Descomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)

Transcripción

1 Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos de gran utilidad en las aplicaciones del álgebra lineal a diversos problemas prácticos y teóricos A continuación definiremos el concepto de valor singular de una matriz Dada una matriz A R m n, la matriz A T A es simética, pues (A T A) T = A T (A T ) T = A T A, y semidefinida positiva, ya que x T A T Ax = (Ax) T (Ax) = Ax x R n Por lo tanto los autovalores de A T A son reales y no negativos Definición Sea A R m n Sean λ, λ,, λ n los autovalores de A T A ordenados en forma decreciente, es decir, λ λ λ n Entonces σ i = λ i es el i-ésimo valor singular de A El primer y el último valor singular de una matriz proporcionan la siguiente información Proposición Sea A R m n Entonces, si σ y σ n son, respectivamente, el mayor y el menor valor singular de A, se tiene que máx Ax = σ y mín Ax = σ n x = x = Demostración Sean λ y λ n el máximo y el mínimo autovalor de A T A, respectivamente Entonces, por Rayleigh, máx x = xt (A T A)x = σ y mín x = xt (A T A)x = σ n Luego σ = λ = máx x = xt (A T A)x = máx Ax = máx Ax, x = x = valiendo la primera igualdad por la definición de valor singular, la segunda por Rayleigh, la tercera por la igualdad x T (A T A)x = Ax y por ser la función η(t) = t monótona creciente en, ) (si η es una función escalar monótona creciente sobre la imagen de f(x) entonces η(máx f(x)) = máx η(f(x)) y η(mín f(x)) = mín η(f(x)) ) En forma similar se prueba que mín x = Ax = σ n Como corolario de la Proposición resultan las desigualdades σ n x Ax σ x x R n,

2 que acotan superior e inferiormente la magnitud de Ax en función de la magnitud de x En efecto, si x = las desigualdades son obviamente ciertas Si x tenemos que v = x/ x es unitario y por lo tanto σ n Av σ Pero Av = Ax / x, con lo cual σ n Ax x σ = σ n x Ax σ x El siguiente resultado será clave para la construcción de la descomposición en valores singulares de una matriz Recordemos que toda matriz simétrica n n con coeficientes reales es diagonalizable ortogonalmente, o, lo que es equivalente, existe una bon de R n compuesta por autovectores de ella Teorema Sea A R m n Supongamos que λ, λ,, λ n son los autovalores de A T A y que λ λ λ r > λ r+ = = λ n =, en otras palabras, los autovalores de A T A están ordenados en forma decreciente y el número de autovalores no nulos es r Sea {v,, v n } una bon de R n tal que A T Av i = λ i v i Entonces {Av,, Av n } es un conjunto ortogonal y Av i = λ i = σ i para todo i =,, n; { Av σ,, Avr σ r } es bon de col(a); {v r+,, v n } es bon de Nul(A); 4 rango(a) = r = número de vs no nulos de A Demostración Respecto del primer punto, como (Av i, Av j ) = (Av i ) T (Av j ) = v T i (A T Av j ) = v T i (λ j v j ) = λ j (v T i v j ) = { λ j i = j i j, entonces Av i Av j si i j y Av i = λ i = σ i para i =,, n Respecto del punto, como por el punto el conjunto { Av σ,, Avr σ r } es ortonormal, basta probar que éste genera el espacio columna de A Para ello alcanza con ver que gen{av,, Av r } = col(a) Consideremos la transformación lineal T : R n R m, T (x) = Ax Tenemos por un lado que Im(T ) = col(a) Por otra parte, como {v,, v n } es base de R n y T (v i ) = Av i, col(a) = Im(T ) = gen{av,, Av n } = gen{av,, Av r }, la última igualdad debida al punto, ya que Av i = λ i = si i r + El punto 4 es inmediato del ya que el rango de A es la dimensión del espacio columna de la matriz y ésta es r, que por otra parte es el número de autovalores no nulos de A T A, el cual coincide con el número de vs no nulos de A Finalmente el punto resulta del hecho que {v r+,, v n } es un conjunto ortonormal, que Av i = para todo i r + y que dim(nul(a)) = n r

3 Ejemplo Consideremos la matriz Como A = A T A = y sus autovalores son λ = 6, λ = 9 y λ =, tenemos que los vs de A son σ = 6 = 6, σ = 9 = σ = Notamos que el rango de A es y que hay exactamente vs no nulos como informa el Teorema Busquemos ahora una bon de R compuesta por autovectores de A T A Como S λ = gen B = {v, v, v }, con, v = S λ = gen, v = es una de tales bases Calculemos Av i para i =,,, 8 Av =, Av 6 = 9, y S λ = gen y v = y Av =,, Notamos que Av i Av j si i j y que Av i = σ i para i =,, En particular {v } es bon de Nul(A) y { Av σ, Av σ } es bon de col(a), que en este caso coincide con R Descomposición en valores singulares En lo que sigue definiremos lo que se conoce como descomposición en valores singulares (DVS) de una matriz Definición Sea A R m n Una descomposición en valores singulares de A es una factorización A = U Σ V T con U R m m y V R n n ortogonales y Σ R m n con σ D Σ = r (n r) σ y D = (m r) r (m r) (n r) con σ σ σ r > σ r k l representa la matriz k l cuyos coeficientes son nulos

4 Notar que si A = U Σ V T es una DVS de A, con Σ como en la Definición, y v i y u i son las i-ésimas columnas de V y U respectivamente, entonces es fácil ver que A puede ser escrita en la forma A = σ u v T + σ u v T + + σ r u r v T r, donde cada una de las matrices u i v T i es de rango Definición Si A = U Σ V T es una DVS de A, a los vectores que aparecen como columnas de la matriz V se los denomina vectores singulares derechos de A mientras que a los que aparecen como columnas de U se los denomina vectores singulares izquierdos de A El siguiente teorema nos dice que toda matriz admite una DVS Teorema Sea A R m n Entonces existe un descomposición en valores singulares de A Demostración Sean λ,, λ n los autovalores de A T A Supongamos que están ordenados en forma decreciente y que exactamente r de ellos son no nulos (r podría ser n) Sea {v, v,, v n } una bon de R n tal que A T Av i = λ i v i para todo i =,, n Definimos V = v v v n, que es ortogonal, y σ D Σ = r (n r) σ con D = (m r) r (m r) (n r) donde σ i = λ i σ r Con el objeto de definir U, consideremos los vectores u = Av σ, u = Av σ,, u r = Av r σ r Entonces, de acuerdo con el Teorema, el conjunto {u,, u r } es ortonormal Si r < m buscamos vectores u r+,, u m de modo tal que {u,, u m } sea bon de R m Luego definimos U = u u u m que es una matriz ortogonal Veamos ahora que A = U Σ V T Por un lado AV = Av Av n = σ u σ r u r ya que Av i = σ i u i para i =,, r por la definición de los vectores u i y Av i = para i = r +,, n por el Teorema Por otro lado σ σ U Σ = u u u m σ r = σ u σ r u r Por lo tanto, AV = U Σ Teniendo en cuenta que V = V T, llegamos a la igualdad A = U ΣV T 4

5 Observación La demostración del Teorema nos da un método para construir una DVS de una matriz A Método que podemos resumir de la siguiente manera Sea A R m n Calcular los autovalores de A T A y ordenarlos de mayor a menor: λ λ λ n Hallar una bon {v,, v n } de R n tal que A T Av i = λ i v i, i =,, n Calcular los vs de A, σ i = λ i 4 Si r es el número de vs de A no nulos, es decir, σ r > y σ i = para todo i r +, definir u = Av, u = Av,, u r = Av r σ σ σ r 5 Si r < m, hallar u r+,, u m tales que {u,, u m } sea bon de R m 6 Definir las matrices V = v v v n, U = u u u n y Σ = D r (n r) con D = (m r) r (m r) (n r) σ σ σ r ; 7 Entonces A = U Σ V T es una DVS de A Ejemplo Consideremos la matriz A del Ejemplo Los autovalores de A T A son λ = 6, λ = 9 y λ = y los vs, B = {v, v, v } con σ = 6 = 6, σ = 9 = σ = v =, v = y v =, es bon de R y A T Av i = λ i v i Como hay dos vs no nulos, calculamos u = Av σ = y u = Av σ = Como {u, u } es bon de R, no hace falta completar el conjunto Ahora definimos V =, U = y tenemos que A = U Σ V T es una DVS de A y Σ = 6, 5

6 Notamos que en la construcción de la DVS de A que hicimos en la demostración del Teorema, los elementos no nulos que aparecen en la diagonal principal de Σ son los vs no nulos de A y que las columnas de V, es decir, los vectores singulares derechos que utilizamos, son autovectores de A T A El siguiente resultado dice que lo anterior siempre ocurre, independientemente de la forma en que la DVS haya sido obtenida Teorema Sea A R m n y sea A = U Σ V T una DVS de A Supongamos que σ D Σ = r (n r) σ y D = (m r) r (m r) (n r) σ r con σ σ σ r > Entonces σ,, σ r son los vs no nulos de A; Si V = v v n, {v,, v n } es una bon de R n tal que A T Av i = σ i v i si i =,, r y A T Av i = si i = r +,, n; Si U = u u m, Av i = σ i u i para i =,, r y Av i = para i = r +,, n Demostración Como A = U Σ V T tenemos que A T A = (U Σ V T ) T (U Σ V T ) = V (Σ T Σ)V T Pero Σ T Σ es la matriz n n Σ T Σ = σ σ σr Por lo tanto A = V (Σ T Σ)V T es una diagonalización ortogonal de A T A En consecuencia, λ = σ, λ = σ,, λ r = σ r, son los autovalores no nulos de A T A ordenados en forma decreciente Por lo tanto σ,, σ r son los vs no nulos de A También tenemos que las columnas de V conforman una bon de R n y son autovectores de A T A, más precisamente, A T Av i = σ i v i para i =, r, y A T Av i = para i = r +,, n, ya que v r+,, v n son autovectores asociados al autovalor nulo Finalmente el punto resulta inmediatamente de la igualdad A V = U Σ Notemos que del Teorema se desprende que los vectores singulares derechos son siempre autovectores de A T A En lo que sigue veremos que los vectores singulares izquierdos son necesariamente autovectores de la matriz AA T Para ello es útil el siguiente resultado 6

7 Proposición Sea A = U Σ V T una DVS de A R m n Entonces A T = V Σ T U T es DVS de A T En particular A y A T tienen los mismos vs no nulos Demostración Es inmediato a partir de la definición de DVS que A T = V Σ T U T es DVS de A T Que A y A T tienen los mismos vs no nulos se deduce del hecho que en Σ aparecen los vs no nulos de A y en Σ T los vs no nulos de A T De la Proposición y del Teorema deducimos que los vectores singulares izquierdos de una matriz A son a la vez vectores singulares derechos de A T y por lo tanto autovectores de AA T Ejemplo Hallar una DVS de A = Como los vs no nulos de A y de A T coinciden, calculamos los vs de A T, que son los autovalores de AA T Como AA T 9 9 =, 9 9 sus autovalores son λ = 8 y λ = Luego σ = 8 = es el único vs no nulo tanto de A T como de A En particular, los restantes vs de A son σ = σ = Para hallar una DVS de A, lo que hacemos primero es hallar una DVS de A T Calculando obtenemos la siguiente { bon de R compuesta por autovectores de AA T (ordenados según el orden de los vs) T, } T Designemos por u y u a los vectores de esa base Ambos son vectores singulares derechos de A T (u corresponde a σ y u a σ = ) y por lo tanto vectores singulares izquierdos de A Para obtener los vectores singulares izquierdos de A T que nos permitan luego construir una DVS de A T, teniendo en cuenta que hay un solo valor singular no nulo, definimos v = AT u = σ Para hallar los restantes vectores singulares izquierdos de A T debemos encontrar v, v tales que {v, v, v } sea bon de R Pero como v y v son a su vez vectores singulares derechos de A y corresponden a valores singulares nulos de A, necesariamente Av = y Av = Luego bastará con que hallemos una bon de Nul(A) Una posible bon es {v, v } con v = y v = 4 Note que {v, v, v } es bon de R (Otra forma de computar v, v consiste en elegir v y v tales que {v, v, v } sea li y ortonormalizar el conjunto mediante Gram-Schmidt) 7

8 Entonces con V = v v v, U = u u y A T = V Σ U T Σ =, es DVS de A T y, por lo tanto, A = U Σ V T con Σ = Σ T es DVS de A Como ejercicio, se propone al lector que calcule una DVS de A en forma directa DVS y los subespacios fundamentales de una matriz En esta sección veremos que las matrices U y V de una DVS de A están compuestas por bases ortonormales de los cuatro subespacios fundamentales de A Supongamos que A R n m es una matriz de rango r y que A = U Σ V T es una DVS de A Entonces, si V = v v n y U = u u m y definimos las matrices V r = v v r, V n r = v r+ v n, U r = u u r y U m r = u r+ u m, se tiene que {v,, v r } es bon de fil(a), V T r V r = I y V r V T r = P fil(a) {v r+,, v n } es bon de Nul(A), V T n rv n r = I y V n r V T n r = P Nul(A) {u,, u r } es bon de col(a), U T r U r = I y U r U T r = P col(a) 4 {u r+,, u m } es bon de Nul(A T ), U T m ru m r = I y U m r U T m r = P Nul(A T ) La justificación de este resultado es la siguiente Como el rango de A es r, A tiene r valores singulares no nulos, y por lo tanto A T A tiene r autovalores no nulos Por el Teorema, los vectores v,, v n son autovectores de A T A, estando los primeros r de ellos asociados a los autovalores no nulos de A T A y los restantes al autovalor nulo de A T A Por lo tanto, por el Teorema, {v r+,, v n } es bon de Nul(A) y, dado que {v,, v n } es bon de R n, necesariamente {v,, v r } es bon de Nul(A) = fil(a) Con esto, y la forma en que se construyen las matrices de proyección, quedan demostrados y Respecto de y 4, combinando el Teorema con el Teorema, tenemos que {u,, u r } es bon de col(a) y, por lo tanto, dado que {u,, u m } es bon de R m, {u r+,, u m } es bon de col(a) = Nul(A T ) De esto último y la forma en que se construyen las matrices de proyección, se deducen las restantes afirmaciones Ejemplo 4 Dada A = 8, hallar los valores singulares de A, bases de sus cuatro subespacios fundamentales y calcular sus matrices de proyección La descomposición que tenemos de A es casi una DVS, salvo por el hecho de que la matriz U que aparece a la izquierda, si bien tiene columnas mutuamente ortogonales, éstas no son de 8

9 norma Procedemos entonces a normalizar las columnas de U dividiendo cada una de ellas por su norma Para que el producto siga siendo A, es necesario multiplicar la fila i de la matriz central, por el número por el cual dividimos la columna i de U Queda entonces la factorización A = 6 Esta factorización no es aún una DVS, porque los elementos de la diagonal de la matriz central no están ordenados de mayor a menor Para ello lo que hacemos es permutar las dos primeras columnas de la matriz de la izquierda y las dos primeras filas de la matriz de la derecha Entonces obtenemos A = 6 que ahora sí es una DVS de A, ya que A = U Σ V T con 6 U =, Σ = y V =, Ahora podemos hallar lo solicitado Los valores singulares de A son σ = 6, σ = y σ = Las primeras dos columnas de V son una bon de fil(a), mientras que la última columna de V es bon de Nul(A) Respecto de col(a), las dos primeras columnas de U son una bon de ese subespacio, y la última columna de U es bon de Nul(A T ) Respecto de las matrices de proyección, éstas son: P fil(a) = P Nul(A) = I P fil(a) = P Nul(A T ) = =, = P col(a) = I P Nul(A T ) =,, 9

10 4 DVS reducida Veremos ahora cómo a partir de una DVS, A = U ΣV T, podemos obtener una descomposición de A que emplea matrices de tamaño reducido Empleando la notación de la sección anterior, escribimos U = U r U m r y V = V r V n r, donde r es el rango de A Entonces A = U Σ V T = U r U m r D r (n r) (m r) r (m r) (n r) V T r V T n r = U r DV T r A la factorización A = U r DVr T se la denomina DVS reducida de A Notar que la matriz D es inversible, pues D es diagonal, y los elementos que aparecen en la diagonal principal son los vs no nulos de A Ejemplo 5 Para la matriz A del Ejemplo 4, A = 6, es una DVS reducida Notamos que es más simple calcular una DVS reducida que una DVS, ya que solo se necesitan los vs no nulos y conjuntos de vectores singulares derechos e izquierdos correspondientes a esos valores singulares 5 Solución por cuadrados mínimos de norma mínima Seudoinversa de Moore-Penrose Si A R m n y b R n, la ecuación Ax = b siempre admite soluciones por cuadrados mínimos (cm) Si Nul(A) = {}, o, equivalentemente, rango(a) = n, la solución por cm es única; en caso contrario hay infinitas soluciones por cm, más aún, si ˆx p es una solución por cm, entonces todas las demás son de la forma: ˆx = ˆx p + x n con x n Nul(A) Es importante en el caso en que hay infinitas soluciones por cm disponer de un criterio que permita seleccionar una de estas infinitas soluciones Un posible criterio es el siguiente Definición 4 x es una solución por cm de norma mínima de la ecuación Ax = b si x es solución por cm y, además, x ˆx para todo ˆx que sea solución por cm de Ax = b En otras palabras, x es, de todas las soluciones por cm de Ax = b, una que tiene la menor norma (longitud) posible A continuación veremos que existe una única solución por cm de norma mínima y daremos una caracterización de ella que será útil para calcularla Proposición Consideremos la ecuación Ax = b con A R m n y b R n Entonces Existe una única solución x por cm de la ecuación Ax = b que pertenece a fil(a) x es la única solución por cm de norma mínima de la ecuación Ax = b

11 Demostración Primero probamos que existe una solución por cm que pertenece a fil(a) Sea ˆx p una solución por cm de la ecuación Ax = b Sea x = P fil(a)ˆx p Veamos que x también es solución por cm de la ecuación Como fil(a) = Nul(A), ˆx p = P fil(a)ˆx p + P Nul(A)ˆx p = x + P Nul(A)ˆx p Luego, dado que ˆx p una solución por cm de la ecuación Ax = b, P col(a) b = Aˆx p = A(x + P Nul(A)ˆx p ) = Ax, y por lo tanto x es solución por cm de la ecuación Ax = b y pertenece a fil(a) Ahora veamos que x es la única solución por cm que pertenece a fil(a) Supongamos que x es una solución por cm que pertenece a fil(a) Entonces Ax = Ax = P col(a) b Luego x x Nul(A) Como x x fil(a) y fil(a) = Nul(A), resulta x x =, y, por lo tanto, x = x Hasta aquí hemos probado el punto de la proposición Ahora probamos que x es la única solución por cm de norma mínima de la ecuación Ax = b Primero vemos que x es solución por cm de norma mínima Sea x una solución por cm de la ecuación Entonces x x Nul(A) Luego x = x + ( x x ) = x + x x pues fil(a) = Nul(A) Entonces x x y x es de norma mínima Finalizamos la demostración viendo que x es la única solución de norma mínima Supongamos que y también es solución de norma mínima Entonces necesariamente y = x Por otro lado, dado que y x Nul(A) y que x fil(a), y = x + (y x ) = x + y x Entonces, necesariamente y x =, y, por lo tanto, y = x De acuerdo con la Proposición, para hallar la solución por cm de norma mínima, debemos buscar entre las soluciones por cm de la ecuación la solución x que pertenece a fil(a) Para hallar tal solución podemos proceder como sigue Supongamos que A = U r D Vr T es una DVS reducida de A Entonces, por lo expuesto en la Sección, U r Ur T = P col(a), Ur T U r = I, las columnas de V r son bon de fil(a) y D es inversible Luego, como x pertenece a fil(a), existe α R r tal que x = V r α Como además x es solución por cm de Ax = b entonces Luego, usando que U r U T r P col(a) b = Ax = AV r α = P col(a), V T r V r = I y A = U r D V T r, tenemos que U r U T r b = U r D V T r V r α = U r Dα Multiplicando por izquierda por U r y usando que U T r U r = I, obtenemos y, por lo tanto, Dα = U T r b = α = D U T r b, x = V r α = V r D U T r b Notemos que hemos probado que la solución por cm de norma mínima de la ecuación Ax = b se obtiene multiplicando b por la matriz V r D U T r

12 Definición 5 Sea A = U r D V T r es una DVS reducida de A La matriz A + = V r D U T r es la matriz seudoinversa de Moore-Penrose de A Notamos que del hecho que para todo b R n, x = A + b es la única solución por cm de longitud mínima de la ecuación Ax = b, se deduce que A + no depende de la DVS reducida empleada para calcularla En efecto, si A = U rdv r T es otra DVS reducida de A, tenemos la igualdad (V r D U T r )b = x = (V r D U rt )b b R n Pero entonces, necesariamente V r D U T r = V r D U rt Teorema 4 Sea A R m n y sea A + la matriz seudoinversa de Moore-Penrose de A Entonces Para todo b R n, x = A + b es la única solución por cm de longitud mínima de la ecuación Ax = b A + A = P fil(a) y AA + = P col(a) Demostración El punto ya fue probado, el punto se deduce inmediatamente del hecho que A + A = V r V T r y que AA + = U r U T r Observación Del punto del Teorema 4 deducimos inmediatamente que A + A = I fil(a) = R n rango(a) = n AA + = I col(a) = R m rango(a) = m Si A es inversible, entonces A = A + Cuando rango(a) = n, la ecuación Ax = b tiene una única solución por cuadrados mínimos ˆx, que está dada por la fórmula ˆx = A b, con A = (A T A) A T Como en el caso en que la solución por cm es única, ésta es necesariamente la de norma mínima, también tenemos que ˆx = A + b Luego A b = A + b b R n = A = A + La siguiente expresión de A + a partir de una DVS de A es útil en algunas circunstancias Supongamos que A = U Σ V T es una DVS de A R m n, y que A es de rango r Definamos Σ + D = r (m r) R n m (n r) r (n r) (m r) Entonces A + = V Σ + U T, como puede comprobar fácilmente el lector, usando las expresiones V = V r V T n r y U = U r U T m r y efectuando el producto Ejemplo 6 Hallar la seudoinversa de Moore-Penrose de 4 A = 6 Notemos que el rango de A es, y por lo tanto A carece de inversa Vamos a buscar entonces una DVS reducida de A

13 Como A T A = sus autovalores son λ = y λ = Luego, A tiene un único vs no nulo, σ = = Para construir una DVS reducida debemos hallar un vector singular derecho v de A asociado a σ, o, lo que es lo mismo, un autovector unitario de A T A asociado a λ, por ejemplo, v = 5 T Ahora, a partir de v definimos el vector singular izquierdo Entonces A = u = Av σ =, 5 5 es una DVS reducida de A y A + = 5 5 = 6 6 Imagen de la esfera unitaria En esta sección veremos cómo una DVS de una matriz A R m n nos permite determinar fácilmente cual es la imagen de la esfera unitaria S n = {x R n : x = } a través de la transformación lineal T (x) = Ax Supongamos que A = U Σ V T es una DVS de A y que rango(a) = r Con el objeto de determinar qué clase de conjunto es T (S n ) = {z R m : z = Ax con x S n }, consideremos el cambio de variable x = V y Notamos que x = y por ser V ortogonal Entonces z T (S n ) z = Ax con x = z = AV y con y = z = UΣy con y = Llamando U = u u m y teniendo en cuenta que A tiene r vs no nulos σ,, σ r, tenemos que UΣy = σ y u + σ y u + + σ r y r u r Entonces z T (S n ) z = σ y u + σ y u + + σ r y r u r con y = Si consideramos la base ortonormal B = {u,, u m } de R m, y z B = w w m T es el vector de coordenadas de z en la base B, tenemos entonces que w = σ y w = σ y z T (S n ) w r = σ r y r w r+ = w m = con y =

14 Como y i conclusión: = w i /σ i para i =,, r y n i= y i =, finalmente llegamos a la siguiente Si r = n z T (S n ) w σ + + w n σ n = w n+ = w n+ = = w m = Con lo cual T (S n ) resulta ser un elipsoide n-dimensional (Si n = es un par de puntos y cuando n = es una elipse) contenido en el subespacio generado por {u,, u n }, que es col(a), y tiene por ejes a las rectas generadas por los vectores u, u,, u n Si r < n, y, por lo tanto, w σ + + w r σ r = r yi, i= z T (S n ) w σ + + w r σ r w r+ = w r+ = = w m = Luego T (S n ) resulta ser un elipsoide r-dimensional sólido (si r = es un segmento, si r = es una elipse junto con su interior), contenido en el subespacio generado por {u,, u n } ( col(a)), y tiene por ejes a las rectas generadas por los vectores u, u,, u r Ejemplo 7 Supongamos que A R y que A = UΣV T es DVS de A Sean u y u la primera y segunda columna de U, y σ y σ el primer y segundo vs de A Entonces, la imagen de la circunsferencia unitaria S R a través de la transformación T (x) = Ax depende del rango de A de la siguiente forma: si rango(a) =, A es la matriz nula y T (S ) = {} Si rango(a) =, σ >, σ = y { T (S ) = z R : z = w u + w u, w σ es el segmento de extremos P = σ u, P = σu Si rango(a) =, σ σ >, y { T (S ) = z R : z = w u + w u, w σ + w σ }, w = = { z R } : z = tu, σ t σ, } =, resulta una elipse con centro en el origen, eje mayor de longitud σ contenido en la recta generada por u y eje menor de longitud σ contenido en la recta u (Figura ) Ejemplo 8 Supongamos ahora que A R y que A = UΣV T es DVS de A Sea U = u u u y σ, σ, σ los vs de A Entonces tenemos las siguientes posibilidades para la imagen de la esfera unitaria S R a través de la transformación T (x) = Ax: 4

15 5 T(S ) x σ u 5 5 x σ u Figura : T (S ) caso rango si rango(a) =, A es la matriz nula y T (S ) = {} Si rango(a) =, σ >, σ = σ = y la imagen de es el conjunto { T (S ) = z R : z = w u + w u + w u, w σ = { z R } : z = tu, σ t σ, que es el segmento de extremos P = σ u, P = σu Si rango(a) =, σ σ >, σ = y { T (S ) = z R : z = w u + w u + w u, w σ + w σ }, w = w = } ; w =, es la superficie contenida en el plano generado por u y u (que es col(a)), que contiene al origen y está limitada por la elipse centrada en el origen, cuyo eje mayor tiene longitud σ y está contenido en la recta generada por u y su eje menor, contenido en la recta u, tiene longitud σ (Figura ) 4 Finalmente, si rango(a) =, σ σ σ > y T (S ) = { z R : z = w u + w u + w u, w σ + w σ + w σ } =, resulta un elipsoide centrado en el origen, con ejes de longitudes σ, σ y σ contenidos en la rectas generadas por u, u y u, respectivamente (Figura ) 5

16 4 col(a) σ u T(S ) u σ u Figura : T (S ) caso rango T(S ) σ u σ u σ u Figura : T (S ) caso rango 6