Professional Documents
Culture Documents
Una Introduccion
al
Analisis Numerico
i
Este libro nace ante el vacio existente de una bibliografa en espa~nol que
trate los temas capitales del Analisis Numerico. El nombre que lleva, \Una
Introduccion al Analisis Numerico", se debe esencialmente al caracter que
deseo que tenga este libro.
El Analisis Numerico es una disciplina de las Matematicas en gran
crecimiento gracias a la utilizacion masiva de medios informaticos. Da que
pasa es mas corriente el tratamiento numerico en las Ciencias, como en
la Tecnologa; el modelaje, la simulacion numerica son moneda corriente.
Ahora bien, toda persona que pretenda tener como herramienta de tra-
bajo, los metodos numericos, debe conocer los topicos introductorios del
Analisis Numerico que son: Sistemas Lineales, Interpolacion, Resolucion de
Ecuaciones no Lineales, Calculo de Valores Propios y Solucion Numerica de
Ecuaciones Diferenciales, porque tarde o temprano se topara con alguno de
estos temas.
Siguiendo la lnea trazada por este libro, este contiene siete captulos: el
primero de caracter introductorio, donde se da los conceptos basicos de error
y estabilidad, seguido de un ejemplo mostrando que la aritmetica del punto
otante no es un impedimento para efectuar calculos de precision arbitraria;
el segundo captulo trata sobre los problemas lineales mas comunes y
los metodos de solucion de estos; el tercer captulo aborda el tema de
interpolacion numerica y extrapolacion, introduciendo el estudio de los
splines cubicos; el captulo IV analiza los problemas no lineales y los metodos
mas ecientes de resolucion de estos; en el captulo V se estudia el problema
de valores propios y la implementacion de metodos numericos para el calculo
de valores propios; el captulo sexto trata de la integracion numerica y la
transformada rapida de Fourier y nalmente el captulo VII estudia los
problemas diferenciales y los metodos numericos de resolucion mas usuales
de estos problemas.
Practicamente el contenido de este libro ven los estudiantes de segundo
a~no de las Carreras de Matematicas e Informatica de la Universidad de
Ginebra, Suiza, Universidad en la cual he sido formado. El pre-requisito
para un buen aprovechamiento de este libro es conocer bien los principios
basicos del Analisis Real y Complejo, como tambien tener una buena base
de Algebra Lineal. Por consiguiente, este libro esta destinado a estudiantes
universitarios que siguen la asignatura de Analisis Numerico, como as mismo
toda persona interesada en Analisis Numerico que tenga los pre-requisitos
y que desea cimentar sus conocimientos en esta disciplina. Este libro puede
vi Prefacio
ser utilizado como texto base o bien como complemento bibliograco.
Debo agredecer a mis profesores de la Universidad de Ginebra, E. Hairer
y G. Wanner cuyos cursos han servido de base para la elaboracion de este
libro. Por otro lado, sin el apoyo en material de trabajo del Programa
MEMI, Programa de Mejoramiento de la Ense~nanza de las Matematicas e
Informatica, de la Universidad Mayor de San Simon este libro no habra
existido. As mismo agradezco a mi familia, mis colegas y amigos que
seguieron con inters la elaboracion de este libro.
El libro ha sido transcrito en TEX y las gracas realidas en las sub-
rutinas gracas FORTRAN que G. Wanner me las cedio muy gentilmente. La
transcripcion, como la ejecucion de los programas en sido realizados sobre
una WorkStation HP-9000.
Posiblemente este libro contenga muchos errores, me gustara que los
hagan conocer, para que en una segunda edicion estos sean corregidos.
Octubre, 1995 Hans C. Muller S.C.
Contenido
I. Preliminares
I.1 Algoritmos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 2
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 6
I.2 Estabilidad : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 8
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 14
I.3 Un ejemplo: Calculo de PI : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 15
II. Sistemas Lineales
II.1 Condicion del Problema Lineal : : : : : : : : : : : : : : : : : : : : : : : : : : 25
Normas de Vectores y Matrices : : : : : : : : : : : : : : : : : : : : : : : : : : : : 25
La Condicion de una Matriz : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 29
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 33
II.2 Metodos Directos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 35
El Algoritmo de Gauss : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 36
El Algoritmo de Cholesky : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 43
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 47
II.3 Metodos Iterativos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 48
Metodos de Jacobi y Gauss-Seidel : : : : : : : : : : : : : : : : : : : : : : : : : 48
El Teorema de Perron-Frobenius : : : : : : : : : : : : : : : : : : : : : : : : : : : 52
Metodo de Sobrerelajacion SOR : : : : : : : : : : : : : : : : : : : : : : : : : : : 56
Estudio de un Problema Modelo : : : : : : : : : : : : : : : : : : : : : : : : : : : 59
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 64
II.4 Metodos Minimizantes : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 66
Metodo del Gradiente : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 68
Metodo del Gradiente Conjugado : : : : : : : : : : : : : : : : : : : : : : : : : : 69
Polinomios de Chebichef : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 73
Metodo del Gradiente Conjugado Precondicionado : : : : : : : : : 75
Resultados Numericos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 78
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 81
II.5 Mnimos Cuadrados : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 83
La descomposicion QR : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 87
La Pseudo-Inversa de una Matriz : : : : : : : : : : : : : : : : : : : : : : : : : : 92
Error del Metodo de los Mnimos Cuadrados : : : : : : : : : : : : : : : 96
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 101
viii Contenido
III. Interpolacion
III.1 Interpolacion de Lagrange : : : : : : : : : : : : : : : : : : : : : : : : : : : : 104
Bases Teoricas : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 104
Construccion del Polinomio de Interpolacion : : : : : : : : : : : : : : 106
El Error de Interpolacion : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 111
Polinomios de Chebichef : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 113
Estudio de los Errores de Redondeo : : : : : : : : : : : : : : : : : : : : : : 115
Convergencia de la Interpolacion : : : : : : : : : : : : : : : : : : : : : : : : : 119
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 129
III.2 Splines Cubicos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 131
Construccion del Spline Interpolante : : : : : : : : : : : : : : : : : : : : : : 133
El Error de la Aproximacion Spline : : : : : : : : : : : : : : : : : : : : : : : 136
Aplicacion de Spline : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 142
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 143
III.3 Extrapolacion : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 145
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 150
IV. Ecuaciones No Lineales
IV.1 Ecuaciones Polinomiales : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 152
Ecuaciones Resolubles por Radicales : : : : : : : : : : : : : : : : : : : : : : 152
Ecuaciones No Resolubles por Radicales : : : : : : : : : : : : : : : : : : 155
Localizacion de Ceros : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 155
Metodo de Newton : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 157
Sucesiones de Sturm : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 159
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 161
IV.2 Metodos Iterativos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 163
Posicion del Problema : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 163
Metodo de la Falsa Posicion : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 165
Sistema de Ecuaciones : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 168
Un Metodo Iterativo Simple : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 169
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 173
IV.3 Metodo de Newton : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 174
El Teorema de Newton-Misovski : : : : : : : : : : : : : : : : : : : : : : : : : : 179
Metodo de Newton Simplicado : : : : : : : : : : : : : : : : : : : : : : : : : : 184
Metodo de Newton con Relajacion : : : : : : : : : : : : : : : : : : : : : : : : 193
Aproximacion de Broyden : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 197
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 199
IV.4 Metodo de Gauss Newton : : : : : : : : : : : : : : : : : : : : : : : : : : : : 203
Convergencia del Metodo de Gauss-Newton : : : : : : : : : : : : : : : 204
Modicaciones del Metodo de Gauss-Newton : : : : : : : : : : : : : 207
El Metodo de Levenber-Marquandt : : : : : : : : : : : : : : : : : : : : : : : 210
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 211
Contenido ix
V. Calculo de Valores Propios
V.1 Teora Clasica y Condicion del Problema : : : : : : : : : : 214
La Condicion del Problema a Valores Propios : : : : : : : : : : : : : 217
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 221
V.2 Determinacion de Valores Propios : : : : : : : : : : : : : : : : : : : 223
El Metodo de la Potencia : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 223
Formas Tridiagonales y Formas de Hessenberg : : : : : : : : : : : : 227
Teorema de Sturm y el Algoritmo de la Biseccion : : : : : : : : : 229
Generalizacion del Metodo de la Potencia : : : : : : : : : : : : : : : : : 233
El Metodo QR : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 237
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 241
VI. Integracion Numerica
VI.1 Bases Teoricas : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 244
Formulas de Cuadratura : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 248
El Orden de una Formula de Cuadratura : : : : : : : : : : : : : : : : : 249
Estimacion del Error : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 250
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 256
VI.2 Cuadraturas de Orden Elevado : : : : : : : : : : : : : : : : : : : : : : 258
Polinomios Ortogonales : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 259
Los Polinomios de Legendre : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 263
Las Formulas de Cuadratura de Gauss : : : : : : : : : : : : : : : : : : : 264
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 267
VI.3 Implementacion Numerica : : : : : : : : : : : : : : : : : : : : : : : : : : : : 269
Tratamiento de Singularidades : : : : : : : : : : : : : : : : : : : : : : : : : : : 273
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 282
VI.4 Transformacion de Fourier : : : : : : : : : : : : : : : : : : : : : : : : : : : : 284
Estudio del Error : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 287
Interpolacion Trigonometrica : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 288
Transformacion Rapida de Fourier FFT : : : : : : : : : : : : : : : : : : 290
Aplicaciones de FFT : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 292
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 293
VII. Ecuaciones Diferenciales
VII.1 Generalidades : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 296
Teoremas de Existencia y Unicidad : : : : : : : : : : : : : : : : : : : : : : : 297
Problemas con Valores en la Frontera : : : : : : : : : : : : : : : : : : : : : 300
Diferenciabilidad respecto a los Valores Iniciales : : : : : : : : : : 300
Simple Shooting : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 303
Shooting Multiple : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 307
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 311
x Contenido
VII.2 Metodo de Euler : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 313
Efectos de los Errores de Redondeo : : : : : : : : : : : : : : : : : : : : : : : 317
Estabilidad del Metodo de Euler : : : : : : : : : : : : : : : : : : : : : : : : : 319
Metodo de Euler Impcito : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 321
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 322
VII.3 Metodos de Runge-Kutta : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 323
Construccion de un Metodo de Orden 4 : : : : : : : : : : : : : : : : : : 327
Metodos Encajonados : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 330
Soluciones Continuas : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 333
Convergencia de los Metodos de Runge-Kutta : : : : : : : : : : : : 335
Experiencias Numericas : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 338
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 340
VII.3 Metodos Multipasos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 341
Metodos de Adams Explcitos : : : : : : : : : : : : : : : : : : : : : : : : : : : : 341
Metodos de Adams Implcitos : : : : : : : : : : : : : : : : : : : : : : : : : : : : 343
Metodos Predictor-Corrector : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 344
Metodos BDF : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 345
Estudio del Error Local : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 346
Estabilidad : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 348
Convergencia de los Metodos Multipaso : : : : : : : : : : : : : : : : : : 350
Ejercicios : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 353
Bibliografa : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 355
Indice de Smbolos : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 359
Indice Alfabetico : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 361
Captulo I
Preliminares
Iteraci
on Ext. Inferior Ext. Superior
0 1.0 1.5
1 1.25 1.5
2 1.375 1.5
3 1.375 1.4375
4 1.40625 1.4375
5 1.40625 1.421875
16 1.41420745849609 1.41421508789063
17 1.41421127319336 1.41421508789063
18 1.41421318054199 1.41421508789063
19 1.41421318054199 1.41421413421631
20 1.41421318054199 1.41421365737915
Puede
p observarse inmediatamente, que el segundo metodo para determinar
2 es mas eciente que el primer algoritmo.
Ejercicios
1.- Supongase que, el dispositivo de calculo, con el que se cuenta, puede
efectuar la division con resto; es decir, para a; b enteros no negativos,
con b 6= 0, el dispositivo calcula p; q satisfaciendo:
a = pb + r y 0 r < b:
a) Implementar un algoritmo que calcule el maximo comun divisor de a
y b.
b) Utilizando el inciso precedente, implementar otro algoritmo que
permita calcular m; n 2 Z, tales que
mcd(a; b) = ma + nb:
I.1 Algoritmos 7
c) Estudiar la situacion mas desfavorable, aquella donde el costo en
operaciones es el mas alto. Deducir una estimacion de la eciencia del
algoritmo.
2.- Suponiendo que, el dispositivo de calculo puede efectuar la division con
resto, con la particularidad siguiente:
X
1 ( 1)k ( 1 )2k+1
= 48
| k=0 2k + 1 18
{z }
A
X
1 ( 1)k ( 1 )2k+1 20 X1 ( 1)k 1
+ 32 2 k + 1 57 2 k + 1 ( 239 )2k+1 : (I:3:4)
| k =0
{z } | k =0
{z }
B C
Ahora bien, se desea obtener una representacion de en notacion decimal
con N decimales de precision. Si cada serie del lado derecho de (I.3.4) es
calculada con una precision de 10 (N +1) se tiene largamente la precision
deseada. Denotando por A^, el valor calculado de A; B^ , el valor calculado de
B y C^ , el valor calculado de C , se tiene:
^ X
MA ( 1)k 1
A = 48 2k + 1 ( 18 )2k+1 ;
k=0
X
MB ( 1)k ( 1 )2k+1 ;
B^ = 32
k=0 2k + 1 57
X
MC 1)k 1
C^ = 20 2(k + 2k+1
1 ( 239 ) :
k=0
De donde:
X 1 ( 1)k 1
48 (1=18)2MA+3 ;
A^ A = 48 ( )2 k +1
k=MA +1 2k + 1 18 1 (1=18)2
X 1 ( 1)k 1
2k+1
(1=57)2MB +3 ;
B B = 32
^ ( )
32
k=MB +1 2k + 1 57 1 (1=57)2
X1 ( 1)k 1
2k+1
(1=239)2MC +3 :
C C = 20
^ ( )
20
k=MC +1 2k + 1 239 1 (1=239)2
Por hipotesis, se tiene por ejemplo que A A^ 10 (N +1), por lo tanto
para asegurar esta precision es suciente que
2MA +3
48 (1=18) 2 10 (N +1);
1 (1=18)
remplazando el signo por =, se tiene
2MA +3
48 (1=18) 2 = 10 (N +1); (I:3:5)
1 (1=18)
I.3 Un ejemplo: Calculo de Pi 17
obteniendo de esta manera
log10 (48) (2MA + 3) log10 (18) log10 (1 (1=18)2) = (N + 1):
Despejando MA, se obtiene
Estas normas, que son las usualmente utilizadas, tienen algunas propiedades
en comun. La mas importante es que, si se aumenta en valor absoluto una
de las componentes, la norma se incrementa. Es necesario formalizar este
hecho, motivo por el cual, se tiene la:
26 II Sistemas Lineales
Denicion II.1.2.- Si x = (x1 ; : : : ; xn ) 2 Rn , se dene el valor absoluto de
x como jxj = (jx1 j ; : : : ; jxn j). Se dice que jxj jyj, si jxi j jyi j para todo
i = 1; : : : ; n. Una norma k k sobre Rn se dice que es:
(a) Monotona, si jxj jyj implica que kxk kyk para todo
x; y 2 Rn .
(b) Absoluta, si kxk = kjxjk para todo x 2 Rn .
Proposicion II.1.3.- Una norma k k sobre Rn es monotona, si y solamente
si es absoluta.
Demostracion.- Si la norma k k es monotona, sea x 2 Rn , llamenos y = jxj.
Como jxj jyj, y jyj jxj se tiene inmediatamente, porque la norma es
monotona, que kxk = kyk.
Si la normak k es absoluta, sea x 2 Rn , considerese
x = (x1 ; : : : ; xk 1 ; xk ; xk+1 ; : : : ; xn ), con 2 [0; 1]. Utilizando el hecho
que la norma sea absoluta, desigualdad del triangulo y efectuando calculos
algebraicos se tiene:
1 1
kxk =
2 (1 )(x1 ; : : : ; xk 1 ; xk ; xk+1 ; : : : ; xn ) + 2 (1 )x + x
12 (1 ) k(x1 ; : : : ; xk 1 ; xk ; xk+1 ; : : : ; xn )k + 12 (1 ) kxk + x
= 12 (1 ) kxk + 12 (1 ) kxk + kxk = kxk :
Ahora bien, si x = (x1 ; : : : ; xk ; : : : ; xn ) y y = (x1 ; : : : ; xk1 ; yk ; xk+1 ; : : : ; xn ),
con jyk j jxk j, utilizando la desigualdad anterior se tiene kxk kyk. Para
demostrar que jxj jyj implica que kxk kyk, se repite el anterior paso n
veces, es decir una vez por cada componente.
Una matriz de orden m n puede ser vista como un vector que pertenece
al espacio Rmn , de esta manera denir la norma de una matriz como la de
un vector, pero se perdera as muchas de las propiedades que tiene una
aplicacion lineal. Es por eso la:
Denicion II.1.4.- Sea A una matriz de m n, se dene su norma como
kAk = sup kkAx
xk
k = sup kAxk : (II:1:1)
x6=0 kxk=1
La denicion de la norma de una matriz depende evidentemente de las
normas elegidas para kxk y kAxk. Sin embargo puede ser vericado sin
ningun problema, que la norma de una matriz, verica las condiciones de
norma de un vector. La demostracion es una simple vericacion de estas
condiciones, utilizando la denicion de supremo. Ademas si las norma de los
espacios Rn y Rm son monotonas o absolutas, es facil vericar que la norma
II.1 Condicio n del Problema lineal 27
de matriz inducida por estas, es todava monotona; es suciente utilizar
la denicion para probar esta armacion. Por otro lado kAk es el numero
positivo mas peque~no que satisface kAxk kxk, por lo tanto
kAxk kAkkxk ; 8x 2 Rn : (II:1:2)
Una norma sobre el espacio de matrices verica las siguientes propiedades,
dada por la:
Proposicion II.1.5.- Cualquier norma sobre el espacio de las matrices
Mm (R) satisface las propiedades adicionales siguientes:
kI k = 1; (II:1:3)
kAB k kAk kB k : (II:1:4)
Demostracion.- La relacion (II.1.3) de la proposicion es consecuencia
inmediata de la denicion de la norma de una matriz.
La relacion (II.1.4) es consecuencia de las observaciones hechas despues de
la denicion, en efecto
kABxk kAk kBxk kAk kB kkxk ;
kABxk kAkkB k ;
kxk
kAB k kAk kB k :
Se ha dado las propiedades esenciales de la norma de matrices, pero es
necesario conocer algunas de estas por su utilizacion frecuente. Utilizando
la misma notacion que en las normas de los vectores denidas al inicio de
la seccion, se puede utilizar la misma notacion en los ndices de las normas
de las matrices, con la convencion que las normas de los vectores tienen los
mismos ndices.
Teorema II.1.6.- Sea A una matriz de n m, entonces:
X
n
kAk1 = j=1max
;:::;m
jaij j ; (II:1:5)
p i=1
kAk2 = valor propio mas grande de At A; (II:1:6)
X
m
kAk1 = i=1max
;:::;n
jaij j : (II:1:7)
j =1
28 II Sistemas Lineales
Demostracion.- Se comenzara por kAk1 , se tiene:
m
n X
n m
X X X ja j jx j
kAxk1 = aij xj
i=1 j =1 i=1 j=1 ij j
Xm X n ! Xn !
jaij j jxj j max ja j
j =1;:::;m i=1 ij
kxk1 ;
j =1 i=1
X
n
por lo tanto kAk1 j=1max
;:::;m
jaij j :
i=1
Se mostrara, que la igualdad se cumple, en efecto, sea jo tal que:
X
n X
n
jaijo j = j=1max
;:::;m
jaij j ; y x tal que xjo = 1; xi = 0 si i 6= jo ;
i=1
0 a 1
i=1
1.jo C
X
n
de esta manera kAxk =
B@ .. A
= jaijo j kxk1 :
amjo
1 i=1
Para la k k2 se tiene:
kAxk22 = hAx; Axi = xt At Ax;
ahora bien At A es una matriz simetrica denida positiva, de donde los
valores propios son reales no negativos, ademas es posible formar una base de
vectores propios ortonormales. Sea fe1 ; : : : ; em g una base de vectores propios
Xm Xm
ortonormales, entonces x = i ei y Ax = i i ei , donde los i 0 son
i=1 i=1
los valores propios de A. Por lo tanto, se tiene
X
m X
m
kAxk22 = 2i 2i i=1max
;:::;m i
2i = i=1max kxk2 :
;:::;m i
i=1 i=1
Para obtener la igualdad, es suciente tomar x = ejo , donde jo es el
autovalor mas grande.
Para la k k1 se tiene:
m 0m 1
X
a x max @ ja j jx jAX
kAxk1 = i=1max
;:::;n j =1 ij j i=1;:::;n j =1 ij j
0m 1 0 1
X
@ jaij j j=1max X
m
i=1
max:::;n
jx jA @i=1max
;:::;m j ;:::;n
jaij jA kxk1 ;
j =1 j =1
X
m
as kAk1 j=1max
;:::;m
jaij j :
j =1
II.1 Condicio n del Problema lineal 29
Para obtener la igualdad es suciente tomar x = 1, donde 1 = (1; : : : ; 1)t .
B 41 0 4 0C
N =B
B@ .. C;
.. C kN k1 = 12 < 1:
. ... ... .A
0 0 41 0
Se deduce que
A 1 = h4 (I + N ) 1 = h4 (I N + N 2 N 3 + );
A 1
h (1 + kN k +
N 2
+ )
1 4
h4 1 1kN k
h2 ;
entonces cond1 (A) 3, por lo tanto, la matriz es bien condicionada.
3.- El siguiente ejemplo muestra la existencia de una matriz mal condi-
cionada.
Sea H la matriz de n n, llamada matriz de Hilbert, denida por
hij = i + j1 1 ; i; j = 1; : : : ; n:
H es una matriz simetrica denida positiva, motivo por el cual la
condicion respecto a la norma euclidiana esta dada por
cond2 H = max ;
min
donde los son valores propios de H . Se puede mostrar que
cond2 H cen : (II:1:18)
Se puede observar claramente que las matrices de Hilbert son mal
condicionadas, inclusive para n bastante peque~no.
4.- Finalmente, este ejemplo muestra la existencia de otra matriz mal
condicionada, como ser las matrices de Vandermonde. Sea V la matriz
de n n denida por
0 1 1 1 1
V =B
B c1 c2 cn CC ;
@ ... . .. A
.. .
cn1 1 cn2 1 cnn 1
32 II Sistemas Lineales
donde los ci son diferentes. Se puede mostrar que la cond2 V bn ,
donde b > 1.
Ahora bien, la estimacion kkxxkxk 2cond(A)eps puede ser demasiada
pesimista, para ver esto, considerese el siguiente ejemplo,
1 1 x 2
0 108 y = 1 :
Si se llama A a la matriz del sistema, se tiene kAk2 = 108 y
A 1
1. El
sistema con los errores de redondeo incorporados, esta dado por:
1 + 1 + x
0 108(1 + 3 ) = y = ( 2(1 + 4 ) 1 + 5 ) ;
1 2
y = 108 11 + 5
+ 3 ' 10 (1 + 5 3);
8
1
' x(1 + 4eps);
por lo tanto, jx xj 4eps:
jxj
El problema es bien condicionado, aunque la matriz A tenga una gran
condicion. Si se multiplica el sistema de ecuaciones por una matriz diagonal
D se obtiene, el nuevo problema dado por
DAx = Db;
por el teorema II.1.8, se tiene
kx xk 2cond(DA)eps; si cond(DA)eps < 1 :
kxk 2
En el ejemplo anterior, se plantea
1 0 1 1
D = 0 10 8 ; as DA = 0 1 ;
II.1 Condicio n del Problema lineal 33
obteniendo el:
Corolario II.1.10.- Con las misma hipotesis del teorema II.1.8, y ademas
si cond(DA)eps < 21 , se tiene
La condicion del problema 2 D diagonal
inf cond(DA): (II:1:19)
Ejercicios
1.- a) Sea k k denida en Rn . La bola unitaria cerrada se dene como
B = x 2 Rn kxk 1 ;
mostrar que la bola unitaria es un conjunto convexo.
b) Sea D un conjunto convexo acotado, en cuyo interior esta 0. Si se supone
que D es equilibrado, es decir si x 2 D implica que x 2 D. Mostrar que
se puede denir una norma cuya bola unitaria cerrada sea precisamente
D.
2.- >Es la funcion f (x) = jx1 x2 j + jx2 j una norma sobre R2 ? Si lo es, >es
monotona? Dibujar la bola unitaria.
3.- Dar las condiciones para que una norma sea monotona, observando su
bola unitaria cerrada.
4.- Para una matriz A se dene la norma de Frobenius como
v
u
uX
kAkF = t
n X
n
jaij j2 :
i=1 j =1
a) Mostrar que kAkF es una norma sobre Rnn .
b) Vericar la desigualdad
kAk2 kAkF pn kAk2 :
5.- Vericar la desigualdad
max ja j kAk2 n: max
i;j ij
ja j :
i;j ij
li1 = a(1)
(1)
22 6= 0,
Paso 2 Si a(1) i2 , para i = 3; : : : ; n.
a22
Se calcula lineai li2 linea2 , para i = 3; : : : ; n.
Si a22 = 0 se intercambia lineas.
Se repite el procedimiento hasta obtener un sistema triangular de ecuaciones
como el siguiente
8 r11x1 + + r1;n 1 xn 1 + r1n xn = c1
>
< .. ..
. . :
>
: rn 1;n 1 xn 1 + rn 1;n xn = cn 1
rnn xn = cn
II.2 Metodos Directos 37
De donde se tiene:
xn = rcn ;
nn
xn 1 = 1r rn 1;n xn ;
c n
n1 ;n 1 (II:2:2)
..
.
x1 = c1 r12 x2 r r1n xn :
11
. . A
0 ln2 0 1
por lo tanto
R = Ln 1 Ln 2 L2 L1A:
Lo unico que falta mostrar, es que
L 1 = Ln 1 Ln 2 L2 L1 ;
y para eso, se tiene:
00 01
BB 0 CC
BB ... CC
Li = I Vi ; donde Vi = B B 0 CC :
BB li+1;i 0 CC
B@ .. .. . . . C A
. .
lni 0 0
Se puede vericar facilmente que Vi Vj = 0 para i = 1; : : : ; n; de donde se
obtiene nalemente:
Li 1 = I + Vi ;
L = I + V1 + V2 + + Vn 1 :
Muchas veces, es necesario calcular sistemas de la forma:
Ax1 = b1 ;
(II:2:5)
Ax2 = b2 :
II.2 Metodos Directos 39
Se calcula una vez la descomposicion LR y se resuelve de la manera siguiente:
Ly = b;
(II:2:6)
Rx = y:
Teorema II.2.2.- La descomposicion LR da el siguiente resultado,
det A = r11 r22 rnn ; (II:2:7)
donde los rii son coecientes de la diagonal de R.
Demostracion.- Utilizando identidades en los determinantes se tiene
det P det A = det L det R:
El costo de la descomposicion LR.
Para evaluar cuantas operaciones son necesarias para llegar a la descom-
posicion LR de una matriz A 2 Mn (R), se procede de la manera siguiente:
Calculo de los li1 : n 1 divisiones
Para cada la i, es necesario efectuar
A ! A(1) n 1 multiplicaciones mas adiciones, lo
que hace un total de (n 1)2 multipli-
caciones y adiciones.
Por lo tanto, contando el numero de operaciones en cada etapa del algoritmo,
se tiene
# operaciones (n 1)2 + (n 2)2 + + 22 + 12
nX1
= i2
Zi=1n
x2 dx
0
= n3 :
3
(II:2:8)
Si jl21 j 1 se tiene:
22 l21 a12 ;
a(1) 2 l21 b1 ;
b(1)
x2 ab1 ;
12
El Algoritmo de Cholesky
Un caso particular de sistema de ecuaciones lineales, es donde la matriz A
es:
Denicion II.2.5.- Una matriz A 2 Mn(R) es simetrica y denida positiva,
si cumple las siguientes dos condiciones:
(II:2:16) At = A;
(II:2:17) xt Ax > 0; 8x 2 Rn ; x 6= 0:
44 II Sistemas Lineales
Teorema II.2.6.- Sea A simetrica y denida positiva, entonces:
a) El algoritmo de Gauss es posible sin busqueda de pivote.
b) La descomposicion A = LR satisface
R = DLt ; con D = diag(r11 ; r22 ; ; rnn ): (II:2:17)
Si se dene L = LD 21 , se tiene
A = L L t;
que es la descomposicion de Cholesky de la matriz A simetrica y denida
positiva. Para simplicar notacion, se escribe L, en lugar de L . Entonces los
46 II Sistemas Lineales
coecientes de la matriz L de la descomposicion de Cholesky de A, estan
dados por:
para k = 1; : : : ; n:
q
lkk = akk lk21 lk22 lk;k
2
1;
(II:2:19)
lik = a ik l i1 lk1 li;k 1 lk;k 1
; i = 1; : : : ; k 1:
lkk
El costo en operaciones, despreciando el calculo de las raices cuadradas,
para obtener la descomposicion de Cholesky, esta dado por
X
n Zn
x(n x)dx = n6 :
3
k(n k) (II:2:20)
k=1 0