Calcolo di autovalori Esempio Calcolo di autovalori Esempio
Transcript
Calcolo di autovalori Esempio Calcolo di autovalori Esempio
Calcolo di autovalori Data la matrice A, determinare l numero e v vettore non nullo tali che A v = lv l autovalore, v autovettore Esempio ⎛9 A = ⎜⎜ ⎝8 4⎞ ⎟⎟ , 5⎠ ⎛a⎞ v = ⎜⎜ ⎟⎟ , ⎝b⎠ ⎛9 a + 4b⎞ ⎟⎟ A v = ⎜⎜ ⎝8a + 5b ⎠ A v in generale non è multiplo di v. Se però ⎛1⎞ ⎛ 1 ⎞ v = ⎜⎜ ⎟⎟ ⇒ A v = 13 v , v = ⎜⎜ ⎟⎟ ⇒ A v = v ⎝1⎠ ⎝ − 2⎠ ovvero ci sono due direzioni lungo le quali A funziona come se v fosse moltiplicato per uno scalare. Conoscere le direzioni lungo le quali A agisce come scalare semplifica i problemi 1 Calcolo di autovalori Data la matrice A, determinare l numero e v vettore non nullo tali che A v = l v: l autovalore, v autovettore Esempio ⎛−1 A = ⎜⎜ ⎝ 6 4⎞ ⎟⎟ 1⎠ ⎛2⎞ v1 = ⎜⎜ ⎟⎟ ⎝3⎠ ⎛ 1 ⎞ ⎟⎟ v 2 = ⎜⎜ ⎝ − 1⎠ ⎛1⎞ v3 = ⎜ ⎟ ⎝1⎠ ⎛ 10 ⎞ A v1 = ⎜⎜ ⎟⎟ ⎝ 15 ⎠ λ1 = 5 ⎛− 5⎞ ⎟⎟ λ 2 = − 5 A v 2 = ⎜⎜ ⎝ 5⎠ ⎛3⎞ non è A v3 = ⎜ ⎟ ⎝ 7 ⎠ autovettore Se v è un autovettore, anche ogni multiplo di v lo è. 2 In Matlab: eig(A) restituisce gli autovalori dellla matrice A Calcolo di autovalori Data la matrice A, determinare l numero e v vettore non nullo tali che A v = lv l autovalore, v autovettore In pratica cerchiamo l e v tali che (A - l I ) v = 0 E’ possibile che un sistema lineare omogeneo abbia una soluzione non nulla solo se è singolare, ovvero det (A - l I ) = 0 equazione caratteristica Gli autovalori sono le radici del polinomio caratteristico 3 Esempio ⎛9 A = ⎜⎜ ⎝8 4⎞ ⎟ 5 ⎟⎠ 4 ⎞ ⎛9 − λ 0 = det ( A − λ I ) = det ⎜⎜ ⎟⎟ = 8 5 λ − ⎠ ⎝ = (9 − λ ) ( 5 − λ ) − 32 = λ 2 −14 λ +13 Soluzioni: λ = 7 ± 49 − 13 λ 1 =13, λ 2 =1 Infatti si ha: ⎛1⎞ ⎛ 1⎞ v1 = ⎜⎜ ⎟⎟ ⇒ A v1 = 13v1 , v2 = ⎜⎜ ⎟⎟ ⇒ A v2 = v2 ⎝1⎠ ⎝ − 2⎠ 4 Esempio Calcolare gli autovalori delle seguenti matrici: ⎛1 ⎜ A=⎜0 ⎜0 ⎝ −2 2 0 0⎞ ⎟ 0⎟ 2 ⎟⎠ ⎛2 ⎜ ⎜0 (ii) A = ⎜ 0 ⎜ ⎜0 ⎝ −1 3 1 −2 0 0 8 −3 (i) λ 1 = 1, molteplicità λ 2 = 2, m( λ 1 ) = 1, m( λ 2 ) = 2 −1⎞ ⎟ − 5⎟ 6 ⎟ ⎟ 2 ⎟⎠ λ 1 = 2, λ 2 = 3, λ 3 = 5 + 3i , λ 4 = 5 − 3i m (λ i ) = 1 In Matlab: eig(A) restituisce gli autovalori dellla matrice A Lo spettro di A è l’insieme degli autovalori di A. Il raggio spettrale di A è ρ ( A ) = max λ 1≤ i ≤ n i Data S matrice non singolare, B = S-1 A S è simile ad A Matrici simili hanno gli stessi autovalori. Dim: λ , x t.c. A x = λ x, S −1 A x = λ S −1 x Inserisco la matrice identità I = S S -1 S −1 A( S S ) x = λ S x B y=λ y −1 −1 Si pone B = S −1 A S , y = S −1 x 6 A è diagonalizzabile se ∃ S S -1 A S = D diagonale non singolare t.c. Gli autovalori di una matrice diagonale D sono gli elementi sulla diagonale A è diagonalizzabile se e solo se possiede n autovettori linearmente indipendenti Gli autovettori associati ad autovalori distinti sono linearmente indipendenti 7 Se gli autovalori di A sono distinti, allora A è diagonalizzabile Localizzazione degli autovalori Per ogni norma naturale vale che ρ ( A ) ≤ A ⎛4 ⎜ ⎜0 A=⎜ 5 ⎜ ⎜3 ⎝ −5 4 −3 0 0 −3 4 5 3 ⎞ ⎟ − 5⎟ 0 ⎟ ⎟ 4 ⎟⎠ A ∞ = max i n ∑ j =1 a ij = 12 ρ ( A ) = max λ 1≤ i ≤ n i ≤ 12 cioè gli autovalori si trovano nel cerchio di centro l’origine e raggio 12. λ 1 = 12 , λ 2 = 2, Infatti gli autovalori sono: λ 3 = 1 + 5i , λ 4 = 1 − 5i λ 1 = 12 , λ 2 = 2, λ 3 = λ 4 = 26 8 Localizzazione degli autovalori ⎛4 ⎜ ⎜0 A=⎜ 5 ⎜ ⎜3 ⎝ −5 4 −3 0 0 −3 4 5 3 ⎞ ⎟ − 5⎟ 0 ⎟ ⎟ 4 ⎟⎠ 5 0 12 -5 λ 1 = 12 , λ 2 = 2, λ 3 = 1 + 5i , λ 4 = 1 − 5i 9 Teorema di Gerschgorin (i) Sia l un autovalore di A. ∃ x ≠ 0 t.c. A x − λ x = 0 Sia i l’indice della componente di massimo modulo dell’autovettore x. a i1 x1 + a i 2 x 2 +…+ ( a ii − λ ) x i +…+ a in x n = 0 a ii − λ = Quindi ∑a k ≠i xk ik xi ≤ ∑ k ≠i aik xk xi ≤ ∑ a i k = ri k ≠i λ ∈R i = { z∈ C t.c. z − a i i ≤ ri } Poiché i non è noto a priori n λ ( A )∈ R = ∪ R i =1 i 10 Teorema di Gerschgorin (ii) l è un autovalore anche di A T , e quindi: n λ ( A) ∈ C = ∪ C j , j =1 C j = { z ∈C t.c. z − a j j ≤ c j c j = ∑ a k j k≠ j ⇓ λ ( A) ∈ R ∩C 11 Ricapitolando: Teorema di Gerschgorin n ri = ∑ a i k i = 1,..., n k =1 k ≠i n (i) λ ( A)∈R = ∪ R i n c j = ∑ a k j j = 1,..., n k =1 k≠ j R i = { z ∈ C t.c. z − a i i ≤ ri } i =1 n (ii) λ ( A ) ∈ C = ∪ C j , j =1 { C j = z ∈C t.c. z − a j j ≤ c j λ ∈R ∩ C 12 } Teorema di Gerschgorin - esempio ⎛4 ⎜ ⎜0 A=⎜ 5 ⎜ ⎜3 ⎝ −5 4 −3 0 3 ⎞ ⎟ − 5⎟ 0 ⎟ ⎟ 4 ⎟⎠ 0 −3 4 5 5 R∩ C 0 12 -5 R 1 = R 2 = R 3 = R 4 = R 5 = { z − 4 ≤ 8} C 1 = C 2 = C 3 = C 4 = C 5 = { z − 4 ≤ 8} 4 R =∪ R i i =1 4 C =∪ C j j =1 13 Teorema di Gerschgorin - esempio Esempio: ⎛4 ⎜ ⎜1 A = ⎜0 ⎜ ⎜0 ⎜0 ⎝ −1 3 1 0 0 1 −1 1 0 0 0 0 0 2 1 0⎞ ⎟ 0⎟ 0⎟ ⎟ 1⎟ 8 ⎟⎠ R 1 = { z − 4 ≤ 2}, R 2 = { z − 3 ≤ 2}, R 3 = { z − 1 ≤ 1}, R 4 = { z − 2 ≤ 1}, R 5 = { z − 8 ≤ 1} C 1 = { z − 4 ≤ 1}, C 2 = { z − 3 ≤ 2}, C 3 = { z − 1 ≤ 2}, C 4 = { z − 2 ≤ 1}, C 5 = { z − 8 ≤ 1} 14 Teorema di Gerschgorin - esempio R 1 = { z − 4 ≤ 2} R 4 = { z − 2 ≤ 1} R 2 = { z − 3 ≤ 2} R 5 = { z − 8 ≤ 1} R 3 = { z − 1 ≤ 1} (i) λ ∈R = 0 1 2 3 4 6 5 7 9 8 10 5 ∪R i i =1 C 1 = { z − 4 ≤ 1} C 4 = { z − 2 ≤ 1} C 2 = { z − 3 ≤ 2} C 3 = { z − 1 ≤ 2} -1 0 1 2 3 4 6 5 7 9 8 10 C 5 = { z − 8 ≤ 1} 5 (ii) λ ∈ C = ∪ C j , 15 j =1 Teorema di Gerschgorin - esempio 5 R =∪ R i i =1 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 5 C =∪ C j j =1 -1 λ 1 = 5 + 10 , λ 2 = λ 3 = 3, λ 4 = 2, λ 5 = 5 − 10 R∩ C -1 0 1 2 3 4 5 6 7 8 9 10 λi ∈ R ∩ C Teorema di Gerschgorin (iii) Il teorema inoltre stabilisce che ad ogni componente di R (o C), ovvero ad ogni unione connessa massimale di cerchi Ri o Cj, appartengono tanti autovalori quanti sono i cerchi che costituiscono la componente, contando autovalore e cerchio con la sua molteplicità. 0 1 2 3 4 5 6 7 8 9 -1 10 0 1 2 3 4 5 6 7 9 8 10 5 5 C =∪ C j λ 1 = 5 + 10 , λ 2 = λ 3 = 3, R =∪ R i j =1 λ 4 = 2, λ 5 = 5 − 10 i =1 17 Metodo delle potenze Calcolo dell’autovalore di massimo modulo. Supponiamo che l’autovalore di max modulo sia unico λ > λ ≥ λ ≥ …≥ λ 1 2 3 n Da questa ipotesi discende che λ 1 è reale di molteplicità uno. Supponiamo che i corrispondenti autovettori siano linearmente indipendenti x 1 ,… , x n v 0 = α 1 x 1 + α 2 x 2 + … + α n x n Scelgo v 0 t.c. α 1 ≠ 0 v 1 = Av0 , v 2 = Av1 ,..., vm = Avm −1 λ 1 = lim m→∞ (v ) (v ) m +1 m k successione di vettori componente k-sima k 18 Metodo delle potenze Dimostrazione v 0 =α 1 x1 + α2 x 2 +… + α n x n t.c. α 1 ≠ 0 v1 = A v 0 = α 1 λ 1 x1 + α2 λ 2 x 2 +… + α n λ n x n = ⎛ λ2 λn ⎞ ⎜ = λ 1 α 1 x1 +α 2 x2 + … + α n xn ⎟ ⎜ λ1 λ 1 ⎟⎠ ⎝ m m ⎤ ⎡ ⎛ ⎞ ⎛ ⎞ λ λ n 2 ⎟ x 2 + …+ α n ⎜ ⎟ xn ⎥ v m = A v m −1 = A mv 0 = λ 1m ⎢ α 1 x1 + α 2 ⎜ ⎜ ⎟ ⎜ ⎟ ⎥ ⎢ ⎝λ1⎠ ⎝λ1⎠ ⎦ ⎣ m m ⎤ ⎡ ⎛ ⎞ ⎛ ⎞ λ2 λn m ⎟ ( x 2 ) k + …+ α n ⎜ ⎟ ( x n )k ⎥ (v m )k = λ 1 ⎢ α 1 ( x1 )k + α 2 ⎜ ⎜λ1⎟ ⎜λ1⎟ ⎥19 ⎢ ⎝ ⎠ ⎝ ⎠ ⎦ ⎣ Metodo delle potenze (v ) (v ) m +1 m Se m +1 m +1 ⎡ ⎤ ⎛λ 2 ⎞ ⎛λ n ⎞ ⎜ ⎟ ⎜ ⎟ ⎢ α 1 (x1)k + α 2 (x 2 )k + … + α n (x n )k ⎥ λ ⎜λ ⎟ ⎜λ ⎟ ⎢ ⎥ ⎝ 1⎠ ⎝ 1⎠ ⎣ ⎦ m m ⎡ ⎤ ⎛λ 2 ⎞ ⎛λ n ⎞ m ⎜ ⎟ ⎜ ⎟ ⎢ (x 2 )k + … + α n (x n )k ⎥ λ 1 α 1 (x1)k + α 2 ⎜ ⎟ ⎜ ⎟ ⎢ ⎥ ⎝λ 1⎠ ⎝λ 1⎠ ⎣ ⎦ m +1 1 k = λ λ i k 1 <1 ⇒ λ 1 = lim m→∞ (v ) (v ) m +1 m k k L’autovalore di minimo modulo di A è il reciproco dell’autovalore di massimo modulo di A -1, poiché se l è un autovalore di A, allora l -1 è un autovalore di A -1. A x = λ x ⇒ x = λ A−1 x ⇒ λ −1 x = A−1 x 20 Metodo delle potenze Fissato v 0 for m=0,1,….. v m+1 = Av m λ ( m +1) 1 (Implementazione) y 0 = (1,1,...,1)T for m=0,1,….. normalizzazione w m+1 = Ay m (v ) = m+1 k (v m ) k end Le componenti di v m possono crescere molto in modulo!!! λ1( m+1) = (w m+1 ) k (y m ) k y m +1 = w m +1 w m+1 ∞ end OSSERVAZIONI 1) in genere ad ogni iterazione si sceglie l’indice k come la posizione della prima componente di modulo massimo di w m +1. 2) utilizzare un opportuno criterio di arresto! 21 Metodo delle potenze Osservazioni sulla convergenza: • la velocità di convergenza dipende dal rapporto λ2 / λ1 : quanto più è piccolo tanto più rapidamente converge • quando λ2 ≅ λ1 la convergenza può risultare eccessivamente lenta. In questa situazione il metodo viene usato per ottenere solo una stima iniziale da migliorare successivamente con un metodo più veloce, ad esempio il metodo delle potenze inverse. • Se λ1 è reale ed ha molteplicità k la convergenza è generalmente lenta. • Se gli autovalori sono reali e distinti ed hanno lo stesso 22 modulo in genere il metodo non converge. Autovalore di minimo modulo (Implementazione) E’ il reciproco dell’autovalore di massimo modulo di A-1 λn = 1/ λ1 autovalore di λ1 autovalore di minimo modulo di A massimo modulo di A-1 y 0 = (1,1,...,1)T for m=0,1,….. w m+1 = A −1y m λ1( m+1) = (w m+1 ) k (y m ) k w m +1 y m +1 = w m+1 ∞ PA = LU y 0 = (1,1,...,1)T for m=0,1,….. risolvi Aw m +1 = y m (y m ) k λn( m+1) = (w m+1 ) k y m +1 = w m +1 w m+1 ∞ end end N.B. in genere ad ogni iterazione si sceglie l’indice k come la posizione della prima componente di modulo massimo di w m+1. 23 Metodo delle potenze inverse Serve per migliorare l’approssimazione p di un autovalore l ( A− p I ) x = A x − p x =( λ − p ) x Quindi l - p è un autovalore di A - p I. Quindi (l - p) -1 è un autovalore di (A - p I) -1 −1 Se p ≈ λ , ( λ − p ) = µ è autovalore max di (A - p I) -1 Quindi, calcolato µ , (ad es con il metodo delle potenze) λ = p+ 1 µ 24 Metodo delle potenze inverse (Implementazione) p: approssimazione di un autovalore λ migliore approssimazione: λp = p + dove µ è autovalore max di (A-pI)-1 e quindi 1/µ è autovalore min di A-pI 1 µ P(A − pI) = LU y 0 = (1,1,...,1)T λp(0) = p; for m=0,… risolvi (A − pI)w m+1 = y m (y m ) k λp( m+1) = p + (w m +1 ) k Se l’approssimazione iniziale p non è w m +1 sufficentemente buona la convergenza del y m +1 = w m +1 ∞ metodo risulta assai lenta. end N.B. in genere ad ogni iterazione si sceglie l’indice k come la posizione della prima componente di modulo massimo di w m +1. 25 Matematica del web: Google e Page Rank Larry Page e Sergey Brin, specializzandi in Informatica a Stanford, hanno inventato il motore di ricerca più famoso. Page creò un programma per sapere quali siti contenevano un link ad una certa pagina (BackRub). Pensando alla bibliometria (valutazione di un articolo sulla base delle sue citazioni), Page e Brin idearono un programma per misurare l’importanza di una pagina web, contando quante altre pagine rimandano ad essa. Problema: ordinare le pagine presenti sul web in base alla loro importanza (page rank) Per ulteriori info visitare il sito web del Prof. Bini: www.dm.unipi.it/~bini/Didattica/Slides/google.pdf 26 Page Rank L’importanza di una pagina è legata alle sue connessioni (e non al suo contenuto) L’importanza di una pagina è trasferita alle pagina a cui essa punta L’importanza di una pagina è data dalla somma delle frazioni di importanza delle pagine che ad essa puntano ovvero Io sono importante se frequento persone importanti Se io sono importante, allora anche le persone che frequento 27 sono importanti Page Rank (continua) Numeriamo le pagine del web da 1 a n, e definiamo la matrice di connettività G = (g ij), con g ij = 1 se c’è un link dalla pagina i alla pagina j g ij = 0 altrimenti. Indichiamo con x j l’importanza della pagina j; r i il numero di link che partono dalla pagina i (dato dalla somma dei valori sulla riga i della matrice di connettività; c i il numero di link che puntano alla pagina i (dato dalla somma dei valori sulla colonna i della matrice di connettività; 28 Page Rank (continua) Per l’importanza della pagina j risulta xj = g1 j x x1 x + g 2 j 2 +…+ g n j n r1 r2 rn Sistema lineare n x n (sparso): le soluzioni forniscono il livello di importanza delle singole pagine L’equazione di Google è: ⎛ x x x ⎞ 1 x j = d ⎜ g 1 j 1 + g 2 j 2 + … + g n j n ⎟ + (1 − d ) r1 r2 rn ⎠ n ⎝ con d parametro tra 0 e 1 (di solito d= 0.85) Il Page Rank viene calcolato una volta al mese (su 10 9 pagine) 29 Page Rank (continua) Sia A la matrice i cui elementi sono a ij =d g ij ri + 1− d n A non è sparsa, ma è la modifica di una matrice sparsa; la maggior parte dei suoi elementi ha un valore piccolissimo tra 0 e 1; la somma di ciascuna colonna è 1 Dalla teoria è noto che l’autovalore di massimo modulo di una matrica siffatta è 1, e il corrispondente autovettore soddisfa x=Ax (da calcolare in maniera iterativa col metodo delle potenze) x (k+1) = A x (k) 30 Metodi basati su trasformazioni di similitudine Il calcolo si basa su una successione di trasformazioni di similitudine mediante matrici ortogonali, ovvero si determina una successione A= A1 , A2 ,…, Ak t.c. Ak =QkT Ak −1 Qk con QkT Qk = I Ogni A k è simile ad A (stessi autovalori) Teorema: A reale simmetrica, esiste Q ortogonale t.c. D = QT A Q diagonale (la trasformazione non avviene in un numero finito di passi) Teorema: A reale, esiste Q ortogonale t.c. Q T A Q è di Hessenberg (tridiagonale se A è simmetrica) 31 (la trasformazione avviene in un numero finito di passi) Fattorizzazione QR di matrice Teroema. Sia data una matrice A A ∈ ℜm xn , ∃ Q ∈ ℜ A = Q R, mxm R ∈ℜm x n Q ortogonale R triangolare superiore Si determina usando i riflettori elementari. Costa 2/3 n 3 operazioni. Il comando Matlab è qr(A). Si potrebbe usare per risolvere sistemi lineari Ax=b Rx=QTb ma è più costosa dell’eliminazione di Gauss 32 Trasformazioni di Householder Un riflettore elementare è una matrice del tipo U = I − 2u u T , Uè u T = u u =1 2 simmetrica U T = U ortogonale U T U = I involutoria U 2 = I Si usano per introdurre zeri in un vettore Th: x vettore non nullo, U = I − e1 = (1, 0 ,…, 0 ) T , σ = ± x 2 2 1 π , π= u u T , u = x +σ e1, 1 u 2 2 2 è t.c U x =−σ e331 E’ possibile costruire il riflettore elementare U k tale che U k x = ( x1 ,…, x k −1 , x k , 0 ,…, 0 ) ovvero U k non altera le prime k-1 componenti di x, ed introduce zeri dalla k+1.ma componente Posso costruire una successione di riflettori elementari t.c. U 1 introduce zeri nella prima colonna, fatta eccezione per il primo elemento; U 2 introduce zeri nella seconda colonna, fatta eccezione per il secondo elemento; etc. U n − 1 U n − 2 …U 1 A = R triangolare superiore QT A=Q R 34 Algoritmo QR per il calcolo degli autovalori Si costruisce una successione di matrici simili ad A (utilizzando la fattorizzazione QR ad ogni iterazione), che convergono alla forma triangolare alta (con autovalori sulla diagonale), oppure ad una forma quasitriangolare (nel caso di autovalori complessi) A1= A for i=1,2,…. [Q i , R i]=qr(A i ) A i+1 = R i Q i end i A i e A i+1 sono simili. Infatti A i = Q i R i quindi Q iT A i = R i A i+1 = R i Q i = Q iT A i Q i 35 usando ad esempio il comando in linea di matlab Se la matrice A ha autovalori reali, per la convergenza alla forma triangolare si richiede che: | λ1 |>| λ2 |> ... >| λn | Inoltre gli elementi sotto la diagonale principale convergono a zero con velocità: ⎛ λ i⎞ | A i (k, k − 1) |= O ⎜ k ⎟ ⎜ λk −1 ⎟ ⎝ ⎠ Dove i è l’i-esima iterazione del metodo. 36 Algoritmo QR con traslazione (shift) E’ una accelerazione del metodo base nel caso A abbia autovalori vicini in modulo. Dato µ ∈ ℜ : A1= A for i=1,2,…. [Qi , R i ] = qr(A i − µ I) Ai +1 = Ri Qi + µI end La matrice Ai +1è simile a A i . La velocità di convergenza è: | A i (k, k − 1) |= O ( (λ − µ ) / (λ k −1 k − µ) i ) 37 Algoritmo QR con traslazione (shift) Aggiornamento dello shift Lo shift µ può essere fisso oppure aggiornato ad ogni iterazione. Ad esempio si può scegliere A1= A for i=1,2,…. µi = A i (n, n) [Qi , R i ] = qr(A i − µi I) A i+1 = R iQi + µi I end A i (n, n) è la stima dell’autovalore λn . Quando sia noto con l’accuratezza desiderata, il metodo QR proseguirà sulla sotto-matrice Ai (1 : n − 1,1 : n − 1) e così via fino a trovare tutti gli autovalori. 38 Algoritmo QR con traslazione (shift) Criterio di arresto (per matrici con autovalori reali) Si controlla il valore dell’elemento sottodiagonale: | A i (n, n − 1) |≤ toll ⋅ (| A i (n − 1, n − 1) | + | A i (n, n) |) Se la condizione è soddisfatta, prendiamo A i (n, n) come approssimazione dell’autovalore λn . toll è una tolleranza fissata, in genere dell’ordine della precisione macchina. 39 Utilizzo della fattorizzazione QR nel problema dei minimi quadrati ( Sistemi sovradeterminati, n << m) Problema: Dati A∈ℜ(m+1)×(n+1) , y∈ℜ(m+1) determinare c ∈ ℜ n +1 tale che 2 y − Ac 2 = minimo Determiniamo la fattorizzazione QR di A (esiste anche per le matrici rettangolari): A=QR con ⎛ R⎞ R = ⎜⎜ ⎟⎟, R ∈ℜ ( n +1) x ( n +1) ⇒ Q T A = R ⎝0⎠ y* = Q T y 40 Le matrici ortogonali non alterano la norma due di un vettore: Qy 2= y Partizioniamo y*: ⎛ y1 ⎞ y = ⎜⎜ ⎟⎟, ⎝ y2 ⎠ y1 ∈ ℜ n +1 , y 2 ∈ ℜ m − n * y − A c 2 = Q T (y − A c ) = y* − R c y − Ac 2 2 = y1 − R c y2 − 0 c = 2 2 2 = QT y − QT A c 2 = y1 − R c y2 risulta minimo quando 2 R c = y1 Il problema dei minimi quadrati si riconduce quindi alla risoluzione 41 di un sistema triangolare superiore