Documente Academic
Documente Profesional
Documente Cultură
etodos Matem
aticos 1
Espacios Vectoriales Lineales 1:
Grupos, SubEspacios, Independencia Lineal y
Bases para un Espacio Vectorial Lineal*
L. A. N
un
ez**
Centro de Fsica Fundamental,
Departamento de Fsica, Facultad de Ciencias,
Universidad de Los Andes, Merida 5101, Venezuela y
Centro Nacional de Calculo Cientfico Universidad de Los Andes
(CeCalCULA),
Corporacion Parque Tecnologico de Merida, Merida 5101, Venezuela
Version Octubre 2004
Indice
1. Grupos, Campos y Espacios Vectoriales
1.1. Grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Espacios Vectoriales Lineales . . . . . . . . . . . . . . . . .
1.3.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3. La importancia de la conceptualizacion y la notacion
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
3
3
4
5
6
2. M
etricas y Espacios M
etricos
8
8
9
Formulario de M
etodos Materm
aticos 1
5. Variedades Lineales
5.1. Dependencia, independencia lineal
5.2. Bases de un Espacio Vectorial . . .
5.3. El determinante de Gram . . . . .
5.4. Ortogonalidad y Bases Ortogonales
5.5. Ortogonalizaci
on . . . . . . . . . .
5.6. Complementos Ortogonales. . . . .
5.7. Descomposici
on ortogonal . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12
12
13
14
15
18
21
21
6. Temas Avanzados
23
6.1. Aproximaci
on de Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.2. El Metodo de Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.
1.1.
Ser
an grupo:
Luis A. N
un
ez
Formulario de M
etodos Materm
aticos 1
1.2.
Campo
Definiremos como un campo como el conjunto F = {f1 , f2 , f3 , , fn , } sobre el cual estan definidas
dos operaciones suma, +, y multiplicaci
on, , y que satisfacen las siguientes propiedades
1. Forman un grupo abeliano respecto a la suma, +,con el elemento neutro representado por el cero, 0.
2. Forman un grupo abeliano respecto a la multiplicacion, . Se excluye el cero, 0 y se denota el elemento
neutro de la multiplicaci
on como 1.
3. Es distributiva respecto a la suma, + : Dados fi , fj y fk se tiene que
fi (fj + fk ) = fi fj + fi fk
Ejemplos tpicos de campos lo constituyen los racionales Q, los n
umeros reales R y los n
umeros complejos
C. Normalmente se refiere estos campos como Campos Escalares
1.3.
Sea el conjunto de objetos V = {|v1 i , |v2 i , |v3 i |vi i } se denominara V un espacio vectorial
lineal y sus elementos |vi i vectores, si existe definida una operacion suma, , respecto a la cual los elementos
|vi i V de forman un grupo abeliano y una operacion multiplicacion por un n
umero escalar de un campo,
K = {, , } tal que:
1. La operaci
on suma es cerrada en V : |vi i , |vj i V |vk i = |vi i |vj i V
2. La operaci
on suma es conmutativa y asociativa
a) |vi i , |vj i V |vi i |vj i = |vj i |vi i
b) |vi i , |vj i , |vk i V (|vi i |vj i) |vk i = |vj i (|vi i |vk i)
3. Existe un u
nico elemento neutro: ! |0i
Luis A. N
un
ez
|vj i V
3
Formulario de M
etodos Materm
aticos 1
Ejemplos
Ser
an ejemplos de espacios vectoriales
1. Los n
umeros reales y complejos con el campo de reales o complejos y definidas las operaciones ordinarias
de suma y multiplicaci
on. V R; +; |vi x; K R.
V C; +; |vi i x + iy; K R.
Si el campo K es el conjunto de los n
umeros reales se dira que es un espacio vectorial real de n
umeros
reales si V R y si V C se dira un espacio vectorial real de n
umeros complejos. Por su parte si
K C diremos que es un espacio vectorial complejo de n
umeros reales ( si V R) o complejos (
V C ). Siempre se asociar
a el campo de escalares al espacio vectorial. Se dira que es un espacio
vectorial sobre el campo de los escales. Si el campo es real (complejo) se dira que el espacio vectorial
es real (complejo).
2. El espacio V Rn = R R R, vale decir el producto cartesiano de R, cuyos elementos son
nuplas de n
umeros, con la operaci
on suma ordinaria de vectores en n-dimensionales y la multiplicaci
on
por escalares.
|xi = (x1 , x2 , x3 , xn )
|yi = (y1 , y2 , y3 , , yn )
|yi = (y1 , y2 , y3 , , yn , )
Luis A. N
un
ez
Formulario de M
etodos Materm
aticos 1
con la restricci
on que
n
X
lm
xi = L
con L finito
k=1
|yi = Nab
|gi = g (x)
[a, b] : C[a,b]
b) El conjunto de todas las funciones complejas
R de variable 2real, (x) , definidas en [a, b] , de cuadrado integrable (es decir para las cuales [a,b] dx k (x)k sea finita). Este espacio se denomina
com
unmente L2 y pueden ser definidas en un rango [a, b] finito o infinito y para mas de una
variable.
1.3.2.
Ejercicios
Luis A. N
un
ez
Formulario de M
etodos Materm
aticos 1
1.3.3.
La importancia de la conceptualizaci
on y la notaci
on
En los ejemplos antes mencionados hemos utilizado para representar un vector abstracto la notaci
on de
|v1 i y con ellos construimos un espacio vectorial abstracto V = {|v1 i , |v2 i , |v3 i , , |vn i} . Un espacio
vectorial abstracto ser
a un conjunto de elementos genericos que satisfacen ciertos axiomas. Dependiendo del
conjunto de axiomas tendremos distintos tipos de espacios abstractos. En matematica el concepto de espacios
abstracto es reciente (1928) y, aparentemente, se le debe a Maurice Frechet2 . La teora resulta de desarrollar
las consecuencias l
ogicas que resultan de esos axiomas. Los elementos de esos espacios se dejan sin especificar
a prop
osito. Ese vector abstracto puede representar, vectores en Rn , matrices n n o funciones continuas. La
notaci
on |v1 i, que se denomina un ket y al cual corresponde un bra hv2 | proviene del vocablo ingles braket
que significa corchete y ser
a evidente m
as adelante cuando construyamos escalares braket hv2 | |v1 i . Esta u
til
notaci
on la ide
o Paul Dirac3 , uno de los fsicos mas influyentes en el desarrollo de la fsica del siglo pasado
2.
M
etricas y Espacios M
etricos
si
Luis A. N
un
ez
Formulario de M
etodos Materm
aticos 1
d (|xi , |yi) |x1 y1 | + |x2 y2 | + |x3 y3 | + + |xn yn | y es claro que se recobra la idea
de distancia en el plano complejo: d (|xi , |yi) |x y|
Es importante destacar que las definiciones de distancia arriba propuesta son invariante con traslaciones
de vectores. Esto es: |
xi = |xi + |ai |
yi = |yi + |ai, entonces
d (|xi , |yi) d (|
xi , |
yi) .
3.
La idea de distancia, de metrica, es el equipamiento mas elemental que uno le puede exigir a un espacio
vectorial. Mucho m
as interesante a
un son aquellos espacios vectoriales que estan equipados con la idea de
norma y a partir de all se define la idea de distancia. La norma tiene que ver con el tama
no del vector y
la metrica tiene que ver con la distancia entre vectores. Cuando definimos la metrica a partir de la norma,
vinculamos las propiedades algebraicas del espacio con sus propiedades geometricas.
La norma, k|vi ik n (|vi i) de un espacio vectorial V = {|v1 i , |v2 i , |v3 i |vn i} sera una funci
on
n: V R3 |vi i V se cumple que
1. n (|vi i) k|vi ik 0
si
n
X
! 21
|xi |
i=1
p
es claro que para un espacio Euclidiano R3 se cumple que k|xik = x21 + x22 + x23 por lo tanto la idea de
norma generaliza la noci
on de tama
no del vector |xi . Tambien es claro que la definicion de distancia
se construye a partir de la norma de la forma
q
2
2
2
2
d (|xi , |yi) k|xi |yik = |x1 y1 | + |x2 y2 | + |x3 y3 | + + |xn yn |
4 Stefan Banach (1892 Kracovia, Polonia-1945 Lvov,Ucrania) Matem
atico polaco, uno de los fundadores del An
alisis Funcional Moderno, con sus mayores contribuciones a la teora de espacios topol
ogicos. Hizo tambi
en importantes aportes a la
teora de la Medida, Integraci
on y Teora de conjuntos y Series Ortogonales.
M
as detalles http://www-history.mcs.st-andrews.ac.uk/Mathematicians/
Luis A. N
un
ez
Formulario de M
etodos Materm
aticos 1
2. Para el Espacio Lineal de matrices n n reales o complejas con el campo K real o complejo, una
definici
on de norma es
m X
n
X
kM k =
|Mab |
a=1 b=1
y la correspondiente definici
on de distancia
d (|xi , |yi) kM N k =
m X
n
X
|Mab Nab |
a=1 b=1
k|f ik =
dx |f (x)|
t[a,b]
4.
4.1.
Producto Interno
En un espacio vectorial abstracto V = {|v1 i , |v2 i , |v3 i |vn i} la definicion del producto interno de
dos vectores se denota como hvi | vj i y es una funcion de
V V C 3 |xi , |yi , |zi V, es decir asocia a ese par de vectores con un elemento del campo
escalar. Las propiedades que definen el producto interno son
1. hx| xi
hx| xi 0
|xi , |yi V
2. hx| yi = hy| xi
|xi V
si
hx + z| yi = hx| yi + hz| yi
hx| yi = hx| yi
|xi , |yi V
Luis A. N
un
ez
Formulario de M
etodos Materm
aticos 1
5. hx| 0i = h0| xi = 0
A partir de la definici
on de producto interno se construyen los conceptos de norma y distancia
p
p
k|xik = hx| xi
y
d (|xi , |yi) k|xi |yik = hx y| x yi
4.2.
Todo producto interno hx| yi definido en un espacio vectorial abstracto V = {|v1 i , |v2 i , |v3 i |vn i}
cumple con la desigualdad de Cauchy-Schwarz
2
Es claro que |xi = |0i |yi = |0i se cumple la igualdad y es trivial la afirmacion. Para |xi |yi
cualesquiera procedemos construyendo |zi = |xi + |yi con |xi |yi arbitrarios pero y tendr
an
valores particulares, por lo tanto
hz| zi hx + y| x + yi 0
hx + y| x + yi = hx| xi + hx| yi + hy| xi + hy| yi 0
2
|hx| yi|
2
k|xik k|yik
|hx| yi|
1
k|xik k|yik
|yi como
|hx| yi|
k|xik k|yik
M
as a
un, a partir de la definici
on de norma se obtiene
k|xi + |yik = hx + y| x + yi = hx| xi + hx| yi + hx| yi + hy| yi = hx| xi + 2 Re (hx| yi) + hy| yi
con lo cual hemos generalizado para un espacio vectorial abstracto el teorema del coseno
2
Formulario de M
etodos Materm
aticos 1
Ejemplos
1. Espacios Euclidianos reales, Rn y Espacios Euclidianos Complejos Cn . Los vectores de estos espacios
pueden ser representados por |xi = (x1 , x2 , xn ) |yi = (y1 , y2 , , yn ) y el producto interno
queda definido por
n
X
hx| yi = x1 y1 + x2 y2 + x3 y3 , xn yn =
xi yi
i=1
ax + ay + az k
~a ~b = ax bx + ay by + az bz
b + b + b k
x
y
z
ahora bien, el lector puede comprobar que para vectores en R2 tambien se puede proveer una definici
on
de producto interno
~a ~ ~b = 2ax bx + ax by + ay bx + ay by
igualmente v
alida, con lo cual es claro que en un mismo espacio vectorial pueden coexistir. Por su parte
la norma
v
u n
q
p
uX
2
2
2
2
x2i
k|xik = hx| xi = x1 + x2 + x3 , + xn = t
i=1
d (|xi , |yi) =
q
2
2
2
2
(x1 y1 ) + (x2 y2 ) + (x3 y3 ) + + (xn yn )
(xi + yi ) =
n
X
x2i +
i=1
n
X
v
v
u n
u n
X
X
u
u
y 2 + 2 t
x2 t
y 2 cos
i
i=1
i=1
i=1
(xi + yi ) =
n
X
i=1
x2i +
n
X
yi2
i=1
obvio que para R2 tanto el teorema del coseno como el teorema de Pitagoras retoman su forma tradicional. Finalmente la desigualdad de Cauchy-Schwarz se expresa
n
2
! n
!
n
X
X
X
2
2
|hx| yi| k|xik k|yik
xi yi
xi
yi
i=1
Luis A. N
un
ez
i=1
i=1
10
Formulario de M
etodos Materm
aticos 1
dx f (x) g (x)
hf | gi =
t[a,b]
k|f ik = hf | f i =
dx |f (x)|
t[a,b]
hf g| f gi =
sZ
dx |f (x) g (x)|
d (|f i , |gi) =
hf | f i hf | gi hf | gi + hg| gi
t[a,b]
v
uZ
u
d (|f i , |gi) = t
dx |f (x)| 2 Re
dx
t[a,b]
(x) g (x)
t[a,b]
dx |g (x)|
t[a,b]
t[a,b]
dx |g (x)|
t[a,b]
! 21
! 21
dx |f (x)|
+2
t[a,b]
donde
dx |g (x)|
cos
t[a,b]
dx f (x) g (x)
cos =
1
1
R
2 2 R
2 2
dx
|f
(x)|
dx
|g
(x)|
t[a,b]
t[a,b]
R
t[a,b]
t[a,b]
dx |g (x)|
t[a,b]
para funciones f (x) y g (x) ortogonales, mientras que para este caso, la desigualdad de Cauchy-Schwarz
se expresa
Z
2
! Z
!
Z
2
2
dx f (x) g (x)
dx |f (x)|
dx |g (x)|
t[a,b]
t[a,b]
t[a,b]
Luis A. N
un
ez
11
Formulario de M
etodos Materm
aticos 1
5.
Variedades Lineales
5.1.
n
X
Ci |vi i ,
i=1
1
3
|v1 i =
1 ;
2
2
0
|v2 i =
1 ;
3
1
1
|v3 i =
0 .
0
|v2 i = sen t
|v3 i = 1,
Luis A. N
un
ez
12
Formulario de M
etodos Materm
aticos 1
5.2.
Ahora bien, dado un espacio vectorial V = {|v1 i , |v2 i , |v3 i , |vn i}, encontramos que el conjunto de
{|vn i} es linealmente dependiente, entonces siempre es posible despejar uno de los vectores en terminos de
los dem
as, vale decir
|vn i = C1 |v1 i + C2 |v2 i + C3 |v3 i + Cn1 |vn1 i =
n1
X
Ci |vi i ,
i=1
seguidamente se procede a comprobar si {|v1 i , |v2 i , |v3 i , |vn1 i} son linealmente independientes, es
decir si C1 = C2 = C3 = = Cn1 = 0. En caso de no serlo se procede otra vez a despejar uno de los
vectores en terminos de los anteriores y a aplicar el criterio de independencia lineal,
|vn1 i = C1 |v1 i + C2 |v2 i + C3 |v3 i + Cn2 |vn2 i =
n2
X
Ci |vi i ,
i=1
C1 = C2 = C3 = = Cn1 = 0.?
se repite este procedimiento hasta encontrar un conjunto {|v1 i , |v2 i , |v3 i , |vnj i} de vectores linealmente independientes. Esto es C1 = C2 = C3 = = Cnj = 0.! y por lo tanto
|vnj+1 i = C1 |v1 i + C2 |v2 i + C3 |v3 i + Cnj |vni i =
nj
X
Ci |vi i ,
i=1
C1 = C2 = C3 = = Cnj = 0.?
C1 = C2 = C3 = = Cnj = 0.! y por lo tanto
|0i = C1 |v1 i + C2 |v2 i + C3 |v3 i + Cnj |vnj i =
nj
X
Ci |vi i ,
i=1
En este caso diremos que {|v1 i , |v2 i , |v3 i , |vnj i} es una base para V. La dimension de V sera el
conjunto de vectores linealmente independientes, que para este caso es n j. As se puede comprobar que,
dado |xi V entonces
nj
X
|xi =
Ci |vi i ,
|xi V
i=1
13
Formulario de M
etodos Materm
aticos 1
S3
S2
Entonces |xi = |x1 i + |x2 i + |x3 i con |x1 i S1 ; |x2 i S2 ; |x3 i S3 , entonces diremos que V es la suma
directa de S1 , S2 y S3 y lo denotaremos como V = S1 S2 S3
5.3.
El determinante de Gram
Existe una forma directa de comprobar la independencia lineal de una conjunto de vectores {|v1 i , |v2 i , |v3 i , |vn i}
V,y es como sigue: dado |xi V entonces
C1 hv1 |v1 i + C2 hv1 |v2 i + C3 hv1 |v3 i + + Cn hv1 |vn i = hv1 |xi
n
C1 hv2 |v1 i + C2 hv2 |v2 i + C3 hv2 |v3 i + + Cn hv2 |vn i = hv2 |xi
X
|xi =
Ci |vi i ,
..
..
.
.
i=1
C1 hvn |v1 i + C2 hvn |v2 i + C3 hvn |v3 i + + Cn hvn |vn i = hvn |xi
donde las C1 , C2 , C3 , Cn son las inc
ognitas, por lo cual
que
hv1 |v1 i hv1 |v2 i hv1 |v3 i
hv2 |v1 i hv2 |v2 i hv2 |v3 i
..
..
.
.
hvn |v1 i hvn |v2 i hvn |v3 i
hv1 |vn i
hv2 |vn i
6= 0
..
.
hvn |vn i
Luis A. N
un
ez
14
Formulario de M
etodos Materm
aticos 1
Ejemplos
Vn tendr
a dimensi
on n y una de las posibles bases {|v1 i , |v2 i , |v3 i , |vn i} sera
|v1 i =
(1, 0, 0, , 0)
|v2 i =
(0, 1, 0, , 0)
|v3 i =
(0, 0, 1, , 0)
..
..
.
.
|vnj i = (0, 0, 0, , 1)
Esta base se conoce con el nombre de base canonica.
El
de polinomios,
P n , de grado g n tendra como una de las posibles bases al conjunto
espacio
2 3
n
1, t, t , t , , t , por que cualquier polinomio de grado n podra ser expresado como combinaci
on
5.4.
En una espacio con vectorial con producto interno, dos vectores |u1 i|u2 i seran ortogonales si su producto
interno se anula
|u1 i |u2 i hu2 |u1 i = 0
Se denomina un conjunto ortogonal de vectores {|u1 i , |u2 i , |u3 i , |un i} si
ij = 0
2
hui |uj i = ij k|uj ik
i, j = 1, 2, 3, , n
y con
ij = 1
si i 6= j
si i = j
y se denominar
a conjunto ortonormal si k|uj ik = 1.
Un conjunto ortogonal de vectores {|u1 i , |u2 i , |u3 i , |un i} V es linealmente independiente, m
as
a
un, para el caso particular de un espacio euclidiano, {|u1 i , |u2 i , |u3 i , |un i} conforman una base ortogonal para V. La demostraci
on es sencilla. Para un determinado espacio vectorial una combinacion lineal de
los {|u1 i , |u2 i , |u3 i , |un i} se anula.
Pn
Pn
hu1 | [Pi=1 Ci |ui i] = 0 Pi=1 Ci 1i = 0 C1 = 0
n
n
n
hu2 | [Pni=1 Ci |ui i] = 0 Pni=1 Ci 2i = 0 C2 = 0
X
hu3 | [ i=1 Ci |ui i] = 0
C3 = 0
i=1 Ci 3i = 0
Ci |ui i = |0i
.
.
..
.
. . ..
i=1
.
..
Pn
Pn
En el caso de un conjunto ortonormal de vectores {|e1 i , |e2 i , |e3 i , |en i} Vn con k|ej ik = 1, las
componentes de cualquier vector quedan determinadas de una forma todava mas simple y con consecuencias
Luis A. N
un
ez
15
Formulario de M
etodos Materm
aticos 1
mucho m
as impactantes
2
k|ej ik = 1
Cj = hej |xi
|xi =
n
X
Ci |ei i =
i=1
n
X
n
X
i=1
!
|ei i hei | |xi
i=1
{z
1
|ei i hei | = 1
i=1
i=1
i=1
la cual se concreta para el caso de |xi |yi en la generalizacion del Teorema de Pitagoras
2
hx |xi k|xik =
n
X
|hx| |ei i|
i=1
Ejemplos
Funciones Trigonometricas: Uno de los ejemplos mas emblematicos es el caso de las funciones continuas,
|u2n1 i = cos nx
con n = 1, 2, 3,
Es claro que {|u1 i , |u2 i , |u3 i , |un i , } es un conjunto de funciones ortogonales por cuanto
R 2
R0 dx sen nx sen mx = 0
0 si n =
6 m
dx cos nx sen mx = 0
0
R
2 dx cos nx cos mx = 0
R 2
2
hun |um i = nm k|un ik
dx = 2
si n = m = 0
R 2
k|un ik
si n = m
dx cos2 nx = si i = j = 2l 1
R 2 dx sen2 nx = si i = j = 2l
0
con l = 1, 2, 3, tambien. Por lo tanto, podremos construir una base ortonormal de funciones
{|e1 i , |e2 i , |e3 i , , |en i , } de la forma
1
|e0 i = ,
2
Luis A. N
un
ez
1
|e2n1 i = cos nx
1
|e2n i = sen nx.
16
Formulario de M
etodos Materm
aticos 1
si i = 0
dx 12 f (x) = a0
X
R 2
|f i =
Ci |ei i
Ci = hei |f i =
dx f (x) cos nx = a2n1 si i = 2n 1
0
i=1
R 2
dx f (x) sen nx = a2n
si i = 2n
0
donde los Ci son los coeficientes de Fourier
Otro de los ejemplos tpicos lo constituye los llamados polinomios de Legendre. Polinomios Pn (x)
definidos en el intervalo [1, 1] y generados a partir de la Formula de Rodrigues7
1 dn 2
(x 1)n ,
n!2n dxn
Pn (x) =
n = 0, 1, 2, .....
Ecuaci
on de Legendre
Solucion
2
00
0
0
(1 x ) y 2x y = 0 y0 (x) = 1
1
(1 x2 ) y 00 2x y 0 + 2 y = 0 y1 (x) = x
2
(1 x2 ) y 00 2x y 0 + 6 y = 0 y0 (x) = 1 3x2
3 (1 x2 ) y 00 2x y 0 + 12 y = 0 y1 (x) = x 53 x3
4
4 (1 x2 ) y 00 2x y 0 + 20 y = 0 y0 (x) = 1 10x2 + 35
3 x
Es f
acil comprobar que los polinomios de Legendre |P i = P (x) son mutuamente ortogonales con un
producto interno definido como
Z 1
2
hPn |Pm i =
Pn (x)Pm (x)dx =
nm
2n
+1
1
con norma definida por
Z
Pn2 (x)dx=
2
2n + 1
Cualquier funci
on en el intervalo [1, 1] puede ser expresada en esa base.
f (x) = |Fi =
ak |Pk i =
k=0
X
hPk |Fi
|Pk i
hPk |Pk i
k=0
m
X
n=0
bn x n =
X
k=0
ak |Pk i =
an Pn (x)
n=0
Luis A. N
un
ez
17
Formulario de M
etodos Materm
aticos 1
no se requiere hacer ninguna integral por cuanto los coeficientes an se determinan a traves de un
sistema de ecuaciones algebraicas. Para el caso de f (x) = x2 tendremos
f (x) = x2 = a0 P0 (x) + a1 P1 (x) + a2 P2 (x)
1
f (x) = x2 = a0 + a1 x + a2 (3x2 1)
2
1
2
f (x) = x2 = P0 (x) + P2 (x)
3
3
Quedar
a como ejercicio demostrar que para el caso de
r
X
1 x X hPk |Fi
2
Pn (x)
=
|Pk i = P0 (x) 2
f (x) =
2
hPk |Pk i
3
(2n 1) (2n + 3)
n=1
k=0
con
Z
hPk |Fi =
f (x)Pk (x)dx =
1
5.5.
1x
Pk (x)dx
2
Ortogonalizaci
on
Hemos visto que un conjunto de vectores ortogonales forman base para un espacio vectorial. Ahora
bien, siempre es posible construir un conjunto de vectores ortogonales a partir de un conjunto de vectores
linealmente independientes. Es metodo de ortogonalizacion se conoce como el metodo de Gram-Schmidt8 ,
en honor de estos dos matem
aticos alemanes que NO inventaron el metodo, el cual al parecer se le debe al
matem
atico frances P.S. Laplace.
Dado un conjunto de vectores linealmente independientes, {|v1 i , |v2 i , |v3 i , , |vn i} que expanden un
espacio Euclidiano de dimensi
on finita, E n . Entonces siempre se puede construir un conjunto ortogonal de
vectores, {|u1 i , |u2 i , |u3 i , , |un i} que tambien expandan E n de la siguiente forma:
|u1 i |v1 i
|u2 i |v2 i
hv2 |u1 i
hu1 |u1 i
|u3 i |v3 i
hv3 |u2 i
hu2 |u2 i
|u4 i |v4 i
hv4 |u3 i
hu3 |u3 i
|u1 i
|u2 i
|u3 i
3
hv3 |u1 i
hu1 |u1 i
hv4 |u2 i
hu2 |u2 i
..
.
|un i |vn i
hu2 |u1 i = 0
|u1 i
|u2 i
hv4 |u1 i
hu1 |u1 i
|u1 i
hu3 |u1 i = 0
hu3 |u2 i = 0
hu4 |u1 i = 0
hu4 |u2 i = 0
hu4 |u3 i = 0
..
.
hvn |ui i
i=1 hui |ui i
Pn1
|ui i
hu4 |u1 i = 0
hu4 |u2 i = 0
hu4 |u3 i = 0
..
.
hu4 |un1 i = 0
8 Erhard
Luis A. N
un
ez
18
Formulario de M
etodos Materm
aticos 1
As siempre es posible construir una base ortonormal a partir de un conjunto de vectores linealmente
independientes. Esta base ortogonal ser
au
nica en E n , si existe otra sus vectores seran proporcionales, M
as
n
a
un, cada espacio vectorial V de dimension finita tendra una base ortogonal asociada.
Ejemplos
El subespacio de V4 expandido por los siguientes vectores
2
1
0
3
|v1 i =
1 ; |v2 i = 1 ;
3
2
1
1
|v3 i =
0 .
0
Tendr
a una base ortogonal asociada dada por
1
1
|u1 i |v3 i =
0 ;
0
1
2
0
hv2 |u1 i
(1) 1 =
|u2 i |v2 i
|u1 i =
0
1
hu1 |u1 i
0
3
|u3 i |v1 i
hv1 |u2 i
hv1 |u1 i
|u2 i
|u1 i =
hu2 |u2 i
hu1 |u1 i
1
3
9
|u3 i
1 12
2
Luis A. N
un
ez
1
1
1
3
5
4
5
1
1
1 4
1
=
(1)
0 7
1
4
3
0
14
19
Formulario de M
etodos Materm
aticos 1
|e1 i = p
|u1 i
hu1 |u1 i
1
!
2
1 .;
0
2
0
5
4
! 5
4
2 3
9
7
4
14
|e3 i =
|u3 i
=
hu3 |u3 i
|e2 i = p
|u2 i
hu2 |u2 i
12
12
1
1
1 ;
3
Para el caso de R2 es muy claro. Si tenemos dos vectores |v1 i y |v2 i linealmente independientes,
1
0
|v1 i =
; |v2 i =
;
1
1
elegimos |u1 i |v2 i entonces, |u2 i vendra dado por
|u2 i |v1 i
hv1 |u1 i
|u1 i
hu1 |u1 i
|u2 i
1
1
0
1
=
1
0
Luis A. N
un
ez
20
Formulario de M
etodos Materm
aticos 1
|u0 i |v0 i = 1
hv1 |u0 i
|u0 i = t
hu0 |u0 i
|u1 i |v1 i
hv1 |u0 i =
R1
1
|u2 i |v2 i
hv2 |u0 i =
R1
hu1 |u1 i =
R1
1
hv3 |u0 i =
R1
hv3 |u2 i =
R1
..
.
dx t2 = 23 ;
dx t2 =
hv2 |u1 i =
5.6.
dx = 2
R1
1
1
3
dx t3 = 0;
hv3 |u2 i
hv3 |u1 i
hv3 |u0 i
|u2 i
|u1 i
|u0 i = t3 53 t
hu2 |u2 i
hu1 |u1 i
hu0 |u0 i
dx t3 = 0;
dx t3 t2
hv3 |u1 i =
1
3
R1
1
dx t4 =
hu2 |u2 i =
= 0;
R1
1
2
5
dx t2
1 2
3
8
45
|e
q1 i
1
2
t
1
3
1
5
2q 2
t2
t2
t3
t3 35 t
t4
..
.
2
3
Podemos resumir
|v1 i
|u1 i
1
R1
hv2 |u1 i
hv2 |u0 i
|u1 i
|u0 i = t2
hu1 |u1 i
hu0 |u0 i
|u3 i |v3 i
hu0 |u0 i =
dx t = 0;
t4 67 t2 +
..
.
3
35
1
8
q2
9
2
7
2
3
2t
3t2 1
5t3 3t
35t4 30t2 + 3
..
.
Complementos Ortogonales.
5.7.
Descomposici
on ortogonal
Dado {|v1 i , |v2 i , |v3 i , , |vn i , } un Espacio Euclidiano V y un subespacio de V con dimensi
on
finita, S V y dim V = m. Entonces |vk i V se puede expresar como suma de dos vectores |sk i
Luis A. N
un
ez
21
Formulario de M
etodos Materm
aticos 1
|sk i S . Esto es
|sk i S
|sk i S
M
as a
un, la norma de |vk i se calcula a traves del teorema de Pitagoras generalizado
2
2
2
k|vk ik = k|sk ik +
|sk i
La demostraci
on es sencilla. Primero se prueba que la descomposicion ortogonal |vk i = |sk i + |sk i
es siempre posible. Para ello recordamos que S V es de dimension finita, por lo tanto existe una base
ortonormal {|e1 i , |e2 i , |e3 i |em i} para S. Esto es, dado un |vk i definimos los elementos |sk i y |sk i
como siguen
m
X
|sk i =
hvk |ei i |ei i |sk i = |vk i |sk i
i=1
N
otese que hvk |ei i |ei i es la proyecci
on de |vk i a lo largo de |ei i y |sk i se expresa combinacion lineal de la
base de S. Por lo tanto est
a en S. Por otro lado,
m
X
hsk |ei i = hvk sk |ei i = hvk |ei i hsk |ei i = hvk |ei i
hvk |ej i hej |ei i = 0 |sk i |ej i
j=1
|sk i |tk i S
Por lo tanto
Pero |sk i|tk i S,por lo tanto ortogonal a todos los elementos de S y |sk i|tk i = |tk i |sk i con lo cual
|sk i |tk i |0i que es el u
nico elemento que es ortogonal a el mismo y en consecuencia la descomposici
on
2
k|vk ik =
|sk i + |sk i
= hsk | + hsk |
|sk i + |sk i
= hsk |sk i + hsk |sk i k|sk ik +
|sk i
As, dado Sm un subespacio de V de dimension finita y dado un |vk i V el elemento
|sk i S
|sk i =
m
X
i=1
ser
a la proyecci
on de |vk i en S.
Dado un vector |xi V y un subespacio de V con dimension finita, Sm V y dim V = m, entonces la
distancia de |xi a Sm es la norma de la componente de |xi , perpendicular a Sm .
Luis A. N
un
ez
22
Formulario de M
etodos Materm
aticos 1
6.
6.1.
Temas Avanzados
Aproximaci
on de Funciones
Sea {|v1 i , |v2 i , |v3 i , , |vn i , } un Espacio Euclidiano V y un subespacio de V con dimensi
on
finita, Sm V y dim V = m,y sea un elemento |vi i V. La proyeccion de |vi i en Sm , |si i , sera el elemento
de Sm m
as pr
oximo a |vk i. En otras palabras
k|vi i |si ik k|vi i |ti ik
|ti i S
La demostraci
on se sigue as
|vi i |ti i = (|vi i |si i) (|si i |ti i)
k|si i |ti ik 0
Ejemplos
Desarrollemos la aproximaci
on de funciones continuas, reales de variable real y definidas en [0, 2],
R 2
C[0,2]
, mediante funciones Trigonometricas y con el producto interno definido por hf | gi = 0 dx f (x) g (x) .
Hemos visto que para este espacio vectorial tenemos una base ortonormal definida por
1
1
|e0 i = 0 (x) = ,
|e2n1 i = 2n1 (x) = cos nx
2
1
|e2n i = 2n (x) = sen nx.
Ci |ei i
con
i=1
R 2
dx f (x) = a0
Z 2
R
2
Ci = hei |f i =
dx f (x) i (x) =
dx f (x) cos nx = a2n1
0
R 2 dx sen nx f (x) = a
2n
0
si
i=0
si
i = 2n 1
si
i = 2n
donde los Ci son los coeficientes de Fourier. Es decir, cualquier funcion puede ser expresada como una
serie de Fourier de la forma
n
f (x) =
X
1
a0 +
(ak cos kx + bk sen kx)
2
k=1
con
ak =
Luis A. N
un
ez
Z
dx f (x) cos kx
bk =
23
Formulario de M
etodos Materm
aticos 1
P (x) C[0,2]
las funciones trigonometricas, T (x) minimizan la desviacion cuadratica media
Z 2
Z 2
2
2
dx (f (x) T (x))
dx (f (x) P (x))
0
6.2.
El M
etodo de Mnimos Cuadrados
x1 + x2 + x3 , + xn
hx |yi
=
hy |yi
n
que no es otra cosa que el promedio aritmetico de las medidas. Es claro que la proyeccion perpendicular de
|xi sobre |yi hace mnimo la distancia entre el subespacio perpendicular generado por |yi y el vector |xi .Es
decir hace mnimo el cuadrado de esa distancia
n
X
2
2
(xi c0 )
[d (|xi , c0 |yi)] = hxc0 y |xc0 yi =
i=1
Es claro que este problema se puede generalizar si se desea medir dos (o n) cantidades. Para el caso de dos
cantidades extendemos la dimensi
on del espacio. Por lo tanto, los resultados experimentales se acumular
an
en un vector de 2n dimensiones
|xi = (x11 , x12 , x13 , x1n , x21 , x22 , x23 , x2n )
mientras que los vectores que representan las cantidades mas aproximadas seran
Ahora {|y1 i , |y2 i} expanden un subespacio vectorial sobre el cual |xi tiene como proyeccion ortogonal
c01 |y1 i +c02 |y2 i y consecuentemente |xc01 y1 c02 y2 i sera perpendicular a {|y1 i , |y2 i} , por lo tanto
c01 =
hx |y1 i
x11 + x12 + x13 , + x1n
=
hy1 |y1 i
n
c02 =
hx |y2 i
x21 + x22 + x23 , + x2n
=
hy2 |y2 i
n
La consecuencia m
as conocida de esta aproximacion de funciones es el ajuste de un conjunto de datos
experimentales {(x1 , y1 ) , (x2 , y2 ) , (x3 , y3 ) , , (xn , yn )} a la ecuacion de una recta y =cx. En este caso, el
planteamiento del problema se reduce a encontrar el vector c0 |xi en el subespacio S (|xi) este lo mas cercano
2
posible al vector |yi = c |xi . Por lo tanto k|c0 x yik sera lo menor posible y |c0 x yi ser[ perpendicular
a S (|xi) ,por lo tanto
hx |c0 x yi = 0
Luis A. N
un
ez
c0 =
hx |yi
x1 y1 + x2 y2 + x3 y3 + xn yn
=
hx |xi
x21 + x22 + x23 , + x2n
24
Formulario de M
etodos Materm
aticos 1
Ejemplo Si el conjunto de datos experimentales es {(1, 2) , (3, 2) , (4, 5) , (6, 6)} cual es la recta que ajusta
m
as acertadamente a estos puntos ? La ecuacion queda como
2
1
2
3
2 + 6 + 20 + 36
32
hx |yi
0
|yi = c |xi
5 = c 4 c = hx |xi = 1 + 9 + 16 + 36 = 31
6
6
Ahora bien, se puede generalizar esta procedimiento cuando se tiene que una cantidad y que es una
combinaci
on lineal desconocida de un conjunto de cantidades
y = c1 x 1 + c2 x 2 + c3 x 3 + + cm x m
En este caso se ejecutar
an n experimentos con n > m y el conjunto de medidas experimentales seran
(y1 , x11 , x12 , x13 , x1m ; y2 , x21 , x22 , x23 , x2m ; y3 , x31 , x32 , x33 , x3m ; yn , xn1 , xn2 , xn3 , xnm )
y a partir de ellas generamos el siguiente sistema de ecuaciones
y1 = c01 x11 + c02 x12 + c03 x13 , + c0m x1m
y2 = c01 x21 + c02 x22 + c03 x23 , + c0m x2m
y3 = c01 x31 + c02 x32 + c03 x43 , + c0m x4m
..
.
yn = c01 xn1 + c02 xn2 + c03 xn3 , + c0m xnm
en el cual las inc
ognitas {c01 ,c02 ,c03 , c0m } hacen que el lado derecho de las ecuaciones antes mencionadas
sean los m
as pr
oximas a las {y1 , y2 , y3 , yn } por lo tanto si consideramos los vectores
|x1 i = (x11 , x1n ) ; |x2 i = (x21 , x2n ) ; |xm i = (xm1 , xmn ) ; |yi = (ym1 , yn )
por lo tanto los {|x1 i , |x2 i , |xm i} expanden el subespacio S (|x1 i , |x2 i , |xm i) donde esta la aproximaci
on de |yi . Por lo tanto la distancia de este subespacio al vector |yi, sera mnimo. Esto es
2
por lo tanto podemos construir el sistema de ecuaciones normales para la aproximacion que hemos considerado:
= hx1 |yi
c01 hx1 |x1 i + c02 hx1 |x2 i + c03 hx1 |x3 i + + c0m hx1 |xm i
c01 hx2 |x1 i + c02 hx2 |x2 i + c03 hx2 |x3 i + + c0m hx2 |xm i
= hx2 |yi
..
..
.
.
c01 hxm |x1 i + c02 hxm |x2 i + c03 hxn |x3 i + + c0m hxm |xm i = hxn |yi
donde, tal y como se ha se
nalado, las inc
ognitas son las {c01 ,c02 ,c03 , c0m }
Luis A. N
un
ez
25
Formulario de M
etodos Materm
aticos 1
Ejemplos
Se sospecha que una determinada propiedad de un material cumple con la ecuacion y = ax1 + bx2 . Si
al realizar un conjunto de medidas experimentales obtenemos
y1
15
y2
12
y3
10
y4
0
x11 = 1 ; x21 = 2 ; x31 = 1 ; x41 = 1
x12
2
x22
1
x32
1
x42
1
Es claro que tenemos un subespacio de m = 2 dimensiones y hemos hecho n = 4 veces el experimento.
Por lo tanto los vectores considerados arriba seran
|x1 i = (1, 2, 1, 1) ;
|x2 i = (2, 1, 1, 1) ;
por lo tanto
7a
4a
+4b = 49
+7b = 52
a=
45
11
b=
56
11
Se puede extender el razonamiento anterior y generar un ajuste linear cuadratico. Esto es, el ajuste
lineal es en los coeficiente, pero la funcionalidad de la ley a la cual queremos ajustar los datos puede
ser un polinomio de cualquier orden. Ese es el caso de una parabola que ajusta al siguiente conjunto
de puntos
{(0, 1) , (1, 3) , (2, 7) , (3, 15)} y = ax2 + bx + c
Las ecuaciones toman la forma de
1=
0
3= a
7 = 4a
15 = 9a
+0
+b
+2b
+3b
+c
+c
+c
+c
|x2 i = (0, 1, 2, 3) ;
|x3 i = (1, 1, 1, 1) ;
a = 6
62 = 36a +14b
+6c
b = 113
26 = 14a +6b
+4c
c = 32
5
Ejercicios
y = 6x2 +
113
32
x
5
5
Al medir la temperatura a lo largo de una barra material obtenemos los siguientes valores
xi
Ti
(cm)
( C)
1, 0
14, 6
2, 0
18, 5
3, 0
36, 6
4, 0
30, 8
5, 0
59, 2
6, 0
60, 1
7, 0
62, 2
8, 0
79, 4
9, 0
99, 9
Encuentre, mediante el metodo de los mnimos cuadrados los coeficientes que mejor ajustan a una recta
T = ax + b
Luis A. N
un
ez
26
Formulario de M
etodos Materm
aticos 1
Referencias
[1] Apostol, T. M. (1972) Calculus Vol 2 (Reverte Madrid ) QA300 A66C3 1972
[2] Arfken, G. B.,Weber, H., Weber, H.J. (2000) Mathematical Methods for Physicists 5ta Edici
on
(Academic Press, Nueva York)
[3] Cohen-Tannoudji, C., Diu B. y Laloe (1977) Quantum Mechanics Vol 1 (John Wiley Interscience,
Nueva York )
[4] Gelfand, I.M. (1961) Lectures on Linear .Algebra (John Wiley & Sons Interscience, Nueva York ).
[5] Jordan, T.F. (1969) Linear Operator for Quantum Mechanics (John Wiley & Sons Interscience,
Nueva York ).
[6] Schutz, B. (1980) Geometrical Methods in Mathematical Physics (Cambridge University Press,
Londres)
Luis A. N
un
ez
27