Métodos Numericos: Tema 6 - Transparencias

Mtodos Numricos
Grado en Informtica
Tema 6: Anlisis Numrico Matricial II
Luis Alvarez Len
Univ. de Las Palmas de G.C.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
1 / 84
Contenido
1
Nociones bsicas sobre matrices y vectores
Mtodo de Jacobi para calcular autovalores de matrices simtricas
Mtodo de la potencia para calcular el autovalor mximo
Mtodos iterativos de resolucin de sistemas de ecuaciones
Mtodo de Newton-Raphson para sistemas no-lineales
Condicionamiento de una matriz

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
2 / 84
Contenido
1

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
3 / 84
Contenido
1

distancia entre 2 puntos en el plano
Norma de vectores
Norma de una matriz
Producto Escalar
Base ortonormal de vectores
autovalores de una matriz
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
4 / 84
Anlisis Numrico Matricial II

Distancia entre 2 puntos en el plano
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
5 / 84

Distancia entre 2 puntos en el plano. La distancia Eucldea
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
6 / 84

Distancia entre 2 puntos en el plano. La distancia L1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
7 / 84

Distancia entre 2 puntos en el plano. La distancia L
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
8 / 84

Consideremos los puntos (1, 2) y (3, 7)
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
Distancia L1 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
Distancia L1 = | 3 1 | + | 7 2 |
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
Distancia L1 = | 3 1 | + | 7 2 |
Distancia L = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
Distancia L1 = | 3 1 | + | 7 2 |
Distancia L = | 7 2 |
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
Distancia L1 = | 3 1 | + | 7 2 |
Orden entre las distancias
?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84


Distancia Eucldea =
(3 1)2 + (7 2)2
Distancia L1 = | 3 1 | + | 7 2 |
Orden entre las distancias

distancia L distancia Eucldea distancia L1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
9 / 84
Contenido
1

Norma de vectores
Norma de una matriz
Producto Escalar
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
10 / 84

Distancia y norma Lp
distancia Lp entre 2 puntos (x1 , x2 ) y (x10 , x20 )

distancia Lp = | x1 x10 |p + | x2 x20 |p
1/p
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
11 / 84


1/p
Norma Lp de un vector x = (x1 , x2 , .....xN ) y sus propiedades

k x kp =
P
N
p
i=1 |xi |
1/p
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
11 / 84


1/p

k x kp =
P
N
p
i=1 |xi |
1/p
Propiedades
1
k x kp = 0 si y slo si x = 0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
11 / 84


1/p

k x kp =
P
N
p
i=1 |xi |
1/p
Propiedades
1
k x kp =| |k x kp
Luis Alvarez Len
para todo y x
Mtodos Numricos
ULPGCLogo
11 / 84


1/p

k x kp =
P
N
p
i=1 |xi |
1/p
Propiedades
1
k x kp =| |k x kp
k x + y kp k x kp + k y kp
Luis Alvarez Len
para todo y x
ULPGCLogo
para todo x, y
Mtodos Numricos
11 / 84

Lugar geomtrico de los puntos que verifican k x k2 1
Cual es el lugar geomtrico de los puntos que verifican

q
k x k2 = x12 + x22 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
12 / 84


q
k x k2 = x12 + x22 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
12 / 84


k x k1 =| x1 | + | x2 | 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
13 / 84


k x k1 =| x1 | + | x2 | 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
13 / 84

Lugar geomtrico de los puntos que verifican k x k 1

k x k1 = max{| x1 |, | x2 |} 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
14 / 84

Lugar geomtrico de los puntos que verifican k x k 1

k x k1 = max{| x1 |, | x2 |} 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
14 / 84

Creacin de mtodos en la clase Array1D para calcular la norma Eucldea
template <class T>

class Array1D{
.
private:
.
T* data_; // puntero al comienzo del array
.
int n_; //dimensin de array
.
....
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
double Array1D<T>::norma_euclidea(){
.
......
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
for(int k=0;k< ? ;k++){ norma+= ? }
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
for(int k=0;k< n_;k++){ norma+= ? }
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
for(int k=0;k< n_;k++){ norma+= data_[k]*data_[k]; }
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
return sqrt(norma);
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
return sqrt(norma);
.
}
Si x es una instancia de la clase Array1D llamamos al mtodo
haciendo ?
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
15 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
return sqrt(norma);
.
}
haciendo double norma=x.norma_euclidea();
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
15 / 84

Creacin de mtodos en la clase Array1D para calcular la norma 1
template <class T>

class Array1D{
.
private:
.
.
.
....
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
double Array1D<T>::norma_1(){
.
......
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
for(int k=0;k< n_;k++){ norma+= ? }
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
for(int k=0;k< n_;k++){ norma+= mn_abs(data_[k]); }
.
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
return norma;
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
return norma;
.
}
haciendo ?
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
16 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
return norma;
.
}
haciendo double norma=x.norma_1();
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
16 / 84

Creacin de mtodos en la clase Array1D para calcular la norma infinito
template <class T>

class Array1D{
.
private:
.
.
.
....
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
double Array1D<T>::norma_inf(){
.
......
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
for(int k=0;k< ? ;k++){

? }
Luis Alvarez Len
ULPGCLogo
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
for(int k=0;k< ? ;k++){
.
? }
.
.
Luis Alvarez Len
ULPGCLogo
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
for(int k=0;k< n_;k++){
.
? }
.
.
Luis Alvarez Len
ULPGCLogo
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
if(norma<mn_abs(data_[k])) norma=mn_abs(data_[k]); }
.
.
Luis Alvarez Len
ULPGCLogo
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
.
return norma;
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
.
return norma;
.
}
ULPGCLogo
haciendo ?
Luis Alvarez Len
Mtodos Numricos
17 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
double norma=0.;
.
.
.
return norma;
.
}
ULPGCLogo
haciendo double norma=x.norma_inf();
Luis Alvarez Len
Mtodos Numricos
17 / 84

Uso de la norma para calcular distancias
Sopongamos que tenemos 2 instancias x1 y x2 de la clase Array1D,

es decir
Array1D<real> x1;
Array1D<real> x2;
Para calcular la distancia Eucldea entre x1 y x2 usando el mtodo
para calcular la norma Eucldea que hemos creado podemos hacer :
real distancia_euclidea = ? ;
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
18 / 84

Uso de la norma para calcular distancias
Sopongamos que tenemos 2 instancias x1 y x2 de la clase Array1D,

es decir
Array1D<real> x1;
Array1D<real> x2;
Para calcular la distancia Eucldea entre x1 y x2 usando el mtodo
para calcular la norma Eucldea que hemos creado podemos hacer :
real distancia_euclidea = (x1-x2).norma_euclidea();
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
18 / 84
Contenido
1

Norma de vectores
Norma de una matriz
Producto Escalar
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
19 / 84

Norma de una matriz
Sea A una matriz y sea k . k una norma vectorial. Se define la norma

de A, subordinada a la norma vectorial k . k como
k A k= supx6=0
kAxk
kxk
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
20 / 84

Norma de una matriz
Sea A una matriz y sea k . k una norma vectorial. Se define la norma

de A, subordinada a la norma vectorial k . k como
k A k= supx6=0
kAxk
kxk
Vamos, en primer lugar, a disear un cdigo en C++ bsico para

aproximar la norma Eucldea de una matriz a partir de esta definicin.
Para ello necesitamos un procedimiento para crear vectores
aleatorios, lo cual haremos creando un constructor especial de la
clase Array1D y despus implementaremos un procedimiento para
aproximar la norma de la matriz.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
20 / 84

Creacin de mtodos para hacer un constructor de un array de tamao N y
coordenadas aleatorias en el intervalo [a,b].
template <class T>

class Array1D{
.
private:
.
.
.
....
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
21 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
double Array1D<T>::Array1D(int N,T a, T b){
.
......
.
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
21 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
for(int k=0;k< ? ;k++){

data_[k]= ?
}
.
.
.
.
ULPGCLogo
}
Luis Alvarez Len
Mtodos Numricos
21 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
Array1D<T> aux(N);
.
*this=aux;
.
for(int k=0;k< ? ;k++){
.
data_[k]= ?
.
}
.
}
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
21 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
Array1D<T> aux(N);
.
*this=aux;
.
.
data_[k]= ?
.
}
.
}
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
21 / 84

template <class T>

class Array1D{
.
private:
.
.
.
....
.
public:
.
template <class T>
.
.
Array1D<T> aux(N);
.
*this=aux;
.
.
data_[k]= a+ (b-a)*rand()/RAND_MAX;
.
}
.
}
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
21 / 84

Cdigo C++ Clculo de la norma Eucldea de una matriz
k A k= supx6=0
kAxk
kxk
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk
real norma_euclidea(Array2D<real> &A,int Niteraciones) {

.
real norma=0.;
.
for(int k=0;k<Niteraciones;k++){
.
Array1D<real> ? ;
.
real temp=?
.
if(? ){ ? }
.
}
.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk

.
real norma=0.;
.
.
Array1D<real> x(A.dim1(),(real) -1.,(real) 1.);
.
real temp=?
.
if(? ){ ? }
.
}
.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk

.
real norma=0.;
.
.
.
real temp= (A*x).norma_euclidea()/x.norma_euclidea();
.
if(? ){ ? }
.
}
.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk

.
real norma=0.;
.
.
.
.
if( temp>norma){ ? }
.
}
.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk

.
real norma=0.;
.
.
.
.
if( temp>norma){ norma=temp; }
.
}
.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk

.
real norma=0.;
.
.
.
.
.
}
.
return norma;
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
22 / 84

k A k= supx6=0
kAxk
kxk

.
real norma=0.;
.
.
.
.
.
}
.
return norma;
}
Este procedimiento nos da una aproximacin (no el valor exacto).
Adems, en la prctica, especialmente si la dimensin de la matriz es
grande, habra que hacer un nmero de iteraciones gigantesco para
ULPGCLogo
estar seguros de que nos acercamos al valor real.
Luis Alvarez Len
Mtodos Numricos
22 / 84

Norma de una matriz
Veamos ahora como se puede calcular la norma de una matriz

matemticamente sin necesidad de realizar un procedimiento
aleatorio.
k A k= supx6=0
kAxk
kxk
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

0
kxk
||kxk

0 = sup kxk = sup kxk = ||
x6=0
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2 0
(2x1 )2 +x22

= sup
=?
0 1
x12 +x22
x6=0
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2 0
(2x1 )2 +x22
(21)2 +02

= sup
= 2 2 =2
2 +x 2
0 1
x
1 +0
1
2
x6=0
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2 0
(2x1 )2 +x22
(21)2 +02

= sup
= 2 2 =2
2 +x 2
0 1
x
1 +0
1
2
x6=0
2

2 0
|2x1 |+|x2 |

0 1 = sup |x1 |+|x2 | = ?
1
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2 0
(2x1 )2 +x22
(21)2 +02

= sup
= 2 2 =2
2 +x 2
0 1
x
1 +0
1
2
x6=0
2

2 0
|2x1 |+|x2 |
|21|+|0|

0 1 = sup |x1 |+|x2 | = |1|+|0| = 2
1
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2 0
(2x1 )2 +x22
(21)2 +02

= sup
= 2 2 =2
2 +x 2
0 1
x
1 +0
1
2
x6=0
2

2 0
|2x1 |+|x2 |
|21|+|0|

0 1 = sup |x1 |+|x2 | = |1|+|0| = 2
x6=0
1

2 0
max{|2x1 |,|x2 |}

0 1 = sup max{|x1 |,|x2 |} = ?
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2 0
(2x1 )2 +x22
(21)2 +02

= sup
= 2 2 =2
2 +x 2
0 1
x
1 +0
1
2
x6=0
2

2 0
|2x1 |+|x2 |
|21|+|0|

0 1 = sup |x1 |+|x2 | = |1|+|0| = 2
x6=0
1

2 0
max{|21|,|0|}
max{|2x1 |,|x2 |}

0 1 = sup max{|x1 |,|x2 |} = max{|1|,|0|} = 2
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2
1 0
2
1 +(x1 +x2 )

= sup x
=?
2 +x 2
1 1
x
1
2
x6=0
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2

1 0
2
(1+ 5)2 +(1+ 5+2)2
1 +(x1 +x2 )

= sup x
=
= 1. 618
1 1
x12 +x22
(1+ 5)2 +(2)2
x6=0
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2

1 0
2
(1+ 5)2 +(1+ 5+2)2
1 +(x1 +x2 )

= sup x
=
= 1. 618
1 1
x12 +x22
(1+ 5)2 +(2)2
x6=0
2

1 0
|x1 |+|x1 +x2 |

1 1 = sup |x1 |+|x2 | = ?
1
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2

1 0
2
(1+ 5)2 +(1+ 5+2)2
1 +(x1 +x2 )

= sup x
=
= 1. 618
1 1
x12 +x22
(1+ 5)2 +(2)2
x6=0
2

1 0
|x1 |+|x1 +x2 |
|1+|1+0|

1 1 = sup |x1 |+|x2 | = |1|+|0| = 2
1
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2

1 0
2
(1+ 5)2 +(1+ 5+2)2
1 +(x1 +x2 )

= sup x
=
= 1. 618
1 1
x12 +x22
(1+ 5)2 +(2)2
x6=0
2

1 0
|x1 |+|x1 +x2 |
|1+|1+0|

1 1 = sup |x1 |+|x2 | = |1|+|0| = 2
x6=0
1

1 0
max{|x1 |,|x1 +x2 |}

1 1 = sup max{|x1 |,|x2 |} = ?
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Norma de una matriz

aleatorio.
k A k= supx6=0
kAxk
kxk
Ejemplos

2

1 0
2
(1+ 5)2 +(1+ 5+2)2
1 +(x1 +x2 )

= sup x
=
= 1. 618
1 1
x12 +x22
(1+ 5)2 +(2)2
x6=0
2

1 0
|x1 |+|x1 +x2 |
|1+|1+0|

1 1 = sup |x1 |+|x2 | = |1|+|0| = 2
x6=0
1

1 0
max{|1|,|1+1|}
max{|x1 |,|x1 +x2 |}

1 1 = sup max{|x1 |,|x2 |} = max{|1|,|1|} = 2
x6=0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
23 / 84

Clculo de las normas de una matriz
Teorema
Sea A una matriz cualquiera, entonces
p
k A k2 = mximo de los autovalores de t AA
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
24 / 84

Teorema
p

P
k A k1 = maxj
i | aij |
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
24 / 84

Teorema
p

P
k A k1 = maxj
i | aij |
P

k A k = maxi
|
a
|
ij
j
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
24 / 84
Ejemplo clculo normas matrices

Ejemplo: Calcular las normas 2, 1 e infinito de la matriz

1 0
A=
1 2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2
Solucin: para calcular k A k2 , calculamos primero los autovalores de

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4
que se calculan usando el polinomio caracterstico
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4

2
2

= 2 6 + 4
2
4
p
cuyas races son 3 5. Por tanto k A k2 = 3 + 5.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4

2
2

= 2 6 + 4
2
4
p
cuyas races son 3 5. Por tanto k A k2 = 3 + 5. Por otro lado
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4

2
2

= 2 6 + 4
2
4
p

P
k A k1 = maxj
i | aij | = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4

2
2

= 2 6 + 4
2
4
p

P
k A k1 = maxj
i | aij | = 2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4

2
2

= 2 6 + 4
2
4
p

P
k A k1 = maxj i | aij | = 2
P
k A k = maxi
j | aij | = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84


1 0
A=
1 2

la matriz
1 1
1 0
2 2
=
0 2
1 2
2 4

2
2

= 2 6 + 4
2
4
p

P
k A k1 = maxj i | aij | = 2
P
k A k = maxi
j | aij | = 3
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
25 / 84
Contenido
1

Norma de vectores
Norma de una matriz
Producto Escalar
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
26 / 84

Producto escalar de 2 vectores
DEFINICION: Producto escalar de 2 vectores

(xi , xj ) =
N
X
(xi )k xj

k
k =1
donde (xi )k indica la coordenada k -sima del vector xi .
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
27 / 84


(xi , xj ) =
N
X
(xi )k xj

k
k =1

Ejemplo: Sean x1 = (1, 2, 3)T y x2 = (9, 8, 5)T , entonces :
(x1 , x2 ) = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
27 / 84


(xi , xj ) =
N
X
(xi )k xj

k
k =1

(x1 , x2 ) = 1 9 + 2 8 3 5 = 10
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
27 / 84


(xi , xj ) =
N
X
(xi )k xj

k
k =1

(x1 , x2 ) = 1 9 + 2 8 3 5 = 10
Propiedad importante: k x k2 = ?
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
27 / 84


(xi , xj ) =
N
X
(xi )k xj

k
k =1

(x1 , x2 ) = 1 9 + 2 8 3 5 = 10
Propiedad importante: k x k2 =
Luis Alvarez Len
p
(x, x)
Mtodos Numricos
ULPGCLogo
27 / 84

Normalizar vectores
Normalizar vectores
Dado un vector x normalizarlo respecto a la norma k . k consiste en dividir
el vector por su norma, es decir, hacer
x
kx k
La norma de un vector normalizado es 1.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
28 / 84

Normalizar vectores
Normalizar vectores
x
kx k
Ejemplo:Sea x = (1, 2, 3)T , normalizar el vector depende de la norma
considerada y consiste en hacer :
x
=?
k x k2
x
=?
k x k1
x
=?
k x k
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
28 / 84

Normalizar vectores
Normalizar vectores
x
kx k
1/14
x
= 2/
14
k x k2
3/ 14
x
=?
k x k1
x
=?
k x k
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
28 / 84

Normalizar vectores
Normalizar vectores
x
kx k
1/14
x
= 2/
14
k x k2
3/ 14
1/6
x
= 2/6
k x k1
3/6
x
=?
k x k
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
28 / 84

Normalizar vectores
Normalizar vectores
x
kx k
1/14
x
= 2/
14
k x k2
3/ 14
Luis Alvarez Len
1/6
x
= 2/6
k x k1
3/6
Mtodos Numricos
1/3
x
= 2/3
k x k
3/3
ULPGCLogo
28 / 84
Contenido
1

Norma de vectores
Norma de una matriz
Producto Escalar
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
29 / 84

DEFINICION: Base ortonormal de vectores

Una base ortornormal de vectores de R N son N vectores x1 , ....xN
normalizados y tal que el producto escalar entre todos ellos es 0 (es decir los
vectores son ? entre s).
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
30 / 84


vectores son perpendiculares entre s).
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
30 / 84


vectores son perpendiculares entre s).
Ejemplo: los vectores columna de las siguientes matrices forman una base
ortonormal de vectores

1/ 2 1/3
1/
cos()
sin() 0
1 0 0
6
0 1 0 0
3
2/6 sin() cos() 0
1/
0
0
1
0 0 1
1/ 2 1/ 3 1/ 6
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
30 / 84
Contenido
1

Norma de vectores
Norma de una matriz
Producto Escalar
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
31 / 84

Autovalores de una matriz
Definicin
Un autovalor de A es un nmero real tal que existe un vector x,
denominado autovector, tal que
Ax = x
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
32 / 84

Definicin
Un autovalor de A es un nmero real tal que existe un vector x,
denominado autovector, tal que
Ax = x
Definicin
Se denomina polinomio caracterstico P() de la matriz A, al polinomio
dado por el determinante
P() =| A I |
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
32 / 84

Problema
Calcular los autovectores de la matriz
1 1 0
1 1 0
0 0 2
y determinar una base ortonormal de R 3 de autovectores de A.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
33 / 84

Problema
1 1 0
1 1 0
0 0 2
Solucin: tenemos que calcular los ceros del polinomio caracterstico ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
33 / 84

Problema
1 1 0
1 1 0
0 0 2
Solucin: tenemos que calcular los ceros del polinomio caracterstico
|A i Id| = 0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
33 / 84

Problema
1 1 0
1 1 0
0 0 2
|A i Id| = 0

1
1
0

1
1
0

0
0
2

= ((1 )2 1)(2 ) = 0

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
33 / 84

Problema
1 1 0
1 1 0
0 0 2
|A i Id| = 0

1
1
0

1
1
0

0
0
2

= ((1 )2 1)(2 ) = 0

ULPGCLogo
de donde obtenemos 1 = 0, 2 = 2 y 3 = 2
Luis Alvarez Len
Mtodos Numricos
33 / 84

Calculamos los autovectores de A :
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1 1 0
x1
0
x1 = x2
1 1 0 x2 = 0
x1 = ?
x3 = 0
x3
0
0 0 2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1
0
1 1 0
x1
x1 = x2
12
1 1 0 x2 = 0
x1 =
x3
0
x3 = 0
0 0 2
0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1
0
1 1 0
x1
x1 = x2
12
1 1 0 x2 = 0
x1 =
x3
0
x3 = 0
0 0 2
0
2 , 3 = 2

0
1 1 0
x1
1 1 0 x2 = 0
x3
0
0 0
0
x2 = ?, x3 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1
0
1 1 0
x1
x1 = x2
12
1 1 0 x2 = 0
x1 =
x3
0
x3 = 0
0 0 2
0
2 , 3 = 2

0
1 1 0
x1
x1 = x2
1 1 0 x2 = 0
x3
x3 libre
0
0 0
0
x2 = ?, x3 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1
0
1 1 0
x1
x1 = x2
12
1 1 0 x2 = 0
x1 =
x3
0
x3 = 0
0 0 2
0
2 , 3 = 2

0
1 1 0
x1
x1 = x2
1 1 0 x2 = 0
x3 libre
x3
0
0 0
0
x2 =
1
2
1
2

, x3 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1
0
1 1 0
x1
x1 = x2
12
1 1 0 x2 = 0
x1 =
x3
0
x3 = 0
0 0 2
0
2 , 3 = 2

0
1 1 0
x1
x1 = x2
1 1 0 x2 = 0
x3 libre
x3
0
0 0
0
x2 =
1
2
1
2

0

, x3 = 0
1
0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
34 / 84

1 = 0
1
0
1 1 0
x1
x1 = x2
12
1 1 0 x2 = 0
x1 =
x3
0
x3 = 0
0 0 2
0
2 , 3 = 2

0
1 1 0
x1
x1 = x2
1 1 0 x2 = 0
x3 libre
x3
0
0 0
0
x2 =
1
2
1
2

0

, x3 = 0
1
0
La matriz,
B=
1
2
1
1
2
1
2
0
1
ULPGCLogo
contiene los autovectores de A que forman una base ortonormal de R 3 .

Luis Alvarez Len
Mtodos Numricos
34 / 84

Autovalores de matrices simtricas
Teorema
Todas las matrices simtricas poseen una base ortonormal de
autovectores.
Por tanto, poseen tantos autovalores como dimensin tenga la matriz
(aunque alguno de los autovalores puede salir repetido)
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
35 / 84

Teorema
autovectores.
No todas las matrices poseen una base de autovectores.

A=
1 0
1 1
tiene como autovalor = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
35 / 84

Teorema
autovectores.

A=
1 0
1 1

tiene como autovalor = 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
35 / 84

Teorema
autovectores.

A=
1 0
1 1

y tiene como autovector ?

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
35 / 84

Teorema
autovectores.

A=
1 0
1 1

y tiene como autovector x = (0, 1)T

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
35 / 84
Contenido
1

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
36 / 84

Este mtodo se basa en que, dadas dos matrices A y R, se verifica

que los autovalores de A son los mismos que los autovalores de
R 1 AR. :
R 1 ARx = x
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
37 / 84


R 1 AR. :
R 1 ARx = x
ARx = Rx
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
37 / 84


R 1 AR. :

es autovalor de A
R 1 ARx = x ARx = Rx
para el autovector Rx
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
37 / 84


R 1 AR. :

es autovalor de A
Las matrices R que se van a utilizar son matrices de rotacin :

cos sin
R=
R 1 =?
sin cos
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
37 / 84


R 1 AR. :

es autovalor de A

cos sin
cos sin
1
R=
R =
sin cos
sin cos
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
37 / 84


R 1 AR. :

es autovalor de A

cos sin
cos sin
1
R=
R =
sin cos
sin cos
En 3 variables las matrices de rotacin respecto a cada eje son
cos
sin 0
cos
0 sin
1 0
0
sin cos 0 0
0 cos
1 0
sinULPGCLogo

0
0
1
sin 0 cos
0 sin cos
Luis Alvarez Len
Mtodos Numricos
37 / 84

El objetivo del mtodo es convertir A en una matriz diagonal.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
a0,1 a1,1
sin cos
sin cos
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos

a0,0 cos2 a0,1 sin 2 + a1,1 sin2 a0,1 cos 2 21 a1,1 12 a0,0 sin 2

a0,1 cos 2 12 a1,1 21 a0,0 sin 2 a0,0 cos2 a0,1 sin 2 + a1,1 sin2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


lo que nos lleva a la condicin :
tan(2) = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1
tan(2) = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
=?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
R 1 AR =
0 0
0 2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
R 1 AR =
0 0
0 2
Por tanto los autovalores y autovectores de A son :

1 =
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
R 1 AR =
0 0
0 2

1 = 0 x = R
Luis Alvarez Len
1
0

=

2/2
2/2
ULPGCLogo
2 =
Mtodos Numricos
38 / 84


cos sin
a0,0 a0,1
cos sin
R 1 AR =
=
a0,1 a1,1
sin cos
sin cos


tan(2) =
2a0,1
a1,1 a0,0
Ejemplo

A=
1 1
1 1

tan(2) =
2
0
R 1 AR =
0 0
0 2

1 = 0 x = R
Luis Alvarez Len
1
0

=

2/2
2/2

2 = 2 x = R
Mtodos Numricos
0
1

=

2/2
2/2
ULPGCLogo
38 / 84

Ejemplo
1 1 2
1 2 1
2 1 5
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Ejemplo
1 1 2
? 1 2 1 ?
2 1 5
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Ejemplo
cos 0 sin
1 1 2
cos 0 sin
0
1 2 1
1
0
0
1
0
sin 0 cos
2 1 5
sin 0 cos
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Ejemplo
cos 0 sin
1 1 2
cos 0 sin
0
1 2 1
1
0
0
1
0
sin 0 cos
2 1 5
sin 0 cos
tan(2) =
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Ejemplo
cos 0 sin
1 1 2
cos 0 sin
0
1 2 1
1
0
0
1
0
sin 0 cos
2 1 5
sin 0 cos
tan(2) =
2a0,2
4
= =1 =
a2,2 a0,0
4
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Ejemplo
cos 0 sin
1 1 2
cos 0 sin
0
1 2 1
1
0
0
1
0
sin 0 cos
2 1 5
sin 0 cos
tan(2) =
2a0,2
4
= =1 =
a2,2 a0,0
4
8
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Ejemplo
cos 0 sin
1 1 2
cos 0 sin
0
1 2 1
1
0
0
1
0
sin 0 cos
2 1 5
sin 0 cos
tan(2) =
cos 8
0
sin 8
2a0,2
4
= =1 =
a2,2 a0,0
4
8
1
0 sin 8
1
1
0
2
0 cos 8
0,17
0,54
0,0
1 2
cos 8
2 1
0
1 5
sin 8
0,54
0
2,0
1,30
1. 30 5,82
0 sin 8
1
0 =
0 cos 8
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
39 / 84

Iteracin 2 :
0,17 0,54
0
0,54
2,0
1,30
0,0
1. 30 5,82
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Iteracin 2 :
0,17 0,54
0
? 0,54 2,0 1,30 ?
0,0
1. 30 5,82
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Iteracin 2 :
1
0
0
0,17 0,54
0
1
0
0
0 cos sin 0,54
2,0
1,30 0 cos sin
0 sin cos
0,0
1. 30 5,82
0 sin cos
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Iteracin 2 :
1
0
0
0,17 0,54
0
1
0
0
0 cos sin 0,54
2,0
1,30 0 cos sin
0 sin cos
0,0
1. 30 5,82
0 sin cos
tan(2) =
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Iteracin 2 :
1
0
0
0,17 0,54
0
1
0
0
0 cos sin 0,54
2,0
1,30 0 cos sin
0 sin cos
0,0
1. 30 5,82
0 sin cos
tan(2) =
2a32
2 (1,30)
=
= 0,68 =
a33 a22
5,82 2,0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Iteracin 2 :
1
0
0
0,17 0,54
0
1
0
0
0 cos sin 0,54
2,0
1,30 0 cos sin
0 sin cos
0,0
1. 30 5,82
0 sin cos
tan(2) =
2a32
2 (1,30)
arctan(0,68)
=
= 0,68 =
= 0,3
a33 a22
5,82 2,0
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Iteracin 2 :
1
0
0
0,17 0,54
0
1
0
0
0 cos sin 0,54
2,0
1,30 0 cos sin
0 sin cos
0,0
1. 30 5,82
0 sin cos
2a32
2 (1,30)
arctan(0,68)
=
= 0,68 =
= 0,3
a33 a22
5,82 2,0
2
1
0
0
0,17 0,54
0
1
0
0
0 cos sin 0,54
2,0
1,30 0 cos sin =
0 sin cos
0,0
1. 30 5,82
0 sin cos
0,17 0,51 0,15

0,51 1,59
0
0,15
0
6,23
tan(2) =
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
40 / 84

Algoritmo del Mtodo de Jacobi para el Clculo de autovalores. Clculo de los
autovectores
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
41 / 84

autovectores
R11 AR1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
41 / 84

autovectores
R21 R11 AR1 R2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
41 / 84

autovectores
RN1 ...R21 R11 AR1 R2 ...RN
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
41 / 84

autovectores
RN1 ...R21 R11 AR1 R2 ...RN

Si llamamos R = R1 R2 ...RN entonces si R 1 AR es diagonal se tiene
que los autovectores de A son :
x1 = R ? x2 = R ?
.... xN = R ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
41 / 84

autovectores
RN1 ...R21 R11 AR1 R2 ...RN

Si llamamos R = R1 R2 ...RN entonces si R 1 AR es diagonal se tiene
que los autovectores de A son :

1
0
0
0
1
0

x1 = R
. x2 = R . .... xN = R .
0
0
1
Es decir, los autovectores de A son los vectores columna de R
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
41 / 84

Algoritmo del Mtodo de Jacobi para el Clculo de autovalores y autovectores
la matriz R() que se necesita utilizar para hacer 0 el elemento ap,q se

calcula tomando

2 ap,q
= 0.5 atan
aq,q ap,p
y construyendo la matriz
1
0
R() =
0
0
0
cos
0
sin
0
0
1
0
0
sin
p
0
cos
q
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
42 / 84

la matriz R() que se necesita utilizar para hacer 0 el elemento ap,q se

calcula tomando

2 ap,q
= 0.5 atan
aq,q ap,p
y construyendo la matriz
1
0
R() =
0
0
0
cos
0
sin
0
0
1
0
0
sin
p
0
cos
q
es decir R() puede interpretarse como una modificacin de la matriz

identidad donde en las posiciones (p, p) y (q, q) ponemos cos(), en
la posicin (p, q) sin() y en la posicin (q, p) sin().
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
42 / 84

Resumen del algoritmo

Inicializamos la matriz de autovectores R = Id
Para iter=0 hasta NmaxIter
Calcular p, q tal que |ap,q | = maxj>i {|ai,j |}
Si |ap,q | < TOL el algoritmo termina correctamente. Los autovalores
estn en la diagonal de A y los autovectores en la matriz R

2ap,q
Calcular = 0.5 atan aq,q a
p,p
Actualizar R haciendo R = R R()
Actualizar la matriz A haciendo A = R()t A R()
Fin Para
Se ha excedido el nmero de iteraciones.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
43 / 84

En cada iteracin del mtodo de Jacobi tenemos que hacer la

actualizacin R = R R() para hacerla rpidamente tenemos en
cuenta que que esta operacin solo modifica las columnas p y q de R
de la siguiente manera :
columna p : rk ,p = cos()rk ,p sin()rk ,q
k = 0, .., N 1
columna q : rk ,q = cos()rk ,q + sin()rk ,p
k = 0, .., N 1
Nota: al implementar estas frmulas hay que tener cuidado al

actualizar para evitar usar valores rk ,p ya actualizados previamente.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
44 / 84

Tambin podemos tener en cuenta que la operacin

A = R()t A R() solo modifica las columnas y filas p y q de A de la
siguiente manera :
fila y columna p :
ak ,p = ap,k = cos()ap,k sin()aq,k
k 6= p, q
fila y columna q :
ak ,q = aq,k = cos()aq,k + sin()ap,k
k 6= p, q
ap,p = cos()(cos()ap,p sin()aq,p )sin()(cos()ap,q sin()aq,q )

aq,q = cos()(cos()aq,q +sin()ap,q )+sin()(cos()aq,p +sin()ap,p )
ap,q = aq,p = 0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
45 / 84
Contenido
1

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
46 / 84
Contenido
3

Mtodo de la potencia inversa para calcular el autovalor mnimo
Mtodo de la potencia inversa para calcular el autovalor ms
cercano a un nmero
Algoritmo general para calcular los autovectores de una matriz
cualquiera
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
47 / 84


Consideremos la matriz
1 0
1 3

max = 3,
xmax =
0
1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
48 / 84


1 0
max = 3,
1 3
vamos a hacer iteraciones del esquema
un =
Au n1
k u n1 k

xmax =
partiendo de u 0 =
0
1
1
1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
48 / 84


1 0
max = 3,
1 3
un =
u1 =
Au 0
ku 0 k
u2
Au 1
ku 1 k
Au 2
ku 2 k
u3
1
4
1/4
13/4
=

=
k u 1 k = 4
Au n1
k u n1 k
xmax =
partiendo de u 0 =
0
1
1
1
k u 1 k = 4

1/13
40/13
k u 2 k =
13
4
k u 3 k =
k u 2 k = 3, 25
= 3,25
40
13
= 3,07
k u 3 k = 3,07
3
ULPGCLogo
u1
ku 1 k

=
1/4
1
Luis Alvarez Len
u2
ku 2 k

=
1/13
1
u3
ku 3 k

=
Mtodos Numricos
1/40
1
0
1
48 / 84

Mtodo de la potencia para calcular el autovalor mayor

Si cambiamos el signo a la matriz
1 0
1 3

max = 3,
xmax =
0
1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
49 / 84


1 0
1 3
un =
Au n1
k u n1 k

max = 3,
partiendo de u 0 =
xmax =
1
1
0
1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
49 / 84


1 0
1 3
un =
u1 =
Au 0
ku 0 k
u2
Au 1
ku 1 k
Au 2
ku 2 k
u3
1
4
1/4
13/4
=

=
k u 1 k = 4
Au n1
k u n1 k

max = 3,
xmax =
1
1
1/40
1
partiendo de u 0 =
0
1
0
1
k u 1 k = 4

1/13
40/13
k u 2 k =

13
4
k u 3 k =
k u 2 k = 3, 25
= 3,25
40
13
= 3,07
k u 3 k = 3,07
3
ULPGCLogo
u1
ku 1 k

=
1/4
1
Luis Alvarez Len
u2
ku 2 k

=
1/13
1
u3
ku 3 k

=
Mtodos Numricos
49 / 84

Diseo Algoritmo Mtodo de la potencia para calcular el autovalor mayor
Parmetros de entrada : matriz A, aproximacin inicial del autovector

umax , NmaxIter y TOL
Calculamos max =k umax k2 ;
Normalizamos umax = umax /max ;
Para iter=0 hasta NmaxIter
Calcular unew = A umax ;
Calcular new =k unew k2 ;
if( umax unew < 0) { max = new ;}
else{ max = new ; }
unew = unew /max ;
if( k umax unew k2 < TOL) { umax = unew ;
return max ; }
umax = unew ;
ULPGCLogo
Fin Para
Luis Alvarez Len
Mtodos Numricos
50 / 84

Teorema
Sea una matriz A que posee una base de autovectores tal que en
mdulo su autovalor mximo max es nico. Sea un vector u 1 no
ortogonal al subespacio engendrado por los autovectores del
autovalor max , entonces, si definimos la secuencia
un = A
u n1
k u n1 k
se verifica que
Limn sign

u n , u n1

n
Limn sign u n , u n1
Luis Alvarez Len

k u n k= max
un
es un autovector de maxULPGCLogo
k un k
Mtodos Numricos
51 / 84
Contenido
3

cercano a un nmero
cualquiera
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
52 / 84

Mtodo de la potencia inversa para calcular el autovalor menor
El mtodo de la potencia inversa se basa en que si

Ax = x
A1 x =
1
x
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
53 / 84


Ax = x
A1 x =
1
x
y por tanto
El autovalor mximo de A1 =
1
min{i }
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
53 / 84


Ax = x
A1 x =
1
x
y por tanto
El autovalor mximo de A1 =
1
min{i }
Para realizar las iteraciones del mtodo de la potencia inversa, a

veces, en lugar de calcular A1 se resuelve en cada etapa un sistema
de ecuaciones teniendo en cuenta que
un =
A1 u n1
k u n1 k
Au n =
u n1
k u n1 k
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
53 / 84


2 1
1 5

min = 1,70,
xmin =
1,0
0,30
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
54 / 84


2 1
1 5

min = 1,70,
xmin =
1,0
0,30
vamos a hacer iteraciones del mtodo de la potencia cambiando A por A1

A1 u n1
1
un =
partiendo de u 0 =
n1
1
ku
k
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
54 / 84


2 1
1 5

min = 1,70,
xmin =
1,0
0,30
vamos a hacer iteraciones del mtodo de la potencia cambiando A por A1

A1 u n1
1
un =
partiendo de u 0 =
n1
1
ku
k
u1 =
A1 u 0
ku 0 k
u2 =
A1 u 1
ku 1 k
u3 =
A1 u 2
ku 2 k
0,44
0,11
0,52
0,055
0,57
0,134
k u 1 k = 0,44
u1
ku 1 k

=
1,0
0,25
k u 1 k = 0,44
k u 2 k = 0,52
k u 3 k = 0,57
k u 2 k = 0,52

Luis Alvarez Len
u2
ku 2 k

=
k u 3 k = 0,57
1,0
0,1
u3
ku 3 k
min =

1,0
0,23
Mtodos Numricos
1
0,57
= 1,75
xmin =
1,0
0,30
ULPGCLogo
54 / 84
Contenido
3

cercano a un nmero
cualquiera
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
55 / 84

Mtodo de la potencia inversa para calcular el autovalor ms cercano a un nmero
El mtodo de la potencia directa e inversa nos permite calcular el autovalor

ms grande y ms pequeo de una matriz. Ahora bien para calcular los
autovalores que se encuentren entre min y max necesitamos informacin
adicional como puede ser tener una aproximacin del autovalor buscado. Por
ejemplo si es una aproximacin del autovalor de tal forma que se
encuentre ms cercano a que a cualquier otro autovalor, podemos construir
la matriz A0 = A I. Si llamamos 0min al autovalor ms pequeo de A0 , se
cumple que
A0 x = (A I)x = 0min x
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
56 / 84


cumple que
de donde despejando
Ax = x
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
56 / 84


cumple que
de donde despejando
Ax = (0min + )x
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
56 / 84


cumple que
de donde despejando
Ax = (0min + )x
y por tanto es el autovalor de A ms cercano a .
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
56 / 84


cumple que
de donde despejando
Ax = (0min + )x
y por tanto 0min + es el autovalor de A ms cercano a .
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
56 / 84

5 0 0
Consideremos la matriz A = 1 1 0 , el autovalor ms cercano a 3 prox = 2,
1 1 2
T
xprox = (0, 0, 1) .
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
57 / 84

5 0 0
1 1 2
T
xprox = (0, 0, 1) .Vamos a hacer iteraciones del mtodo de la potencia inversa con
B = A 3Id partiendo de u 0 = (1, 1, 1)T
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
57 / 84

5 0 0
1 1 2
T
xprox = (0, 0, 1) .Vamos a hacer iteraciones del mtodo de la potencia inversa con
B = A 3Id partiendo de u 0 = (1, 1, 1)T
u1 =
B 1 u 0
ku 0 k
= (0.5, 0.25, 0.75)T
u2 =
A1 u 1
ku 1 k
= (0.33, 0.33, 1.66)T
u3 =
A1 u 2
ku 2 k
= (0.1, 0.05, 0.95)T
k u 1 k = 0.75
k u 2 k = 1,66
k u 3 k = 0,95
Como los autovectores van cambiando de signo en cada iteracin tenemos :

xprox = (0.1, 0.05, 0.95)T
(A 3Id)xprox =
1
xprox = 1.05xprox
0.95
de donde despejando obtenemos: Axprox = (3 1.05)xprox = 1.95xprox
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
57 / 84
Contenido
3

cercano a un nmero
cualquiera
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
58 / 84

Algoritmo general para calcular los autovectores de una matriz cualquiera
Paso 1: Se calcula el polinomio caracterstico |A I| = 0.
Paso 2: Se calculan las races {i } del polinomio caracterstico
Paso 3 : Utilizando el mtodo de la potencia inversa se calculan

los autovectores ms pequeos de las matrices A i I
La principal dificultad de este algoritmo es que requiere calcular el

polinomio caracterstico.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
59 / 84



ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
59 / 84



ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
59 / 84
Contenido
1

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
60 / 84
Contenido
4

Mtodo de Jacobi
Mtodo de Gauss-Seidel
Mtodo de relajacin
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
61 / 84

Mtodos iterativos de resolucin de sistemas de ecuaciones. Mtodo de Jacobi
Consideremos el sistema de ecuaciones :

2
1 0
x
1
1 2
1 y = 0
0
1 2
z
1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
62 / 84


2
1 0
x
1
1 2
1 y = 0
0
1 2
z
1
2x y = 1
x + 2y z = 0
y + 2z = 1
despejando los elementos de la diagonal podemos escribir las

anteriores relaciones como una ecuacin de punto fijo:
x=
y=
z=
1+y
2
x+z
2
1+y
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
62 / 84


2
1 0
x
1
1 2
1 y = 0
0
1 2
z
1
2x y = 1
x + 2y z = 0
y + 2z = 1
despejando los elementos de la diagonal podemos escribir las

anteriores relaciones como una ecuacin de punto fijo:
1+y
1+y
xn = 2n1
x
=
x
+z
y = x+z
yn = n1 2 n1
2
z = 1+yn1
z = 1+y
n
2
2
partiendo de u 0 = (x0 , y0 , z0 )T = (0, 0, 0)T las iteraciones seran:
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
62 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 21
z3 = ?
x1 = ?
y1 = ?
z1 = ?
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 12
z3 = ?
x1 = 1+0
2 =
y1 = ?
z1 = ?
1
2
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 12
z3 = ?
1
x1 = 1+0
2 = 2
y1 = 0+0
2 =0
z1 = ?
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 12
z3 = ?
x =
1
y1 =
z1 =
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 12
z3 = ?
x =
1
y1 =
z1 =
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 = 1+0
2 =
y2 = ?
z2 = ?
1
2
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 12
z3 = ?
x =
1
y1 =
z1 =
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 =
y2 =
1+0
2
1
2
1/2+1/2
2
1
2
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
1+yn1
2
x3 = ?
y3 = ? 12
z3 = ?
x =
1
y1 =
z1 =
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 =
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
x =
1+1/2
2
1+yn1
2
3
4
y3 = ? 21
z3 = ?
x =
1
y1 =
z1 =
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 =
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
x3 =
1+1/2
2
y3 =
x =
1
y1 =
z1 =
1+yn1
2
1/2+1/2
2
3
4
z3 = ?
1
2
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 =
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
x3 =
1+1/2
2
y3 =
z =
3
x =
1
y1 =
z1 =
1+yn1
2
1/2+1/2
2
1+1/2
2
3
4
=
3
4
1
2
1+0
2
0+0
2
=0
1+0
2
1
2
1
2
x2 =
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
x3 =
1+1/2
2
y3 =
z =
3
x =
1
y1 =
z1 =
1+yn1
2
1/2+1/2
2
1+1/2
2
3
4
=
3
4
1
2
1+0
2
0+0
2
=0
1+0
2
x =
1
2
1
2
1+1/2
2
x2 =
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
3
4
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
x3 =
1+1/2
2
y3 =
z =
3
x =
1
y1 =
z1 =
1+yn1
2
1/2+1/2
2
1+1/2
2
3
4
=
3
4
1
2
1+0
2
0+0
2
=0
1+0
2
x4 =
y4 =
1
2
1
2
1+1/2
2
x2 =
3/4+3/4
2
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
3
4
3
4
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

xn =
yn =
z =
n
1+yn1
2
xn1 +zn1
2
x3 =
1+1/2
2
y3 =
z =
3
x =
1
y1 =
z1 =
1+yn1
2
1/2+1/2
2
1+1/2
2
3
4
=
3
4
1
2
1+0
2
0+0
2
=0
1+0
2
x4 =
y4 =
z =
4
1
2
1
2
1+1/2
2
3/4+3/4
2
1+1/2
2
x2 =
1+0
2
1
2
y2 =
1/2+1/2
2
z2 =
1+0
2
1
2
1
2
3
4
3
4
3
4
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
63 / 84

El mtodo de Jacobi es equivalente al esquema iterativo:

u0n =
n1
a0,1 u1n1 ... a0,N1 uN1
+ b0
a0,0
n1
a1,0 u0n1 a1,2 u2n1 ... a1,N1 uN1
+ b1
a1,1
.
n1
aN1,0 u0n1 aN1,1 u1n1 ... aN1,N2 uN2
+ bN1
=
aN1,N1
u1n =
n
uN1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
64 / 84

El mtodo de Jacobi es equivalente al esquema iterativo:

u0n =
n1
a0,1 u1n1 ... a0,N1 uN1
+ b0
a0,0
n1
a1,0 u0n1 a1,2 u2n1 ... a1,N1 uN1
+ b1
a1,1
.
n1
aN1,0 u0n1 aN1,1 u1n1 ... aN1,N2 uN2
+ bN1
=
aN1,N1
u1n =
n
uN1
Los mtodos iterativos no convergen siempre. Se puede demostrar

que funcionan bien en el caso en que por filas o columnas, la diagonal
de la matriz en valor absoluto sea mayor que la suma en valor
ULPGCLogo
absoluto del resto de de elementos por filas o columnas.
Luis Alvarez Len
Mtodos Numricos
64 / 84
Contenido
4

Mtodo de Jacobi
Mtodo de relajacin
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
65 / 84

Mtodos iterativos de resolucin de sistemas de ecuaciones. Mtodo de Gauss-Seidel
En el mtodo de Gauss Seidel actualizamos las componentes del vector

solucin al mismo tiempo que se va calculando :
xn =
yn =
zn =
1+yn1
2
xn +zn1
2
1+yn
2
x3 = ?
y3 = ?
z3 = ?
x1 = ?
y1 = ?
z1 = ?
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


xn =
yn =
zn =
1+yn1
2
xn +zn1
2
1+yn
2
x3 = ?
y3 = ?
z3 = ?
x1 = 1+0
2 =
y1 = ?
z1 = ?
1
2
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


xn =
yn =
zn =
1+yn1
2
xn +zn1
2
1+yn
2
x3 = ?
y3 = ?
z3 = ?
1
x1 = 1+0
2 = 2
y1 = 1/2+0
=
2
z1 = ?
1
4
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


xn =
yn =
zn =
1+yn1
2
xn +zn1
2
1+yn
2
x3 = ?
y3 = ?
z3 = ?
x1 =
y1 =
z1 =
1+0
2
1
2
1/2+0
2
1
4
1+1/2
2
5
8
x2 = ?
y2 = ?
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


xn =
yn =
zn =
1+yn1
2
xn +zn1
2
1+yn
2
x3 = ?
y3 = ?
z3 = ?
x1 =
y1 =
z1 =
1+0
2
1
2
1/2+0
2
1
4
1+1/2
2
5
8
x = 1+1/4
=
2
y2 = ?
z2 = ?
5
8
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


xn =
yn =
zn =
1+yn1
2
xn +zn1
2
1+yn
2
x3 = ?
y3 = ?
z3 = ?
x1 =
y1 =
z1 =
1+0
2
1/2+0
2
1+1/2
2
1
2
=
=
1
4
5
8
x2 =
y2 =
1+1/4
2
5/8+5/8
2
5
8
5
8
z2 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
y1 = 1/2+0
= 14
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
n
z1 = 1+1/2
= 58
zn = 1+y
z2 = 1+5/8
= 13
2
2
2
16
x3 = ?
y3 = ?
z3 = ?
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
y1 = 1/2+0
= 14
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
z = 1+5/8 = 13
z = 1+1/2 = 5
z = 1+yn
n
x = 1+5/8
=
3
y3 = ?
z3 = ?
13
16
16
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
y1 = 1/2+0
= 14
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
z = 1+5/8 = 13
z = 1+1/2 = 5
z = 1+yn
n
x3 = 1+5/8
= 13
2
16
13/16+13/16
y3 =
=
2
z3 = ?
13
16
16
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
= 14
y1 = 1/2+0
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
z = 1+5/8 = 13
z = 1+1/2 = 5
z = 1+yn
n
x3 =
y3 =
z =
3
1+5/8
2
13
16
13/16+13/16
2
1+13/16
2
29
32
13
16
16
x4 = ?
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
= 14
y1 = 1/2+0
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
z = 1+5/8 = 13
z = 1+1/2 = 5
z = 1+yn
n
x3 =
y3 =
z =
3
1+5/8
2
13
16
13/16+13/16
2
1+13/16
2
29
32
13
16
x =
1+12/16
2
16
29
32
y4 = ?
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
= 14
y1 = 1/2+0
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
z = 1+5/8 = 13
z = 1+1/2 = 5
z = 1+yn
n
x3 =
y3 =
z =
3
1+5/8
2
13
16
13/16+13/16
2
1+13/16
2
29
32
13
16
x4 =
y4 =
1+12/16
2
29
32
3/4+3/4
2
29
32
16
z4 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84


1+yn1
1+0
1
x
=
=
x2 = 1+1/4
= 58
x
=
1
n
2
2
2
2
x +z
= 14
y1 = 1/2+0
yn = n 2 n1
y2 = 5/8+5/8
= 58
2
2
z = 1+5/8 = 13
z = 1+1/2 = 5
z = 1+yn
n
x3 =
y3 =
z =
3
1+5/8
2
13
16
13/16+13/16
2
1+13/16
2
29
32
13
16
x4 =
y4 =
z =
4
1+12/16
2
29
32
3/4+3/4
2
29
32
1+29/32
2
61
64
16
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
66 / 84

En la prctica, el mtodo de Gauss-Seidel se implementa a travs del

siguiente esquema iterativo:
u0n
n1
a0,1 u1n1 ... a0,N1 uN1
+ b0
a0,0
n1
a1,0 u0n a1,2 u2n1 ... a1,N1 uN1
+ b1
a1,1
.
n
aN1,0 u0n aN1,1 u1n ... aN1,N2 uN2
+ bN1
=
aN1,N1
u1n =
n
uN1
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
67 / 84
Contenido
4

Mtodo de Jacobi
Mtodo de relajacin
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
68 / 84

Mtodos iterativos de resolucin de sistemas de ecuaciones. Mtodo de Relajacin
En el mtodo de relajacin se combina la solucin propuesta por

Gauss-Seidel con la solucin en la etapa anterior a travs del parmetro de
relajacin w. Vamos a hacer iteraciones del esquema:
1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
x1 = ?
y1 = ?
z1 = ?
+ (1 w)yn1
Si hacemos w = 1,17 obtenemos:
+ (1 w)zn1
x2 = ?
y2 = ?
z2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84


1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
+ (1 w)yn1
+ (1 w)zn1
x1 = 1,17 1+0
2 = 0,58
y1 = ?
z1 = ?
x2 = ?
y2 = ?
z2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84


1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
+ (1 w)yn1
+ (1 w)zn1
x1 = 1,17 1+0
2 = 0,58
y1 = 1,17 0,58+0
= 0,34
2
z1 = ?
x2 = ?
y2 = ?
z2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84


1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
+ (1 w)yn1
+ (1 w)zn1
x1 = 1,17 1+0
2 = 0,58
y1 = 1,17 0,58+0
= 0,34
2
z1 = 1,17 1+0,34
= 0,78
2
x2 = ?
y2 = ?
z2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84


1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
+ (1 w)yn1
+ (1 w)zn1
x1 = 1,17 1+0
2 = 0,58
y1 = 1,17 0,58+0
= 0,34
2
z1 = 1,17 1+0,34
= 0,78
2
x2 = 1,17 1+0,34
0,17 0,29= 0,58
y2 = ?
z2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84


1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
+ (1 w)yn1
+ (1 w)zn1
x1 = 1,17 1+0
2 = 0,58
y1 = 1,17 0,58+0
= 0,34
2
z1 = 1,17 1+0,34
= 0,78
2
0,17 0,29= 0,58

x2 = 1,17 1+0,34
1+0,68
y2 = 1,17 2 0,17 0,17 = 0,92
z2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84


1+y
xn = w 2n1 + (1 w)xn1
yn = w
zn =
xn +zn1
2
n
w 1+y
2
+ (1 w)yn1
+ (1 w)zn1
x1 = 1,17 1+0
2 = 0,58
0,58+0
y1 = 1,17 2 = 0,34
z1 = 1,17 1+0,34
= 0,78
2
0,17 0,29= 0,58

x2 = 1,17 1+0,34
1+0,68
y2 = 1,17 2 0,17 0,17 = 0,92
z2 = 1,17 1+0,92
0,17 0,78 = 0, 99
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
69 / 84

En la prctica, el mtodo de relajacin se implementa a travs del siguiente

esquema iterativo:
u0n = w
n1
a0,1 u1n1 ... a0,N1 uN1
+ b0
+ (1 w)u0n1
a0,0
u1n = w
n1
a1,0 u0n a1,2 u2n1 ... a1,N1 uN1
+ b1
+ (1 w)u1n1
a1,1
n
uN1
= w
n
aN1,0 u0n aN1,1 u1n ... aN1,N2 uN2
+ bN1
n1
+ (1 w)uN1
aN1,N1
La eleccin del parmetro w es, en general, un problema difcil. Normalmente

se toma w [1, 2) pero obtener el valor ptimo de w, es decir, el valor que
hace que la convergencia sea ms rpida, es un problema complejo que no se
estudia en este curso.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
70 / 84
Contenido
1

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
71 / 84

Consideremos el siguiente sistema no lineal de ecuaciones:

2
x y2 + 1 = 0
2xy = 0
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
72 / 84


2
2

0
x y2 + 1 = 0
x y2 + 1
f (u) = f (x, y ) =
=
0
2xy = 0
2xy
Utilizamos el desarrollo de Taylor en varias variable
f (u) = f (u 0 ) + f (u 0 )(u u 0 ) + ....
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
72 / 84


2
2

0
x y2 + 1 = 0
x y2 + 1
f (u) = f (x, y ) =
=
0
2xy = 0
2xy
Utilizamos el desarrollo de Taylor en varias variable
f (u) = f (u 0 ) + f (u 0 )(u u 0 ) + ....

f (u) =
2x
2y
2y
2x
Igualando a 0 el desarrollo de Taylor y tomamos u 0 = (1, 1) obtenemos

1
2 2
x1 x0
f (u 0 ) + f (u 0 )(u u 0 ) = 0
+
=0
2
2 2
y1 y0
Resolvemos el sistema asociado y obtenemos u 1 = (1/4, 3/4).
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
72 / 84
Mtodo de Newton-Raphson para sistemas

Clculo matriz derivada
f : RN RN
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
73 / 84

f : R N R N dentro del cdigo C++ f viene definida como

Array1D<real> f(Array1D<real> &u){
.
Array1D<real> fu(u.dim());
.
................ /* cdigo para rellenar fu */
.
return fu;
}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
73 / 84

f : R N R N dentro del cdigo C++ f viene definida como

.
.
................ /* cdigo para rellenar fu */
.
return fu;
}
Para el ejemplo anterior tendramos
2

0
x y2 + 1 = 0
f0 (x, y ) = x 2 y 2 + 1
f (u) = f (x, y ) =
=
0
2xy = 0
f1 (x, y ) = 2xy
.
.
fu[0]=u[0]*u[0]-u[1]*u[1]+1.;
.
fu[1]=2.*u[0]*u[1];
.
return fu;
}
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
73 / 84

Clculo matriz derivada para el ejemplo
Veamos como se aproximara numricamente la matriz gradiente del ejemplo

!

f0
f0
(x,
y
)
(x,
y
)
f0 (x, y ) = x 2 y 2 + 1
x
y
f (x, y ) =
f (x, y ) =
f1
f1
f1 (x, y ) = 2xy
x (x, y ) y (x, y )
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
74 / 84


!

f0
f0
(x,
y
)
(x,
y
)
f0 (x, y ) = x 2 y 2 + 1
x
y
f (x, y ) =
f (x, y ) =
f1
f1
f1 (x, y ) = 2xy
x (x, y ) y (x, y )
Aproximando la derivadas usando las frmulas vistas en el tema 3
f (x, y ) '
f0 (x+h,y )f0 (x,y )

h
f1 (x+h,y )f1 (x,y )
h
f0 (x,y +h)f0 (x,y )

h
f1 (x,y +h)f1 (x,y )
h
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
74 / 84


!

f0
f0
(x,
y
)
(x,
y
)
f0 (x, y ) = x 2 y 2 + 1
x
y
f (x, y ) =
f (x, y ) =
f1
f1
f1 (x, y ) = 2xy
x (x, y ) y (x, y )
Aproximando la derivadas usando las frmulas vistas en el tema 3
f (x, y ) '
f0 (x+h,y )f0 (x,y )

h
f1 (x+h,y )f1 (x,y )
h
f0 (x,y +h)f0 (x,y )

h
f1 (x,y +h)f1 (x,y )
h
Si escribimos los vectores columna en funcin de f(.) obtenemos :

f (x, y ) '

f ((x, y ) + h (1, 0)) f (x, y ) f ((x, y ) + h (0, 1)) f (x, y )
,
h
h
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
74 / 84

Clculo matriz derivada caso general
f (u) =
f0 (u)
f1 (u)
.
fN1 (u)
f0
u0 (u)
f1
u0 (u)
.
fN1
u0 (u)
f0
u1 (u)
f1
u1 (u)
.
.
.
fN1
u1 (u) .
f1
uN1 (u)
f1
uN1 (u)
.
fN1
uN1 (u)
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
75 / 84

f (u) =
f0 (u)
f1 (u)
.
fN1 (u)
f0
u0 (u)
f1
u0 (u)
.
fN1
u0 (u)
f0
u1 (u)
f1
u1 (u)
.
.
.
fN1
u1 (u) .
f1
uN1 (u)
f1
uN1 (u)
.
fN1
uN1 (u)
k = (0, .., 0, |{z}

Llamando e
1 , 0, .., 0), obtenemos
k
f0
uk (u)
f1
uk (u)
.
fN1
uk (u)
'
h

k )
f0 (u + he
f0 (u)
f1 (u)
k )
f1 (u + he

.
.
k
)
fN1 (u)
fN1 (u + he
f (u + he
k ) f (u)
=
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
75 / 84

f (u) =
f0 (u)
f1 (u)
.
fN1 (u)
f0
u0 (u)
f1
u0 (u)
.
fN1
u0 (u)
f0
u1 (u)
f1
u1 (u)
.
.
.
fN1
u1 (u) .
f1
uN1 (u)
f1
uN1 (u)
.
fN1
uN1 (u)
k = (0, .., 0, |{z}

Llamando e
1 , 0, .., 0), obtenemos
k
f0
uk (u)
f1
uk (u)
.
fN1
uk (u)
'
h

k )
f0 (u + he
f0 (u)
f1 (u)
k )
f1 (u + he

.
.
k
)
fN1 (u)
fN1 (u + he
f (u + he
k ) f (u)
=
donde h = |uk | 106 + 1020 se toma proporcional a |uk |

Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
75 / 84

f : RN RN
k = (0, .., 0, |{z}

e
1 , 0, .., 0)T
k
f (u)
=
N1 ) f (u)
0 ) f (u)
f (u + h e
f (u + h e
, ....,
h
h
T
Algoritmo clculo matriz derivada en el vector u

= 0 // e
es un vector auxiliar donde se almacenar e
k
e
para k=0 hasta N-1 hacer
[k ] = 1
e
h=|uk | 106 + 1020
u2 =
f (u+he)f (u)
h
u2 se pone en la columna k de la matriz f (u)

[k ] = 0
e
fin para
Luis Alvarez Len
Mtodos Numricos
ULPGCLogo
76 / 84

Algoritmo
Algoritmo Mtodo de Newton-Raphson para sistemas

para k=0 hasta "Mximo de iteraciones" hacer
test de salida si f (u) es prximo a cero
Calculamos matriz derivada f (u)
Resolvemos el sistema lineal f (u) x = f (u)
test de salida si x es pequeo
u=u+x; // se actualiza la solucin
fin para
Si el algoritmo llega aqu se ha excedido el nmero de iteraciones
mximo.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
77 / 84
Contenido
1

ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
78 / 84

El condicionamiento de una matriz es un nmero que nos indica la

calidad de una matriz cuando se trabaja con ella numricamente
Ejemplo
Consideremos el siguiente sistema de ecuaciones

10 7 8 7
x
32
7 5 6 5 y 23

8 6 10 9 z = 33
7 5 9 10
v
31
cuya solucin es (1, 1, 1, 1). Vamos a considerar ahora el mismo

sistema, perturbando ligeramente el trmino independiente:
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
79 / 84

Ejemplo
10
7
8
7
x
7 8 7
y
5 6 5
6 10 9 z
v
5 9 10
32,1
22,9
=
33,1
30,9
La solucin de este sistema es (9.2,-12.6,4.5,-1.1). Como podemos

observar, a pesar de que la perturbacin del sistema es del orden de
0.1 la perturbacin de la solucin del sistema puede llegar a ser del
orden de 13.6.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
80 / 84

Consideremos un sistema de ecuaciones de la forma

Au = b
y el sistema de ecuaciones perturbado
A (u + u) = b + b
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
81 / 84

Consideremos un sistema de ecuaciones de la forma

Au = b
y el sistema de ecuaciones perturbado
A (u + u) = b + b
Queremos controlar el error relativo en la solucin del sistema a partir
del error relativo en el trmino independiente b.
k u k
k b k
(A)
kuk
kbk
donde (A) es un nmero que llamaremos condicionamiento de la
ULPGCLogo
matriz. Cuanto ms pequeo sea (A) mejor comportamiento tendr
la matriz A.
Luis Alvarez Len
Mtodos Numricos
81 / 84

Teorema
k u k
k b k
k A k k A1 k
|
{z
}kbk
kuk
(A)
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
82 / 84

Teorema
k u k
k b k
k A k k A1 k
|
{z
}kbk
kuk
(A)
Hay que tener en cuenta que

p
k A k2 = mximo autovalores de t AA
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
82 / 84

Teorema
k u k
k b k
k A k k A1 k
|
{z
}kbk
kuk
(A)

p

P
k A k1 = maxj
i | aij |
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
82 / 84

Teorema
k u k
k b k
k A k k A1 k
|
{z
}kbk
kuk
(A)

p

P
k A k1 = maxj
i | aij |
P

k A k = maxi
|
a
|
ij
j
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
82 / 84

Teorema
k u k
k b k
k A k k A1 k
|
{z
}kbk
kuk
(A)

p

P
k A k1 = maxj
i | aij |
P

k A k = maxi
|
a
|
ij
j
Adems si A es simtrica entonces k A k2 = maxi {| i |}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
82 / 84

Problema
Demostrar que, si A es simtrica entonces, para la norma 2, se
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Solucin:
Ax = x
A1 x = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Solucin:
Ax = x
A1 x =
1
x
k A1 k2 = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Solucin:
Ax = x
A1 x =
1
x
k A1 k2 =
1
mini {i }
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Nota: En el caso del ejemplo de matrix 4x4 anterior los autovalores de

la matriz son 0.01, 0.84, 3.86, y 30.29, por tanto el condicionamiento
sera
30.29
= 3029
(A)2 =
0.01
lo cual indica un condicionamiento bastante malo.
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Ejemplos
A=
0
0
!
(A)2 = ?
| A |= 0
(A)2 = ?
(A)2
?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Ejemplos
A=
0
0
!
(A)2 = 1
| A |= 0
(A)2 = ?
(A)2
?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Ejemplos
A=
0
0
!
(A)2 = 1
| A |= 0
(A)2 =
(A)2
?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Problema
cumple que
(A)2 =k A k2 k A1 k2 =
maxi {| i |}
mini {| i |}
Ejemplos
A=
0
0
!
(A)2 = 1
| A |= 0
(A)2 =
(A)2
(A)2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
83 / 84

Ejemplo

A=
1 0
1 2

=
1
21
1
2
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
84 / 84

Ejemplo

A=
1 0
1 2

=
1
21
1
2
(A)2 = kAk2 kA1 k2 = ?

(A)1 = kAk1 kA1 k1 = ?
(A) = kAk kA1 k = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
84 / 84

Ejemplo

1 0
1 2
1
21
A =
1
2
q
q
(A)2 = kAk2 kA1 k2 = (t AA) (t A1 A1 ) = 2. 618
A=
(A)1 = kAk1 kA1 k1 = ?

(A) = kAk kA1 k = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
84 / 84

Ejemplo

1 0
1 2
1
21
A =
1
2
q
q
(A)2 = kAk2 kA1 k2 = (t AA) (t A1 A1 ) = 2. 618
A=
(A)1 = kAk1 kA1 k1 = 2
3
=3
2
(A) = kAk kA1 k = ?
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
84 / 84

Ejemplo

1 0
1 2
1
21
A =
1
2
q
q
(A)2 = kAk2 kA1 k2 = (t AA) (t A1 A1 ) = 2. 618
A=
3
=3
2
=31=3
(A)1 = kAk1 kA1 k1 = 2

(A) = kAk kA1 k
ULPGCLogo
Luis Alvarez Len
Mtodos Numricos
84 / 84

Métodos Numericos: Tema 6 - Transparencias

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Métodos Numericos: Tema 6 - Transparencias

Caricato da

Copyright:

Formati disponibili

Mtodos Numricos

Univ. de Las Palmas de G.C.

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Nociones bsicas sobre matrices y vectores

Mtodo de Jacobi para calcular autovalores de matrices simtricas

Mtodo de la potencia para calcular el autovalor mximo

Mtodos iterativos de resolucin de sistemas de ecuaciones

Mtodo de Newton-Raphson para sistemas no-lineales

Condicionamiento de una matriz

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Nociones bsicas sobre matrices y vectores

Mtodo de Jacobi para calcular autovalores de matrices simtricas

Mtodo de la potencia para calcular el autovalor mximo

Mtodos iterativos de resolucin de sistemas de ecuaciones

Mtodo de Newton-Raphson para sistemas no-lineales

Condicionamiento de una matriz

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Nociones bsicas sobre matrices y vectores

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II

Consideremos los puntos (1, 2) y (3, 7)

Luis Alvarez Len

Univ. de Las Palmas de G.C.

Anlisis Numrico Matricial II