Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Página 1 de 20
Prólogo
Prólogo
Siendo el sistema lineal normal de aspecto matricial A-̅ = 01 , con el vector columna
incógnita -̅ de dimensión n x 1.
Página 2 de 20
Cincuenta años atrás ya se resolvían aproximadamente sistemas lineales de 10000
ecuaciones con 10000 incógnitas. Digamos que de tamaño menos que mediano hoy
en día, pero enormes para aquella época.
Esto requiere un total de 333 433 330 000 multiplicaciones y divisiones y un total
de 333 383 325 000 sumas y restas. Es decir: un total de 666 816 655 000
operaciones elementales.
Página 3 de 20
1- Normas de Vectores Reales n x 1
(N V 1) ‖ -̅ ‖ = 0 ⇔ -̅ = 01 donde 01 = (0 , 0 , … , 0)T
(N V 2) ‖ Y -̅ ‖ = | Y | ‖ -V ‖ ∀ Y ∈ ℝ y -̅ ∈ V
llamada propiedad de homogeneidad.
(N V 3) ‖ -̅ + ]1 ‖ ≤ ‖ -V ‖ + ‖ ]V ‖ ∀ -̅ ∈ V y ]1 ∈ V
denominada desigualdad triangular.
Ejercicio
Demuestre las cuatro propiedades siguientes para una norma vectorial en V
‖ −-V ‖ = ‖ -V ‖ ∀ -̅ ∈ V
‖ -̅ − ]1 ‖ ≤ ‖ -V ‖ + ‖ ]1 ‖ ∀ -̅ ∈ V y ]1 ∈ V
‖ -̅ − ]1 ‖ ≥ ‖ -̅ ‖ − ‖ ]V ‖ ∀ -̅ ∈ V y ]1 ∈ V
‖ -̅ − ]1 ‖ ≥ | ‖ -V ‖ − ‖ ]V ‖ | ∀ -̅ ∈ V y ]1 ∈ V
d ∶ V x V → ℝU 1) = ‖ -̅ − ]1 ‖
T tal que d(-̅ , ]
En particular, la distancia d de -̅ a 01 es d(-̅ , 01) = ‖ -̅ ‖
( , )L ∶ V x V → ℝU
T tal que (-̅ , ]1)L = b -O ]O
OcK
siendo -̅ = (-K , -L , …. , -N )T , ]1 = (]K , ]L , …. , ]N )T
Página 4 de 20
Luego ‖ -̅ ‖L = +d(-̅ , -̅ )L
Teorema 1
N
En este caso:
N
dK (-̅ , ]1) = b | -O − ]O |
OcK
Teorema 2
En este caso:
df (-̅ , ]1) = max 〈 | -O − ]O | , h = 1 ,2 ,…,i 〉
De las tres normas vectoriales (como sus distancias heredadas) mencionadas, las
dos últimas son más aptas para su cálculo que la norma vectorial (y su distancia
heredada) euclídea. A menor cantidad de operaciones sencillas, doble ganancia:
menor tiempo invertido y menor cantidad de errores por redondeos.
Página 5 de 20
Casos particulares del caso anterior:
Ejemplo (n = 4)
Veamos longitudes de vectores y distancias entre ellos según distintas normas
vectoriales, para los datos
-̅ = ( −3 , 0 , 1 , −1 )T , ]1 = ( 3 , 4 , −1 , 0 )T
‖ -̅ ‖L = √11 ≅ 3.31662 ‖ -̅ ‖K = 5 ‖ -̅ ‖f = 3
‖ ]1 ‖L = √26 ≅ 5.09902 ‖ ]1 ‖K = 8 ‖ ]1 ‖f = 4
-̅ − ]1 = ( −6 , −4 , 2 , −1 )T
dL (-̅ , ]1) = √57 ≅ 7.54983 dK (-̅ , ]1) = 13 df (-̅ , ]1) = 6
Una aplicación ‖ ‖ ∶ M → ℝU
T tal que A ∈ M → ‖A‖ ≥ 0
(transforma elementos de M en números reales no negativos)
es una norma matricial en M si se verifican simultáneamente las tres propiedades
siguientes:
(N M 1) ‖ A ‖ = 0 ⇔ A = O donde O = ON t N
(N M 2) ‖ Y A ‖ = | Y | ‖ A ‖ ∀ Y ∈ ℝ y A ∈ M
llamada propiedad de homogeneidad.
(N M 3) ‖ A + B ‖ ≤ ‖ A ‖ + ‖ B ‖ ∀ A ∈ M y B ∈ M
denominada desigualdad triangular.
Página 6 de 20
Ejercicio
Demuestre las cuatro propiedades siguientes para una norma matricial en M
‖ −A ‖ = ‖ A ‖ ∀ A ∈ M
‖A−B ‖≤‖A‖+‖B‖ ∀ A ∈ M y B ∈ M
‖A−B ‖≥‖A‖−‖B‖ ∀ A ∈ M y B ∈ M
‖A−B ‖≥|‖A‖−‖B‖| ∀ A ∈ M y B∈ M
N N
(N M 4) ‖ A B ‖E ≤ ‖ A ‖E ‖ B ‖E ∀ A ∈ M ] B ∈ M
Teorema 1
N
Ejemplo (n = 2)
Veamos tamaños de matrices y distancias entre ellas según distintas normas
matriciales, para los datos
5 −2| 6 −2
A={ B={ |
−3 1 −9 4
‖ A ‖w = √39 ≅ 6.245 ‖ A ‖K = 8 ‖ A ‖f = 7
‖ B ‖w = √137 ≅ 11.705 ‖ B ‖K = 15 ‖ B ‖f = 13
−1 0
A−B={ |
6 −3
dw (A , B) = √46 ≅ 6.782 dK (A , B) = 7 d f (A , B ) = 9
Es muy probable que le haya resultado menos laborioso calcular tamaños con las
normas matriciales ‖ ‖K y ‖ ‖f que con la norma matricial euclidea ‖ ‖w
(C de C) ‖ A -̅ ‖ ≤ ‖ A ‖ ‖ -̅ ‖ ∀ -̅ ∈ V y A ∈ M
Página 8 de 20
En estos casos se dice que la norma matricial en M está subordinada a la norma
vectorial en V
(C de C) ‖ A -̅ ‖K ≤ ‖ A ‖K ‖ -̅ ‖K ∀ -̅ ∈ V y A ∈ M
(C de C) ‖ A -̅ ‖f ≤ ‖ A ‖f ‖ -̅ ‖f ∀ -̅ ∈ V y A ∈ M
Teorema 1
‖ ‖K es norma matricial en M
(satisface (N M 1) , (N M 2) y (N M 3))
(N M 4) ‖ A B ‖K ≤ ‖ A ‖K ‖ B ‖K ∀ A ∈ M y B ∈ M
(C de C) ‖ A -̅ ‖K ≤ ‖ A ‖K ‖ -̅ ‖K ∀ -̅ ∈ V y A ∈ M
Teorema 2
‖ ‖f es norma matricial en M
(satisface (N M 1) , (N M 2) y (N M 3))
(N M 4) ‖ A B ‖f ≤ ‖ A ‖f ‖ B ‖f ∀ A ∈ M y B ∈ M
(C de C) ‖ A -̅ ‖f ≤ ‖ A ‖f ‖ -̅ ‖f ∀ -̅ ∈ V y A ∈ M
Nota:
Una norma matricial en M subordinada a la norma vectorial euclídea en V, es la
norma vinculada al radio espectral.
Página 9 de 20
4- Radio Espectral
Ejemplo (n = 3)
5 7 9
A = •1 −3 4 € tiene 3 autovalores, cuyos valores aproximados son:
2 0 −6
Teorema 1
(N M 4) ‖ A B ‖L ≤ ‖ A ‖L ‖ B ‖L ∀ A ∈ M y B ∈ M
(C de C) ‖ A -̅ ‖L ≤ ‖ A ‖L ‖ -̅ ‖L ∀ -̅ ∈ V y A ∈ M
Corolario
Si A ∈ M y además A es simétrica ( A = AT ),
entonces ‖ A ‖L = ~(A)
Teorema 2
~(A) ≤ ‖ A ‖ ∀ A∈M
Demostración
Sea Y un autovalor cualquiera de A y -̅ (-̅ ≠ 01) un autovector de A asociado
con Y. Luego: A-̅ = Y-̅
Entonces | Y | ‖ -V ‖ = ‖ Y -̅ ‖ = ‖ A -̅ ‖ ≤ ‖ A ‖ ‖ -̅ ‖
Como ‖ -̅ ‖ > 0 (-̅ ≠ 01) sigue que | Y | ≤ ‖ A ‖
Finalmente ~(A) ≤ ‖ A ‖
Página 10 de 20
5- Errores y Errores Normados en Sistemas Lineales n x n
Equivalentemente:
Para resolverlo con n = 1000 mediante Eliminación Gaussiana con pivoteo parcial
escalado debemos realizar un total de 668 665 999 operaciones elementales y un
total de 1 498 500 comparaciones.
Teóricamente: -̅ = A„K 01
Página 11 de 20
Entonces surge de modo natural el vector error en la aproximación ‡̅ = -̅ − -̅ ∗
‖ ‡̅ ‖ = ‖ -̅ − -̅ ∗ ‖
Lo que nos interesará es estimar (acotar) la magnitud del error. Es decir, estimar el
error normado.
normado En general, buscando una cota superior adecuada. Lo ideal sería
conseguir la menor de todas las cotas superiores.
Por ejemplo, cuando se indica una tolerancia prefijada: tol = 10- 7 y sucede que
‖ ‡̅ ‖ = ‖ -̅ − -̅ ∗ ‖ ≤ 10„ˆ = tol
‖ ‰̅ ‖ = Š A -̅ ∗ − 01 Š
De todos modos:
‖ ‰̅ ‖ = Š A -̅ ∗ − 01 Š ≤ ‖ A -̅ ∗ ‖ + Š 01 Š ≤ ‖ A ‖‖ -̅ ∗ ‖ + Š 01 Š
Observe que estamos usando alguna norma matricial en M compatible con alguna
norma vectorial en V.
Por ejemplo, si tol = 10- 8 indica una tolerancia prefijada y si ocurre que:
‖ ‰̅ ‖ = Š A -̅ ∗ − 01 Š ≤ ‖ A ‖‖ -̅ ∗ ‖ + Š 01 Š ≤ 10„‹ = tol
El caso detallado al final del presente parágrafo muestra que una magnitud
residual pequeña no garantiza proximidad entre aproximación -̅ ∗ y solución
exacta -̅ .
Página 12 de 20
Considerando el error normado ‖ ‡̅ ‖ = ‖ -̅ − -̅ ∗ ‖
representa una cota superior del error normado y otra vez necesitamos normas
compatibles.
A ‡̅ = A (-̅ − -̅ ∗ ) = A -̅ − A -̅ ∗ = 01 − A -̅ ∗ = ‰̅
Resumiendo:
‡̅ = A„K ‰̅ y ‰̅ = A ‡̅
Ejemplo
El sistema lineal 2 x 2
Cuando los coeficientes de A- 1 son todos de magnitud bastante mayor que uno y
cuando ‖ ‰̅ ‖ es pequeña, puede suceder que ‖ ‡̅ ‖ no sea pequeña (recordar que
‡̅ = A„K ‰̅ ).
Lo anterior está relacionado con matrices mal condicionadas, tema que trataremos
próximamente.
Página 13 de 20
6- Análisis de errores. Número de Condición
CASO 1
Supongamos que al cargar los datos en el ordenador introducimos 01 ≠ 01 con
errores (como ser, por redondeos) pero A exacta (sin errores).
1111 ) = 01 + ∆0
El Sistema Lineal Perturbado n x n queda ahora: A (-̅ + ∆- 1111
1111 = 01 + ∆0
Luego, A -̅ + A ∆- 1111 y como A -̅ = 01 , resulta A ∆- 1111
1111 = ∆0
1111 entonces ‖ ∆-
1111 = A„K ∆0
Por tanto ∆- 1111 Š ≤ ‖ A„K ‖Š ∆0
1111 ‖ = Š A„K ∆0 1111 Š
Resumiendo
1111 Š cota superior para el error normado inducido en -̅
1111 ‖ ≤ ‖ A„K ‖Š ∆0
‖ ∆-
1111 ‖
‖ ∆- 1111 Š
Š ∆0
≤ ‖ A ‖ ‖ A„K ‖
‖ -̅ ‖ Š 01 Š
1111 ‖
‖ ∆‘
En esta caso representa el error normado relativo en 01.
‖ ‘1 ‖
Finalmente:
1111 ‖
‖ ∆- 1111 Š
Š ∆0
≤ NdeC(A)
‖ -̅ ‖ Š 01 Š
Página 14 de 20
Cuando NdeC(A) es algo mayor que 1 pero no muy grande y
1111 ‖
‖ ∆‘
es bastante pequeño entonces su producto será pequeño.
‖ ‘1 ‖
1111 ‖
‖ ∆t
Por lo tanto tiene una cota superior pequeña
‖ t̅ ‖
Operando con d dígitos de precisión , o errores por redondeos del orden de 10- d,
y con NdeC(A) del orden de 10p (d , p : naturales):
donde Šf1̅ Š Šf̅2 Š … Šf̅n Š indican las normas vectoriales de los n vectores filas de A
CASO 2
Supongamos que al cargar los datos en la computadora introducimos A con
errores (como ser, por redondeos) pero 01 ≠ 01 exacto (sin errores).
Página 15 de 20
Entonces ingresamos A + ∆A en lugar de A ( ∆A matriz no nula perturbación en
1111 ≠ 01 en -̅ .
A ) y esto produce una perturbación ∆-
1111 ) = 01
El Sistema Lineal Perturbado n x n queda ahora (A + ∆A) (-̅ + ∆-
1111 ‖
‖ ∆- NdeC(A) ‖ ∆A ‖
≤
‖ -̅ ‖ ‖ ∆A ‖ ‖ A ‖
1 − NdeC(A) ‖ ‖
A
‖ ∆“ ‖
En esta caso representa el error normado relativo en A.
‖A‖
CASO GENERAL
Si al introducir los datos en la computadora ingresamos A y 01 ≠ 01 con errores es
posible probar que:
1111 ‖
‖ ∆- NdeC(A) 1111 Š ‖ ∆A ‖
Š ∆0
≤ ” + •
‖ -̅ ‖ ‖ ∆A ‖ Š 01 Š ‖A‖
1 − NdeC(A) ‖ ‖
A
MATRICES DE HILBERT
Página 16 de 20
La Matriz de HILBERT de orden n x n se define por
1
HN = (ℎOs )N t N = š › para i = 1 ,2 , . . . , n y j = 1 ,2 , . . . , n
i + j − 1 NtN
lim det(Hn) = 0U
N→f
Los valores aproximados de los NdeC de las diez primeras Matrices de HILBERT
son:
n NdeC(Hn)
2 27
3 748
4 28375
5 943656
6 2.9 * 107
7 9.9 * 108
8 3.4 * 1010
9 1.1 * 1012
10 3.5 * 1013
11 1.2 * 1015
Página 17 de 20
El Sistema Lineal H7 -̅ = 01 , donde
01 = •7 ,
K ˆ•TŸ T
, , , , , ¢ ,
KžˆŸ žˆK •KKŸ LL žŸ K¡T‹K
L‹T KL¡T ‹žT ¡Ÿ•T žž ¡TT¡T
Compruebe que:
EJEMPLO ADICIONAL
1 p
Sea A(p) = – ˜ (p parámetro real)
p 1
(1 + | p |)L
NdeC(A(p)) =
|1- pL |
lim NdeC(A(p)) = +∞
¦→UK
lim NdeC(A(p)) = 1
¦→Uf
Página 18 de 20
Gráfica de NdeC(A(p)):
1+p
Sea 01(p) = – ˜
1−p
1
tiene solución única -̅ = Ž • ∀ p ≠ ±1
1
Los valores de det(L) y det(U) son los respectivos productos de sus elementos
diagonales principales. Por lo tanto, todos los elementos de las diagonales
principales de L y U son diferentes de cero.
10 −14 2 0 5 −7•
Una muestra: A=Ž • =Ž •Ž = LU
5 −19 1 −3 0 4
Página 19 de 20
La hipótesis de la regularidad de A no alcanza para garantizar la posibilidad de la
descomposición. Existen matrices singulares con factorización L U, pero en tal
caso L y/o U son singulares.
28 21 7 0 4 3
Una muestra: A=Ž • =Ž •Ž •=LU
8 6 2 0 0 5
33 39 3 0 11 13
Otra muestra: A=Ž • =Ž •Ž •=LU
44 52 4 5 0 0
3 4 1 0 3 4
Un ejemplo: A=Ž • =Ž •Ž •= LU
−15 −18 −5 1 0 2
5 10• 5 0• Ž1 2
Un ejemplo: A=Ž =Ž •=LU
2 10 2 6 0 1
2 n• 3 nL 7n
+ −
3 2 6
Página 20 de 20