TEMA 3 `ALGEBRA LINEAL NUM`ERICA §1. EL M`ETODE ... - UPC
TEMA 3 `ALGEBRA LINEAL NUM`ERICA §1. EL M`ETODE ... - UPC
TEMA 3 `ALGEBRA LINEAL NUM`ERICA §1. EL M`ETODE ... - UPC
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>TEMA</strong> 3<br />
ÀLGEBRA <strong>LINEAL</strong> NUMÈRICA<br />
<strong>§1.</strong> <strong>EL</strong> MÈTODE DE MÍNIMS QUADRATS<br />
Recordem:<br />
Sistema<br />
Ax = b<br />
incompatible<br />
⇔ b /∈ Im A<br />
Pot passar que el sistema Ax = b sigui incompatible perquè b té errors de mesura o petites<br />
perturbacions.<br />
b<br />
π( b )<br />
(proj. ortogonal)<br />
Im A<br />
(sub. vectorial)<br />
Què podem fer aleshores?<br />
Gauss, 1801: el mètode de mínims quadrats.<br />
- Canviem el terme independent b pel vector de Im A més proper a b: la projecció<br />
ortogonal de b en Im A.<br />
- Resolem el sistema compatible Ax = π(b).<br />
- La x obtinguda no compleix Ax − b = 0 (no és solució exacta), però minimitza el<br />
residu Ax − b = π(b) − b (és la millor aproximació).<br />
Proposició: La solució del sistema<br />
A t Ax = A t b<br />
és la solució aproximada per mínims quadrats de Ax = b.<br />
Observem també: si el sistema original Ax = b té solució, les solucions de A t Ax = A t b<br />
són les mateixes.<br />
L’aplicació habitual dels mínims quadrats és calcular funcions de regressió:<br />
- Busquem una funció f, que depén de qualsevol nombre de variables.<br />
- Hem mesurat la funció en una llista de punts, i coneixem una taula de valors<br />
f(P1), f(P2), . . . , f(Pm).<br />
Resum de la teoria del tema 3 de l’assignatura Geometria, 1er curs, graus d’Enginyeria en Tecnologies<br />
Industrials, Química i de Materials de l’ETSEIB, <strong>UPC</strong>, Barcelona. Curs 2010–11. c○Dret de còpia<br />
propietat de Jaume Amorós Torrent. Es permet usar i difondre aquest texte amb finalitats no comercials,<br />
sempre que es citin l’autor i l’origen mantenint aquest avís. Per a qualsevol altre ús heu de demanar<br />
autorització a l’autor, a http://www.ma1.upc.edu/∼amoros.<br />
1
2 <strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11<br />
- Tenim una base de funcions conegudes g1, . . . , gn,<br />
- i volem trobar f de la forma f = λ1g1 + λ2g2 + · · · + λngn que compleixi la taula<br />
de valors f(P1), . . . , f(Pm)<br />
La fòrmula universal per calcular aquestes funcions de regressió és:<br />
(λ1, . . . , λn) és la solució del sistema lineal<br />
el vector x =<br />
⎛<br />
⎜<br />
⎝<br />
g1(P1)<br />
g1(P2)<br />
.<br />
g2(P1)<br />
g2(P2)<br />
.<br />
. . .<br />
. ..<br />
gn(P1)<br />
gn(P2)<br />
.<br />
⎞⎛<br />
⎞ ⎛<br />
λ1<br />
⎟⎜<br />
⎟⎜<br />
.<br />
⎟ ⎜<br />
⎟<br />
⎠⎝<br />
⎠ = ⎜<br />
⎝<br />
f(P1)<br />
f(P2)<br />
.<br />
⎞<br />
⎟<br />
⎠<br />
<br />
g1(Pm) g2(Pm)<br />
<br />
. . . gn(Pm)<br />
<br />
λn<br />
<br />
f(Pm)<br />
<br />
A x b<br />
Si el sistema no és compatible, s’ha de resoldre per mínims quadrats.<br />
Exemple 1: Càlcul d’una recta de regressió (el cas més comú de regressió): Els punts<br />
(x, y) = (1, 1), (3, 2), (4, 3), (5, 2) estan aproximadament alineats:<br />
Volem trobar la recta que millor els aproximi en el sentit de mínims quadrats (la recta de<br />
regressió).<br />
La recta té equació y = mx + c, i m, c són les incògnites que hem de trobar. Per tal que la<br />
recta passi pels 4 punts, ha de ser solució del sistema:<br />
x y<br />
1 1<br />
3 2<br />
4 3<br />
5 2<br />
<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
m + c = 1<br />
3m + c = 2<br />
4m + c = 3<br />
5m + c = 2<br />
és un sistema lineal en m, c, però incompatible!<br />
Resolem el sistema per mínims quadrats. Matricialment és:<br />
⎛<br />
1<br />
⎜ 3<br />
⎝ 4<br />
⎞ ⎛ ⎞<br />
1 1<br />
1 ⎟ m ⎜<br />
1 ⎠ = ⎜ 2 ⎟<br />
c ⎝ 3 ⎠<br />
<br />
5 1<br />
<br />
2<br />
<br />
A<br />
b
S’ha de resoldre:<br />
Ho calculem:<br />
I el sistema és<br />
<strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11 3<br />
A t A =<br />
A t b =<br />
que té per solució aproximada<br />
El residu (error) és<br />
A t <br />
m<br />
A<br />
c<br />
1 3 4 5<br />
1 1 1 1<br />
1 3 4 5<br />
1 1 1 1<br />
51 13<br />
13 4<br />
m<br />
c<br />
<br />
0.3429<br />
A<br />
0.8857<br />
⎛<br />
<br />
<br />
= A t b<br />
1 1<br />
3 1<br />
4 1<br />
⎞<br />
⎜<br />
⎝<br />
5 1<br />
⎛ ⎞<br />
1<br />
⎜ 2 ⎟<br />
⎝ 3 ⎠<br />
2<br />
=<br />
m<br />
c<br />
<br />
=<br />
<br />
=<br />
0.3429<br />
0.8857<br />
⎛<br />
<br />
⎜<br />
− b = ⎜<br />
⎝<br />
⎟<br />
⎠ =<br />
29<br />
8<br />
<br />
29<br />
8<br />
51 13<br />
13 4<br />
<br />
,<br />
0.2286<br />
−0.0857<br />
−0.7429<br />
0.6<br />
que té norma 0.9856. Així, l’aproximació no és gaire bona, sobretot per culpa dels dos<br />
darrers punts.<br />
Fórmula ”dels estadístics”per la recta de regressió.<br />
La recta de regressió dels punts (x1, y1), (x2, y2), . . . , (xn, yn) és y = mx + c on m, c són<br />
solució del sistema<br />
x 2 1 + x 2 2 + · · · + x 2 n x1 + x2 + · · · + xn<br />
x1 + x2 + · · · + xn<br />
n<br />
m<br />
c<br />
<br />
⎞<br />
⎟<br />
⎠<br />
<br />
<br />
x1y1 + . . . + xnyn<br />
=<br />
y1 + y2 + . . . + yn<br />
Vegem ara com es calcula una<br />
Exemple 2: paràbola de regressió. Els punts (x, y) = (1, 1), (2, 2), (3, 2), (4, 2.5), (5, 1) no<br />
estan gaire alineats:
4 <strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11<br />
Enlloc de buscar una recta y = mx + c que els aproximi, decidim buscar una funció de<br />
grau 2: y = ax 2 + bx + c (una paràbola). Perquè la paràbola passi pels punts ha de ser<br />
solució del sistema:<br />
En forma matricial,<br />
x y<br />
1 1<br />
2 2<br />
3 2<br />
4 2.5<br />
5 1<br />
⎛<br />
⎜<br />
⎝<br />
<br />
⎧<br />
⎪⎨<br />
⎪⎩<br />
a + b + c = 1<br />
4a + 2b + c = 2<br />
9a + 3b + c = 2<br />
16a + 4b + c = 2.5<br />
25a + 5b + c = 1<br />
⎞<br />
1 1 1 ⎛<br />
4 2 1 ⎟<br />
9 3 1 ⎟ ⎝<br />
⎟<br />
16 4 1 ⎠<br />
25 5 1<br />
a<br />
⎛ ⎞<br />
⎞ 1<br />
⎜<br />
b ⎠ = ⎜ 2 ⎟<br />
⎝ 2.5 ⎠<br />
c<br />
1<br />
Resolem el sistema per mínims quadrats (preferiblement a màquina!) i obtenim<br />
a ≈ −0.3214, b ≈ 1.9786, c ≈ −0.7<br />
Així, la paràbola y(x) = −0.3214x 2 +1.9786x−0.7 (indicada a la figura) és la que aproxima<br />
millor els punts. Els residus són<br />
(1−y(1), 2−y(2), 2−y(3), 2.5−y(4), 1−y(5)) = (0.0429, 0.0286, −0.3429, 0.4286, −0.1571)<br />
Exemple 3: Una regressió amb corbes exponencials. Trobem la funció de tipus y(x) =<br />
c1e x + c2e 2x que aproximi en sentit de mínims quadrats els valors observats<br />
x 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00<br />
y 2.2 2.8 3.3 4.0 4.5 4.9 4.9 3.9
<strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11 5<br />
Cal resoldre per mínims quadrats el sistema<br />
⎛ ⎞<br />
<br />
c1<br />
A<br />
c2<br />
⎜<br />
⎜<br />
= ⎜<br />
⎝<br />
e 0.25 e 0.5<br />
e 0.5 e 1<br />
e 0.75 e 1.5<br />
e 1 e 2<br />
e 1.25 e 2.5<br />
e 1.5 e 3<br />
e 1.75 e 3.5<br />
e 2 e 4<br />
⎟<br />
⎠<br />
c1<br />
c2<br />
⎛<br />
⎜<br />
⎜<br />
= ⎜<br />
⎝<br />
2.2<br />
2.8<br />
3.3<br />
4.0<br />
4.5<br />
4.9<br />
4.9<br />
3.9<br />
⎞<br />
⎟ = b<br />
⎟<br />
⎠<br />
Resolent A t Ax = A t b obtenim c1 ≈ 1.9882, c2 ≈ −0.1978. I el residu és<br />
r = (2.2−y(0.25), . . . , 3.9−y(2)) = (−0.0268, 0.0596, −0.0226, 0.0569, −0.0300, −0.0379, 0.0083, 0.0076)<br />
La petitesa del residu dóna credibilitat al model de doble exponencial que hem usat. La<br />
seva norma és r = 0.1025. Per exemple, si busquem la recta de regressió pels punts<br />
observats obtenim un residu amb norma 1.4838, i si busquem la parabola de regressió<br />
el residu té norma 0.7359. Entre models alternatius que depenen del mateix nombre de<br />
paràmetres el més adequat és el que dóna el residu més petit. (En canvi, minimitzar el<br />
residu a base d’afegir paràmetres no té cap mèrit)<br />
Exemple 4: una regressió multilineal. Ara volem trobar una funció lineal f(x, y) =<br />
ax + by + c que aproximi als valors observats<br />
x y z=f(x,y)<br />
1 1 3.11<br />
2 1 2.89<br />
3 1 2.77<br />
1 2 3.05<br />
2 2 3.30<br />
3 2 3.44<br />
Una funció f que passés exactament pels punts observats compliria el sistema lineal<br />
⎛<br />
⎜<br />
⎝<br />
1 1 1<br />
2 1 1<br />
3 1 1<br />
1 2 1<br />
2 2 1<br />
3 2 1<br />
⎞<br />
⎛<br />
⎟ ⎛<br />
⎟ ⎝<br />
⎟<br />
⎠<br />
a<br />
⎞ ⎜<br />
b ⎠ ⎜<br />
= ⎜<br />
c<br />
⎜<br />
⎝<br />
3.11<br />
2.89<br />
2.77<br />
3.05<br />
3.30<br />
3.44<br />
El sistema és incompatible perque els punts observats no són coplanars, però resolent-lo per<br />
mínims quadrats obtenim la funció lineal de regressió f(x, y) = 0.0125x + 0.34y + 2.5583.<br />
El residu és<br />
r = (0.1992, −0.0333, −0.1658, −0.2008, 0.0367, 0.1642) ,<br />
que sigui acceptable o massa gran dependrà del marge d’error que ens puguem permetre.<br />
⎞<br />
⎟<br />
⎠
6 <strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11<br />
Aproximacions L 2 :<br />
El producte escalar L 2 entre 2 funcions contínues f, g : [a, b] → R és<br />
〈f, g〉 =<br />
b<br />
a<br />
f(x)g(x)dx<br />
Aquest producte és bilineal en f, g, simètric, definit positiu (〈f, f〉 = 0 si f = 0). És un<br />
pas al límit del producte escalar euclidi ordinari, en que veiem la funció com un vector que<br />
té una component f(x) per cada x ∈ [a, b], i la suma sobre tot x ∈ [a, b] és la integral.<br />
L’espai vectorial C0 ([a, b]) = {f : [a, b] → R contínua } té dimensió infinita, però<br />
podem considerar subespais seus de dimensió finita F ⊂ C0 ([a, b]).<br />
L’aproximació L2 de f : [a, b] → R en F és la projecció ortogonal π(f), calculada amb<br />
el producte escalar L2 , de f en F. El residu és f − π(f).<br />
Com F té dimensió finita, aquesta projecció es calcula amb les mateixes fòrmules que<br />
una projecció ortogonal cap a F ⊂ Rn .<br />
Cas ràpid: Disposem d’una base ortogonal de F.<br />
Si g1, . . . , gn són funcions que formen una base ortogonal de F, la projecció de f és la<br />
suma de les projeccions ortogonals de f en cada recta [g1], . . . [gn], que venen donades per<br />
la fòrmula de projecció sobre una recta. Aixi l’aproximació L 2 de f en F és<br />
π(f) = 〈g1, f〉<br />
〈g1, g1〉 g1 + 〈g2, f〉<br />
〈g2, g2〉 g2 + · · · + 〈gn, f〉<br />
〈gn, gn〉 gn<br />
Exemple: La sèrie de Fourier. Considerem funcions contínues en l’interval [0, 2π], i el<br />
subespai Fn que té base 1 = cos(0x), cos(x), cos(2x), . . . , cos(nx), sin(x), sin(2x), . . . , sin(nx).<br />
Aquesta base és ortogonal, ja que per j = k i l qualsevol es té<br />
〈cos(jx), cos(kx)〉 =<br />
2π<br />
0<br />
cos(jx) cos(kx)dx = 0, 〈sin(jx), sin(kx)〉 =<br />
〈sin(jx) cos(lx)〉 =<br />
2π<br />
No és ortonormal, perque els vectors tenen norma<br />
〈1, 1〉 =<br />
2π<br />
0<br />
0<br />
sin(jx) cos(lx)dx = 0<br />
1 2 dx = 2π, 〈cos(jx), cos(jx)〉 =<br />
〈sin(jx), sin(jx)〉 =<br />
2π<br />
0<br />
2π<br />
0<br />
sin(jx) 2 dx = π<br />
De manera que la projecció ortogonal de f en Fn ve donada per<br />
Sn(f) =<br />
2π<br />
0 f(x)dx<br />
· 1 +<br />
2π<br />
+<br />
2π<br />
0<br />
2π<br />
0<br />
f(x) cos(x)dx<br />
cos(x) + · · · +<br />
π<br />
f(x) sin(x)dx<br />
sin(x) + · · · +<br />
π<br />
2π<br />
0<br />
2π<br />
0<br />
2π<br />
0<br />
cos(jx) 2 dx = π,<br />
sin(jx) sin(kx)dx = 0,<br />
f(x) cos(nx)dx<br />
cos(nx)<br />
π<br />
f(x) sin(nx)dx<br />
sin(nx)<br />
π
<strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11 7<br />
Aquestes projeccions s’anomenen sumes de Fourier de f, i el seu límit quan n → ∞ és la<br />
sèrie de Fourier de f.<br />
Exemple concret: Busquem la suma de Fourier per f(x) = x i n = 2. Els productes<br />
escalars L2 són<br />
2π<br />
0<br />
x · 1dx = 2π 2 ,<br />
2π<br />
0<br />
2π<br />
0<br />
x cos(x)dx = 0,<br />
x sin(x)dx = −2π,<br />
2π<br />
0<br />
2π<br />
0<br />
x cos(2x)dx = 0,<br />
x sin(2x)dx = −π.<br />
De manera que S2(f) = π − 2 sin(x) − sin(2x). El residu té norma 2.2278.<br />
Cas lent: disposem d’una base no ortogonal de F.<br />
La projecció ortogonal de f en F = [g1, . . . , gn] és en aquest cas una combinació lineal<br />
π(f) = λ1g1 + · · · + λngn<br />
en la que els coeficients λ1, . . . , λn són solució del sistema lineal<br />
⎛<br />
⎞ ⎛ ⎞<br />
〈g1, g1〉 〈g1, g2〉 . . . 〈g1, gn〉 λ1<br />
⎜ 〈g2, g1〉 〈g2, g2〉 . . . 〈g2, gn〉 ⎟ ⎜ λ2 ⎟<br />
⎟ ⎜ ⎟<br />
⎝ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⎠ ⎝<br />
.<br />
⎠<br />
〈gn, g1〉 〈gn, g2〉 . . . 〈gn, gn〉<br />
=<br />
⎛ ⎞<br />
〈g1, f〉<br />
⎜ 〈g2, f〉 ⎟<br />
⎜ ⎟<br />
⎝<br />
.<br />
⎠<br />
〈gn, f〉<br />
Exemple: Busquem el polinomi de grau ≤ 1 que aproxima L2 a f(x) = sin(x) en [0, 2π].<br />
Ara hem de calcular la projecció ortogonal de sin(x) en F = [1, x]. Els productes escalars<br />
de la base 1, x són<br />
〈1, 1〉 =<br />
2π<br />
0<br />
1 2 dx = 2π, 〈1, x〉 = 〈x, 1〉 =<br />
2 8π3 2π 3<br />
λ2<br />
2π<br />
0<br />
λn<br />
xdx = 2π 2 , 〈x, x〉 =<br />
de manera que la projecció π(sin(x)) = λ1 + λ2x ha de cumplir<br />
<br />
2 2π 2π λ1 〈1, sin(x)〉<br />
=<br />
=<br />
〈x, sin(x)〉<br />
El sistema té solució λ1 = 3<br />
π , λ2 = − 3<br />
π 2 .<br />
0<br />
−2π<br />
§2. LA DESCOMPOSICIÓ EN VALORS SINGULARS (SVD)<br />
<br />
2π<br />
0<br />
x 2 dx = 8π3<br />
3 ,<br />
Teorema: (Descomposició en valors singulars, dita SVD) Si A és una matriu real qualsevol<br />
de mida m×n, existeix una descomposició A = U ·D ·V t , amb U m×m ortogonal, V n×n<br />
ortogonal i<br />
⎛<br />
⎞<br />
σ1 0 · · · 0<br />
⎜ .. ⎜ .<br />
⎟<br />
. ⎟<br />
D = ⎜<br />
⎟<br />
⎝ 0 σr . ⎠<br />
0 · · · · · · 0 · · · 0<br />
amb σ1 ≥ σ2 ≥ . . . ≥ σr > 0 i r = rang A.<br />
σ1, . . . , σr són els valors singulars de A.
8 <strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11<br />
Interpretació: A és la matriu d’una aplicació lineal f : R n → R m en bases canòniques<br />
de sortida i d’arribada, D és la matriu de f en bases ortonormals v1, . . . , vn de sortida i<br />
u1, . . . , um d’arribada, i la descomposició A = UDV t és el canvi de base<br />
M e e (f) = C u e M v u(f)C e v<br />
Com trobar la SVD: Diagonalitzar la matriu simètrica S = A t · A. Siguin λ1 ≥ · · · ≥ λr<br />
els VAPs no nuls.<br />
- els valors singulars són σ1 = √ λ1, . . . σr = √ λr,<br />
- els VEPs ortonormalitzats de S són la base de sortida v1, . . . , vn; posats en columna<br />
formen V ,<br />
- u1 = 1<br />
σ1 Av1, . . . , ur = 1<br />
σr Avr són vectors ortonormals a Rm , es poden completar<br />
fins una base ortonormal i posats en columna formen U.<br />
La norma euclidiana d’una matriu A és<br />
Propietats de la norma A:<br />
A = max<br />
v=0<br />
Av<br />
v<br />
- És l’estirament màxim que pot rebre un vector al aplicar-li A: Av ≤ Av.<br />
- És el valor màxim de la funció h(v) = Av en l’esfera unitat {v ∈ Rn | v = 1}.<br />
- És igual al valor singular més gran de A: A = σ1.<br />
Aplicació: Propagació d’errors en sistemes lineals. Si tenim un sistema d’equacions lineals<br />
Ax = b amb A invertible, i coneixem el terme independent b amb un error ∆b (de mesura<br />
. . . ), aleshores l’error en la solució calculada del sistema és ∆x ≤ A−1∆b. Si enlloc de A−1 tenim la SVD de A, notem que A−1 = 1 (l’invers del valor singular<br />
σr<br />
més petit).<br />
Exemple 1: f : R2 → R2 <br />
3 −8<br />
té matriu en base canònica A =<br />
. Busquem la SVD:<br />
4 6<br />
S = A t <br />
25 0<br />
A =<br />
0 100<br />
Ordenant els VAPs de gran a petit tenim σ1 = √ 100 = 10, σ2 = √ 25 = 5, i base de sortida<br />
v1 = (0, 1), v2 = (1, 0).<br />
La base d’arribada és u1 = 1<br />
10 Av1 =<br />
(o de f) és:<br />
3 −8<br />
4 6<br />
<br />
4 −<br />
= 5<br />
− 4<br />
5<br />
3<br />
5<br />
3<br />
5<br />
3<br />
5<br />
4<br />
5<br />
<br />
, u2 = 1<br />
5 Av2 =<br />
10 0<br />
0 5<br />
3<br />
5<br />
4<br />
5<br />
0 1<br />
1 0<br />
t<br />
<br />
. Així la SVD de A<br />
En les bases v1, v2 de sortida i u1, u2 d’arribada l’aplicació lineal és (˜x, ˜y) = f(¯x, ¯y) =<br />
(10¯x, 5¯y), així que la circumferència unitat S 1 = {(¯x, ¯y)|¯x 2 + ¯y 2 = 1} té imatge f(S 1 ) =<br />
{(˜x, ˜y)| <br />
˜x 2 ˜y 2<br />
+ = 1}. Això és una elipse, amb eixos u1, u2.<br />
10 5
<strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11 9<br />
Notem que A−1 = 1<br />
<br />
x<br />
. Així, si hem de resoldre un sistema lineal A<br />
5 y<br />
<br />
= b i tenim<br />
el terme independent b conegut amb un error ∆b, el vector solució (x, y) que obtenim té un<br />
error màxim ∆b<br />
5 . Per exemple, si les dos components de b estan arrodonides a la unitat<br />
més propera el tamany màxim de l’error en b és (0.5, 0.5) ≈ 0.7, i obtindrem la solució<br />
(x, y) amb un error màxim ∆(x, y) ≤ 0.14.<br />
Exemple 2: f : R 3 → R 2 té matriu en bases canòniques A =<br />
la SVD.<br />
⎛<br />
S = A t A = ⎝<br />
5 −2 1<br />
−2 1 0<br />
1 0 1<br />
⎞<br />
⎠<br />
2 −1 0<br />
1 0 1<br />
<br />
. Busquem-li<br />
té polinomi característic cS(t) = −t(t2 − 7t + 6), VAPs t = 6, 1, 0 (el VAP 0 era inevitable<br />
perquè com rang A = 2, també rang AtA = 2). Per tant els valors singulars de A són<br />
σ1 = √ 6 = A, σ2 = 1. La base ortonormal de sortida esta formada per VEPs de S:<br />
- Per λ1 = 6, calculem Nuc (S − 6Id) = [(5, −2, 1)]. Escollim vector unitari v1 =<br />
√1 (5, −2, 1).<br />
30<br />
- Per λ2 = 1, calculem Nuc (S − Id) = [(0, 1, 2)]. Escollim vector unitari v2 =<br />
√1 (0, 1, 2).<br />
5<br />
- Pel teorema espectral el VEP que falta és ortogonal a v1, v2. Triem v3 = v1 × v2 =<br />
√1 (−1, −2, 1).<br />
6<br />
La base d’arribada és u1 = 1<br />
√ 6 Av1 = 1<br />
√ 5 (2, 1), u2 = Av2 = 1<br />
√ 5 (−1, 2). La SVD expressada<br />
matricialment és<br />
2 −1 0<br />
1 0 1<br />
<br />
=<br />
2<br />
√5<br />
1<br />
√ 5<br />
√−1 5<br />
√2 5<br />
√ 6 0 0<br />
0 1 0<br />
⎛<br />
⎝<br />
5<br />
√ 30<br />
−2<br />
√ 30<br />
1<br />
√ 30<br />
0 − 1<br />
√ 6<br />
√1 −<br />
5 2 √<br />
6<br />
Prenent coordenades ¯x, ¯y, ¯z en la base v de sortida, i ˜x, ˜y en la base u d’arribada l’aplicació<br />
lineal és (˜x, ˜y) = f(¯x, ¯y, ¯z) = ( √ 6¯x, ¯y). Amb aquesta expressió tan senzilla podem, per<br />
exemple, calcular que la imatge per f (per A) de la bola unitat {¯x 2 + ¯y 2 + ¯z 2 ≤ 1}, és<br />
{(˜x, ˜y) | ˜x2<br />
6 + ˜y2 ≤ 1} (la component ¯z de sortida és enviada per f a 0, i només cal comprovar<br />
la imatge de la bola unitat en el pla ¯x, ¯y).<br />
2<br />
√ 5<br />
1<br />
√ 6<br />
⎞<br />
⎠<br />
t
10 <strong>UPC</strong> - ENG. INDUSTRIAL - GEOMETRIA - 10–11