TEOR
IA DEL SEGUNDO PARCIAL
TEMA: Factorizacion de matrices e interpolacion
PROFESOR: Dr. Medina
ALUMNOS:
Asimbaya Israel
SANGOLQUI-ECUADOR
ABRIL 15 - AGOSTO 15
Indice
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
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
1.2.
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
2.
Resoluci
on de Sistemas de Ecuaciones Lineales por M
etodo de Gauss
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
a12 a13
b11
a22 a23 b = b21
0 a33
b31
b3
.
a33
b2 a23 x3
.
a22
b1 a23 x3 a13 x2
.
a11
5
b11
b21
b31
.
bn1
Metodos Numericos
NRC: 1668
Israel Asimbaya
3. Resoluci
on de Sistemas Lineales por Gauss
Jordan
A
a1n
a2n
a3n
.
ann
a11
0
0
.
0
0
a22
0
.
0
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
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
9
2
25
4
Metodos Numericos
NRC: 1668
Israel Asimbaya
Resultando:
U = 0
0
3
5
2
0
9
2
17
2
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
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
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
5.
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
Ejemplo
A=
1
0
1
0
1. AT A
1 1
1 1
0 0
0
1
0
0
1
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
S=
1
0
5. Calculamos la matriz U
Para calcular U se usa la ecuacion Un =
1
1 Av1 .
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
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)
n
X
(2)
k=0
f (x)
1
0.8253
0.3626
Ingeniera Mecatr
onica
14
Metodos Numericos
Pn (x) =
NRC: 1668
n
X
k=0
Pn (x) =
2
X
Israel Asimbaya
2
X
k=0
k=0
P2 (x) =
2
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
(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
Ingeniera Mecatr
onica
16