41.4: Sistemas indeterminados
- Page ID
- 115028
Cuando tenemos más incógnitas que ecuaciones, tenemos el sistema subdeterminado\(Ax=b\). En esta asignación, asumimos que la matriz\(A\) tiene rango de fila completa. Este sistema tiene infinitamente muchas soluciones, es decir, no podemos encontrar una única\(x\) tal que\(Ax=b\). Entonces queremos encontrar al más pequeño\(x\) (por más pequeño, nos referimos al más pequeño\(\|x\|^2\)) tal que\(Ax=b\), que también es el problema de mínimos cuadrados.
En esta tarea, mostramos que también podemos resolverlo por QR decomposion.
Considere el siguiente sistema de ecuaciones:
\[\begin{split}\begin{bmatrix}5&-2&2 & 1 \\ 4 & -3 &4 &2 \\ 4& -6 &7 & 4\end{bmatrix}\begin{bmatrix}x_1\\x_2\\x_3\\x_4\end{bmatrix}=\begin{bmatrix}1\\2\\3\end{bmatrix}\end{split} \nonumber \]
Resolvemos el problema de mínimos cuadrados en los siguientes pasos
- Encuentra la descomposición QR de la matriz\(A^{\top}\) tal que\(R\) sea una matriz cuadrada superior triangular.
- Utilice la función
forward_subst
definida a continuación para resolver\(x = Q (R^\top)^{-1}b\)
No podemos usar el np.linalg.solve
porque la matriz no\(A\) es una matriz cuadrada. Sin embargo, podemos usar la función np.linalg.lstsq
para encontrar la solución de mínimos cuadrados para minimizar\(\|Ax-b\|^2\) con sistemas subdeterminados. La siguiente celda compara el resultado de lstsq
y nuestro resultado de la descomposición QR. (Si todo es correcto, esperarás un resultado True
.)
Explique por qué podemos usar la descomposición QR para resolver el problema de mínimos cuadrados.
(SUMINISTRO: es posible que necesite la descomposición orhogonal a los cuatro espacios fundamentales de\(Q\).)