Proceso de ortogonalización de Gram-Schmidt, paso a paso
Actualizado el
El proceso de Gram-Schmidt convierte un conjunto de vectores linealmente independientes en otro de vectores ortogonales (o, normalizando, ortonormales) que genera el mismo subespacio. Lo hace vector a vector: a cada uno le quita sus componentes en la dirección de los anteriores. Sirve para obtener bases ortonormales, para calcular proyecciones, para la factorización QR de una matriz y para construir familias de polinomios ortogonales.
Enunciado del proceso
Sea V un espacio vectorial con producto escalar ⟨·,·⟩ y v1, …, vk vectores linealmente independientes. Se definen:
u1 = v1
uj = vj − Σi<j (⟨vj, ui⟩ / ⟨ui, ui⟩)·ui, para j = 2, …, k
y, si se quiere una base ortonormal, ej = uj / ‖uj‖. Entonces:
- los uj son ortogonales dos a dos;
- para cada j, u1, …, uj generan el mismo subespacio que v1, …, vj;
- ningún uj es el vector cero.
El término (⟨v, u⟩ / ⟨u, u⟩)·u es la proyección ortogonal de v sobre la recta de u, que se escribe proyu(v). Así, cada uj es vj menos su proyección sobre el subespacio generado por los anteriores.
Por qué funciona
Se razona por inducción. Supongamos que u1, …, uj−1 son ortogonales. Para cualquier m < j, al calcular ⟨uj, um⟩ todos los términos del sumatorio con i ≠ m se anulan por la ortogonalidad, y queda:
⟨uj, um⟩ = ⟨vj, um⟩ − (⟨vj, um⟩ / ⟨um, um⟩)·⟨um, um⟩ = 0
Además, uj es vj más una combinación de v1, …, vj−1, de modo que el subespacio generado no cambia. Y uj no puede ser cero, porque entonces vj sería combinación de los anteriores, en contra de la independencia lineal.
Ejemplo en R2
v1 = (3, 4), v2 = (1, 2), con el producto escalar usual.
- u1 = (3, 4), con ⟨u1, u1⟩ = 25.
- ⟨v2, u1⟩ = 3 + 8 = 11.
- u2 = (1, 2) − (11/25)·(3, 4) = (1 − 33/25, 2 − 44/25) = (−8/25, 6/25).
- Comprobación: ⟨u1, u2⟩ = −24/25 + 24/25 = 0.
Normalizando: e1 = (3/5, 4/5) y, como ‖u2‖ = 10/25 = 2/5, e2 = (−4/5, 3/5).
Ejemplo en R3
v1 = (1, 1, 0), v2 = (1, 0, 1), v3 = (0, 1, 1).
- Primer vector: u1 = (1, 1, 0); ⟨u1, u1⟩ = 2.
- Segundo: ⟨v2, u1⟩ = 1. u2 = (1, 0, 1) − ½·(1, 1, 0) = (1/2, −1/2, 1). ⟨u2, u2⟩ = 1/4 + 1/4 + 1 = 3/2.
- Tercero: ⟨v3, u1⟩ = 1 y ⟨v3, u2⟩ = 0 − 1/2 + 1 = 1/2. u3 = (0, 1, 1) − ½·(1, 1, 0) − ((1/2)/(3/2))·(1/2, −1/2, 1) = (0, 1, 1) − (1/2, 1/2, 0) − (1/6, −1/6, 1/3) = (−2/3, 2/3, 2/3).
- Comprobación: ⟨u1, u2⟩ = 1/2 − 1/2 = 0; ⟨u1, u3⟩ = −2/3 + 2/3 = 0; ⟨u2, u3⟩ = −1/3 − 1/3 + 2/3 = 0.
Base ortonormal: e1 = (1, 1, 0)/√2, e2 = (1, −1, 2)/√6, e3 = (−1, 1, 1)/√3. Multiplicar un uj por una constante no estropea la ortogonalidad, así que se pueden quitar fracciones antes de normalizar.
Ejemplo con polinomios: Legendre
En el espacio de polinomios con ⟨p, q⟩ = ∫−11 p(x)q(x) dx, se aplica el proceso a 1, x, x2:
- u1 = 1, con ⟨1, 1⟩ = 2.
- ⟨x, 1⟩ = ∫x dx = 0, así que u2 = x.
- ⟨x2, 1⟩ = 2/3 y ⟨x2, x⟩ = 0, luego u3 = x2 − (2/3)/2 = x2 − 1/3.
Salvo un factor constante, son los polinomios de Legendre P0 = 1, P1 = x y P2 = (3x2 − 1)/2. Con otros productos escalares (otros intervalos o pesos) salen otras familias de polinomios ortogonales.
La matriz de Gram
La matriz de Gram de v1, …, vk es G con Gij = ⟨vi, vj⟩. Es simétrica y sus propiedades resumen la geometría de los vectores:
- det G ≥ 0, y det G = 0 si y solo si los vectores son linealmente dependientes.
- det G es el cuadrado del volumen del paralelepípedo que forman los vectores.
- Los vectores son ortonormales si y solo si G es la identidad.
Para los vectores del ejemplo en R3, G tiene 2 en la diagonal y 1 fuera de ella, y det G = 4. El determinante de la matriz con v1, v2, v3 como filas vale −2, cuyo cuadrado es 4: el volumen es 2. También es el producto de las normas de los uj: √2·√(3/2)·(2/√3) = 2.
Factorización QR
Si A es una matriz con columnas linealmente independientes, Gram-Schmidt aplicado a esas columnas da A = Q·R, donde Q tiene por columnas los ej (ortonormales) y R es triangular superior con Rij = ⟨vj, ei⟩ para i ≤ j y diagonal Rjj = ‖uj‖. En el ejemplo de R3, la diagonal de R es √2, √(3/2) y 2/√3. La QR se usa para resolver problemas de mínimos cuadrados: cuando un sistema A·x = b no tiene solución (es incompatible según el teorema de Rouché-Frobenius), la solución que minimiza ‖A·x − b‖ se obtiene resolviendo R·x = QT·b.
Errores frecuentes y casos especiales
- Proyectar sobre los vi en lugar de sobre los ui. Los coeficientes son ⟨vj, ui⟩ / ⟨ui, ui⟩, con los vectores ya ortogonalizados.
- Normalizar mal: si normalizas al final de cada paso, el denominador ⟨ei, ei⟩ vale 1 y la fórmula se simplifica a vj − Σ⟨vj, ei⟩ei; no mezcles las dos versiones.
- Vectores dependientes: si algún uj sale cero, vj era combinación de los anteriores. Se descarta y se continúa; el número de vectores no nulos es la dimensión del subespacio, en línea con el teorema del rango y la nulidad.
- Errores de redondeo: en el ordenador, la versión clásica pierde ortogonalidad cuando los vectores son casi paralelos. La versión modificada, que resta cada proyección del vector ya corregido en el paso anterior, da el mismo resultado en aritmética exacta y es numéricamente más estable.
Origen y relación con otros resultados
El método lleva el nombre de Jørgen Pedersen Gram y Erhard Schmidt, aunque Laplace ya lo conocía antes que ellos. El proceso demuestra que todo espacio euclídeo de dimensión finita tiene una base ortonormal, un paso que se usa en la demostración del teorema espectral para matrices simétricas.
Preguntas frecuentes
¿Para qué sirve el método de Gram-Schmidt?
Para transformar vectores linealmente independientes en una base ortogonal u ortonormal del mismo subespacio. Se usa para calcular proyecciones, la factorización QR y polinomios ortogonales.
¿Cuál es la fórmula de Gram-Schmidt?
u₁ = v₁ y uⱼ = vⱼ − Σ (⟨vⱼ, uᵢ⟩/⟨uᵢ, uᵢ⟩)·uᵢ para i < j. Después se normaliza: eⱼ = uⱼ/‖uⱼ‖.
¿Qué pasa si los vectores son linealmente dependientes?
En algún paso se obtiene el vector cero. Ese vector se descarta y el proceso continúa con el siguiente.
¿Qué es la matriz de Gram?
La matriz de productos escalares Gᵢⱼ = ⟨vᵢ, vⱼ⟩. Su determinante es cero si y solo si los vectores son dependientes, y en otro caso es el cuadrado del volumen que forman.
¿Qué relación tiene con la factorización QR?
Gram-Schmidt aplicado a las columnas de A da A = QR: Q contiene los vectores ortonormales y R, triangular superior, los coeficientes de las proyecciones.
RELACIONADOS