto interno, toda norma tiene las propiedades siguientes para todo x, y € V. y todos los escalares a a) |xJ=0 <> x=0 b) Ix >0 six 40 (positividad) ¢) Ilex! = lat Ix (homogeneidad). d) IIx+yll < [xi] +llyll (desiqualdad del tridngulo) La igualdad es valida en la desigualdad del triéngulo si y slo six ey son linealmente dependientes.Demostracién d) Observemos que Ix+yl? = (yy) = Ox La desigualdad de Cauchy-Schwarz prueba que %¥)| Oy (xi,x)) =0 para i=2,3,...,k se tiene Demostracié: ars Repetimos el proceso, por lo que el paso j tenemos que (x;, xj) >0y (xj,x;) =0 para é# j, de manera que a)\\x)|? =0 a =0 para j=i,2,...,k Esto prueba que los vectores x1, x2 +X son linealmente independientes, Si dimV =ny A consta de n elementos, entonces # es una base paraV. Ejercicio En 3. Demostrar que los vectores (42-), (1 Forman una base ortogonal paraEjercicios @ En C?, demostrar que los vectores r=(i+2,1) y (1+i,-3-3) son ortogonales. @ En C{=1, 1}, demostrar que los polinomios pie)=x oy pals) son ortogonales. @ En C(0, 22] demostrar que las funciones fQx)=cosx yy g(x) =sinx son ortogonales. @ EnC?, z= (i+2, 1) y w=(1+i,-3-i), entonces (z, w) = (i+ 2)(T-48) + (1)(—3=2) = (14+-2)(1 a) + @ En C(0, 22], pi(x) =x y p2(x) =27, de manera que opty ay (pi, p2) [xox [ =F @ En ClO, 2a), f(x) =cos.x y g(x) =sinx entonces (f.9)= [ cos. x sin xdx = 4sin?x| = sin?(2n) — sin?(0) =0. lo 28m, Observe que estas funciones en C[—1, 1] no son ortogonales.Teorema Sea V un espacio vectorial con producto interno de dimension finita n. Supongamos que a Un} 5 una base ortogonal para V. Si un elemento x € V estd expresado como una combinacién lineal de los elementos de la base, X= Gy U) +OQU +--+ Oy entonces sus componentes relativos a la base # estdn dados por las férmulas (x, ue) a y (Ug, Ux) para k= 12.5, En particular, si es una base ortonormal, cada ox estd dada por para k Demostracion ‘Tomemos el producto interno de x= 4 wy +49u)-+++++ Uy con cada elemento uy (x, ue) = Yo ee (uj, me) =e Cu, porque (uj, m) =0 si jk. Esto implica que (x,ui) para k=1,2,...57. (Uk, Ux) Cuando los vectores son unitarios (u,, us) = 1, y se obtiene % =(x,up) para k= 1, n.Ejercicios i) Los vectores (1,2, —1), (1, 1,3) y (7, -4, -1) forman una base ortogonal para R°. Exprese al vector x = (5, —1,7) en términos de esta base. ii) Demuestre que los vectores w( forman una base ortonormal de R?. Exprese al vector x = (4, términos de esta base. i) Come los vectores (1,2, —1), (1, 1,3) y (7,—4, -1) forman una base cortogonal para R® se tiene que (5,-1.7), (1.2.0) (5,-1.7), (1.1.3) 21,2, 1) + GADLING 1,3 y(1.2.—1))' TE3). (hay) h) (S.-1.D). 0-4 —D) 7 x 30,2, -+ Fd. 1,3)+ $0, -4,-D. ii) Dado que los vectores uy y u2 forman una base ortonormal para IR?, entoncesEl siguiente teorema demuestra que en un espacio vectorial real de dimensién finita con una base ortonormal el producto interno de dos vectores es igual a la suma de los productos de sus componentes respectivas. Teorema Sea V un espacio vectorial con producto interno de dimensién finita n. Supongamos que P= {12,5 My 5 una base ortonormal para V. Para todo par de vectores x ey de V se tiene (x.y) =D (x, me) (y, ue) (Formula de Parseval) a En particular, cuando x= , $e tiene Isl? = 55 lox, m) E Demostracién Como # es una base ortonormal, entonces x= E(um)u & y= Lovu)yy A Formemos el producto interno de ambos vectores (wy) = (Ee u) Uy Lu a uj) (uy, uy) a ri eit en donde se ha usado que (ug, uj) =1 si j=ky O cuando j #kDemostracién Si x =y la ecuacién anterior se reduce a Ux? = (xx) = Yo (x, me) Gem) = D(x, my)? a ei @ Se ha visto que todo espacio vectorial de dimensidn finita tiene una base finita @ Si el espacio tiene producto interno podemos construir una base ortogonal. Este resultado es consecuencia de un teorema cuya demostracién nos ofrece un algoritmo que construye conjunto ortogonales en cualquier espacio con producto interno de dimensién finita o infinita @ El proceso de construccién se llama método de ortogonalizacin de Gram-Schmidt en honor a su autores, J. P. Gram (1850-1916) y E Schmidt (1845-1921). @ Se necesitard el siguiente resultado para demostrar el método de ‘ortogonalizacién de Gram-Schmidt.Teorema Sea V un espacio vectorial con producto interno. Supongamos que los vectores no nulos y Y- Son mutuamente ortogonales, es decir, (Ynys) para iAj Sea x €V, y definamos los escalares = 9) para i Entonces el vector Y=X—QLYL— G2Y2—+" — Gr es ortogonal a cada Y1, Ya. .-.Yr Demostracion Solo hay que tomar el producto escalar de y con el i-ésimo vector ys para i=l, (Xi) = (x-onyr—any2—--— Gey, yy) (x, ys) = (Yi, Y2) 9 = OYE Yi (x, ye) (Yr, Yi) = (x91) — Oi (¥e Ye) = (MY Yay) (yin yi) 0 Por lo tanto, y 1 yi Vamos a enunciar el resultado principal de esta seccién.Teorema (Método de ortogonalizacién) Sea V un espacio vectorial con producto interno de dimension n. Sea X1,X2y «s+ «Xe Una sucesion finita de vectores linealmente independientes en V. Designemos con $ el subespacio generado por estos vectores $= span {x1,¥25..-.Xe}: Entonces existe una sucesién correspondiente de vectores yi deV que tiene las siguientes propiedades para j =2,3....k a) El vector y; es ortogonal a todo elemento de subespacio span {¥1, ¥25 +++ s¥j-1} b) El subespacio generado por {y1, ¥2, --- .yk} es el mismo que el generado por X1,X2.....X, span {yi span {x1,x2, .-. Xi} Teorema (Método de ortogonalizacién) ©) La sucesion y), ¥2,....Ye €5 Unica, salvo factores escalares. Es decir, SiY',¥'2, ++. s¥'k €5 otra sucesién que satisface las propiedades a) y b), entonces para cada j=1,2,...,k existe un escalar ay tal que y= ay. Demostracién La construccién de los vectores yi, Y2, ..- .Ye S€ logra con un algoritmo iterativo. @ Se toma y; =x) @ Se elige y2 como y2=%2 Por el teorema anterior, y2 1 y1Demostracién: @ Se elige y3 como 3 =X3— (yeni)! Por construccién y2 es ortogonal a ys y yo @ Procediendo de esta manera se define Nuevamente, por el teorema anterior, y, es ortogonal a los vectores Greene eae Demostracien @ Finalmente, se tiene que B={Yr Yoyo Ya} es una base ortogonal para span{x), x2,...,x,}- Como cada uno de los vectores y1, ¥2, ... Yk Se construyeron con combinaciones lineales de los vectores x1, x2, ... .X, Se tiene que Ye} = span {x1 span {yi + sXe}. © En particular, si xj,x2,... .%q forman una base para un espacio vectorial V de dimension 1, entonces yi, y2, -.. Yn eS una base ortogonal de V.© También podemos transformar esta base ortogonal fy Yu} en una base ortonormal {tj t2, th}, s6lo hay que normalizar cada yj I w= poy para i= 1,2..." lyill @ Se ha demostrado el siguiente teorema. Teorema Todo espacio vectorial con producto interno de dimensi6n finita tiene una base ortonormal. Ejemplo Encontrar una base ortonormal para el subespacio generado por los vectores x =(1,1,0,1), x2=(1,-2,0,0) y x3=(1,0,=1,2) Se aplica el método de ortogonalizacién de Gram-Schmidt: y= x =(1,1,0,1) yo = xy Ey, = 104, -5,0,1) (ny) (x3 (x Como se pide una base ortonormal, procedemos a normalizar:Por lo tanto, una base ortonormal para el subespacio es 1 1 a= {0.10 Ta -4,-2 -16\ Definicisn Sea V un espacio vectorial con producto interno y sea HCV un subespacio de V con una base ortonormal By = {Wy U2, -.. 4} Dado x € V, se define la proyeccién ortogonal sobre H, denotada Proy,, x est dada por k ProypX = (X, Uy) Uy + (X, Ur) Up +o + (X, Ue) Ue = Yo (x, uy) Ui a © Como el vector Proy,,x es una combinacién lineal de los vectores uy se tiene que Proy)x¢H.Ejemplo Sea H CR? el plano definido por la ecuacién xty+ Sea x= (3, -1,2), encontrar Proyy x. i) Una base para H es B\ ={x1=(1,0,-1), x2 =(0,1,-1)} ii) Se aplica el método de Gram-Schmidt para construir una base ortonormal para H y= {u, = (3.0,- ii) Se calcula la proyeccién de x = (3, —1,2) sobre H Proyyx = (xu); +(x, us) Up 1) (7 Je Fede) = (G-5 El siguiente resultado demuestra que la proyeccién ortogonal est bien definida Es decir, Proy,,x es independiente de la base ortonormal elegida para H. Teorema Sea H CV un subespacio del espacio vectorial con producto interno V de dimension n, Supongamos que H tiene dos bases ortonormales {uua, mn} oy fmismay wa) Sea x€V, entonces Lupa = PY (x,w) weDemostracién ) El método de ortogonalizacién de Gram-Schmidt nos permite construir una base ortonormal Ay = (uy, U2, 2 +++) Un} para V. Ahora Br = {Wi Woy. Was Wesd, Wes2 «oy Un} también es una base drtonormal para V, pues los vectores Uj41, Uh42 --- Uy NO puede expresarse como una combinacién lineal de los vectores wi, W2, ....Wx porque ninguno de estos vectores estan en H y los vectores {wi, w2, ....Ws} forman una base para H. De esto, #2 forma una base ortonormal para V porque contiene vectores linealmente independientes. Demostracién ii) Seax€V, como A y Bz son bases para V se tiene x.) Uy) + (x, mest) Megs + OX, yr) Wega tos + (x, My) (x, Wi) Wit (X, Uk) Weer + (X, Uy?) Orr +(X, Un) Uy} Al restar las dos ecuaciones dadas arriba se llega a que ' ¥(xui)u,Definicion Sea V un espacio vectorial con producto interno y H un subespacio de V. El complemento ortogonal de H, denotado por H~ se define como HY ={xeV: (x,h)=0 VheH}. Es decir, el complemento ortogonal de H consiste en todos los vectores que son ortogonales a cualquier vector en H Teorema Sea V un espacio vectorial con producto interno y H_un subespacio de V, entonces a) H+ es un subespacio de V b) HOH! = {0} c) SidimV =n, dim H* =n—dimH. Demostracién a) Veamos que efectivarwente H+ es un subespacio de V i) Sean hj, hy € H. Como (hj,h) +(hy,h) =0+0=0 se tiene que hy +h} ¢ H ii) Sea a un escalar, dado que (anj,n) =a (hin) =a-0=0 se concluye que ah} ¢ H+ b) Six HOH! entonces (x, x) =0, de manera que x=0, esto implica que HAH = {0}Demostracién. ©) Sea {uy, uz, ...,m} una base ortonormal para H. Extendamos esta base a una base ortonormal P= {045,035 Mes Wass sy} para V. Vamos a demostrar que {Uy..1,...Un} es una base para H*, Como los vectores t.1,..- te Son linealmente independientes solo hay que probar que generan a H Sea x € H*, expresemos x en términos de la base # X= (X, my) uy +(x, up) ua to +(x, Ug) Uy + + (X, Up) Uy F(X, Wess Maer + (X, Wegr) Wego + Como x H* y u€H se tiene que (x,u))=0 para i=1,2,-...k Demostracion. Esto demuestra que {uj ;1, 042. -.- Up} es una base para H+. En consecuencia, © Por ejemplo, para el subespacio H, definido por plano x+y-+z=0, se construyé la base ortonormal {a Su complemento ortogonal H- tiene dimensién 3 sy de esto. es una recta generada por el vector normal al plano n = (I, 1, 1). De manera que, una base ortonormal para esta recta es@ Sea V un espacio vectorial. Sean H y K dos subespacios de V. Se define la suma de H y K, denotada H +K, como el subconjunto de V H+K={ht+k:heH keK} Vamos a probar que H+K es un subespacio de V ) Sean x,y € H +K, entonces existen hy, hs y ki, k2 €K tales que x = b+k, y ho +kp Al sumar ambas igualdades obtenemos xty=thgtkitk, => x+ycH+K. STS i ek ii) Sea @ un escalar @x=a(hy +k,)= ah, +ak) CH+K. Definicion Sea V un espacio vectorial y H y K dos subespacios de V. Se dice que V es la suma directa de H y K si para cada vector v € V, existen vectores tinicos hE H y KEK tales que v=h+k. Se escribe V=HOK para indicar que V es la suma directa de H y K Teorema Sea V un espacio vectorial y H y K dos subespacios de V. Si H+K=V y Hov={0} entoncesDemostracion ' Sea v EV, por hipétesis existen h € H y k € XK tales que v=h+k. Para demostrar que V es la suma directa directa de H y K debemos probar la unicidad deh y k. Supongamos que existen h’ € H yk’ € K tales que v=h' +k’, Entonces h+k=W +k => h-h’=k-k Peroh—h' EH y k’—k EK, y como h+k=h’ +k’ se tiene que h-W’,k’—k € HK = {0}. En consecuencia, h-W=0 y K-k=0. !. Se tiene la unicidad, Teorema Sea V un espacio vectorial con producto interno de dimension n. Sea H un subespacio de V y supongamos que v € V. Entonces existe un tinico par de vectoresh yp tales queh eH ypeH*,y v=h+p donde h = Proyyv y p = Proy,: v. Es decir, V=HoH'. Demostracién Sea h =Proy,,v y p=v—h. Sabemos que h ¢ H, ahora vamos a probar Sea {uy, up, ...,uz} una base ortonormal para H, entonces p=v—(v, my) u) —(v, mp) up —-» = (v, ug) myDemostracién Por él teorema de la pagina 34, tenemos que k es ortogonal a cada vector uy, up,....t. Sea x EH arbitrario, Existen escalares 41, 9, «.. 0 tales que X= GU) + ORUD +o + OH Uy Ahora vamos a demostrar que p es ortogonal a x: (Px) = (Pp, Gia + amu +++ aun) = (Pp, uy) +02 (p, ur) +--+ Gn (p, Up) =O. Esto significa que p € H*. Para demostrar que p = Proy,,. v. se amplia la base {uy, up, ... uz} a una base ortonormal para V. Demostracién. Demostracién... Sea {ur, uz para V, entonces {uj «Uk, Uksts..- ty} una base ortonormal 1u,,} es una base para H+. Ahora Vo (VU) Uy ee CV, Me) Wet CV, Meg) Weg beh (Vs Up) Uy = Proyy¥-+Proyy. ¥. Todo esto nos dice que V =H +H*, pero HNH* = {0}, lo que implica que hy p son tinicos, esto nos dice que V=HoH*Sea H CR’ el plano definido por la ecuacién x+y encontrar Proyy x y Proy,,. x. 0. Sea x = (3, -1, 2), dy = {0 = (0 Entonces p=x-h=(3,-1,2)- (3-3, =(3,9 Como era de esperarse, p || n, donde n= (1, 1, 1) es un vector normal a H. De esto, HY ={U(1, 1,1): 0} y su complemento ortogonalEl siguiente teorema es muy iitil en estadistica y en otras dreas de la matematica aplicada. Sea H un subespacio de dimensidn finita de un espacio vectorial V con producto interno, y sea ¥ un vector en V. Entonces Proy ¥ es a mejor aproximacion de ¥ por un elemento en H en el siguiente sentido: si h es cualquier otro elemento en H, se tiene que |W —Proyy il < v~ hil Del teorema anterior, tenemos que (v—Proyy,¥) € H+. Ahora bien v—h=(v—Proy,,¥) +(Proy,v—h). Como el vector (Proy,v¥—h) € H tenemos que (¥—Proy,,¥, Proy,,¥—h Demostracién. De manera que h) 1yn¥) + (Proyy¥ —h), (¥~Proyy ¥) + (Proy ¥—h)) v—Proy,, ¥, Proy,, ¥—h) + || Proy,,¥—h|? Proy,, v— hij? Como | Proyy ¥ > 0 se tiene que = hl}? > Iv —Proyy, |? 2 llv— Proyy,|l-© Es comin que en la ciencia y la ingenieria se requiera resolver problemas que involucran variables, que de antemano se sabe que existe una relacién entre ellas. © Por ejemplo, en una situacién industrial, quizds se requiera hacer algtin pronéstico en algtin proceso quimico. @ La relacién mas simple entre la respuesta y y el regresor x es la relacién lineal, y=b+mx en donde b es la ordenada al origen y m es la pendiente. © Si la relacién es exacta y no contiene ningtin elemento aleatorio, estamos tratando con un fenémeno determinista entre las dos variables. © Sin embargo, en otras situaciones de la ingenieria y la ciencia, la relacion no es determinista. @ La figura de la siguiente Idmina ilustra lo que ocurre. Se asume que las variables y e y estén relacionadas por la formula y= b-+m-x. Por ejemplo, a 1x1 le corresponde el valor b-+-mx, que es diferente al valor medido yy © Para determinar la recta que mejor aproxime los datos medidos, se usa el criterio de seleccionar aquella rec la suma de los cuadrados de la diferencia entre los valores y; medidos y el valor correspondiente de y sobre la recta 2 que minimiza Problema de minimos cuadrados para el caso de una recta Encontrar los ntimeros m y b tales que la suma (91 = + mai)? + 2 = (6 +x)? +--+ n= (bmn)? sea minima. Para estos valores de m y b, la recta y= b+ mx se llama aproximacién por la recta de minimos cuadrados a los datos (rye Gaya) ses Cine Yn)y= b+ mx b+ mx) (Gm, b+ mx) 2H) (x, b+ mx) Figura: Una relacién lineal, y = b-+mx. Si los puntos (x1,y1)s (x25): entonces se tiene En forma matricial donde v1 ya (ny Yn) estan sobre la recta y= b+mx mx mx MX roflSi los puntos no son colineales, hecho que ocurre en la practica, entonces y—Au 0. Ahora el problema a resolver es Forma matricial del problema de minimos cuadrados Encontrar un vector u tal que la distancia ly-Aul sea minima © Observe que A es una matriz de nx 2 y u es una matriz de 2x 1 por lo que el producto Au es un vector en R”. © La imagen de A es un subespacio de R” cuya dimensién no excede a dos. © Por el teorema de aproximacién aplicado a R" el vector en la imagen H de A, que mejor aproxima a y es Au=Proyyy @ Si Hes el vector que minimiza, entonces para todo w € R’ AuL(y @ Con la definicién usual del producto escalar en R" se encuentra que Au-(y-Aa) = 0 (Au)"(y-Aa) = 0 w’ AT (y—Aaa) 0 es decir wl (aTy-ATAG como esta ecuacién se cumple Vu ATy—ATAa=0 a=(a7a) lay.Solucién al problema de minimos cuadrados para un ajuste lienal Dado un conjunto de datos (ays Gage + Gn Yn) entonces y= b+mx la recta que mejor ajusta los datos, en el sentido de los minimos cuadrados, cuando (ata) laTy donde