Álgebra Lineal Numérica

IECD 214 - Análisis Numérico

1 Factorización de Matrices
Consideremos un sistemas de ecuaciones lineales:


 a11 x1 + a12 x2 + · · · + a1n xn = b1 ,
 a21 x1 + a22 x2 + · · · + a2n xn

= b2 ,
.. (1)


 .
am1 x1 + am2 x2 + · · · + amn xn = bm .


Este sistema, puede ser escrito en forma matricial Ax = b donde:

     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
A= . , x = y b=
     
.. .. ..  ..  ..
 ..
 
. . .   .   . 
am1 am2 · · · amn xn bm

Lo anterior representa un sistema de m ecuaciones lineales y n incógnitas. Otra forma de escribir un

sistemas de ecuaciones es mediante una matriz aumentada:
 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
.
 
 .. .. .. .. ..
 . . . . . 
am1 am2 · · · amn bm
El conjunto solución S de un sistema de ecuaciones lineales puede ser descrito como:
   

 α1 


  α2  

S = α =  .  ∈ Mn×1 (K) : Am×n α = bm×1 .
 

  ..  

 
αn
 

Para cualquier sistema de ecuaciones, existen tres alternativas para el conjunto de soluciones:

1. Única solución: Existe solamente un vector x que satisface Ax = b.

2. No existe solución: No existe x que satisface Ax = b, el conjunto S es vacı́o.

3. Infinitas soluciones: Existen infinitos vectores x que satisfacen el sistema Ax = b. De hecho,

si un sistema de ecuaciones lineales tiene más de una solución, debe tener un infinito número de
soluciones.

Ejemplos:

• El sistema de ecuaciones 
4x1 + 3x2 = 11,
4x1 − 3x2 = 5,
tiene única solución.

• El sistema de ecuaciones 
4x1 + 3x2 = 11,
12x1 + 9x2 = 33,
tiene infinitas soluciones.

1
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

• El sistema de ecuaciones 
4x1 + 3x2 = 11,
12x1 + 9x2 = 30,
no tiene solución.

Definición: Un sistema de ecuaciones que tenga al menos una solución se dirá consistente, de lo
contrario se dirá inconsistente.

Definición: Diremos que dos sistemas de ecuaciones son equivalentes si y sólo si tienen el mismo
conjunto solución.

1.1 Operaciones elementales por filas y columnas

Llamamos operaciones elementales en un matriz al intercambio de filas (o columnas) , la multiplicación
por un escalar a una fila (o columna) y el incremento de una fila (o columna) mediante otra. La idea
es representar mediante un producto de matrices operaciones elementales en una matriz. En general,

filas −→ A ←− columnas
 T
e1
 .. 
.
 T
e 
 j
• Intercambio de filas Efi ↔fj =  ... , para el cual det(Efi ↔fj ) = −1
 
 
eT 
 i
 .. 
.
eTn
 T 
e1
 .. 
 . 
• Factorización: λ veces fila i Eλfi = 
 T
λei , para el cual det(Eλfi ) = λ

 .. 
 . 
eTn

eT1
 
 .. 
 . 
 eT
 

i
..
 
• Sumar λ veces la fila i a la fila j Eλfi +fj →fj =  , para el cual det(Eλfi +fj →fj ) = 1
 
 T . T
λe + e 
 i j
 .. 
 . 
en T

Ejemplos:

1. Consideremos la matriz  
1 2 3
A = 4 5 6
7 8 9
realice las operaciones elementales: 3f2 , intercambio de filas 1 y 3, 2f1 + f3 → f3 .

2
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

2. Sea A ∈ M3×3 una matriz invertible. Si se sabe que luego de aplicar las siguientes operaciones
3f1 , f1 ↔ f2 , 2f1 + f3 → f3 , obtenemos una matriz triangular superior U , tal que det(U ) = −2.
Determine el valor del det(A−1 ).

Teorema 1.1. Un sistema de ecuaciones al cual se le realizan operaciones elementales por filas
mantiene su conjunto solución.

1.2 Eliminación Gaussiana

El método de eliminación gaussiana consiste en realizar operaciones elementales por filas, de manera
que el sistema Ax = b se transforme en un sistema de ecuaciones equivalente al original, más fácil
de resolver. En particuar, con el método de eliminación gaussiana determinaremos una matriz M
invertible tal que la matriz M A sea triangular y entonces resolver el sistema:

M Ax = M b.

Observación: Nos interesa transformar el sistema a uno triangular, ya que estos son sencillos de
resolver. Por ejemplo, podemos resolver el sistema con el método de sustituciones sucesivas.

Ejemplo: Determine el conjunto solución del siguiente sistema de 4 ecuaciones y 4 incógnitas:



 2x1 + 3x2 = 1,
4x1 + 7x2 + 2x3 = 2,


 −6x1 − 10x2 + x4 = 1,
4x1 + 6x2 + 4x3 + 5x4 = 0.


Solución: La representación matricial del sistema es:

    
2 3 0 0 x1 1
4 7 2 0  x2  2
−6 −10 0 1 x3  = 1 .
    

4 6 4 5 x4 0

Aplicamos operaciones elementales por filas hasta obtener una matriz triangular superior:
       
2 3 0 0 E21 (−2) 2 3 0 0 2 3 0 0 2 3 0 0
4  E31 (3) 0 1 2 0 32 E (1) 0 1 2 0 43 E (−2)
 7 2 0     
0 1
 2 0
.
−6 −10 0 1 −→ 0 −1 0 1 0 0 2 1 0 0 2 1
−→ −→
4 6 4 5 E41 (−2) 0 0 4 5 0 0 4 5 0 0 0 3

Para obtener la matriz M , aplicamos estas mismas operaciones elementales por filas, a la matriz
identidad, en orden:
       
1 0 0 0 E21 (−2) 1 0 0 0 1 0 0 0 1 0 0 0
0 1 0 0 E31 (3) −2 1 0 E32 (1) −2 E43 (−2) −2 1
   0
  1 0 0
  0 0
0 0 1 0 −→ 3 0 1 0 1 1 1 0 1 1 1 0
−→ −→
0 0 0 1 E41 (−2) −2 0 0 1 −2 0 0 1 −4 −2 −2 1
| {z }
M
   
2 3 0 0 1
0 1 2 0
 y M b =  0 . Debemos resolver el sistema M Ax = M b con el
 
Entonces, M A = 
0 0 2 1  4 
0 0 0 3 −10

3
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

método de sustitución hacia atrás:


 2x1 + 3x2
 = 1,
x2 + 2x3 = 0,


 2x3 + x4 = 4,
3x4 = −10.


−10 11
De la ecuación 4 se tiene que x4 = . Sustituyendo x4 en la ecuación 3, obtenemos que x3 = .
3 3
−22 23
Luego, sustituyendo x3 en la ecuación 2 tenemos que x2 = . Finalmente, x1 = .
3 2
□

El algoritmo general del método de sustitución hacia atrás, para resolver un sistema U x = b, donde
U es triangular superior, es:
bn
• Paso 1: Resolver xn = .
uii
 
n
1  X
• Paso 2: Calcule recursivamente xi = bi − uij xj .
uii
j=i+1

Ejercicio: En el caso que se quiera resolver un sistema Lx = b, donde L es una matriz triangular
inferior, se debe utilizar el método de sustitución adelante. Escriba un algoritmo general para el
método de sustitución adelante.

1.3 Eliminación de Gauss-Jordan

Este método es una variación del método de eliminación Gaussiana, en el cual reducimos el sistema
(4) a un sistema diagonal, cuyos elementos en la diagonal son unos. En otras palabras, al sistema
aumentado:  
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
..  ,
 
 .. .. .. ..
 . . . . . 
an1 an2 · · · ann bn
aplicamos operaciones elementales por filas para reducir el sistema a:
 
1 0 · · · 0 x1
 0 1 · · · 0 x2 
.. . . .. ..  ,
 
 ..
 . . . . . 
0 0 · · · 1 xn

donde x = [x1 x2 · · · xn ]T es la solución del sistema Ax = b. A diferencia de la eliminación

Gaussiana, en este caso no debemos realizar sustituciones sucesivas.

Ejemplo: Utilice la eliminación de Gauss-Jordan para obtener la solución del sistema de ecuaciones
del ejemplo anterior: 

 2x1 + 3x2 = 1,
4x1 + 7x2 + 2x3 = 2,


 −6x 1 − 10x2 + x4 = 1,
4x1 + 6x2 + 4x3 + 5x4 = 0.


4
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Ejemplo: Determine el conjunto solución de los siguientes sistemas:

 
 x+y−z =0  x+y−z =0
y − z = −1 y − z = −1
x + 2y − 2z = 2 x + 2y − 2z = −1
 

1.4 Método de descomposición LU

Consideremos un sistema de ecuaciones lineal Ax = b, donde A es la matriz de coeficientes n × n,
 
a11 a12 a13 · · · a1n
 a21 a22 a23
 · · · a2n 

A =  a31 a32 a33
 · · · a3n 
,
 .. .. .. .. .. 
 . . . . . 
an1 an2 an3 · · · ann
Queremos encontrar una factorización de la matriz cuadrada A como el producto de dos matrices más
simples: L es una matriz triangular inferior unitaria
 
1 0 0 ··· 0
 l21 1
 0 ··· 0  
 l31 l32 1 · · · 0 
L= ,
 .. .. .. . . .. 
 . . . . . 
ln1 ln2 ln3 · · · 1

y U es una matriz triangular superior:

 
u11 u12 u13 · · · u1n

 0 u22 u23 · · · u2n 

U =
 0 0 u33 · · · u3n ,

 .. .. .. .. .. 
 . . . . . 
0 0 0 · · · unn

es decir, A = LU .

Idea del Método: Supongamos que A puede ser factorizada como el producto de dos matrices: L
una matriz triangular inferior y U una matriz triangular superior. Entonces, para resolver el sistema
Ax = b, es suficiente resolver este sistema en dos etapas:

Ax = b =⇒ LU x = b =⇒ L (U x) = b.
| {z }
z

1. Resolver el sistema Lz = b, donde z es el vector solución, con el método de sustitución adelante.

2. Resolver el sistema U x = z, donde x es el vector solución, con el método de sustitución atrás.

Para construir la factorización LU de la matriz A procederemos como en el método de eliminación

Gausssiana. Cuando reescribimos el sistema lineal Ax = b, al sistema equivalente M Ax = M b,
obtenı́amos que M A es triangular superior, llamémosla U = M A.

5
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Recuerde que M = En En−1 · · · E2 E1 , donde Ei es una matriz elemental por filas, para todo i.
Entonces,
MA = U
En En−1 · · · E2 E1 A = U
En−1 · · · E2 E1 A = En−1 U
−1
En−2 · · · E2 E1 A = En−1 En−1 U
..
.
−1
A = E1−1 E2−1 · · · En−1 En−1 U
A = M −1 U
Note que,
Ei → tiangular inferior
Ei−1 → tiangular inferior
E1−1 E2−1 · · · En−1
−1
En−1 → tiangular inferior
Por lo tanto, L = M −1 es triangular inferior.

Observaciones:
• La descomposición LU no es única.
• Note que L = M −1 será triangular inferior siempre que se realice la eliminación gaussiana sin
intercambio de filas.
• En general, la matriz triangular inferior L, no necesariamente tiene solamente unos en su diag-
onal.
• La construcción de la factorización LU descrita, depende de que cuando se realiza la eliminación
gaussiana no se encuentren divisiones por cero en el algoritmo. Es fácil dar ejemplos de matrices
que no poseen factorización LU uno simple es:
 
0 1
2 3

En caso que alguno de los pivotes en la eliminación gaussina sea cero, una solución simple es cambiar
el orden de las filas. Para evitar problemas de redondeo (divisiones por números muy pequeños, etc.)
durante este proceso, una estrategia serı́a utilizar el pivote de magnitud lo más grande posible de esa
columna.

Observe que el intercambio de filas es equivalente a multiplicar la matriz A por una matriz per-
mutación adecuada.

Ejemplo: Como mencionamos anteriormente, la matriz

 
0 1
,
2 3
no posee factorización LU . Si consideramos la matriz permutación P que intercambia las filas 1 y 2,
podemos hallar una factorización LU bastante sencilla:
    
0 1 0 1 2 3
PA = = .
1 0 2 3 0 1
| {z }
P

6
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Entonces,     
2 3 1 0 2 3
PA = = = LU.
0 1 0 1 0 1
Por lo tanto, obtenemos la factorización P A = LU .

Para resolver un sistema lineal Ax = b, donde la factorización de la matriz A es de la forma

P A = LU :

1. Resolvemos primero el sistema Lz = P b.

2. Luego resolvemos el sistema U x = z.

Ejemplo: En este ejemplo ilustraremos la estrategia del pivoteo parcial para obtener la factorización
P A = LU , con A siendo:  
2 4 −2
4 9 −3 .
−2 −3 7
Notemos que la entrada más grande de la primera columna es 4, por lo que consideramos la matriz
permutación P1 que intercambia las filas 1 y 2:
    
0 1 0 2 4 −2 4 9 −3
P1 A = 1 0 0  4 9 −3 =  2 4 −2 .
0 0 1 −2 −3 7 −2 −3 7

Para eliminar los elementos debajo de la diagonal de la fila 1, utilizamos la matriz elemental E1 :
    
1 0 0 4 9 −3 4 9 −3
 1
E1 P1 A = − 2 1 0  2 4 −2 = 0 − 21 − 21  .
   
1 3 11
2 0 1 −2 −3 7 0 2 2

Repetimos ahora con la columna 2, cuya entrada más grande es 23 , por lo que consideramos la matriz
permutación P2 que intercambia las filas 2 y 3:
 
1 0 0
P2 = 0 0
 1 .
0 1 0

Entonces,     
1 0 0 4 9 −3 4 9 −3
P2 E1 P1 A = 0 0 1 0 − 12 1
− 2  = 0 3 11 
2 .
  
2
3 11
0 1 0 0 2 2 0 − 12 − 12
Para eliminar los elementos debajo de la diagonal de la fila 2, utilizamos la matriz elemental E2 :
    
1 0 0 4 9 −3 4 9 −3
E2 P2 E1 P1 A = 0 1 0 0 − 21 − 21  = 0 23 11 
2  = U.
   
1 3 11 4
0 3 1 0 2 2 0 0 3

7
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Para escribir la factorización LU explı́cita, hacemos:

U = E2 P2 E1 P1 A
= E2 P2 E1 IP1 A
= E2 P2 E1 P2 P2 P1 A
= E2 (P2 E1 P2 ) (P2 P1 ) A
| {z } | {z }
E2′ P

= E2′ E1′ P A
| {z }
M

Haciendo L = M −1 tenemos que:

P A = LU.

Ejercicio: Resuelva utilizando la factorización del ejemplo anterior, resuleva el siguiente sistema de
ecuaciones:     
2 4 −2 x1 2
4 9 −3 x2  =  8  .
−2 −3 7 x3 10

1.5 Factorización de Cholesky

Recordemos que las matrices simétricas son aquellas que satasfacen aij = aji para todo i, j, es decir,
se cumple que A = AT .

Definición: Una matriz simétrica se dice definida positiva si para todo vector x ̸= 0 se tiene que
xT Ax > 0.

Las matrices simétricas y definidas positivas pueden ser factorizadas de la forma:

A = LLT ,

donde L es una matriz triangular inferior llamada factor de Cholesky.

Al igual que la factorización LU , la factorización de Cholesky puede ser utilizada para resolver sis-
temas de ecuaciones.

Para cualquier matriz A de tamaño n × n se tiene:

    
a11 a12 a13 · · · a1n 1 0 0 ··· 0 1 l21 l31 · · · ln1
 a21
 a22 a23 · · · a2n   l21 1
  0 · · · 0   0 1 l32
  · · · ln2 

 a31
 a32 a33 · · · a3n   =  l31 l32
 1 ··· 0   0 0
 1 · · · ln3 
.
 .. .. .. .. ..   .. .. .. . . ..   .. .. .. .. .. 
 . . . . .   . . . . .  . . . . . 
an1 an2 an3 · · · ann ln1 ln2 ln3 ··· 1 0 0 0 ··· 1

A partir de esto se tiene que los elementos de la diagonal están definidos por:
v
u
u i−1
X
lii = aii −
t 2 ,
lik
k=1

8
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

y las entradas fuera de la diagonal por:

i−1
!
1 X
lij = aij − lik ljk .
lii
k=1

Ejemplo: Resuelva el siguiente sistema de ecuaciones determinando la factorización de Cholesky:

    
1 1 1 x1 3
1 5 5  x2  = 11 .
1 5 14 x3 20
Solución: Primero, verifiquemos que la matriz A es definida positiva:
  
1 1 1 x
xT Ax = [x y z] 1 5 5  y 
1 5 14 z
= x2 + 2xy + 5y 2 + 10yz + 2xz + 14z 2
= (x + y)2 + 2z(x + y) + z 2 + 4y 2 + 8yz + 13z 2
= (x + y + z)2 + 4z 2 + 8yz + 4y 2 + 9z 2
= (x + y + z)2 + 4(z + y)2 + 9z 2 .
Note que, (x + y + z)2 + 4(z + y)2 + 9z 2 > 0, para cualquier x ̸= [0 0 0]T .

Ahora, determinamos las entradas de la primera columna de la matriz L:

l11 = 1, l21 = 1, l31 = 1.
Luego, determinamos la segunda columna, a partir de los datos anteriores:
l22 = 2, l32 = 2.
Finalmente, se tiene que l33 = 3, por lo tanto,
    
1 1 1 1 0 0 1 1 1
A = 1 5 5  = 1 2 0 0 2 2 = LLT .
1 5 14 1 2 3 0 0 3
La solución del sistema de ecuaciones Ax = b se obtiene:
1. Primero resolviendo el sistema Lz = b, con el método de sustitución adelante. Entonces,
 
3
z = 4 .
3

2. Luego resolviendo el sistema LT x = z, con el método de sustitución atrás. Ası́,

 
1
x = 1 ,
1
es la solución del sistema Ax = b.

□
Teorema 1.2. Si A es una matriz real, siméntrica y definida positiva, entonces tiene una única
factorización A = LLT , donde L es una matriz triangular inferior con diagonal positiva.

9
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

1.6 Factorización QR
Dada una matriz A de tamaño m × n, con m ≥ n, buscamos una matriz Q ortogonal, tal que
 
R
A=Q ,
0

donde R es una matriz n × n triangular superior.

Como en la eliminación gaussiana, queremos introducir ceros sucesivamente en la matriz A de

manera que se transforme en una matriz triangular superior, pero queremos hacerlo a través de
transformaciones ortogonales. Hay tres maneras posibles de hacerlo:

1. Transformaciones de Householder.

2. Rotaciones de Givens.

3. Método de ortogonalización de Gram-Schmidt.

1.6.1 Transformaciones de Householder

Ilustraremos la idea primero en el plano R2 . Para esto, consideremos la recta que pasa por el origen
l := λv, con λ ∈ R y v ∈ R2 , v ̸= 0. Sea u ∈ R2 un vector unitario y ortogonal a v, es decir, uT v = 0.

l := λv

u v
x

Como v, u forman una base para R2 , se obtiene que para todo x ∈ R2 ,

x = αu + βv.

El problema consiste en encontrar una matriz Q tal que Qx sea “el reflejo” de x respecto a la recta
l := λv, como se muestra en la imagen:

y
x

λv

u v
x
Qx

10
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Claramente, Qx = −αu + βv. Entonces, el problema se reduce a encontrar Q tal que

Qu = −u, y Qv = v.

Definamos
Q = I − 2uuT ,
note que

Qu = (I − 2uuT )u
= u − 2u (uT u)
| {z }
=1
= u − 2u
= −u,

y,

Qv = (I − 2uuT )v
= v − 2u (uT v)
| {z }
=0
= v.
Definición
Toda matriz de la forma
2uuT
H=I− ,
uT u
donde u ̸= 0 es un vector de Rn , se llama Reflector de Householder.

Ejercicio: Demuestre que todo reflector de Householder es simétrico y ortogonal.

Utilizando los reflectores de Householder, podemos introducir ceros por columnas, debajo de la
diagonal de la matriz A, hasta que la matriz A se transforme en una matriz triangular superior.

La idea esquemática es la siguiente:

 
R
Hn · · · H1 A = ,
0

donde R es una matriz triangular superior. El producto de reflectores de Householder Hn · · · H1 es

una matriz ortogonal. Por lo tanto, tomamos QT = Hn · · · H1 , entonces
 
R
A=Q .
0

Para encontrar un reflector de Householder que no altere las primeras k − 1 entradas de cualquier
vector x ∈ Rn y que anule las entradas desde k + 1 hasta n, basta con encontrar u de la definición
de reflector de Householder. Con esto, estamos viendo cada columna del la matriz A como un vector x.

Podemos construir ek vector u = [0 · · · 0 uk zk+1 · · · zn ]T , donde

v
u n
uX
uk = zk + sgn(zk )t zi2 .
i=k

11
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Observación: la función signo sgn(zk ) elige los valores 1 o −1 para evitar cancelaciones.

Ejemplo: Determine la factorización QR de la siguiente matriz utilizando reflectores de Householder:

 
√0 1 1
A = √2 2 3 .
2 2 1

1.6.2 Rotaciones de Givens

Las transformadas de Householdder introducen todos los ceros de la columna necesarios con un solo
reflector de Householder. Las Rotaciones de Givens introducen un cero a la vez.

Buscamos una matriz ortogonal que anule una sola componente de un vector. Podemos considerar
las matrices de rotaciones en el plano, llamadas rootaciones de Givens en el contexto de factorización
QR.

La idea es que dado un vector v = [a1 a2 ]T , queremos escoger escalares c := cos(θ) y s := sin(θ),
tales que:     
c s a1 α
= ,
−s c a2 0
donde se cumple que s2 + c2 = 1. En este caso, estamos rotando el vector v de manera que quede
alineado con el primer eje de coordenadas y la segunda componente se anule. El sistema anterior
puede ser reescrito como:     
a1 a2 c α
= .
a2 −a1 s 0
Aplicando eliminación Gaussiana al sistema anterior, obtenemos:
 " #  
a1 a2 c α
 a22  =  −αa2  ,
0 −a1 − s
a1 a1
haciendo sustitución atrás, tenemos:
αa2 αa1
s= , c= .
a21+ a22 a21+ a22
Finalmente, usando que c2 + s2 = 1, se tiene:
a2 a1
s= p 2 , c= p 2 .
a1 + a22 a1 + a22
Observación: Note que no es necesario determinar de manera explı́cita el ángulo de rotación, sólo
los valores del seno y coseno.

Para anular una componente de un vector n−dimensional, podemos aplicar la misma técnica,
rotando una componente i con otra componente j.

Iluestraremos el caso para n = 5 y rotaremos la componente i = 2 con la j = 4:

    
1 0 0 0 0 v1 v1
0 c 0 s 0 v2   α 
    
0 0 1 0 0 v3  = v3  .
   

0 −s 0 c 0 v4   0 

0 0 0 0 1 v5 v5

12
 Álgebra Lineal Numérica
IECD 214 - Análisis Numérico

Usando una sucesión de rotaciones de Givens, podemos anular la manera sistemática las entradas
de la matriz A, de manera que se reduzca a una matriz triangular superior.

Observación: La única restricción en el orden en el que se anulan las entradas de la matriz es que
debemos evitar reintroducir valores no nulos en las entradas que ya hemos anulado.

Observación: El producto de todas las rotaciones de Givens es una matriz ortogonal, a partir de la
cual podemos obtener la factorización QR.

Ejemplo: Determine la factorización QR de la siguiente matriz utilizando rotaciones de Givens:

 
√0 1 1
A = √2 2 3 .
2 2 1

1.6.3 Ortogonalización de Gram-Schmidt

Recordemos el proceso de ortogonalización de Gram-Schmidt: sea {v1 , v2 , . . . , vn } una base no or-
togonal del espacio vectorial V , deseamos construir un conjunto de vectores {u1 , u2 , . . . , up } que sea
una base ortogonal del espacio generado por {v1 , v2 , . . . , vn }.
Primero normalizamos v1 , entonces u1 = v1 /∥v1 ∥, luego hacemos u1 ortogonal a v2 :

v1 v2

u1
u2

v2 − (uT1 v2 )u1

Si consideramos vk como las columnas de A, entonces los vectores uk serán las columnas de Q y
los rjk = (uTj vk ) son las entradas de la matriz triangular superior.

Ejemplo: Determine la factorización QR de la siguiente matriz utilizando el método de ortogonal-

ización de Gram-Schmidt:  
√0 1 1
A = √2 2 3 .
2 2 1

13