Clase Algnu 12 PDF

Universidad Politcnica de MadridEscuela Tcnica Superior de Ingenieros Industriales
Mtodos Matemticos de Especialidad

Ingeniera Elctrica
Fundamentos de lgebra
lineal numrica
Jos Luis de la Fuente OConnor
jldelafuente@etsii.upm.es
joseluis.delafuente@upm.es
Clase_alg_line_nu_2012.pdf
1/64
ndice
Operaciones con matrices
Producto de una matriz por un vector
Producto de dos matrices
Frmula de Strassen
Normas
Vectoriales
Matriciales
Condicionamiento de sistemas de
ecuaciones
2/64
Las operaciones numricas de vectores y matrices:

productos de vectores por matrices y de dos matrices,
el clculo de normas de vectores y matrices,
la evaluacin del condicionamiento de sistemas de ecuaciones
lineales,
son fundamentales en los mtodos y algoritmos que estamos
estudiando y analizando en este curso.
Conocer cmo operan en un ordenador y optimizarlas es esencial
3/64

Comencemos por y D Ax, donde A 2 Rmn y x 2 Rn.
Cada coeficiente del vector y se obtiene mediate esta frmula:
n

yi D
j D1
aij xj :
Esta operacin se puede interpretar como:

Combinar linealmente los vectores columna de A;
Una serie de productos interiores de los vectores fila de A y el
propio x.
4/64
Para ser factible, se debe cumplir que las dimensiones

m n n 1 D m 1:
Un algoritmo para llevar a cabo las operaciones numricas tendra,
ms o menos, esta forma:

P RODUCTO y D Ax

Hacer y D 0
for i D 1 to m
for j D 1 to n
y.i / D y.i / C a.i; j /x.j /
end
end
5/64
En Matlab este producto sera fcilmente obtenible tecleando
>> y=A*x
Programando el algoritmo anterior con el juego de instrucciones de
Matlab sera:
[m n]=size(A);
y=zeros(m,1);
for i=1:m
for j=1:n
y(i)=y(i)+A(i,j)*x(j);
end
end
En este script (o guin) de operaciones a realizar, el bucle en
j materializa el producto interior de la fila i de A por el vector
x.
6/64
Tambin se podra hacer algo un poco ms sofisticado como lo que

sigue.
function y = MatVecF(A,x)
[m n] = size(A);
y = zeros(m,1);
for i=1:m
y(i) = A(i,:)*x;
end
ste sera el algoritmo en su versin por filas: una sucesin de
productos interiores: los vectores fila de A, A(i,:), por el vector x.
7/64
El algoritmo por columnas materializa que la operacin Ax es

equivalente a efectuar una combinacin lineal de los vectores
columna de A. Por ejemplo,
2 3
2
3

1 2
17C28
7
y D Ax D 43 45
D 43 7 C 4 85
8
5 6
57C68
2 3
2 3 2 3
1
2
23
D 7 435 C 8 445 D 4535 :
5
6
83
function y = MatVecC(A,x)
[m n] = size(A);
y = zeros(m,1);
Codificado para Matlab:
for j=1:n
y = y + A(:,j)*x(j);
end
8/64
La operacin Ax conlleva O.mn/ multiplicaciones y sumas/restas.

El que esta forma de operar consuma ms o menos tiempo de
ordenador depender de cmo se almacena en l la matriz A.
Si la matriz se guarda por columnas (lo habitual), esa operacin
requerir menos tiempo que la versin por filas, pues los
coeficientes a los que aqu accede estn contiguos en la memoria.
9/64
Para realizar la operacin y T D x T A, en vez de y D Ax, los

programas anteriores se convertiran en los que siguen.
function y=VecMatF(x,A)
%
[m n] = size(A);
y = zeros(1,n);
for j=1:m
y = y+x(j)*A(j,:);
end
function y=VecMatC(x,A)
%
[m n] = size(A);
y = zeros(1,n);
for j=1:n
y(j) = y(j)+x*A(:,j);
end
10/64

Si A 2 Rmr y B 2 Rrn son dos matrices, su producto,
C 2 Rmn D AB, se calcula mediante esta frmula:
r
i
cij D
ai k bkj ;
kD1
para todo 1 i m y 1 j n. El algoritmo es el que sigue.

P RODUCTO C D AB

Hacer C D 0
for j D 1 to n
for i D 1 to m
for k D 1 to r
c.i; j / D c.i; j / C a.i; k/ b.k; j /
end
end
end
11/64
a(i)
is a row vector,
a columnde
vector.
Cada
coeficiente
cij , esb(j)
el isresultado
un producto interior:
i
i
j
j
cij
En Matlab:
a'(i )
b( j )
cij
function C = MatMatInt(A,B)
% view of the matrixmatrix product is easier to
The inner product
[m r] = size(A);
use for hand calculations.
[r n] = size(B);
C = zeros(m,n);
for j=1:n
for i=1:m
C(i,j) = A(i,:)*B(:,j);
end
end
NMM: A Review of Linear Algebra
page 45
12/64
AB
= C j de
c(j)C= es
Abel(j)resultado de
Ahora bien, cada
columna
la matriz
multiplicar
la matriz A por el vector columna j -simo de B como
c(j) and b(j) are column vectors.
indica la figura.
i
=
r
A
En Matlab:
b( j )
c( j )
function C = MatMatVec(A,B)
The column view %of the matrixmatrix product AB = C is
helpful because it [m
shows
relationship between the columns of
r] =thesize(A);
A and the columns
[r ofn]C=. size(B);
C = zeros(m,n);
for j=1:n
C(:,j) = A*B(:,j);
end
13/64
Por ltimo, la matriz C tambin se puede ver como el resultado de

sumar r matrices de rango uno, cada una resultado del producto
exterior de dos vectores.
Recordemos que el producto exterior de u y v es
3
2 3
2
u1
u1 v1 u1 v2 u1 vn
6 u2 7
6 u2 v1 u2 v2 u2 vn 7
T
6
7
7:
uv D 4 : 5 v1v2 vn D 6
:
:
:
:
4
:
: : 5
:
:
:
um
um v1 um v2 um vn
Segn esto,
C D AB D
A.W; k/B.k; W/:

kD1
14/64
En Matlab:
function C = MatMatExte(A,B)
%
[m r] = size(A);
[r n] = size(B);
C = zeros(m,n);
for k=1:r
C = C + A(:,k)*B(k,:);
end
15/64
Todos estos mtodos realizan O.mnr/ multiplicaciones y

sumas/restas.
Como en el caso de los productos de matrices por vectores, el
procedimiento ms adecuado para programarlo en ordenador
depender de cmo se almacenan en l las matrices.
Lo ms habitual es que el ms eficaz sea el que denominbamos
MatMatVec.
16/64
Frmula de Strassen para multiplicar matrices

Se usa para multiplicar dos matrices cuadradas y de dimensin 2p ,
A y B. Se basa en una reordenacin inteligente de los clculos
convencionales.
Si A y B son bloques 2 2, el producto es

C 11 C 12
A 11 A 12 B 11 B 12
D
C 21 C 22
A 21 A 22 B 21 B 22

A 11B 11 C A 12B 21 A 11B 12 C A 12B 22
D
:
A 21B 11 C A 22B 21 A 21B 12 C A 22B 22
Esta operacin necesita 8 multiplicaciones y 4 sumas en su forma

tradicional.
17/64
Strassen reagrupa las operaciones de tal manera que slo se

necesiten 7 multiplicaciones y 18 sumas; as:
P1
P2
P3
P4
P5
P6
P7
C 11
C 12
C 21
C 22
D
D
D
D
D
D
D
D
D
D
D
.A 11 C A 22/.B 11 C B 22/
.A 21 C A 22/B 11
A 11.B 12 B 22/
A 22.B 21 B 11/
.A 11 C A 12/B 22
.A 21 A 11/.B 11 C B 12/
.A 12 A 22/.B 21 C B 22/
P1 C P4 P5 C P7
P3 C P5
P2 C P4
P1 C P3 P2 C P6
18/64
Generalizando, si las 7 multiplicaciones son de matrices m m,

como las submatrices son m=2 m=2, se requieren

7 2
9
7 3
m multiplicaciones C
m .m 2/ C m2 sumas:
8
8
2
La operacin natural requerira m3 multiplicaciones y
m2.m 1/ sumas.
Para un dimensin m suficientemente grande, el procedimiento de
Strassen reduce las operaciones por un factor de alrededor
de 7/8.
19/64
Si se aplica recursivamente la idea y se van dividiendo las

submatrices en cuatro bloques, cada unos de estos en otros cuatro
y as sucesivamente, el procedimiento mejorar en mucho el nmero
total de operaciones a realizar.
El orden de las matrices de menor tamao al que se puede llegar
debe ser nmi n D 16, pues con bloques ms reducidos el nmero de
operaciones que se realiza en mayor que el ordinario.
20/64
En Matlab, para matrices n n, con n D 2p .

function C = strass(A,B)
% Calcula C=AxB mediante la frmula de Strassen
%
A,B matrices n x n; n potencia de 2.
%
n = length(A);
if n-2^(log2(n))~=0, error(n no es pot. de 2); end
if n <= 16
C = A*B;
else
m = n/2; u = 1:m; v = m+1:n;
P1 = strass(A(u,u)+A(v,v),B(u,u)+B(v,v));
P2 = strass(A(v,u)+A(v,v),B(u,u));
P3 = strass(A(u,u),B(u,v)-B(v,v));
P4 = strass(A(v,v),B(v,u)-B(u,u));
P5 = strass(A(u,u)+A(u,v),B(v,v));
P6 = strass(A(v,u)-A(u,u),B(u,u) + B(u,v));
P7 = strass(A(u,v)-A(v,v),B(v,u)+B(v,v));
C = [P1+P4-P5+P7 P3+P5; P2+P4 P1+P3-P2+P6];
end
21/64
Ejecutar el programa TiemposAxB:

>> TiemposAxB(256)
Error en Int: 7.105427e-014
Error en Exte: 1.705303e-013
Error en Vec: 1.705303e-013
Error en Strass: 7.531753e-013
Tiempos: Int: 0.374; Exte: 0.827; Vec: 0.016; Strass: 0.109; Matlab: 0.000
>> TiemposAxB(512)
>> TiemposAxB(1024)
>> TiemposAxB(2048)
Al doblar el tamao, los tiempos se multiplican por 23.
22/64
ndice
Frmula de Strassen
Normas
Vectoriales
Matriciales
Condicionamiento de sistemas de ecuaciones

23/64
Normas
Vectoriales
Si en un espacio vectorial E sobre el cuerpo K (R o C) se define
una norma vectorial como una aplicacin k k W E ! R que
verifica
1) kvk D 0 H) v D 0 y x 0 H) kxk > 0;
2) kvk D jjkvk para 2 K y v 2 E;
3) ku C vk kuk C kvk 8u; v 2 E;

se dice que E es un espacio vectorial normado.
24/64
ku
vk kuk
La condicin ku C vk kuk C kvk se conoce como regla del

tringulo.
v
uCv
u
Figura 3.1: Representacin grfica
Es una generalizacin del hecho de que un lado de un tringulo no

n
En
el
espacio
vectorial
K
, para 1 p < 1, se tiene
puede ser mayor que la suma de los otros dos (figura).

kxkp D jx1 jp C C
Una variante tambin til de esta regla es la siguiente:
normas pkvk
de Hlder.
Casos particulares l
ku denominadas
vk kuk
:
p D 2:
25/64
En el espacio vectorial Kn, para 1 p < 1, se tiene la familia de

normas

1=p
kxkp D jx1jp C C jxnjp
;
denominadas normas p de Hlder.
Casos particulares muy utilizados corresponden a p D 1 y p D 2:

n
kxk1 D
jxi j
iD1
kxk2 D
jx1j2 C C jxnj2 :
Esta ltima se denomina en Rn norma eucldea.
26/64
Tambin es una norma en Kn la dada por
kxk1 D mKax jxi j :

1in
Estas normas cumplen, cualquiera que sea x 2 Kn, que

kxk1 kxk2 kxk1 nkxk1 :
27/64
Si el conjunto fx 2 R2 W kxk 1g es la bola cerrada unidad en

R2, su
para las
vectoriales
1, bola
2, 1,
y p son
estas.
Siforma
el conjunto
fx normas
2 R2 W kxk
1g es la
cerrada
unidad
en
R2, su forma para las normas vectoriales 1, 2, 1, y p son estas.
x11 D
=
kxk
x22 D
=
kxk
2
i
2

i=1
|xijx
| ij
iD1
q
2 2
|x11|j22+C|xjx
2 | 2=
jx
j DxT xx T x
q
x1
max
kxk
D1i2
mKax|xjx
=
i| i j
1i2
1/p
p 1=p
+C|xjx
p
< p)
< 1/
2 | 2 j , (1 ;.1
pp
xpp D
= jx
|x11|j
kxk
28/63
28/64
En el espacio C 0; 1, de funciones continuas del intervalo 0; 1 en

C, son normas las dadas por
#1=p
"Z
1
jf .t /jp dt
kf kp D
0
kf k1 D mKax jf .t /j :
t 20;1
En un espacio vectorial normado se define la distancia entre dos

elementos u y v mediante
d.u; v/ D ku
vk :
Esta definicin convierte a cualquier espacio vectorial normado

en un espacio mtrico.
29/64
En un espacio eucldeo n-dimensional, expresado Rn o En (espacio

de Hilbert de dimensin finita), el ngulo entre dos vectores x e y
es
!
xT y
D arc cos
donde
xT y
D
;
kxkkyk
para cualesquiera x e y.
kxkkyk
1 1;
Vectores ortogonales
x T y D 0;
D =2;
D 0:
30/64
Vectores alineados
x T y D kxkkyk;
D 0;
D 1:
D ;
D
Vectores opuestos
xT y D
kxkkyk;
1:
ngulo agudo
x T y > 0;
< =2;
> 0:
> =2;
< 0:
ngulo obtuso
x T y < 0;
31/64
Normas matriciales
Una norma matricial es una norma vectorial compatible con el
producto.
Se define formalmente sobre Rmn como una aplicacin
k k W Rmn ! R que cumple:
1) kAk D 0 H) A D 0
2) kAk D jj kAk
3) kA C Bk kAk C kBk
4) kABk kAk kBk
32/64
Existen normas sobre el espacio Rmn que no son normas

matriciales pues no cumplen la propiedad 4. As, si se define
kAk D mKax jaij j ;
1i;j n
h i
se satisfacen 1), 2) y 3); sin embargo, tomando A D B D 11 11 , es
fcil ver que kABk D 2 > kAk kBk D 1, por lo que no se
cumple 4).
33/64
Definicin Una norma matricial k k sobre Rmn se dice consistente con una norma vectorial k k0 sobre Rn
cuando para cada matriz A y cada vector x se cumple
que
kAxk0 kAk kxk0 :
Se demuestra que para toda norma matricial es posible construir
una norma vectorial consistente. Recprocamente, a toda norma
vectorial sobre Rn se le puede asociar una norma matricial
consistente.
34/64
Una norma matricial consistente con una cierta norma vectorial

k k se construye mediante la definicin
kAxk
kAk D sup
:
0x 2Rn kxk
Esta norma matricial se dice inducida por la norma vectorial.

La norma matricial inducida por la norma eucldea de Rn es la
norma espectral, norma eucldea o norma 2:
"
#1=2
q
T T
x A Ax
T
kAk2 D sup
D

.A
A/ D max .A/;
max
Tx
x
0x 2Rn
donde designa un valor propio de A y un valor singular.
35/64
Las normas matriciales inducidas ms usadas son

m

kAk1 D mKax
1j n
jaij j (columnas) y
iD1
n

kAk1 D mKax
1i m
jaij j (filas) :
j D1
Si k k es la norma inducida por una cierta norma vectorial y k k0

es una norma matricial cualquiera consistente con esa norma
vectorial, se cumple, para toda matriz A, que kAk kAk0.
36/64
Un ejemplo importante de norma matricial es la norma de

Frobenius, definida como:

2 D traza.A T A/;
aij
kAk2F D
1i;j n
donde la traza de una matriz A de orden n es

La norma de Frobenius cumple que
Pn
iD1 ai i .
kABkF kAkF kBkF :

La norma espectral y la norma de Frobenius cumplen que
kAk2 kAkF :
37/64
Ejemplo
El efecto que produce aplicar la transformacin lineal basada en la
matriz

1 2
AD
0 2
sobre la bola unidad definida a partir de las normas k k1, k k2 y
k k1 en R2, se representa en la figura que sigue.
38/64
[2, 2]T
[0, 1]T
norma11
norma
norma22
norma
norma1
norma
[1, 0]T
A1 = 4
[1, 0]T
A2 2,9208
A = 3
La aplicacin transforma el vector e 1 D 1; 0T en s mismo y

e 2 D 0; 1T en 2; 2T .
T
La aplicacin transforma el vector e 1 D 1; 0 en s mismo y
39/6
39/64
e 2 D 0; 1T en 2; 2T .
40/64
Tomando la norma 1, el vector unitario que ms se amplifica al

aplicarle la transformacin es 0; 1T (o 0; 1T ), que pasa a ser
2; 2T . Su factor de amplificacin, en trminos de la norma 1, es 4.
Tomando la norma 2, el vector unitario que ms se amplifica es el
que se representa en la figura con una recta discontinua. El factor
de amplificacin es 2;9208.
Para la norma 1, igualmente, el vector unitario que ms se
amplifica es el que se representa tambin con la recta discontinua:
1; 1T , que pasa a transformarse en 3; 2T . El factor de
amplificacin correspondiente es en este caso 3 ya que

1; 1T D 1
1

3; 2T D 3:
1
u
41/64
ndice
Frmula de Strassen
Normas
Vectoriales
Matriciales
Condicionamiento de sistemas
42/64
Condicionamiento de sistemas
En un sentido general se dice que un problema o un algoritmo est
bien condicionado si pequeas perturbaciones en los parmetros
que lo definen producen pequeos cambios en los resultados.
43/64
Como ejemplo consideremos una carga sujeta a una superficie firme

mediante un cable o una barra de hierro.
Aumentando la carga en pequeas cantidades, el cable sufre
unos pequeos estiramientos proporcionales a los incrementos de
esa carga.
Alcanzado el umbral de la zona de fluencia del material del
cable, incrementos muy pequeos de la carga suponen,
proporcionalmente, grandes estiramientos del cable.
Antes de este umbral, el problema estiramiento/carga se puede
decir que est bien condicionado; en la zona de fluencia el
problema est mal condicionado.
44/64
El condicionamiento de un sistema de ecuaciones lineales Ax D b

lo caracterizar la sensibilidad del vector solucin x a pequeos
cambios, tanto en el trmino de la derecha b, como en los
coeficientes que definen la matriz A.
Como sabemos, el ordenador o mquina que resuelve Ax D b, al
no trabajar ms que con una precisin determinada, resolver una
aproximacin
.A C A/x D b C b:
Si el algoritmo utilizado es estable y el sistema tambin, el
resultado obtenido debe ser muy parecido al real.
Si el sistema est mal condicionado, sin embargo, o el algoritmo
no es numricamente estable, la solucin puede diferir
sustancialmente de la real.
45/64
Ejemplo Consideremos los dos sistemas de ecuaciones lineales

8 5 x1
3
Ax D b !
D
4 10 x2
14
y

4
0;66 3;34 xO 1
cx
O D bO !
D
:
A
12
1;99 10;01 xO 2
La solucin de ambos es el vector 1; 1T .
Si introducimos una perturbacin b D 0,04; 0,06T en el

trmino independiente del primer sistema, su solucin pasar a ser
0,993; 0,9968T .
El cambio relativo en la norma eucldea del vector b es
kbk2
D
kbk2
0;042 C 0;062
q
32 C 142
0,0050:
46/64
Por lo que respecta al vector solucin, ese cambio relativo en la

norma eucldea es
kxk2
D
kxk2
.1
0;993/2 C .1
q
12 C 12
0;9968/2
0;0054:
Como se puede ver, un pequeo cambio en el vector b induce un

cambio pequeo en el vector solucin.
Introduciendo el mismo cambio, bO D 0,04; 0,06T , en el
O su
vector en el trmino independiente del segundo sistema, b,
solucin pasa a ser 6; 0T .
47/64
Es decir, un cambio relativo en la norma eucldea de bO igual a

q
0;042 C 0;062
q
42 C 122
D 0,0057;
produce un cambio en el vector solucin igual a:

q
52 C 12
12 C 12
D 3,6055:
Evidentemente, el segundo sistema es mucho ms sensible a

cambios en el trmino independiente que el primero.
48/64
x2
x2
(a)
x1
(b)
x1
La figura representa el primero y el segundo sistema.

Como se puede apreciar, las dos rectas que representan las
ecuaciones del primer sistema se cortan ntidamente en el punto
1; 1T .
En el caso del segundo sistema, aun usando una resolucin
grfica mayor, apenas se diferencian las dos rectas y mucho
menos dnde se cortan.
49/64
Estudiemos cmo cuantificar la sensibilidad de Ax D b a pequeas

modificaciones tanto en el trmino independiente como en los
elementos de la matriz de coeficientes.
Analicemos en primer lugar el caso de una modificacin b del
trmino independiente.
Veamos cmo se relaciona la solucin de
con la de
A.x C x/ D b C b
Ax D b:
Designemos por k k cualquier norma vectorial y su norma matricial

consistente correspondiente.
50/64
De las igualdades
A.x C x/ D b C b
y Ax D b;
se obtiene, restando y despejando x, que
x D A 1b:
De la definicin de norma matricial consistente con una norma
vectorial se tiene que
kxk kA 1k kbk
(1)
y que kbk kAk kxk o, lo que es lo mismo, que

kAk
1

:
kxk
kbk
(2)
51/64
Combinando (1) y (2) se deduce que el error relativo, kxk=kxk,

de la solucin del sistema Ax D b al modificar el trmino
independiente de b a b C b es
kxk
1 kbk
kAk kA k
:
kxk
kbk
Definicin Sea kk una norma matricial consistente con

una norma vectorial. Asociado a esa norma, el nmero
de condicin de una matriz invertible A, .A/, es:
.A/ D kAk kA 1k:

52/64
Si los datos de un sistema Ax D b son exactos con la precisin de

la mquina, el error relativo de la solucin cumple que
jjx xjj
jjxjj
.A/:
El concepto de nmero de condicin de una matriz se generaliza a

cualquier matriz A (no necesariamente cuadrada) de rango
completo mediante la expresin
.A/ D kAk kA k;
donde A es la matriz pseudoinversa de la matriz A.

El nmero de condicin de una matriz A es un indicador del error
de amplificacin que produce en un vector x el someterlo a la
transformacin que define dicha matriz A.
53/64
Concretamente, si la esfera unidad se somete a esa transformacin,

el nmero de condicin 2, asociado a la norma eucldea, ser igual
al cociente de las longitudes de los semiejes mayor y menor del
hiperelipsoide resultante de esa transformacin.
{x}
{Ax}
54/64
Estudiemos ahora la sensibilidad de un sistema de ecuaciones a

pequeas perturbaciones en los coeficientes de la matriz.
Comparemos la solucin de
Ax D b
.A C A/.x C x/ D b:
De la segunda igualdad, como Ax D b, haciendo

x D A 1A.x C x/ resulta, despreciando el producto
A x, que
kxk kA 1k kAk kxk:
55/64
Expresin que tambin se puede escribir como
kxk
kAk
1
kA k kAk
:
kxk
kAk
As pues, el error relativo que resulta de perturbar ligeramente los
coeficientes de la matriz del sistema Ax D b est tambin acotado
en trminos del nmero de condicin de la matriz A.
El nmero de condicin de una matriz

expresa lo cerca que esa matriz est de
la singularidad
56/64
Teorema Para toda matriz A de rango completo:

1. Su nmero de condicin .A/ 1.
2. .A/ D .A /.
3. .A/ D .A/ para todo escalar 0.

.A/
4. 2.A/ D n
, donde n y 1 son, respectivamente, los valores singu1.A/
lares mayor y menor de la matriz A.
mKax ji .A/j
, si A es simtrica.
5. 2.A/ D i
mKn ji .A/j
i
6. 2.A T A/ D 22.A/.
7. Su nmero 2.A/ D 1 si la matriz es la identidad o se trata de una

matriz ortogonal.
8. Su nmero de condicin 2.A/ es invariante frente a transformaciones
ortogonales.
57/64
Las matrices con nmeros de condicin pequeos prximos a la

unidad, se dicen bien condicionadas; las que tienen nmeros de
condicin altos, mal condicionadas.
Los distintos nmeros de condicin de una matriz A 2 Rnn
asociados con las normas matriciales ms habituales cumplen que:
2.A/=n 1.A/ n 2.A/I

1.A/=n 2.A/ n 1.A/I
1.A/=n2 1.A/ n2 1.A/:
58/64
Volvamos al ejemplo que utilizbamos para concretar estos

conceptos. La matriz

8 5
;
AD
4 10
cuya inversa es

0;10 0;05
A 1D
;
0;04 0;08
tiene un nmero de condicin
1.A/ D kAk1 kA 1k1 D 15 0,14 D 2,1.
59/64

c D 0,66 3,34 ;
A
1,99 10,01
El de
cuya inversa es
c
A

250,25
D
49,75
83,5
;
16,5
c D kAk
c kA
c 1 k D 13,35 300 D 4.005: tres rdenes de
es 1.A/
1
1
magnitud superior.
60/64
Un error que se comete con frecuencia es asimilar el concepto de

nmero de condicin de una matriz con el de su determinante y
que, en ese sentido, a mayor determinante, mayor nmero de
condicin; nada ms lejos de la realidad.
Ejemplo 1
Sea A una matriz diagonal de orden 100 definida por
a11 D 1I
ai i D 0,1 2 i 100:
De esta matriz, kAk2 D 1 y kA 1k2 D 10.

El nmero de condicin 2.A/ D 10. Por el contrario, su
determinante es det.A/ D 1 .0; 1/99 D 10 99.
61/64
Ejemplo 2
Sea A una matriz bidiagonal de la forma
2
3
1 2
6 1 2
7
6
7
6
7
1 2
6
7:
:
:
6
:: :: 7
6
7
4
1 25
1
Su inversa es
2
6
6
6
6
4
2
1
n 1
4 . 2/
2
. 2/n
::
1
::
:::
1
27
7
7:
7
5
62/64
Las diversas normas son:

kAk1 D kAk1 D 3 y kA 1k1 D kA 1k1 D 1C2C4C C2n
Los nmeros de condicin de A son:
1.A/ D 1.A/ 3 2n:
Su determinante en cambio es 1.
63/64
Clculo del nmero de condicin

Calcular directamente el nmero de condicin de una matriz es una
tarea numrica muy costosa: O.n3/.
No obstante, como .A/ es un buen diagnstico de las
implicaciones que el uso de esa matriz puede comportar en un
proceso numrico, se puede realizar una estimacin de su orden de
magnitud.
Existen diversos buenos algoritmos para estimar el nmero de
condicin de una matriz en O.n2/ operaciones.
En Matlab lo estiman condest y rcond; lo calcula
exactamente cond.
Siempre que se usa el operador n, Matlab usa rcond para

comprobar la condicin de la matriz afectada.
64/64

Clase Algnu 12 PDF

Caricato da

Informazioni sul documento

Titolo originale

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

Clase Algnu 12 PDF

Caricato da

Copyright:

Formati disponibili

Universidad Politcnica de MadridEscuela Tcnica Superior de Ingenieros Industriales

Mtodos Matemticos de Especialidad

Las operaciones numricas de vectores y matrices:

Operaciones con matrices

Esta operacin se puede interpretar como:

Para ser factible, se debe cumplir que las dimensiones

En Matlab este producto sera fcilmente obtenible tecleando

Tambin se podra hacer algo un poco ms sofisticado como lo que

El algoritmo por columnas materializa que la operacin Ax es

La operacin Ax conlleva O.mn/ multiplicaciones y sumas/restas.

Para realizar la operacin y T D x T A, en vez de y D Ax, los

Producto de dos matrices

Por ltimo, la matriz C tambin se puede ver como el resultado de

A.W; k/B.k; W/:

Todos estos mtodos realizan O.mnr/ multiplicaciones y

Frmula de Strassen para multiplicar matrices

Esta operacin necesita 8 multiplicaciones y 4 sumas en su forma

Strassen reagrupa las operaciones de tal manera que slo se

Generalizando, si las 7 multiplicaciones son de matrices m m,

Si se aplica recursivamente la idea y se van dividiendo las

En Matlab, para matrices n n, con n D 2p .

Ejecutar el programa TiemposAxB:

Al doblar el tamao, los tiempos se multiplican  por 23.

Condicionamiento de sistemas de ecuaciones

1) kvk D 0 H) v D 0 y x 0 H) kxk > 0;

2) kvk D jjkvk para 2 K y v 2 E;

3) ku C vk  kuk C kvk 8u; v 2 E;

La condicin ku C vk  kuk C kvk se conoce como regla del

Figura 3.1: Representacin grfica

Es una generalizacin del hecho de que un lado de un tringulo no

En el espacio vectorial Kn, para 1  p < 1, se tiene la familia de

Casos particulares muy utilizados corresponden a p D 1 y p D 2:

Esta ltima se denomina en Rn norma eucldea.

Tambin es una norma en Kn la dada por

kxk1 D mKax jxi j :

Estas normas cumplen, cualquiera que sea x 2 Kn, que

Si el conjunto fx 2 R2 W kxk  1g es la bola cerrada unidad en

En el espacio C 0; 1, de funciones continuas del intervalo 0; 1 en

En un espacio vectorial normado se define la distancia entre dos

Esta definicin convierte a cualquier espacio vectorial normado

En un espacio eucldeo n-dimensional, expresado Rn o En (espacio

4) kABk  kAk kBk

Existen normas sobre el espacio Rmn que no son normas

Una norma matricial consistente con una cierta norma vectorial

Esta norma matricial se dice inducida por la norma vectorial.

Las normas matriciales inducidas ms usadas son

Si k k es la norma inducida por una cierta norma vectorial y k k0

Un ejemplo importante de norma matricial es la norma de

donde la traza de una matriz A de orden n es

kABkF  kAkF kBkF :

La aplicacin transforma el vector e 1 D 1; 0T en s mismo y

La aplicacin transforma el vector e 1 D 1; 0 en s mismo y

Tomando la norma 1, el vector unitario que ms se amplifica al

Como ejemplo consideremos una carga sujeta a una superficie firme

El condicionamiento de un sistema de ecuaciones lineales Ax D b

Ejemplo Consideremos los dos sistemas de ecuaciones lineales

Si introducimos una perturbacin b D 0,04; 0,06T en el

Por lo que respecta al vector solucin, ese cambio relativo en la

Como se puede ver, un pequeo cambio en el vector b induce un

Es decir, un cambio relativo en la norma eucldea de bO igual a

produce un cambio en el vector solucin igual a:

Evidentemente, el segundo sistema es mucho ms sensible a

La figura representa el primero y el segundo sistema.

Al doblar el tamao, los tiempos se multiplican por 23.

3) ku C vk kuk C kvk 8u; v 2 E;

La condicin ku C vk kuk C kvk se conoce como regla del

En el espacio vectorial Kn, para 1 p < 1, se tiene la familia de

Si el conjunto fx 2 R2 W kxk 1g es la bola cerrada unidad en

4) kABk kAk kBk

kABkF kAkF kBkF :

y que kbk kAk kxk o, lo que es lo mismo, que

.A/ D kAk kA 1k:

kxk kA 1k kAk kxk:

3. .A/ D .A/ para todo escalar 0.

7. Su nmero 2.A/ D 1 si la matriz es la identidad o se trata de una

2.A/=n 1.A/ n 2.A/I

1.A/ D 1.A/ 3 2n: