UNIVERSIDAD DEL SINÚ

ELIAS BECHARA ZAINÚM

METODOS NÚMERICOS

INTEGRANTES
JESUS ARCIA PADILLA
KENAN GÓMEZ
STEVEN HOYOS
CARLOS ORTEGA ARROYO
HÉCTOR PÉREZ MEZA

PROFESOR

ING. JULIO CESAR MADERA YANCES

MONTERÍA

2018
INTRODUCCIÓN

El concepto de norma de un vector para centrarnos en el estudio de las normas de

matrices o, si se quiere, en las normas de los operadores lineales. El estudio de las
normas de matrices es importante por varias razones. Es necesario, por ejemplo, para
definir de forma precisa conceptos tales como series de potencias de matrices; y
desde luego es básico para precisar lo que se entiende por proximidad o lejanía entre
matrices, aspectos fundamentales en el análisis de algoritmos en la computación
numérica, el objetivo de este tema es precisamente profundizar en esta idea y los
diferentes temas que vendrán a continuación.
NORMAS MATRICIALES
Definición: NORMA INFINITO ||A||∞

En matemáticas, una norma matricial es Es decir, cuando p=∞ usamos:

una extensión de la noción natural
de norma vectorial a las matrices, ya que
si hacemos un análisis podemos darnos
cuenta que un vector es una matriz
columna de dimensiones mx1, esto es,
una matriz formada por una sola columna que es simplemente la máxima suma
de m elementos. absoluta de las filas de la matriz.
En palabras mas castizas, las normas de NORMA EUCLIDEA ||A||2
una matriz o vector son aquellos cálculos
que nos permiten saber la magnitud de Es decir, cuando p=2 usamos:
una matriz, que tan grande es, su
tamaño.
Existen infinitas normas matriciales que
se denotan p-normas y usualmente se
denotan por ||A||p
Si m = n y uno usa la misma norma en el
dominio y el rango, entonces el operador Que es simplemente la sumatoria de
norma inducido es una norma matricial los cuadrados de sus componentes
sub-multiplicativa. elevados a la 1/2
El operador norma correspondiente a
la norma p para vectores es:
Por ejemplo:
Para la matriz A

NORMA 1 ||A||1
Es decir, cuando p=1 usamos: Se tiene

||A||1 = Max (5, 13, 19) = 19.

||A||∞ = Max (15, 12, 10) = 15

||A||2 = 14.39
que es simplemente la máxima suma
absoluta de las columnas de la matriz.

A continuación, veremos algunas

capturas de pantalla de MATLAB
mostrando algunos comandos
predefinidos, y cuya estructura es
siempre la misma y junto a un ejemplo.

figura 1
figura 2
Figura 3
La figura 1 nos muestra la norma
matricial euclidiana, la norma más
común aplicada a una matriz A,
básicamente esta norma nos muestra
el resultado de la raíz cuadrada de la
suma de cada uno de sus
componentes al cuadrado.
Dándonos como resultado 4.3460
La figura 2 nos muestra la norma
matricial infinita o norma matricial
inducida, esta norma aplicada a una
matriz A nos muestra como resultado el
máximo de la suma absoluta de las
filas de dicha matriz A
Para este la caso la máxima de las
sumas absolutas es 5
En la figura 3 podemos observar la
norma 1 aplicada a una matriz A de
tamaño 3x3, esta norma nos muestra
en el resultado la máxima suma absoluta
de las columnas de la matriz, caso muy
similar al de la norma infinita.
Como resulta obtenemos 18, máxima
suma absoluta de las tres columnas
presentes en la matriz A.
Numero de condición de una matriz.
Consideremos el sistema Ax = b, de
solución u. Queremos controlar que
cambios se producen en la solución
cuando hacemos pequeños cambios en
las componentes de b o de A.
Empecemos por tomar un cambio ∆b
en b. Entonces la solución cambiará a
u + ∆u, y se tiene
A(u + ∆u) = b + ∆b, A∆u = ∆b.
Por tanto, el cambio en la solución se
Sea norma matricial subordinada,
estima en A−1∆b. Si tomamos una
A matriz invertible y
norma vectorial y la norma matricial
subordinada, entonces:

(A + ∆A)(u + ∆u) = b + ∆b
Entonces
Por otro lado,

de donde
Medimos el error relativo, y obtenemos: Sea norma matricial subordinada y
A una matriz invertible. Entonces
1. cond(A) ≥ 1.
2. cond(A) = cond(A−1).
Así, la variación en el error relativo de
la solución está asociada a la cantidad: 3. cond(λA) = cond(A)
para todo λ ∈ K − {0}.
Demostración. Como la norma es
subordinada:
Sea una norma matricial
subordinada y A una matriz invertible.
Entonces el numero
Por otro lado

se denomina número de condición o

Si λ es no nulo, entonces:
condicionamiento de la matriz A
respecto a . No hay problema en
extender la definición a cualquier Sea A una matriz invertible. Entonces:
norma matricial. Consideremos ahora
cambios en la matriz A.

Sea norma matricial subordinada,

A matriz invertible y b diferente de 0.
Si Au = b,(A + ∆A)(u + ∆u) = b
entonces:
Demostración. De Au = b llegamos a
donde λn(A*A), λ1(A*A) son,
respectivamente, los autovalores mayor
y menor de la matriz A*A.
Demostración. Como A es regular, la
matriz A*A es hermitiana y sus
autovalores reales son todos positivos.
Si w ∈ V , no nulo, entonces:

Entonces
porque A es invertible. Si λ es autovalor
de A*A, con v auto vector asociado,
entonces:
de donde λ > 0. Sabemos que
Y
Sea A matriz hermitiana no singular,
con autovalores λ1 ≤ λ2 ≤ . . . ≤ λn.
Entonces cond2(A) = λn λ1 .
Demostración. Recordemos que
ρ(A−1) = 1 λ1 . Entonces
Sea norma matricial subordinada y
A matriz hermitiana. Entonces:
Entonces, para matrices hermitianas,
cond2 es el menor de todos.
Si U es unitaria y A es una matriz
arbitraria, entonces cond2(A) =
cond2(UA) = cond2(AU) = cond2(U
∗AU), es decir, cond2 es invariante por
transformaciones unitarias, y cond2(U)
= 1. Demostración.
Ejemplo:
Consideremos el sistema Ax = b con
y supongamos que tenemos una
variación en b dada por
La solución exacta del sistema es
mientras que la del sistema alterado Ax
= b + ∆b es:
Para la norma calculamos los
errores relativos y tenemos:
Esto era de esperar porque
cond2(A) ≈ 2984,1.
Factorización de la matriz de LU
Sintaxis:
Y = lu(A)
[L,U] = lu(A)
[L,U,P] = lu(A)
[L,U,P,Q] = lu(A)
[L,U,P,Q,R] = lu(A)
[...] = lu(A,'vector')
[...] = lu(A,thresh)
[...] = lu(A,thresh,'vector')
La función de lu expresa una
matriz A como el producto de dos matrices
esencialmente triangulares, uno de ellos
una permutación de una matriz triangular
inferior y la otra una matriz triangular
superior. A menudo se llama la
factorización LUo, a veces, la LR,
factorización. A puede ser rectangular.
Y = lu(A) matriz de devoluciones Y que
contiene el triangular estrictamente
menor L, es decir, sin la diagonal de su
unidad y la triangular superior U como
submatrices. Es decir, si [L,U,P] = lu(A),
entonces Y = U+L-eye(size(A)). No se
devuelve la matriz de permutación P .
[L,U] = lu(A) devuelve una matriz triangular
superior en U y una matriz triangular
inferior permutada en L que A =
L*U. Devolver el valor de L es un producto
de inferior triangular y matrices de la
permutación.
[L,U,P] = lu(A) devuelve una matriz
triangular superior Uuna matriz triangular
inferior L con una unidad de diagonal y una
matriz de permutación P, que L*U =
P*A. La declaración lu(A,'matrix') devuelve
valores idénticos.
[L,U,P,Q] = lu(A) escasa no vacío A,
devuelve una unidad matriz triangular más
baja Luna matriz triangular superior U, una
matriz de permutación de filas Py una
matriz de reaprovisionamiento de
columna Q, tan que P*A*Q = L*U. Si A es
vacío o no escasa, lu muestra un mensaje
de error. La
declaración lu(A,'matrix') devuelve valores
idénticos.
[L,U,P,Q,R] = lu(A) lo devuelve la matriz
triangular inferior de la unidad L, matriz
triangular superior U, matrices de la
permutación P y Qy una matriz diagonal de
escala Rque P*(R\A)*Q = L*U de escasa no
vacío A. Por lo general, pero no siempre, la
fila escala conduce a una factorización más
dispersa y más estable. La
declaración lu(A,'matrix') devuelve valores
idénticos.
[...] = lu(A,'vector') devuelve la información
de la permutación de dos fila de
vectores p y q. Puede especificar entre 1 a
5 salidas. Salida de p se define
comoA(p,:)=L*U, salida q se define
como A(p,q)=L*U, y salida R se define
como R(:,p)\A(:,q)=L*U.
[...] = lu(A,thresh) controla pivotante. Esta
sintaxis se aplica a sólo las matrices
sparse. La thresh de entrada es un vector
de uno o dos elementos de
tipo single odouble que por defecto [0.1,
0.001]. Si A es una matriz cuadrada con
una estructura simétrica sobre todo y sobre
todo diagonal, MATLAB® utiliza una
estrategia gira simétrica.Para esta
estrategia, la diagonal donde
A(i,j) >= thresh(2) * max(abs(A(j:m,j)))
se ha seleccionado. Si la entrada diagonal
falla esta prueba, se selecciona una
entrada de pivote por debajo de la
diagonal, con thresh(1). En este
caso, L tiene entradas con valor
absoluto 1/min(thresh) o menos.
Si A no es como se describe anteriormente,
MATLAB utiliza una estrategia del. En este
caso, la densidad fila i donde
A(i,j) >= thresh(1) * max(abs(A(j:m,j)))
se ha seleccionado. Un valor de 1.0
resultados en gira parcial
convencional. Entradas en L tienen un valor
absoluto de 1/thresh(1) o menos. El
segundo elemento del vector
entrada thresh no se utiliza cuando
MATLAB utiliza una estrategia del.
Valores más pequeños
de thresh(1) y thresh(2) tienden a conducir
a factores más dispersa de LU, pero la
solución puede ser inexacta. Valores
mayores pueden conducir a una solución
más exacta (pero no siempre) y
generalmente un aumento en el uso total
de la obra y memoria. La
declaración lu(A,thresh,'matrix') devuelve
valores idénticos.
[...] = lu(A,thresh,'vector') controla la
estrategia pivotante y también devuelve la
información de la permutación en vectores
de la fila, como se describe
anteriormente. La entrada de thresh debe
preceder 'vector' en la lista de argumentos
de entrada.
A Matriz rectangular a factorizar.
thresh Umbral de pivote para matrices sparse.
Los valores válidos son en el intervalo
[0,1]. Si especifica la cuarta salida
Q, el valor predeterminado es
0.1. De lo contrario, el valor predeterminado
es 1.0.
L Factor de A. Según la forma de la función,
L es o bien una matriz triangular inferior de
la unidad, o bien el producto de una matriz
triangular inferior de la unidad con P'.
U Matriz triangular superior que es un factor
de A.
P Satisfacer la ecuación de la matriz de la
permutación de filas
L*U = P*A, o L*U = P*A*Q.
Utiliza para la estabilidad numérica.
Q Satisfacer la ecuación de la matriz de la
permutación de columna P*A*Q = L*U.
Utilizado para reducir el relleno en el caso
de escaso.
R Matriz de escalamiento de fila
Devuelve un triangular verdaderamente
inferior L2, el mismo valor de Uy la matriz
de la permutación P.
L2 =

Ejemplo 1 1.0000 0 0
Comenzar con 0.1429 1.0000 0
A=[1 2 3 0.5714 0.5000 1.0000
4 5 6
7 8 0 ]; U=
Para ver la factorización LU, llamada lu con 7.0000 8.0000 0
dos argumentos de salida.
0 0.8571 3.0000
[L1,U] = lu(A)
0 0 4.5000

L1 =
P=
0.1429 1.0000 0
0 0 1
0.5714 0.5000 1.0000
1 0 0
1.0000 0 0
0 1 0
Tenga en cuenta que L2 = P*L1.
U=
P*L1
7.0000 8.0000 0
0 0.8571 3.0000
ans =
0 0 4.5000
Que L1 es una permutación de una matriz
triangular inferior: si cambiar las filas 2 y 3 y 1.0000 0 0
luego cambiar las filas 1 y 2, la matriz 0.1429 1.0000 0
resultante es baje triangular y tiene 1s en la
diagonal. Observe también que la U es 0.5714 0.5000 1.0000
superior triangular. Para verificar que la
Verificar que L2*U es una versión
factorización hace su trabajo, calcular el
permutada de A, calcular L2*U y resta
producto
de P*A:
L1*U
P*A - L2*U
que devuelve el original A. La inversa de la
matriz de ejemplo, X = inv(A), realmente se
calcula de las inversas de los factores ans =
triangulares
0 0 0
X = inv(U)*inv(L1)
0 0 0
Utilizando tres argumentos en el lado
izquierdo para obtener la matriz de la 0 0 0
permutación
En este caso, los resultados en la
[L2,U,P] = lu(A) permutación
de inv(A) de inv(P)*inv(A) inv(U)*inv(L).
El factor determinante de la matriz del
ejemplo es
 d = det(A) whos P p

d= 27 Name Size Bytes Class

Attributes
Se calcula de los determinantes de los
factores triangulares P 1000x1000 8000000
double
d = det(L)*det(U)
p 1x1000 8000 double
La solución de Ax = b se obtiene con la
división de la matriz Los siguientes dos comandos son
equivalentes. La primera por lo general
x = A\b requiere menos tiempo:
La solución realmente se calcula x = U\(L\(g(p,:)));
resolviendo dos sistemas triangulares
y = U\(L\(P*g));
y = L\b
x = U\y

Ejemplo 2
1-norma de su diferencia es en error del
roundoff, indicando que L*U = P*B*Q.
Generar una matriz de adyacencia escasos
60 por 60 de la gráfica de Conectividad del
domo geodésico de Buckminster Fuller.
B = bucky;
Use la sintaxis de la matriz sparse con
cuatro salidas para obtener las matrices de CONCLUSIÓN
permutación de filas y columnas.
[L,U,P,Q] = lu(B);
Aplicar las matrices de la permutación a By
restar el producto de las matrices
triangulares inferiores y superiores.
Z = P*B*Q - L*U;
norm(Z,1)

ans =
7.9936e-015

Ejemplo 3
Este ejemplo ilustra los beneficios de usar
la opción de 'vector' . Tenga en cuenta la
cantidad de memoria se guarda utilizando
la sintaxis lu(F,'vector') .
F = gallery('uniformdata',[1000
1000],0);
g = sum(F,2);
[L,U,P] = lu(F);
[L,U,p] = lu(F,'vector');