Espacios Vectoriales

Espacio Vectorial

( )

( ) ( )

( ) ( )

( )
( ) ( )

( ) ( )
( ) ( )

Subespacio Vectorial
⃗ ⃗
Vectores en Producto interno/escalar/punto:
⃗ ⃗

Producto externo:
⃗ 0 1 , - ⃗ 0 1 , - 0 1

Combinación Lineal Sea V un espacio vectorial. Se dice que ⃗ es una combinación lineal de
* + si existen escalares * + tales que ⃗ ∑

Ejemplo:
Averiguar si ( ) es Combinación Lineal de: ( ) ( )
( )

( ) ( ) ( ) ( )

⃗ ⃗ ⃗ ⃗
Dependencia e Se dice que un conjunto de vectores * + es linealmente independiente si y
Independencia Lineal solo si existen escalares * + todos nulos tales que la Combinación Lineal
∑ , en caso contrario se dice que son Linealmente Dependientes.

Bases Se llama base de un espacio vectorial a cualquiera de sus sistemas generadores que está
formado por vectores L.I.

Ejemplo:
*( )( )+
* +

Teorema de la dimensión: todas las bases de un espacio vectorial tienen el

mismo número de elementos. Se llama dimensión de dicho espacio o subespacio.
Por tanto, la dimensión es el máximo número de vectores independientes que podemos
tener en el espacio o subespacio. En otras palabras, es el máximo rango que puede tener
un conjunto de vectores de dicho espacio.
Demostraciones
( ) (( ) ) ( ) ( )
( ) , (( ) ) ( ) ( ) ( ) ( ) ( )
Con A, B de igual tamaño.
( ) Sabiendo que ( ) ∑ ( ) ( )

( ) (( ) ) ( ) ∑( ) ( ) ∑( ) ( )

∑( ) ( ) ( )

( ) (( ) ) ( ) ( ) ( )
Si A es invertible, entonces ( ) ( )
también su transpuesta y ( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( ) ( )
( )
( ) , ( )( ) ( ) ( )
Con A, B invertibles.

Unicidad factorización LU

, - , - , -
Errores y Punto Flotante

Errores
̂ ̂

Punto Flotante
( )
( )
β Base
t Precisión Donde
[L;U] Rango Exponente
m Mantisa Y

Normalización Se mueve la coma lo más a la izquierda posible, dejando todos los dígitos distintos de cero
a la derecha y multiplicando por la base elevado a la cantidad de posiciones movida.

Ej.
( )
( )
( )

Épsilon de Maquina / Representa la mitad de la distancia del número 1 a su número de máquina mayor más
Unidad de redondeo / próximo.
Precisión de maquina
Truncamiento Se cortan los dígitos para obtener: ( )

Ej.
Se tiene , entonces:

( )
( )

Redondeo Si entonces se lleva al próximo digito. Si entonces no se

modifica. Si entonces se lleva a un número par.

Ej.
Con ,

( )
( )
( ) ( )
Error de redondeo Está acotado por: ( )
Decimales Exactos Si se cumple
̂
Ejemplo:
̂ ̂

Cifras significativas Método 1:

Si se cumple
̂

Método 2:

El número de CS es el número de cifras sin contar ceros a la izquierda.

Reglas
 La primera cifra distinta de cero más a la izquierda es la más significativa.
 Si no hay coma decimal, la última cifra a la derecha distinta de cero es la menos
significativa
 Si hay coma decimal, la última cifra a la derecha es la menos significativa sin
importar si es cero.
 Son cifras significativas todas las que estén entre la más significativa y la menos
significativa.

Ejemplo:
̂
̂ | |

Aritmética
( )( )

Propiedades
Suma  Es conmutativa. Asociatividad no es válida.
 Para sumar 2 números deben tener el mismo exponente,
igualando el número de menor exponente al de mayor.
Multiplicación  Es conmutativa. Asociatividad y Distributiva no son válidas.
 El producto de la multiplicación debe tener tantas CS como
el operando con menor número de CS tenga. Es decir, si el
resultado tiene más cifras significativas que el operando
con menor cifra, entonces se debe truncar o redondear el
resultado.
Factorización de matrices

LU Simple Se busca descomponer una matriz A en un producto de matrices, tal que A=LU. Donde U es la triangular
superior, y L es la triangular inferior con 1’s en la diagonal.

( )
( ) ([ ]| [ ]) → ([ ]|[ ])
( )

( ) ( )
→ ([ ]| [ ]) → ([ ]|[ ])
( ) . / ⁄

Entonces, [ ] [ ]
⁄
S.E.L con LU
( ) ⏟ {

LU Consiste en intercambiar 2 filas en cada paso de la eliminación. Entonces, en el k-esimo paso de

Pivoteo Parcial eliminación se escoge y se intercambian las filas K y L.
Esto quiere decir, que en el paso k se toma el elemento máximo de esa columna entre la fila k y las de
abajo y se intercambian.

Una vez intercambiadas, los multiplicadores o elementos que hacen cero a los elementos de esa columna
serán

[ ][ ] [ ][ ]
⏟ ⏟ ⏟ ⏟

Paso 1)

[ ] [ ] [ ] [ ]
⏟ ⏟ ⏟

[ ] [ ] [ ]
⏟
⏟ ⏟
 Paso 2)

[ ] [ ] [ ] [ ]
⏟ ⏟ ⏟
⏟

[ ] [ ] [ ]
⏟
⏟ ⏟

Paso 3)

[ ] [ ] [ ] [ ]
⏟ ⏟ ⏟
⏟

[ ] [ ] [ ]
⏟
⏟ ⏟

S.E.L con LU Piv.

̃ ̃
{
Cholesky En la factorización de cholesky, la matriz debe cumplir las siguientes condiciones:
 Simetrica ( )
 Positiva definida ( ⃗ )
Con esto, la factorización es de la forma

[ ] [ ][ ] [ ][ ]
⏟ ⏟ ⏟ ⏟ ⏟
QR La factorización QR consiste en factorizar una matriz como el producto de una matriz Q ortogonal
Gram-Schmidt por una Triangular superior. A=Q.R.
Consideramos las columnas de A como vectores, para aplicarle el método.

, - ,⏟ - [ ]
⏟

̂ ‖̂ ‖
̂ ∑( )
‖̂ ‖

Ejemplo:

[ ]

̂ ̂
‖̂ ‖ √ ( ) ( ) ( )

̂ ( ) ̂
( )
( ) (, -[ ])

( ) ( )( ) ( )

̂ ( ) ( ) ( )

‖̂ ‖ √( ) ( ) ( )

̂ ( ) ( ) ̂
( )
( ) (, -[ ])

( ) ( ) ( ) ( )

( ) ([ ] [ ])

( ) ( )( ) ( )

̂ [ ] ( ) ( ) ( )

‖̂ ‖ √( ) ( ) ( )
 , -[ ]

, -[ ]

[ ] [ ]

Con esto, se ha calculado todos los q y r necesarios.

[ ] [ ] [ ]
⏟ ⏟ ⏟

S.E.L
( )

QR
Householder Tenemos la siguientes formulas: ( )
Ejemplo:

[ ]

Paso 1)
‖ ‖
[ ] ‖ ‖ √ ( ) [ ] [ ]

[ ] [ ] [ ]

, -[ ]

[ ] , - [ ] [ ]

[ ]

Paso 2)
√ ‖ ‖
0 1 ‖ ‖ 0 1 0 1

0 1 0 1 0 1

, -0 1
 0 1 , - [ ] [ ]

[ ] [ ]

Finalmente tenemos:

[ ] [ ] [ ]
⏟ ⏟ ⏟

Matriz de Housholder
Para obtener la matriz reflectora de Householder, es necesario seguir tres pasos:

 Verificar la longitud
 Construir el vector V de norma 1 de la forma
 Calcula ( )

Ejemplo:

Obtener la matriz reflectora de Householder “H”, tal que: [ ] [ ]

Paso 1 - Verificar longitud)

Por propiedades tenemos ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖

‖ ‖ √ √
‖ ‖ √ ( ) √

Paso 2 – Construir vector V)

‖ ‖
0 1 0 1 0 1 0 1 0 1

0 1 , - 0 1
, -0 1

Paso 3 – Calcular H)
0 1 [ ] [ ]

[ ][ ] [ ]
⏟
Minimos Cuadrados
Metodo utilizado para resolver sistemas de ecuaciones sobredeterminados, es decir, aquellos cuyas matrices
asociadas tienen más filas que columnas. Para estos casos, resolver el sistema Ax = b significa minimizar el vector
residual r = b – Ax. Si se tiene que ‖ ‖ es la distancia entre los puntos finales de b y Ax.

Entonces ‖ ‖ es equivalente a resolver las ecuaciones normales .

Este método se utiliza con frecuencia en ajuste de puntos. Encontrar la funcion que mejor se ajuste a un conjunto de
puntos.

Condicionamiento y Perturbaciones

El condicionamiento de una matriz A no singular se define como ( ) ‖ ‖ ‖ ‖

Propiedad Demostración
( ) ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ( )
( ) ( ) ( ) ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ( )
( ) ( ) ( ) ( ) ( ) ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ( )
( ) ( ) ( ) ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ( )

Casos de perturbaciones: se tiene un sistema Ax=b.

Caso Efecto
Perturbación en el vector b ‖ ‖ ‖ ‖ ( )‖ ‖
( )‖ ‖ ‖ ‖ ‖ ‖

( ) ̃ ̃
Perturbación en la matriz A ‖ ‖
‖ ‖ ( )
‖ ‖
‖ ‖ ‖ ‖
( )
( ) ‖ ‖

‖ ‖
‖ ‖
Perturbación en la matriz A y en el vector b
‖ ‖ ( ) ‖ ‖ ‖ ‖
( )
‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖
( )
‖ ‖

Un problema está mal condicionado si

( )
Metodos Iterativos
Se trata de escribir el sistema Ax=b, de una manera progresiva que acerque a la solución con cada iteración. La forma
general es , siendo B una matriz de iteración y d el vector de iteración.
Se dirá que un método iterativo converge si y solo si la matriz de iteración B tiene radio espectral menor a 1, es decir ,
( )
El radio espectral es el mayor en valor absoluto de los autovalores de la matriz.
Nota: los autovalores de una matriz se obtienen calculando las raíces del polinomio característico.
( ) ( )

Jacobi ( )
Gauss-Seidel ( ) ( )
SOR ( ) ,( ) - ( )

 El método converge si y solo si ( ).

 Si w=1 entonces el método es quivalente a Gauss-Seidel.
 Si A es SPD y tridiagonal, entonces el método converge para cualquier iterado inicial.
 Si A es SPD y tridiagonal, entonces ( ) [ ( )] y el w optimo es

√ ( )
Richardson ( )

 Si ‖ ‖ entonces converge para cualquier iterado inicial.

Interpolaciones
“Interpolar” una función significa encontrar otra función parecida que coincida con la original en un conjunto de
puntos dados. Esta nueva función g(x) debe cumplir con la condición de interpolación ( ) ( )

Canonica Se busca un S.E.L, a partir de un conjunto de puntos. Si existen n puntos, entonces el polinomio
interpolador será de grado n-1.

Ej.
X 0 1 2
F(x) 1 3 7

Como hay 3 puntos, el polinomio de interpolación será de grado 2. ( )

Como el polinomio debe cumplir la condición de interpolación.
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
Ya encontrado el sistema de ecuaciones Ax = b, debemos resolverlo, para encontrar los coeficientes
del polinomio interpolador.

[ ] * + [ ]

Lagrange Forma general del polinomio:

( ) ( ) ( ) ( )

Con ( ) ∏ , llamados langrangeanos.

Ej.
X 1 2 3 4
F(x) 0 -1 2 -5

( )( )( )
( )
( )( )( )

( )( )( )
( )
( )( )( )

( )( )( )
( )
( )( )( )

( )( )( )
( )
( )( )( )

( ) ( )( ( )) ( )( ( ))

( )( ( )) ( )( ( ))
 ( )

Newton Forma general del polinomio:

( ) , - , -( ) , -( )( )
, -( )( ) ( )

Con F como las diferencias divididas.

, - , -
, -
Ej.
X 1 3 4 5
F(x) 0 -1 -1 2

( ) , - , - , -
1 0
, -
3 1 , -
, - , -
4 -1 , -
, -
5 2
Nota: Los elementos de la diagonal principal, serán los coeficientes del polinomio.

, - , -
, -

, - , -
, -

, - , -
, -

, - , -
, -

, - , -
, -

, - , -
, -

( ) ( ) ( )( ) ( )( )( )
Error de ( )( )
interpolacion ⏟( ) ( )
(
⏟ )

Con “n+1” la cantidad de puntos.

Y ( )( ) como la derivada n+1 de la función, a la cual se debe encontrar una cota máxima.
Splines

Una función spline de grado k con nodos es una función S(x) formada por varios polinomios, cada uno
definido sobre un subintervalo y que se unen entre sí bajo ciertas condiciones de continuidad.

 En cada , ), S(x) es un polinomio de grado menor o igual a k.

 S(x) admite derivada continua de orden k-1 en , -

Splines cúbicos
Dado un conjunto de nodos * +, diremos que S(x) es un spline cubico si:

 S es un polinomio de grado menor o igual a 3, en cada subintervalo.

 S(x) es continua y diferenciable 2 veces en todo el intervalo.

Splines cúbicos de interpolación

Se dice que es un spline cubico de interpolación si:

 S(x) es un spline cubico

 S cumple con la condición de interpolación

Un spilne tendrá (k+1).n incognita y ((k+1).n) -(k-1), con n como el numero de subintervalos, y k el grado del polinomio
S. Es decir, si es un spline cubico, se tendrán 4n incognitas y 4n-2 ecuaciones. Por tanto, para resolver el sistema de
ecuaciones es necesario exigir las ecuaciones faltantes.

Para spline cubico:

Si exigimos las dos ecuaciones faltantes como S’’(a) = 0 y S’’(b)=0, con [a,b] el intervalo de S, diremos que es un spline
cubico natural.

Si exigimos las dos ecuaciones faltantes como S’(a) = S’(b) y S’’(a)= S’’(b), con [a,b] el intervalo de S, diremos que es un
spline cubico periodico.
Ej.

Para la siguiente tabla, calcule el spline cubico natural y un spline cuadrático.

X 2 3 5
F(x) -1 2 -7

Como son 3 puntos, tenemos 2 intervalos.

, -
( ),
, -

Spline cubico natural Spline cuadrático

1) Condicion de interpolación

( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )

2) Continuidad S’(x)
, -
( ){
, -

( )

3) Continuidad S’’(x)
, -
( ){
, -

( )

4) Exigencias (Natural)
( )
( )

Con todas esas ecuaciones, tenemos un sistema de ecuaciones Ax=b, donde las incognitas son
las a’s y b’s.