3.

3 estrategia de pivoteo
Cuando se aplica una operación elemental sobre una determinada fila para lograr
un 0 en el coeficiente apq, con p = q + 1, q + 2, . . . ,N utilizo el elemento aqq de la
matriz, y dicho elemento recibe el nombre de pivote. Los números mpq = apq/aqq
se llaman multiplicadores y son los que se multiplican en la fila pivote para restarla
de las correspondientes filas.
Al estar trabajando con sistemas de cómputos, cuya precisión está fijada de
antemano, cada vez que se produce una operación aritmética se comete un error,
en este caso de redondeo. Es por eso que la elección del pivote en cada paso la
tomo por algún criterio no trivial de tal forma de tratar que dicho sea el menor
posible.
Existen varias estrategias una de ellas consiste en la denominada estrategia de
pivoteo parcial. La idea de este método consiste en lo siguiente: comparo el
tamaño de todos los elementos de la columna de la fila q-´e sima (a partir del
coeficiente que se encuentra en la diagonal) hasta la última fila, y me quedo con
aquel elemento que tenga mayor valor absoluto. Una vez encontrada la fila que
cumpla lo anterior, la llamo fila i-´e sima, aplico la operación de intercambio de filas
entre la q-´e sima y la i-´e sima, de forma tal de lograr multiplicadores mpq
menores a uno en valor absoluto.
Pivoteo parcial
La onda con el pivoteo es hacer Gauss-Jordan pero eligiendo el mejor valor para
hacer cuentas, de manera tal que los errores de las cuentas de la maquinita sean
los menores. Así, se implementa un criterio para reordenar filas de manera tal que
se queden los valores mayores al momento de dividir. El método consiste en elegir
en la iteración i-ésima, el elemento de la columna que sea el de mayor valor
absoluto entre todos los que están por encima de la diagonal, el menor valor de
p≥i
|api|=maxi≤k≤n|aki|

Pivoteo parcial escalado

Cuando hay algún valor muy zarpado en las ecuaciones en comparación con el
resto, el pivoteo solito no alcanza. Ahí hay que usar escalado. El escalado implica
usar un factor de escala para cada fila, que se define
sk=max1≤j≤n|akj|
3.7 eigenvalores y eigenvectores
Sea V un espacio vectorial sobre un campo F y sea T:V→V una transformación
lineal. Para fijar ideas, pensemos en Rn por el momento. A veces, T simplemente la
cambia la magnitud a un vector, sin cambiarle la dirección. Es decir, hay algunos
vectores para los cuales T se comporta simplemente como la multiplicación por un
escalar. En símbolos, hay vectores u tales que existe un valor λ tal que T(u)= λu.
Por supuesto, al vector 0 siempre le pasa esto, pues como T es lineal, se tiene
que T(0)=0=λ⋅0 para cualquier escalar λ. Resulta que cuando se estudian estos
vectores y escalares especiales, lo más conveniente es quitar al vector 0 de la
discusión. Estas ideas llevan a la siguiente definición.
Un eigenvalor de una transformación lineal T:V→V es un escalar λ tal que λid–T no
es invertible. En otras palabras, λ es un escalar tal que existe un vector no cero en
el kernel de λid–T. A un vector u≠0 en V tal que
(λid–T)u=0, se le conoce como un eigenvector de T.
En otras palabras, u es un eigenvector correspondiente a T si u no es cero y T(u)=
λu. A los eigenvalores y eigenvectores de t también se les conoce en la bibliografía
como valores propios y vectores propios de T.
Una matriz n 3 m se puede considerar como una función que utiliza multiplicación
de matrices para tomar vectores columna m-dimensionales en vectores columna
n-dimensionales. Por lo que, una matriz n 3 m es, en realidad, una función lineal
de ℝ𝑚𝑎ℝ𝑛. Una matriz cuadrada A toma el conjunto de vectores n-dimensionales
en sí misma, lo cual provee una función lineal de ℝ𝑚𝑎ℝ𝑛. En este caso, ciertos
vectores x diferentes de cero podrían ser paralelos a Ax, lo que significa que existe
una constante λ con Ax = λx. Para estos vectores, tenemos (A –λI)x=0. Existe una
conexión cercana entre los valores de λ y la probabilidad de que un método
iterativo convergerá. Nosotros consideraremos la conexión en esta sección.Si A es
una matriz cuadrada, el polinomio característico de A ésta definido
por𝑝(λ)=det(𝐴−λI).
No es difícil demostrar que en p es un polinomio de enésimo grado y, por
consiguiente, tiene por lo menos n ceros diferentes, algunos de los cuales podrían
ser complejos. Si λ es un cero de p, entonces, puesto que det (𝐴−λI)=0, SEimplica
que el sistema lineal definido por (𝐴−λI)=0tiene una solución con 𝑥≠0. Nos gustaría
estudiar los ceros de p y las soluciones diferentes a cero correspondientes a estos
sistemas.Si p es el polinomio característico de la matriz A, los cerosde p reciben el
nombre de eigenvalores, o valores característicos, de la matriz A. Si λes un
eigenvalor de A y 𝑥≠0satisface (𝐴−λI)x=0, entonces x es un eigenvector, o vector
característico, de A correspondiente al eigenvalor λ. Para determinar los
eigenvalores de una matriz, podemos utilizar el hecho de que•λes un eigenvalor de
A si y solo si det(𝐴−λI)=0.Una vez que se ha encontrado el eigenvalor λ, un
eigenvector correspondiente 𝑥≠0 se determina al resolver el sistema.•(A -λI)x=0