Resumen certamen n°1 Cálculo Numérico

521230

Normas Matriciales:

‖ ‖ (∑ | |)

‖ ‖ (∑| |)

‖ ‖ √ ( ) ⇒ ‖ ‖ ( )

( ) { }

( ) | |
( )

Métodos Directos:

( )
- LU y MEG sólo si los pivotes son no nulos , si hay pivotes iguales a cero, se usa la estrategia
de pivoteo parcial.
- LU sin pivoteo conserva la estructura de matrices banda.
- Si la matriz es tridiagonal y además cumple:| | | | | | | | | | ̅̅̅̅̅̅̅̅̅̅̅̅
{ }
| | | |, se puede factorizar LU sin pivoteo parcial, esto resulta un proceso estable respecto de
errores de redondeo. Los coeficientes de las matrices L y U pueden obtenerse por el algoritmo de
Thomas, cuyo costo operacional es ( ) . Resolver un sistema por Thomas: .

Método de Cholesky:
- Se aplica en matrices simétricas y definidas positivas:

- El método de Cholesky es estable respecto de la propagación de errores de redondeo

Matrices Dispersas:
- LU, MEG y Cholesky producen el defecto de llenado (fill-in), es decir se crean entradas no nulas
donde antes habían ceros.
- Consecuencias:
o Aumento del número de flop
o Aumento del error de redondeo
o Aumento en las necesidades de memoria, lo que podría imposibilitar la resolución del
sistema, mediante LU, MEG o Cholesky.

Claudio Maldonado Parra, Ingeniería Civil en Telecomunicaciones, UdeC 1

Métodos iterativos:
- Convergencia:
o La sucesión { ( ) } converge a la solución de ( ) , siendo M la matriz de
iteración.
- Método de Jacobi: Converge si y sólo si la matriz del sistema (A) es diagonal dominante estricta:

| | ∑| | ‖ ‖

- Método de Gauss-Seidel: Si A es simétrica y definida positiva, el método converge.

- Observaciones:
o Para una matriz arbitraria A, la convergencia de uno de estos métodos no implica la
convergencia del otro.
o Aunque A sea simétrica y definida positiva, el método de Jacobi puede ser divergente.

- Método del Máximo descenso: Este método converge con una matriz simétrica y definida positiva
para cualquier vector inicial, su velocidad de convergencia depende del Número de condición de la
Matriz A:
o ( )
o ( )

- Gradiente conjugado: Este método converge con una matriz simétrica y definida positiva para
cualquier vector inicial en a lo más n pasos (n = dimensión de la matriz), su velocidad de
convergencia también depende de la condición de la matriz, de igual manera que el máximo
descenso. Debido a los errores de redondeo, pueden requerirse más de n pasos.

- Gradiente conjugado precondicionado:

o Precondicionador de Jacobi: Consiste en tomar P como la diagonal de A
( ), este precondicionador es efectivo cuando la Matriz A es simétrica, definida
positiva y con elementos diagonales muy distintos.
o Precondicionador de Cholesky incompleto: se toma donde ( ) se obtiene
aplicando el algoritmo del método de Cholesky pero solo para las entradas tales que
para las restantes, se toma

Mínimos Cuadrados: dado un conjunto de puntos ( ) ( ) nos proponemos encontrar un

polinomio de grado menor que la cantidad de puntos del conjunto tal que:

∑| ( ) |

Al pasar a ecuaciones normales, se podría llegar a una matriz cuadrada, en este caso es Simétrica y
definida positiva, por lo que podría aplicarse el método de Cholesky.

Inconveniente: generalmente el condicionamiento de la matriz es malo, lo que genera gran

sensibilidad con respecto a errores de redondeo.
Solución: factorización QR donde Q es una matriz ortogonal y R es una triangular superior, se pueden
construir por Gram-Schmidt, pero este método es inestable, propaga mucho los errores, por lo tanto MATLAB

Claudio Maldonado Parra, Ingeniería Civil en Telecomunicaciones, UdeC 2

utiliza las transformaciones de Householder.
Interpolación: Se trata de encontrar un polinomio que ajuste a una función en un conjunto finito de
puntos, entonces el polinomio se llama interpolante o se dice que interpola a f.

Polinomio de Lagrange: se utiliza para interpolar un conjunto de puntos sin necesidad de resolver un
sistema de ecuaciones. (f(xi)=yi)

( ) ∏( ) ( ) {

Luego: ( ) ( ) ( ) ( )

Error:
( ) ( ) ( )
( ) ( ) ∑ ( ) ( ) ( )
( )

Fenómeno de Runge: se produce cuando se realiza una interpolación un un gran valor de n con puntos
equiespaciados. Consiste en grandes oscilaciones del polinomio entre los puntos consecutivos del
intervalo de interpolación, especialmente en los extremos.

Spline Cúbicas: dados puntos ( ) ( ) Una función es

una interpolante spline cúbica en , si existen polinomios de grado a lo más 3, tales
que:
 ( ) ( )
 ( ) ( )
 ( ) ( ) ( )
 ( ) ( ) ( )

Spline Cúbica Natural:

Una Spline cúbica de interpolación se denomina Spline cúbica natural si:
( )

Claudio Maldonado Parra, Ingeniería Civil en Telecomunicaciones, UdeC 3