[Link] Los métodos de transformación ortogonal. — Cap.

XX

CAPITULO XX. LOS METODOS DE TRANSFORMACION

ORTOGONAL

1. LAS TRANSFORMACIONES DE HOUSEHOLDER

Debido a las posibles dificultades numéricas del uso de las ecuaciones normales, los
modernos métodos de mı́nimos cuadrados se han desarrollado basándose en las trans-
formaciones ortogonales, que preservan las distancias euclı́deas y no empeoran las
condiciones de la matriz A. La idea es transformar un problema de mı́nimos cuadrados
de manera que sea fácil de resolver, reduciendo la matriz A a la forma que revela el rango.
El término forma triangular que revela el µ rango
¶ denota
µ una matriz
¶ genérica m × n de
T T11 T12
rango r correspondiente a la matriz T̃ = = , con T11 matriz r × r
0 0 0
no singular triangular superior y T12 matriz r × (n − r). Cuando T̃ tiene rango lleno de
filas entonces no aparecen ambos bloques de ceros; si T̃ es de rango lleno de columna, la
matriz T12 y el bloque de ceros derecho no aparecerán.
µ ¶ Más en general, el rango de una
F
matriz m × n, F̃ , es r si F̃ es de la forma F̃ = , con F matriz r × n y las filas de F
0
son linealmente independientes.
Dado que ya no estamos resolviendo ecuaciones, el conjunto de transformaciones
que se puede aplicar a A sin cambiar la solución está restringido. Las transformaciones
ortogonales son obvias en este contexto dado que estas no alteran la norma l2 .
Sea A una matriz no nula m × n, con rango igual a r. Supóngase que se pueda
encontrar una matriz m × m ortogonal Q que produzca la forma que revela el rango
µ ¶
t F
Q A= , (XX.1)
0

donde F es una matriz r × n y tiene las filas linealmente independientes; el bloque de

ceros no aparece si r = m.
La forma (XX.1) nos permite resolver el problema de mı́nimos cuadrados usando las
matrices Q y F . Sea d el vector transformado Qt b, descompuesto en
µ ¶
t dr
d=Q b= . (XX.2)
dm−r

Usando esta definición y la estructura mostrada en (XX.1), se puede escribir el vector

residual transformado como
µ ¶ µ ¶ µ ¶
t dr F x dr − F x
Q (b − A x) = − = . (XX.3)
dm−r 0 dm−r

Dado que la matriz Qt es ortogonal, su aplicación al vector residual no altera la norma

euclı́dea, y
||b − A x||22 = ||Qt (b − A x)||22 . (XX.4)

269
[Link] Los métodos de transformación ortogonal. — Cap. XX

Combinando esta relación con la forma especial del vector residual transformado, se con-
cluye que

||b − A x||22 = ||Qt (b − A x)||22 = ||dr − F x||22 + ||dm−r ||22 ≥ ||dm−r ||22 , (XX.5)

que significa que ||b − A x||2 no puede ser menor que ||dm−r ||2 para cualquier vector x.
El valor más pequeño posible para ||b − A x||22 es la cota inferior. Igualdades con la cota
inferior se obtienen si y sólo si el vector x satisface

F x = dr . (XX.6)

Dado que el rango de la matriz F es igual a r, el sistema F x = dr tiene que ser µ

compatible.
¶
0
Cuando F x = dr , el vector residual transformado satisface Qt (b − A x) = y
dm−r
||b − A x||2 = ||dm−r ||2 . Esto demuestra que cualquier vector x que satisfaga F x = dr
será una solución de mı́nimos cuadrados. Suponiendo que los sistemas en los cuales
aparecen las matrices F son fáciles de resolver, se sigue que el problema de mı́nimos
cuadrados se puede resolver encontrando una matriz ortogonal Qt que nos dé la forma
(XX.1).
Antes de presentar la factorización QR para resolver el problema de mı́nimos
cuadrados, es necesario introducir las transformaciones de Householder.
La técnica más popular para construir una matriz ortogonal que reduzca la ma-
triz A en forma triangular usa una clase especial de matrices que son simultaneamente
simétricas, elementales y ortogonales. Para cualquier vector no nulo u, la correspondi-
ente transformación de Householder (o matriz de Householder, o reflector de
Householder) es una matriz de la forma

2uut uut ||u||22

H = H(u) = I − = I − , con β = , (XX.7)
||u||22 β 2

donde el vector u es el vector de Householder

Teorema XX.1
Si H es la matriz definida en (XX.7), entonces
1) H = H t ,
2) H = H −1 ,
que es lo mismo que decir que la matriz H es simétrica y ortogonal.
Demostración: Antes de todos, volvemos a escribir la definición de la matriz de House-
holder usando el vector normalizado de norma uno
u
w= .
||u||2

Entonces, 1) usando las propiedades básicas de las matrices:

H t = I t − 2 (w wt )t = I − 2 (wt )t wt = I − 2 w wt = H .

270
 [Link] Los métodos de transformación ortogonal. — Cap. XX

2) usando el hecho que wt w = 1, se sigue que

H t H = H 2 = (I − 2 w wt ) (I − 2 w wt ) = I − 4 w wt + 4 w (wt w) wt = I .

c.q.d.
Entonces, las matrices de Householder son simétricas y ortogonales, y dependen sólo
de la dirección del vector u.
En el contexto de las reducciones a matrices triangulares, las matrices de Householder
poseen dos propiedades cruciales:
- para cualquier par de vectores distintos de igual norma l2 , existe una transformación de
Householder que transforma el uno en el otro,

uut
H a = (I − )a=b, (XX.8)
β

con ||a||2 = ||b||2 . Esto implica que el vector u tiene que satisfacer la condición

ut a
− u=b−a , (XX.9)
β

es decir, u es un múltiplo de b − a;
- cualquier vector c transformado por una matriz de Householder posee una forma especial:

uut ut c
H c = (I − ) c=c− u, (XX.10)
β β

de manera que H c es la diferencia entre el vector original c y un múltiplo especial del

vector de Householder u.
Claramente el vector c no varı́a si ut c = 0. Además, calcular el producto H c no necesita
los elementos explı́citos de H, sino sólo el vector u y el escalar β.
Ejemplo 1.
√
Sea u = (−1, −2)t , de manera que ||u||2 = 5. La transformación de Householder
asociada es la matriz dada por
2 4  3 4
t
µ ¶ −
2uu 1 0
H = H(u) = I − = −  54 5= 5
8 4
5 .
3
||u||22 0 1
− −
5 5 5 5
Ahora, consideremos los dos vectores tales que ||a||2 = ||b||2
à ! à ! µ ¶
9 7
−1
a= 2 , y b= 2 , para los cuales b−a= .
−1 −3 −2

Usando la expresión (XX.9), podemos construir una transformación de Householder H

t
tal que H a = (I − uuβ ) a = b escogiendo el vector u como un múltiplo de b − a. Dado

271
[Link] Los métodos de transformación ortogonal. — Cap. XX

que, en nuestro caso b − a = u = (−1, −2)t , es decir, el vector b − a coincide con el vector
u usado para escribir una transformación de Householder, sigue que
 3 4 Ã ! Ã !
− 9 7
Ha =  54 5
3 2 = 2 =b.
− − −1 −3
5 5

2. LA FACTORIZACION QR CON MATRICES DE HOUSEHOLDER

Para una matriz genérica A, n × n, no singular, las propiedades que se acaban de
describir permiten construir una sucesión de n − 1 matrices de Householder tales que

Hn−1 . . . H2 H1 A = R , (XX.11)

donde R es una matriz n × n no singular y triangular superior.

El primer paso de este proceso es construir una matriz de Householder H1 que
transforma a1 (la primera columna de A) en un múltiplo de e1 , es decir, se desean crear
ceros en las componentes 2 hasta n del vector a1 . La norma euclı́dea se conserva bajo
transformaciones ortogonales, de manera que
 
r11
u1 u1 t  0 
H1 a1 = (I − ) a1 = ±||a1 ||2 e1 =  
 ...  , (XX.12)
β1
0

donde |r11 | = ||a1 ||2 . De la expresión (XX.9) sabemos que el vector u1 tiene que ser un
múltiplo de ||a1 ||2 e1 − a1 , y dado que H1 depende sólo de la dirección de u1 , podemos
elegir el vector u1 como
 
a11 − r11
 a21 
u1 =   ..  .
 (XX.13)
.
an1
Al definir u1 , el signo de r11 se puede eligir positivo o negativo (excepto cuando a1 es
ya un múltiplo de e1 ), y para evitar el problema de la cancelación de términos parecidos,
usualmente se escoge el signo opuesto al signo de a11 , de manera que

signo(r11 ) = −signo(a11 ) . (XX.14)

Después de la primera aplicación de las transformaciones de Householder, la primera

columna de la matriz parcialmente reducida A(2) = H1 A es un múltiplo de e1 , y los
demás elementos han sido alterados
 (2) (2) 
r11 a12 . . . a1n
 0 a(2) . . . a(2) 
 22 2n 
A(2) = H1 A =  . .. ..  . (XX.15)
 .. . . 
(2) (2)
0 an2 ... ann

272
[Link] Los métodos de transformación ortogonal. — Cap. XX

En muy importante notar que a diferencia de la eliminación Gaussiana, la primera fila de

la matriz A viene modificada por efecto de la transformación de Householder H.
Al construir la segunda transformación de Householder, el objetivo principal es re-
ducir la segunda columna a la forma correcta, sin alterar la primera fila y la primera
columna de la matriz parcialmente reducida. Debido a la propiedad (XX.10), se puede
obtener este resultado definiendo el segundo vector de Householder u2 con la primera
componente nula. Habiendo escogido ası́ el vector u2 , la aplicación de la matriz de
Householde H2 a un vector genérico no cambia la primera componente, y la aplicación a
un múltiplo de e1 deja el vector entero como está.
Si A es una matriz no singular, se pueden efectuar n − 1 pasos de reducción de
Householder, para obtener Hn−1 . . . H2 H1 A = R, con R una matriz triangular superior
no singular. Si se denota con Qt la matriz ortogonal n × n

Qt = Hn−1 . . . H2 H1 =⇒ Q = H1 H2 . . . Hn−1 . (XX.16)

Cualquiera de las dos formas

Qt A = R o A=QR (XX.17)

se conoce como la factorización QR de la matriz A.

Una vez conocida la factorización QR de A, ecuación (XX.17), la solución al sistema
A x = b se obtiene resolviendo el sistema triangular superior R x = Qt b.
Ejemplo 2.
Sean    
1 1 2 3

A= 2 3 1  y b = 2 .

3 −1 −1 6
Aplicando la (XX.13), obtenemos
 √ 
√ √ 1+ 14
||a1 ||2 = 14 , r11 = − 14 , y u1 =  2  .
3

Entonces al primer paso, en aritmética de cuatro dı́gitos,

   
−0.2673 −0.5345 −0.8018 −0.2673 −1.069 −0.2673
H1 =  −0.5345 0.7745 −0.3382  y A(2) =  2.127 0.04368  .
−0.8018 −0.3382 0.4927 −2.309 −2.434

Efectuando un segundo paso, se obtiene

   
−3.742 −1.069 −0.2673 −6.682
R= −3.140 −1.820  y Qt b =  1.320  .
−1.617 −1.617

Con sustitución regresiva se obtiene la solución x = (2, −1, 1)t .

273
[Link] Los métodos de transformación ortogonal. — Cap. XX

En general, es necesario un intercambio de columnas para asegurar que el rango

está plenamente revelado. Sin el intercambio de columnas la reducción de Householder
terminarı́a inmediatamente con una matriz no nula cuya primera columna es cero. Si las
demás columnas son también ceros, la reducción termina. De otra manera, existe por
lo menos una columna no nula, la columna pivote, que se puede eligir como candidata
para la siguiente reducción. Como en la eliminación gaussiana, una estrategia de pivoteo
pide que se escoja la columna pivote como la primera columna de norma máxima (otra
posibilidad es escoger la columna “menos reducida”).
En general, si A es m × n de rango r, se necesitarán r permutaciones {Pk } y r
matrices de Householder {Hk }, k = 1, . . . , r. Después de estos r pasos, la configuración
final será
Hr . . . H1 A P1 . . . Pr = R̃ , (XX.18)
donde µ ¶ µ ¶
R R11 R12
R̃ = = (XX.19)
0 0 0
es triangular superior que nos revela el rango, y R11 es una matriz r × r no singular
triangular superior. Con una correcta estrategia de pivoteo, dependiente del problema
original, y aritmética exacta, este procedimiento de Householder terminará después de r
pasos, cuando la matriz restante se transformará en cero. Combinando los intercambios
de columnas en una sola matriz de permutación P y las transformaciones de Householder
en una sola matriz ortogonal Qt , se obtiene

Qt A P = R̃ , (XX.20)

o equivalentemente,
A P = Q R̃ , (XX.21)
y µ ¶ µ ¶
t t R t R Pt
Q A = R̃ P = P = . (XX.22)
0 0
Las filas de la matriz R P t son linealmente independientes, de manera que la matriz
transformada Qt A tiene la forma deseada (XX.1), con F = R P t . El problema de
mı́nimos cuadrados se puede entonces resolver con el siguiente algoritmo:
(i) Calcular la factorización QR de la matriz A, usando la reducción de Householder (que
determina el rango r, y las matrices P , Q y R);
(ii) Formar el vector d = Qt b, y denotar con dr las primeras r componentes de d;
(iii) Calcular cualquier solución y del sistema R y = dr ;
(iv) Formar x = P y.
El número de operaciones requerido para resolver el problema de mı́nimos cuadrados
de esta manera es del orden de 2 · m · n · r − r2 (m + n) + 23 n3 .
Si la matriz A posee columnas linealmente independientes (r = n), la matriz R es no
singular, la solución de R y = dr es única, y la solución del problema de mı́nimos cuadra-
dos es única. En este caso resolver el problema con el método QR es aproximadamente

274
[Link] Los métodos de transformación ortogonal. — Cap. XX

dos veces más costoso que resolviendolo con las ecuaciones normales. Cuando las colum-
nas de A son linealmente dependientes, de manera que r < n, el sistema r × n R y = dr
posee un número infinito de soluciones. Dado que R es de la forma R = (R11 R12 ), con
R11 triangular superior no singular, es posible escoger un vector y = (yB , 0)t tal que
R y = dr y con la propiedad de que R11 yB = dr . Si y posee esta forma, la solución
x = P y es sencillamente una reordenación de y, y es llamada una solución básica del
problema de mı́nimos cuadrados.
Ejemplo 3.
Sean    
1 2 2 6
7 6 10  6
A=  y b=  .
4 4 6 8
1 0 1 3
La representación única de b en términos de los espacios rango y nulo de A es
   
4 2
 8   −2 
b = bR + bN , con bR =   y bN =   ,
6 2
−1 4
con ||bN ||2 = 5.292. Aplicando la reducción de Householder con intercambio de columnas
en A, obtenemos
 
µ ¶ 0 0 1
−11.87 −7.411 −8.169
R= y P = 0 1 0 .
1.038 −0.5191
1 0 0
El vector transformado d = Qt b es
 
µ ¶ −10.36
dr  3.115 
d = Qt b = =  ,
dm−r 3.419
4.038
con ||dm−r ||2 = ||bN ||2 = 5.292. Ahora, el vector yB que satisface R11 yB = dr es
µ ¶
−1
yB = ,
3
de manera que la solución básica del problema de mı́nimos cuadrados x es
 
µ ¶ 0
yB
x=P = 3  .
0
−1
Finalmente, el vector residual optimal es
 
2
 −2 
r=b−A x=  .
2
4

275
 [Link] Los métodos de transformación ortogonal. — Cap. XX

3. LA FACTORIZACION QR CON MATRICES DE ROTACION DE GIVENS

Vamos a presentar ahora un método más efectivo que los estudiados anteriormente
para resolver el problema de mı́nimos cuadrados. Como el método de Householder, el
método de las rotaciones de Givens consiste en factorizar la matriz A como producto
de una matriz ortogonal Q y una matriz triangular R, A = Q R. La razón de estos
esquemas es que las matrices ortogonales cumplen unas propiedades que permiten ser
manipuladas computacionalmente sin que los errores de redondeo crezcan sin control.
Consideramos antes el caso del plano R2 , y sea v = (v1 , v2 ) ∈ R2 . Si deseamos rotar
el vector v de un ángulo θ, multiplicaremos el vector por una matriz Q del siguiente tipo:
µ ¶ µ ¶µ ¶ µ ¶
cos θ − sin θ cos θ − sin θ v1 v1 cos θ − v2 sin θ
Q= , Qv = = .
sin θ cos θ sin θ cos θ v2 v1 sin θ + v2 cos θ

La multiplicación de un vector por la transpuesta de la matriz Q produce el efecto con-

trario, esto es rotar el vector en sentido opuesto al ángulo θ.
Como ya dicho en el método de Householder, el objetivo de los métodos de transfor-
mación ortogonales para resolver sistemas lineales es el de conseguir una factorización del
tipo A = Q R, esto es Qt A = R, donde R es triangular superior. Para ello se necesita que
la multiplicación de la matriz Qt por A rote o convierta el primer vector de esta última
v = (v1 , v2 , . . . , vn )t en un vector de la forma Qt v = (w1 , 0, . . . , 0)t .
En el caso de matrices de dimensión 2 × 2 se tiene
µ ¶
t v1 cos θ + v2 sin θ
Q v= ⇒ −v1 sin θ + v2 cos θ = 0
−v1 sin θ + v2 cos θ

y para que se cumpla esta última igualdad es suficiente que sea

v2 v1
sin θ = p 2 , cos θ = p .
v1 + v22 v12 + v22

En el caso general de matrices de dimensión n × n, a las matrices Qj i que, multipli-

cadas por una matriz A, convierten el elemento aji de esta última en 0, se les denomina
rotaciones de Givens. Su estructura es la siguiente

 qkk = 1 si k 6= i, j

qii = qjj = c
Qji =
 qji = −qij = s

0 en las otras posiciones

donde los coeficientes c y s se definen como

aii aji
c= q y s= q .
a2ii + a2ji a2ii + a2ji

Al multiplicar la matriz Qtji por la matriz A, se modifican sólo las componentes de las
filas i−ésima y j−ésima, dado que sobre el resto de filas se aplica el mismo efecto que

276
[Link] Los métodos de transformación ortogonal. — Cap. XX

multiplicar por la matriz identidad. Se puede entonces pensar en un proceso de multi-

plicaciones ordenadas y sistematicas de matrices ortogonales Qtji por la matriz A hasta
reducir la matriz original A a una matriz triangular superior R.
La primera matriz Qt21 que se multiplica por A, transforma el primer vector columna
(1) (1) (1)
de A, a1 = (a11 , a21 , a31 , . . . , an1 )t , en Qt21 a1 = (a11 , 0, a31 , . . . , an1 )t . Sucesivamente
(2) (2) (2)
Qt31 Qt21 a1 = (a11 , 0, 0, a41 , . . . , an1 )t y después de repetir n − 1 veces el mismo proceso
(n−1)
tenemos Qtn1 . . . Qt21 a1 = (a11 , 0, . . . , 0)t . Como solamente se han utilizado rotaciones,
la norma de este último vector es la misma que la del vector original a1 .
Una vez acabado el proceso con la primera columna de A, se repite el proceso con la
segunda, luego con todas las siguientes hasta acabar con la (n−1)-ésima. La multiplicación
sucesiva de las (n−1) 2
n
matrices Qtji constituye una matriz ortogonal Qt que completa la
factorización de A en una matriz R triangular superior

Qtn n−1 . . . Qtn1 . . . Qt21 = Qt ⇒ Qt M = R.

3
El coste operativo de la factorización M = Q R es de 2 n3 operaciones, esto es aprox-
imadamente el doble de una facorización L U . La ventaja es que las descomposiciones
Q R no amplifican el error de redondeo surgidos en las operaciones.
Una vez obtenida la factorización M = Q R se puede resolver el sistema lineal ori-
ginal M x = b, multiplicando Qt por b y resoviendo directamente, mediante sustitución
regresiva, el sistema triangular R x = Qt b.
Ejemplo 4.
Sean A la matriz y b el vector del problema A x = b
   
3 15 −1 17
A =  −4 1 2  y b =  −1  .
9 9 5 23

Empezamos definiendo la primera matriz ortogonal Q21 definida por

 
c −s 0
Q21 =  s c 0  ,
0 0 1
con
3 3 4 4
c= p = = 0.6 y s = −p =− = −0.8.
32 + (−4)2 5 32 + (−4)2 5
Esto es  
0.6 0.8 0
Q21 =  −0.8 0.6 0  ,
0 0 1
y por lo tanto
    
0.6 −0.8 0 3 15 −1 5 8.2 −2.2
Qt21 A =  0.8 0.6 0   −4 1 2  =  0 12.6 0.4  .
0 0 1 9 9 5 9 9 5

277
[Link] Los métodos de transformación ortogonal. — Cap. XX

Ahora pasamos a definir la segunda matriz ortogonal

 
c 0 −s
Q31 =  0 1 0  ,
s 0 c
con
5 9
c= √ = 0.48564 y s= √ = 0.87416.
52 + 9 2 52 + 92
Esto es  
0.48564 0 −0.87416
Q31 =  0 1 0 ,
0.87416 0 0.48564
y por lo tanto
  
0.48564 0 0.87416 5 8.2 −2.2
t t
Q31 Q21 A =  0 1 0   0 12.6 0.4  =
−0.87416 0 0.48564 9 9 5
 
10.2956 11.8497 3.30237
=  0 12.6 0.4  .
0 −2.7973 4.35136
Finalmente la tercera matriz ortogonal es
 
1 0 0
Q32 = 0 c −s  ,
0 s c
con
12.6 −2.7973
c= p = 0.97621 y s= p = −0.21674.
12.62 + (−2.7973)2 12.62 + (−2.7973)2
Esto es  
1 0 0
Q32 
= 0 0.97621 0.21674  ,
0 −0.21674 0.97621
y por lo tanto
  
1 0 0 10.2956 11.8497 3.30237
R = Qt32 Qt31 Qt21 A =  0 0.97621 −0.21674   0 12.6 0.4  =
0 0.21674 0.97621 0 −2.7973 4.35136
 
10.2956 11.8497 3.30237
= 0 12.9068 −0.552584  .
0 0 4.33463
Además,
 
0.291386 −0.388514 0.874157
Qt = Qt32 Qt31 Qt21 =  0.894659 0.434173 −0.105254  ,
−0.338643 0.812743 0.4741

278
[Link] Los métodos de transformación ortogonal. — Cap. XX

o que es lo mismo
 
0.291386 0.894659 −0.338643
Q =  −0.388514 0.434173 0.812743  ,
0.874157 −0.105254 0.4741

y resulta que
A = Q R.

Como dicho antes, una vez obtenida la factorización A = Q R se puede resolver

el sistema lineal original A x = b, multiplicando Qt por b y resoviendo directamente,
mediante sustitución regresiva, el sistema triangular R x = Qt b. En este ejemplo,
    
0.291386 −0.388514 0.874157 17 25.4477
t
Q b=  0.894659 0.434173 −0.105254   −1  =  12.3542  ,
−0.338643 0.812743 0.4741 23 4.33463

y por lo tanto el sistema a resolver es

    
10.2956 11.8497 3.30237 x1 25.4477
 0 12.9068 −0.552584   x2  =  12.3542 
0 0 4.33463 x3 4.33463

que tiene solución (1, 1, 1)t .

Ejemplo 5.
Sean    
1 2 2 6
7 6 10  6
A=  y b= 
4 4 6 8
1 0 1 3
la matriz A y el vector b considerados en el ejemplo 3 donde se usaron las transformaciones
de Householder. Usaremos ahora el método de las rotaciones de Givens para hallar una
solución de mı́nimos cuadratos del problema.
√
Empezamos definiendo la primera matriz ortogonal Q21 , con c = 1/ 12 + 72 =
√
0.141421 y s = 7/ 12 + 72 = 0.989949, definida por
   
c −s 0 0 0.141421 −0.989949 0 0
 s c 0 0   0.989949 0.141421 0 0
Q21 = = ,
0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1

y por lo tanto
  
0.141421 0.989949 0 0 1 2 2
 −0.989949 0.141421 0 0   7 6 10 
Qt21 A =   =
0 0 1 0 4 4 6
0 0 0 1 1 0 1

279
[Link] Los métodos de transformación ortogonal. — Cap. XX
 
7.07107 6.22254 10.1823
 0 −1.13137 −0.565685 
= .
4 4 6
1 0 1
Ahora pasamos a definir la segunda matriz ortogonal, siendo c = 0.870388 y s = 0.492366
   
c 0 −s 0 0.870388 0 −0.492366 0
0 1 0 0  0 1 0 0
Q31 =  = ,
s 0 c 0 0.492366 0 0.870388 0
0 0 0 1 0 0 0 1
y por lo tanto
  
0.870388 0 0.492366 0 7.07107 6.22254 10.1823
 0 1 0 0  0 −1.13137 −0.565685 
Qt31 Qt21 A =   =
−0.492366 0 0.870388 0 4 4 6
0 0 0 1 1 0 1
 
8.12404 7.38549 11.8168
 0 −1.13137 −0.565685 
= .
0 0.417786 0.208893
1 0 1
Siguiendo en la misma lı́nea se calculan las demás matrices
   
c 0 0 −s 0.992509 0 0 −0.122169
0 1 0 0   0 1 0 0 
Q41 =  = ,
0 0 1 0 0 0 1 0
s 0 0 c 0.122169 0 0 0.992509
 
8.18535 7.33017 11.8504
 0 −1.13137 −0.565685 
Qt41 Qt31 Qt21 A =  ;
0 0.417786 0.208893
0 −0.902281 −0.451141
   
1 0 0 0 1 0 0 0
 0 c −s 0   0 −0.938083 −0.34641 0 
Q32 =  = ,
0 s c 0 0 0.34641 −0.938083 0
0 0 0 1 0 0 0 1
 
8.18535 7.33017 11.8504
 0 1.20605 0.603023 
Qt32 Qt41 Qt31 Qt21 A =  ;
0 0 0
0 −0.902281 −0.451141
   
1 0 0 0 1 0 0 0
 0 c 0 −s   0 0.800717 0 0.599042 
Q42 =  = ,
0 0 1 0 0 0 1 0
0 s 0 c 0 −0.599042 0 0.800717
y finalmente
 
8.18535 7.33017 11.8504
 0 1.50621 0.753103 
R = Qt42 Qt32 Qt41 Qt31 Qt21 A =  .
0 0 0
0 0 0

280
[Link] Los métodos de transformación ortogonal. — Cap. XX

Por otro lado

 
0.122169 0.855186 0.488678 0.122169
 0.733285 −0.178367 0.277459 −0.594555 
Qt = Qt42 Qt32 Qt41 Qt31 Qt21 = 
0.408248 0.408248 −0.816497 0
0.529813 −0.264906 0.132453 0.794719
y
 
10.1401
 3.76552 
Qt b =  .
−1.63299
5.03322
Finalmente resolviendo las dos primeras ecuaciones del problemas R x = Qt b en las
incognitas (x1 , x2 , x3 ) se obtiene la solución de mı́nimos cuadratos

x = (−1 − x3 , 2.5 − 0.5 x3 , x3 )

cuyo vector residual optimal es, como ya visto en el ejemplo 3,

 
2
 −2 
r=b−A x=  .
2
4

281
[Link] Los métodos de transformación ortogonal. — Cap. XX

EJERCICIOS.

1. Encontrar la solución x al problema de mı́nimos cuadrados, dado en la forma

A = Q R en cadauno de los casos siguientes:
 √ √   
1/√2 1/ √2 µ ¶ 1
1 1
Q =  1/ 2 −1/ 2  , R= y b = 1 .
0 1
0 0 1
     
1 0√ 0√ 1
1 1 0
 0 1/√2 −1/√ 2  3
Q=  , R = 0 1 1 y b=  .
0 1/ 2 1/ 2 1
0 0 1
0 0 0 2
     
1 0√ 0√ 1 1 √1
Q =  0 1/√2 −1/√ 2  , R =  0 1  y b =  √2  .
0 1/ 2 1/ 2 0 0 − 2
 √     
1/2 1/ 2 0√ 1/2 1 1 0 2
 1/2 0 1/ √2 −1/2  0 1 1  −2 
Q=  , R=  y b=  .
1/2 0√ −1/ 2 −1/2 0 0 1 0
1/2 −1/ 2 0 1/2 0 0 0 2

282