DEPARTAMENTO DE CIENCIAS EXACTAS

ASIGNATURA: Metodos Numericos

NRC: 1668

TEOR
IA DEL SEGUNDO PARCIAL
TEMA: Factorizacion de matrices e interpolacion
PROFESOR: Dr. Medina

ALUMNOS:
Asimbaya Israel

FECHA DE ENTREGA: 07 de julio del 2015

SANGOLQUI-ECUADOR
ABRIL 15 - AGOSTO 15

Indice

1. Sistemas lineales y repaso Algebra

lineal
1.1. Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Repaso de conceptos de Algebra

lineal . . . . . . . . . . . . . . .

3
3
3

2. Resoluci
on de Sistemas de Ecuaciones Lineales por M
etodo de
Gauss
5
3. Resoluci
on de Sistemas Lineales por Gauss Jordan

4. Factorizaci
on LU

5. Tratamiento de imagenes con uso de SVD

6. Descomposici
on de matrices SVD

11

7. Interpolaci
on
13
7.1. Interpolaci
on de Lagrange . . . . . . . . . . . . . . . . . . . . . . 14
7.2. Interpolaci
on de Newton . . . . . . . . . . . . . . . . . . . . . . . 15

Metodos Numericos

1.
1.1.

NRC: 1668

Israel Asimbaya

Sistemas lineales y repaso Algebra

lineal
Sistemas lineales

Se presentan problemas matematicos los cuales pueden ser resueltos por

medio de un sistema lineal de tipo Ax = b el mismo que puede tener una
cantidad igual de ecuaciones como de variables, ademas de esto, el algebra lineal
permite la resoluci
on de sistemas lineales, por metodos de obtencion de sus
valores y vectores propios. Dentro de las tecnicas para resolver sistemas lineales
encontramos dos:
Metodos directos Los cuales se emplean siguiendo un n
umero finito de
operaciones para la obtencion de una solucion. [?]
Metodos iterativos Los cuales usan una relacion de recurencia para obtener
una sucesi
on infinita, logrando asi una estimacion la misma que converge
con la soluci
on que se busca.[?]
En el empleo de resoluci
on de sistemas lineales implica el uso de determinantes por medio de ecuaciones de tipo Ax = b. Es aplicable pero no optimo por
el n
umero de operaciones necesarias la metodologa de Gauss y Gauss Jordan
estudiadas previamente. Existen otros tipos de factorizacion como
LU
Que implica la descomposicion matricial en otras dos nuevas matrices,
una triangular superior y otra triangular inferior, Tambien se considera
una matriz de permutacion que se determina al desarrollar el ejercicio.
SVD
Este tipo de resoluciones implica el desarollo y obtencion de valores singulares y vectores propios de una matriz. Permite un amplio rango de datos,
ya las matrices operadas no son necesariamente peque
nas, ademas que
permite obtener mejores calculos dado el condicionamiento de matrices
que permite reducir el error en el momento de obtencion de resultados.
SV D tambien es el principio de compresion de imagenes, lo que permite
trabajar con imagenes de forma matricial y numerica en matlab.
QR
Para la resoluci
on de este metodo se emplea la formulacion de una matriz
ortonormal.
Todos estos metodos de resolucion lineal seran detallados a continuacion.

1.2.

Repaso de conceptos de Algebra

lineal

Los conceptos completos pueden encontrarse en libros de Algrebra

lineal
incluso en el libro gua usado de Sanchez [?], a continuacion un breve resumen
de los conceptos m
as importantes para el estudio posterior de sistemas lineales.
Ingeniera Mecatr
onica

Metodos Numericos

NRC: 1668

Israel Asimbaya

1. Matrices
Se denota como Mmxn (R) donde m hace referencia al n
umero de las filas
y n a las columnas existentes en el espacio vectorial de la matriz, los
elementos de la matriz pueden ser R o C
2. Tipos de matrices
AT Matriz transpuesta
Donde la matriz original Amxn se convierte en ATnxm .
A Matriz conjugada
Esta matriz al tener valores imaginarios, estos cambian de signo para
cconvertirse en la matriz conjugada.
A+ Matriz adjunta
Tambien conocida como la matriz transpuesta de la matriz conjugada
donde A+ = (A )T .
Matriz Hermtica
Donde A = A+ y A = AT entonces A = AA+
Matriz Simetrica A = AT
Matriz Antisimetrica A = AT
Matriz Unitaria A1 = A+
Matriz Ortogonal Si AT = A+
Matriz Normal Si A+ A = AA+
3. Matriz inversa
Se dice que una matriz tiene inversa si
A1 existe
detA 6= 0
El sistema lineal Ax = b, tiene una u
nica solucion x = 0
Para cualquier vector b, el sistema lineal Ax=b tiene solicion u
nica.
Las filas y las columnas son linealmente independientes.
El rango de la matriz A es n (no existen filas nulas en la matriz)
4. Matrices diagonal dominante o estrictamente dominante
Diagonal dominante
Se cumple si el elemento de la diagonal principal es mayor o igual a
la sumatoria de los elementos de la fila perteneciente al elemento de
la diagonal.
Diagonal estrictamente dominante
5. Valores y Vectores Propios

Ingeniera Mecatr
onica

Metodos Numericos

NRC: 1668

Israel Asimbaya

Espectro de A: es el conjunto de todos los valores propios o autovalores de A

Radio espectral: (A) =max |i |
Elemento propio: es la pareja de el autovalor y el vector propio

2.

Resoluci
on de Sistemas de Ecuaciones Lineales por M
etodo de Gauss

El metodo de Gauss implica utlizar los coeficientes de las ecuaciones lineales

ordenadas de tal forma que se obtenga una matriz U el que contiene dichos
coeficientes y b que contiene los valores a la que esta igualada la ecuacion. Se
emplea la siguiente f
ormula en orden de resolver los sistemas.
U x = b.

U =

a11
0
0
.
0

a12
a22
0
.
0

. a1n
. a2n
. a3n
.
.
0 ann

a23
a33
.
0

b =

Resoluci
on del sistema de una matriz A2x2




a11 a12
b11
b=
0 a22
b21
Para encontrar los valores de x
x2 =
x1 =
Resoluci
on del sistema de

a11
0
0

b2
.
a22

b1 a12 x2
.
a11

una matriz A2x2

a12 a13
b11
a22 a23 b = b21
0 a33
b31

Los valores de x seran

x3 =
x2 =
x1 =
Ingeniera Mecatr
onica

b3
.
a33

b2 a23 x3
.
a22

b1 a23 x3 a13 x2
.
a11
5

b11
b21
b31
.
bn1

Metodos Numericos

NRC: 1668

Israel Asimbaya

Estas operaciones se realizar

an consecuentemente seg
un el n
umero de incognitas
empezando desde el u
ltimo valor encontrado en la u
ltima fila de la matriz A y
b.
Caracteristicas del M
etodo de Gauss
La matriz A es una matriz triangular superior formada a partir de operaciones elementales y reduccion de filas y columnas.
En el caso de existir ceros en la diagonal principal es necesario realizar un
cambio de las filas, mas no de las columnas dado a que estas contienen las
diverentes variables .
La reducci
on bajo la diagonal va a alterar los valores tanto de la matriz
A como la batriz b
Para el metodo de resolucion de Gauss Jordan, Existe una diferencia significativa dado a que el metodo de resolucion por Guass implica una matriz
resultante por reducci
on de filas de tipo triangular superior, el metodo de
Gauss Jordan trabaja con una matriz identidad.

3. Resoluci
on de Sistemas Lineales por Gauss
Jordan

Para una matriz

a11 a12
.
.
a21 a22 a23 .
a31 a32 a33 .
.
.
.
.
an1 an2 an3 .

A
a1n
a2n
a3n
.
ann

Reduccion por f ilas y columnas

a11
0
0
.
0

0
a22
0
.
0

Donde la matriz resultante solo tiene valores en la diagonal principal o en su

defecto es una matriz identidad.

a11
0
0
.
0

0
a22
0
.
0

.
.
a33
.
0

U x = b.

.
0

.
0

.
0

.
.
0 ann

x11
x21
x31
.
xn1

b11
b21
b31
.
bn1

Para la definici
on de los valores de las variables de x comienza desde la fila
del final hacia arriba de la siguiente manera:
xn =

Ingeniera Mecatr
onica

bn1
.
ann

.
.
a33
.
0

.
0
.
0
.
0
.
.
0 ann

Metodos Numericos

4.

NRC: 1668

Israel Asimbaya

Factorizaci
on LU

Se conoce a la factorizacion LU como un proceso resumido similar a la eliminaci

on Gaussiana que consiste en reducir una matriz en triangular superior
e inferior para obtener de esta forma una similitud entre una matriz nueva P o
matriz de permutaci
on, con la matriz original, de la siguiente forma:
A = LU.
P A = LU.
Donde P es una matriz de permutacion que descifraremos a continuacion.
Para un sistema lineal
Ax = b.
Donde se necesita definir el valor de la variable x tenemos:

Ly = P b
Ux = y
Donde Ly = P b resultar
a en una matriz triangular inferior y U x = y sera una
matriz triangular superior, la misma que contendra los valores buscandos de x.
Ejemplo

4
3 1
A = 2 4 5
1
2
6
Encontramos la matriz triangular superior de la sifuiente forma:

4
3 1
A = 2 4 5
1
2
6
Para lograr la matriz superior se aplican operaciones elementales una a la vez a
las filas por lo cual se desarrollan las sifuientes:
1
F2 + F1 .
2
1
F3 F1 .
4
obteniendo:

0
A=

3
5

2
5

Realizando otra operaci

on elemental:
1
F3 + F2 .
2
Ingeniera Mecatr
onica

9
2

25
4

Metodos Numericos

NRC: 1668

Israel Asimbaya

Resultando:

U = 0
0

3
5

2
0

9
2
17
2

Obtenemos la primera matriz resultante en este caso U que es una matriz

triangular superior. Por otro lado la matriz triangular inferior vendra a ser
compuesta por las operaciones elementales que han sido aplicadas a la matriz
original de este modo:

1
0 0
1

L=
1 0
2
1
12 1
4
Si observamos bien, la matriz L sera compuesta inicialmente por una matriz
cuadrada identidad, del mismo n
umero de filas de la matriz original, en la cual,
sus ceros debajo de la diagonal princial han sido sustituidos por los coeficientes
de las operaciones elementales realizadas a la matriz original.
Una forma de comprobar las operaciones es operar la matriz LU de tal forma
que la matriz resultante sea A

1
0 0
4
3
1
4
3 1
5
1

9 = 2 4
5
1 0 0

2
2
2
1
2
6
1
17
1
0
0

1
4

Al realizar estas operaciones vemos que no se implemento la matriz de permutaciones pero la misma ser
a usada si se requiere cambiar las filas de una matriz,
si la matriz no lo requiere se emplea el m
etodo de Crout

M
etodo de Crout

a11
a21
a31

a12
a22
a32

a13
L11
a23 = L21
a33
L31

0
L22
L32

0
1
0 0
L33
0

U12
1
0

U13
U23
1

Donde:
a11 = L11 .
a12 = L11 U12 U12 .
a13 = L11 U13 U13 .
Ahora analizaremos cuando se debe implementar el uso de una matriz de permutaci
on.
Ingeniera Mecatr
onica

Metodos Numericos

NRC: 1668

Tenemos:

1 2 6
1 2
A = 4 8 1 F2 4F1 = 0 0
2 3 5
F3 + 2F1
0 7

Israel Asimbaya

6
1
25
= 0
17
F3 F2
0

2
7
0

6
17
25

Como pudimos obsrvar se realizo un cambio de filas el cual no responde a una

operaci
on elemental la cual pueda ser sustituida en la matriz L por lo cual se
opta por el uso de la matriz de permutacion.

1 0 0
1 0 0
0 1 0 F2 F3 = 0 0 1
0 0 1
0 1 0
Esta matriz identidad permutada
el cambio de filar y columnas.

1
1 0 0
0 0 1 0
0
0 1 0

puede ser operada de tal modo que solucione

2
0
7

1
6
25 = 0
0
17

2
7
0

6
17
25

Donde:

1
0
0

1
4
2

0
0
1

0
1
1 4
0
2

2 6
8 1 = LU
3 5

P A = LU.

2 6
1
8 1 v (Reducidoporf ilas) 0
3 5
0

2
7
0

6
1
17 = 2
25
4

0 0
1
1 0 0
0 1
0

Como se ve en la matriz L debajo de la matriz principal, el los n

umeros reemplazados por las operaciones basicas se coloco un 0 que indica que no se
realiz
o ninguna operaci
on.

5.

Tratamiento de imagenes con uso de SVD

En matlab las imagenes pueden ser tratadas como una matriz finita de puntos dado a que cada secci
on de la imagen representa a un pixel, la imagen es
tratada de tal manera que puede ser comprimida y asi reducida su calidad o
aumentada seg
un se requiera, tambien cambiar la saturacion del color o hacera
blanca y negra. Tratamiento de imagenes, implementaci
on Matlab
1. Lectura de la imagen

Ingeniera Mecatr
onica

2
7
0

6
17
25

Metodos Numericos

NRC: 1668

Israel Asimbaya

A=imread(nombre,extensi
on,extensi
on)
Es importante que la imagen que se requiera ser tratada sea una imagen
en escala de grises, en el caso de ser una imagen a color, se requiere separar
la matriz seg
un el color en tres matrices distintas.
2. Muestra de imagen
imagesc(A);
colormap(gray);
3. Conversi
on de matriz en formato num
erico
A=double(A)
4. Tama
no de la matriz
[maO,naO]=size(A)
En este punto del tratamiento de la imagen, si el script no corre o presenta
o un error, la imagen que es operada no se encuentra en escala de grises,
por lo que se require cambiar de imagen.
5. Incorporaci
on de la imagen en el sistema SV D
[U,S,V]=svd(A)
La matriz S contiene los autovalores o valores singulares de la matriz
compuesta por los elementos de la imagen. Para tratar la imagen se emplea
el siguiente c
odigo
A1=U(:,1:4)*S(1:4,:4)*V(:,1:4)
En este caso el n
umero 4 implica el n
umero de autovalores seleccionados,
este numero puede aumentar y consigo aumentar la calidad de la imagen.

Ingeniera Mecatr
onica

10

Metodos Numericos

6.

NRC: 1668

Israel Asimbaya

Descomposici
on de matrices SVD

Su sigla se debe a su nombre en ingles (Singular Value Descomposition) y el

objetivo general es descomponer a una matriz en tres matrices diferentes, dos
de ellas son ortogonales y una es una matriz diagonal a trozos, lo que quiere
decir que se formaran matrices diagonales por bloques.
Al descomponer la matriz tenemos:
A = U SV T
El uso de estas matrices es para identificar el mal condicionamiento que puedan
tener ciertas matrices.
Tambien se la usa para la compresion de imagenes.
Donde:
U Matriz compuesta de conjunto de vectores ortogonales
S Matriz diagonal por bloques
V Matriz compuesta de autovectores de la matriz
Debemos recordar que en una matriz, las peque
nas perturbaciones a la entrada
generan peque
nas perturbaciones a la salida.
La descomposici
on SVD baja el condicionamiento de la matriz, as pues, debemos recordar que al aplicar la descomposicion SVD a una matriz, no estamos
resolviendo el mismo problema, sino un problema similar o muy cercano al original.

Ejemplo

A=

1
0

1
0

1. AT A

1 1
1 1
0 0

0
1

0
0
1

2. Valores y vectores propios A I = x

1
1
0
1
1
0 = ( 2)(1 )
0
0
1
Valores propios:


Ingeniera Mecatr
onica

11

Metodos Numericos

NRC: 1668

Israel Asimbaya

Vectores propios:

1
1 = 0; 0
0

1
0
0

0
1
0 = 1
1
0

0
1
0 = 1
1
0

1
2 = 2; 0
0

1
0
0

0
3 = 1; 1
0

1
0
0

0
0
0 = 0
0
1

1
2

12

1
2

1
2

3. Normalizar

4. Ordenar los valores propios

Para la matriz S se ordenan los valores propios de mayor a menor, con su
respectiva raz cuadrada.

S=
1
0
5. Calculamos la matriz U
Para calcular U se usa la ecuacion Un =

1
1 Av1 .

n es la raz cuadrada de los valores propios.

vn es el vector propio.
A es nuestra matriz.

Ingeniera Mecatr
onica

12

Donde:

Metodos Numericos

NRC: 1668

Israel Asimbaya

La combinaci
on lineal de estos tres vectores columna forman la matriz U que
en nuestro caso es:


1 0
U=
0 1

Ahora con nuestra tres matrices obtenemos la descomposicion SVD que queda de la siguiente forma:
A = U SV T

1
0

0
1



2
0

0 0
1 0

1
2

1
2

0
12

1
2

0
1
0

Es importante mencionar que en esta descomposicion abarcamos los temas de

truncamiento de matrices y de pseudo inversa de una matriz.
Primero, el truncamiento es cuando tenemos una matriz de dimenciones nxm y
se decide eliminar una fila o columna, seg
un convenga, pero esta eliminacion se
permite cuando la fila o la columna es nula, esto quiere decir, que sus elementos
son ceros o son valores muy bajos.
Este truncamiento nos ayuda a reducir
el ruido en la matriz, lo que ocaciona el mal acondicionamiento de la misma.
Segundo, la pseudo inversa es un termino que indica que podemos encontrar
la inversa de una matriz no cuadrada mediante la descomposicion SVD, y la
ecuaci
on quedara as: A1 = V S 1 U T

7.

Interpolaci
on

La interpolaci
on es de utilidad al momento de hallar una funcion Pn (x) que pase
por los puntos dados y as describir el comportamiento de los puntos dados.
Adem
as busca la curva que minimiza el error.
En muchos casos experimentales o de analisis de datos, se hace uso de varias
mediciones, pero se desconoce la funcion que rige tales mediciones puesto que
tienen una tendencia indefinida.
Vemos estos casos en la medicion del
tiempo de enfriamiento o calentamiento de un material o la evolucion de precios
de cierto producto en el mercado.
Los metodos mas usados son:
Metodo de Lagrange
Metodo de Newton
Metodo de Spline
Ingeniera Mecatr
onica

13

Metodos Numericos

7.1.

NRC: 1668

Israel Asimbaya

Interpolaci
on de Lagrange

La interpolaci
on actua tomando todos valores o puntos de funcion, los cuales
se acomoden de tal manera que se ajusten a una nueva funcion o un nuevo
modelo matem
atico. Es importante mecionar que la interpolaci
on no es una
aproximaci
on. La interpolaci
on busca una curva que mejor se ajuste
a los puntos de modo que se minimice el error

La interpolaci
on de lagrange se da a partir de la siguiente forma:
f (x) = P n(x) + En(x)

(1)

Como ya fue estudiado la interpolacion de Lagrange tiene una gran similitud

con el el Polinomio de Taylor.
Para el c
alculo del polinomio interpolador:
Pn (x) =

n
X

f (xk )Lnk (x)

(2)

k=0

Como podemos ver en el polinomio existe un valor de n el cual hace referencia

al grado del polinomio, que se obtiene a partir del n
umero de datos reducino en
uno, n = k 1, es decir el grado del polinomio sera un grado inferior al n
umero
de datos.
Qn
j=0j6=k (x xj )
Ln, k(x) = Qn
(3)
j=0j6=k (xk xj )
Ejemplo
x
0
0.6
1.2

f (x)
1
0.8253
0.3626

Figura 1: Grafica de los punto en Matlab

Los puntos graficados son imperceptibles, en la siguiente imagen se se

nalan
para su identificaci
on

Ingeniera Mecatr
onica

14

Metodos Numericos

Pn (x) =

NRC: 1668

n
X

f (xk )Lnk (x) P2 (x) =

k=0

Pn (x) =

2
X

Israel Asimbaya

2
X

f (xk )Lnk (x)

k=0

f (x0 )L2, 0(x) + f (x1 )L2, 1(x) + f (x2 )L2, 2(x)

k=0

P2 (x) =

2
X

f (xk )Lnk (x)

k=0

P2 (x) = f (x0 )L2, 0(x) + f (x1 )L2, 1(x) + f (x2 )L2, 2(x)
P2 (x) = 1L2, 0(x) + 0,82L2,
Qn 1(x) + 0,3626L2, 2(x)
j=0j6=k (x xj )
Ln, k(x) = Qn
j=0j6=k (xk xj )
(x x1 )(x x2 )
L2, 0(x) =
(x0 x1 )(x0 x2
(x 0,6)(x 1,2)
x2 1,2x 0,6x + 0,72
L2, 0(x) =
=
(0 0,6)(0 1,2
0,72
(x x0 )(x x2 )
x2 1,2x
L2, 1(x) =
=
(x1 x0 )(x1 x2
0,36
(x 0)(x 1,2)
L2, 1(x) =
(0,6 0)(0,6 1,2)
(x x0 )(x x1 )
L2, 2(x) =
(x2 x0 )(x2 x1 )
(x 0)(x 0,6)
x2 0,6x
L2, 2(x) =
=
1,6 0)(1,6 0,6)
1,6
x2 1,8x + 0,72x 2,29
P2 (x) =
0,72

7.2.

Interpolaci
on de Newton

A diferencia de la interpolacion de Lagrange, permite calcular polinomios de

un grado elevado n 3 con mayor facilidad, tanto de manera analtica como
numerica.
Esto es de gran utilidad puesto que dependiendo de la distribuci
on de los datos, el polinomio debera ser mas elevado.
Polinomio interpolador de Newton.- Supongamos que x0 , x1 , . . . , xN son
N+1 n
umeros distintos en [a, b]. Entonces, existe un u
nico polinomio PN (x) de
grado menor o igual a N tal que:
f (x) = PN (x) + EN (x)
donde el polinomio interpolador PN (x) tiene la forma:
PN (x) = a0 + a1 (x x0 ) + . . . + aN (x x0 )(x x1 )(x x2 ) (x xN 1 )
Siendo ak = f [x0 , x1 , . . . , xN ] y
EN (x) =
Ingeniera Mecatr
onica

(x x0 )(x x1 ) . . . (x xN )f N +1 (c)
(N + 1)!
15

Metodos Numericos

NRC: 1668

Israel Asimbaya

con c  [a, b]
Diferencias Divididas.- Se las define como:
f [xk ]
f [xk1 , xk ]
f [xk2 , xk1 xk ]
..
.
f [xkj , xkj+1 , . . . , xk ]

= f (xk )
f [xk ] f [xk1 ]
=
xk xk1
f [xk1 , xk ] f [xk2 , xk1 ]
=
xk xk2
.. ..
. .
f [xkj+1 , . . . , xk ] f [xkj , . . . , xk1 ]
=
x k xkj

Ejemplo
Sean los x y sus respectivos f (x) encuentre el Polinomio de Newton.
x
1
2
3
4

f (x)
3
0
15
48

La forma del polinomio de grado PN 1 sera:

P3 (x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ) + a3 (x x0 )(x x1 )(x x2 )
Y los coeficientes del polinomio se hallan de la siguiente manera:
xk
f [xk ] f [xk1 , xk ] f [xk2 , xk1 , xk ] f [xk3 , xk2 , xk1 , xk ]
x0 = 1 3
x1 = 2
0
3
x2 = 3
15
15
6
x3 = 4
48
33
9
1

Ahora se reemplaza los coeficientes y los valores de x en el polinomio:

P3 (x) = 3 + 3(x 1) + 6(x 1)(x 2) + (x 1)(x 2)(x 3)

Ingeniera Mecatr
onica

16