Febrero de 2006
Disponible en
http://www.unavarra.es/personal/victor dominguez/
Prefacio
Bo
El origen de este libro es una asignatura de libre elección que uno de los autores im-
partió durante los cursos 2004–2005 y 2005–2006 en la Universidad Pública de Navarra.
Nuestra intención original era tratar temas algo avanzados de Cálculo Cientı́fico y utilizar
Matlab como vı́a para su aprendizaje. Los alumnos, obviamente, estaban más interesados
en aprender Matlab y veı́an el Numérico como forma de probar y ensayar las diferentes
herramientas de Matlab que se iban exponiendo en clase. Desafortunadamente, la forma-
ción en Numérico de nuestros alumnos nos obligó a relajar considerablemente el contenido
matemático del curso y a ser más modestos, desde el punto de vista teórico, en nuestros
rra
objetivos. El resultado final en su vertiente matemática se podrı́a enmarcar sin problemas
en un curso introductorio de Cálculo Numérico. En cuanto a Matlab, creemos que hemos
tratado todos sus aspectos fundamentales aunque en ocasiones sea de forma superficial.
Nuestro objetivo era conseguir no tanto un conocimiento muy profundo de Matlab como
el de colocar al alumno en una buena posición de arranque para un autoaprendizaje.
El enfoque y los temas tratados son consecuencia de diversos factores entre los que
conviene citar nuestro propio bagaje matemático1 , el uso que hemos tenido que hacer de
Matlab en nuestra carrera investigadora y, como ya hemos mencionado, los conocimientos
de partida que tenı́an nuestros propios alumnos. Hemos insistido bastante en la manip-
ulación de vectores y matrices y a la programación en forma vectorizada. Ésta es una
de las diferencias más acusadas con los lenguajes de programación tradicionales y una
implementación eficiente en Matlab pasa necesariamente por la vectorización.
Los apuntes están organizados en torno a temas o lecciones, cada cual dividido en dos
do
partes, la primera de Matlab y la segunda con un tema especı́fico de Cálculo Numérico.
En la primera parte se presentan los aspectos instrumentales de Matlab que utilizaremos
en la implementación de los algoritmos de la parte de Numérico. La longitud de cada
parte es variable, y dependiente de la dificultad tratada ya sea en la parte instrumental
(Matlab) o en la parte matemática. De tanto en tanto nos hemos permitido hacer algo de
Matemáticas tratando de presentarlas en la forma más simple posible.
A lo largo de estas páginas el lector podrá encontrar ejercicios, algunos de ellos resuel-
tos, que tratan de ahondar en puntos especı́ficos, matemáticos e informáticos. Finalmente
se han introducido algunas notas históricas que describen brevemente la evolución que han
r
tenido las ideas a lo largo del tiempo. Con ello tratamos de combatir la idea gaussiana,
demasiado extendida, de las Matemáticas como un mundo estático, monolı́tico y perfecto
donde la teorı́a se presenta cerrada y completa. Las Matemáticas en general y el Cálculo
Cientı́fico en particular recorren un largo trecho antes de llegar a este estado, durante
el cual brotan ideas constantemente, siempre prometedoras en un primer momento, que
1
modelado por nuestra formación cientı́fica, común en muchos aspectos.
i
evolucionan con los años, con muchas de ellas desechadas finalmente e incluso algunas
rescatadas años después de considerarse como vı́as muertas.
Hemos adjuntado al final una bibliografı́a utilizada en este texto. Nos gustarı́a resaltar
tres textos sobre los demás. En primer lugar, Numerical Computing with Matlab, de Cleve
Moler, que descubrimos cuando andábamos en la redacción de la Lección II. Su sencillez
y la buena elección de ejemplos ha ejercido una influencia considerable en estas notas.
Bo
El segundo libro es ya un clásico entre los que aprendimos Matlab hace algunos años.
Andábamos entonces en la búsqueda de recursos en la web cuando nos encontramos con
unos apuntes muy completos de libre divulgación. Nos referimos al libro de Garcı́a de
Jalón y sus colaboradores, Aprenda Matlab ?.? como si estuviera en primero. Diferentes
versiones de estos apuntes llevan cubriendo de forma incansable la evolución de Matlab
desde la versión 4.0.
Por último, aunque no es un texto propiamente, la enciclopedia libre on line Wikipedia2
ha sido utilizada profusamente para obtener datos y fuentes utilizadas en la redacción de
este texto. Debemos señalar que estas informaciones han sido debidamente contrastadas.
A pesar de algunos problemas iniciales, es seguro que la influencia de esta enciclopedia
libre crecerá exponencialmente en el futuro.
Finalmente, queremos dejar patente nuestro agradecimiento al Profesor Javier Sayas
rra
que se ofreció muy generosamente a revisar este libro. Sus numerosas y acertadas indica-
ciones y sugerencias han contribuido, y mucho, en la redacción final de este texto.
do
Pamplona, Febrero de 2006 Vı́ctor Domı́nguez Báguena
Ma Luisa Rapún Banzo
r
2
http://www.wikipedia.org
ii
Bo
A Javier
Amigo y maestro.
rra
do
r
r
do
rra
Bo
Capı́tulo 1
Bo
Introducción
... and the first lesson of all was the basic trust that he
could learn. It is shocking to find how many people do
not believe they can learn, and how many more believe
learning to be difficult.
rra
Dune
Frank Herbert
1
diseño de sistemas de control;
salidas gráficas;
estadı́stica;
Bo
simulación de sistemas dinámicos.
La extensa gama de problemas que cubre hace de Matlab un lenguaje difı́cil de entender
y manejar en su completitud. Esto no quiere decir que sea inarbodable: el conocimiento
base que permite empezar a trabajar es muy sencillo. No obstante el elevado número de
comandos que se encuentra a disposición del usuario3 provoca que en ocasiones existan
problemas no sólo para encontrar los comandos adecuados sino también para tener una
idea de qué posibilidades exactamente ofrece Matlab en un problema o tarea en particular.
2
Las funciones no compiladas están escritas siguiendo el lenguaje de programación
propio de Matlab. Estos comandos se guardan en ficheros *.m que es la extensión estándar
de los ficheros de Matlab4 .
Originalmente, Matlab funcionaba como un interprete. Es decir, cada lı́nea de código
era traducido antes de su ejecución. Ello hacı́a que una programación similar a lenguajes
clásicos de programación diera lugar a código poco eficiente.
Bo
Este problema se puede subsanar en gran medida recurriendo a la programación vec-
torizada. El siguiente ejemplo muestra las diferencias con una programación estándar
No vectorizada Vectorizada
y=zeros(1,1000); y=sin(linspace(0,2*pi,1000));
h=2*pi/999;
for i=0:999
y(i+1)=sin(h*i);
rra
end
En la primera parte del código, encontramos una estructura tı́pica en los lenguajes de
programación: el comando for. Su significado es claro: las lı́neas comprendidas entre el for
y end se repiten 1000 veces con la variable i tomando valores de 0 a 999. El resultado final
es el vector fila y que recoge el valor del seno en 1000 puntos uniformemente espaciados
en [0, 2π].
Por otro lado, el comando linspace devuelve un array que contiene 1000 puntos
equidistantes entre 0 y 2π. La función seno es aplicada sobre todo el array devolviendo
un vector con estos valores que se guarda en y. La diferencia entre ambas formas de
programar es ahora patente. Mientras que en la primera realizamos 1000 llamadas a la
do
función seno con un argumento por llamada, en la segunda hay una única llamada donde
se requiere el cálculo del seno en 1000 puntos, y el resultado se devuelve en un vector con
estos valores (y por tanto también de longitud 1000).
Desde el punto de vista de Matlab el segundo código es más eficiente. Habitualmente,
la vectorización lleva consigo una reducción del código a la vez que se incrementan las
necesidades de memoria.
Con Matlab 6.5 se inició un proyecto a más largo plazo consistente en la aceleración
(Performance Acceleration) de las versiones no vectorizadas dirigida a estrechar las difer-
encias con los lenguajes clásicos de alto nivel como Fortran, C o Pascal5 . En cualquier caso,
r
la posibilidad de ejecutar instrucciones en bloque sobre vectores o matrices, en contraste
con operaciones elemento a elemento como en los lenguajes tradicionales, es algo que
conviene explotar por las importantes ventajas que proporciona.
4
También está la extensión *.mat, propia de ficheros de datos.
5
De hecho en la version 6.5 apenas hay diferencias en tiempo de ejecución entre los dos códigos
expuestos.
3
1.3. ¿Cómo aprenderemos?
Como ya hemos señalado anteriormente, aprender a manejar Matlab en su totalidad
está fuera de los contenidos de un curso introductorio como éste. No ası́ aprender los
fundamentos y preparar el terreno para un autoaprendizaje de las partes en las que cada
uno esté interesado. Encontramos en este punto dos dificultades que salvar: saber de la
Bo
existencia del comando adecuado y aprender a utilizarlo. En no pocas ocasiones, la primera
es la mayor dificultad. No obstante los comandos llevan siempre nombres nemotécnicos
para facilitar su memorización. Las funciones de ayuda también echan una mano.
Como a programar se aprende programando, comenzaremos escribiendo código desde
los primeros pasos. Los esquemas numéricos que implementaremos se encuentran prácti-
camente en cualquier curso introductorio de Análisis Numérico. En cada lección imple-
mentaremos dichos algoritmos, introduciendo órdenes, estructuras de decisión, datos,...
según sea necesario.
En los apuntes se incluyen múltiples ejercicios cuya realización ayudará al aprendizaje
de la asignatura. Estos apuntes no deben tomarse como un manual en el estilo usual, sino
como una forma de aprender Matlab y repasar o aprender el Análisis Numérico básico.
Ya existen manuales extensos y concienzudos, en la bibliografı́a citamos algunos de ellos,
rra
que pueden servir para ese fin.
do
r
4
Bo
Lección I
9
2.1 Entorno de trabajo LECCIÓN I
Bo
rra
Figura 2.1: Pantalla Principal.
Dos comandos se pueden insertar en la misma lı́nea separados por “,” o por “;”. La
diferencia entre los dos es que con “,” se muestran los resultados de las operaciones
mientras que con “;” la operación se ejecuta pero no se visualiza.
r
Ejercicio 2.1 Ejecuta las instrucciones
10
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
y observa la salida.
>> 3^5
Bo
ans=
243
>> 4+6
ans =
10
rra
>> ans*2
ans =
20
>> ans*2
ans =
40
do
La raı́z cuadrada se puede calcular bien elevando a 1/2 (^(1/2)) o bien utilizando sqrt.
11
2.1 Entorno de trabajo LECCIÓN I
Por ejemplo
Existen además dos números especiales: inf y NaN. El primer signo representa la can-
Bo
tidad infinita (∞). El segundo es una abreviatura de “no es un número” (Not a Number)
y es el resultado que se devuelve ante una operación indefinida como 0/0. Este sı́mbolo
se puede utilizar en ámbitos, en principio tan extraños, como en el dibujo de superficies
(vér la Lección V).
En general los resultados numéricos se presentan con cuatro cifras decimales correctas,
aunque todas las operaciones se ejecutan en doble precisión1 . Si se desean las salidas con
toda la precisión disponible se debe insertar la instrucción
devuelve a la forma estándar con cuatro cifras decimales. Existen más opciones con format.
Las siguiente lı́neas muestran algunas de ellas:
>> pi % el numero pi
ans =
3.1416
3.14159265358979
12
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
355/113
Observa la diferencia de espaciamiento que se obtiene con las opciones compact y loose.
Números complejos
La √aritmética compleja se encuentra también integrada en Matlab. La unidad imagi-
naria ( −1) se representa en Matlab con i ó j:
>> clear i j % borramos posibles valores de i y j
rra
>> i^2
ans=
-1
>> j^2
ans=
-1
do
El signo i suele ser habitual en Matemáticas mientras que en diversas ramas de la Fı́sica
y en Ingenierı́a de Telecomunicaciones o Eléctrica se prefiere el sı́mbolo j (en este caso
para no confundir con la intensidad de corriente eléctrica). De ahı́ que Matlab permita
ambas representaciones.
Todas las operaciones matemáticas incluyen la aritmética compleja en el sentido usual
ans =
r
6.0000 - 5.0000i
ans =
13
2.2 Comandos de ayuda LECCIÓN I
34.00
ans =
-0.20
Bo
+
>> conj(3e-3+2e-4i) % conjugado
ans =
0.0030 - 0.0002i
ans =
5
rra
ans =
1.5708
help: muestra una ayuda por pantalla, en la ventana de comandos, con la informa-
do
ción esencial sobre un comando concreto.
helpwin: similar a help pero despliega la ayuda en una ventana auxiliar, permitien-
do ası́ una navegación, estilo web, muy cómoda.
lookfor: permite buscar una cadena en la primera lı́nea de todos los ficheros de
ayuda.
Overloaded methods
help sym/sin.m
14
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
Bo
rra
Figura 2.2: Pantalla de ayuda.
o bien
>> helpwin sin
do
y obtener la pantalla que se muestra en la Figura 2.3. Además, si aparece el enlace “Go to
online doc for ...”, éste nos permite navegar entre una ayuda mucho más completa
donde se muestran ejemplos y detalles sobre la implementación del comando (ver la Figura
2.42 ).
Ejercicio 2.3 Utilizando las funciones de ayuda, obtener información de alguna de estas
funciones elementales de Matemáticas
sin cos tan asin acos atan
sec csc cot asec acsc acot
r
sinh cosh tanh asinh acosh atanh
exp log log10 log2 sign
Mediante la instrucción
2
Para que esta opción esté disponible es necesario que se haya instalado la ayuda completa de Matlab.
A partir de la versión 6.0 la instalación consta de (al menos) dos CDs, el primero con el programa y las
librerı́as habituales y el segundo con la documentación de la ayuda.
15
2.3 Variables LECCIÓN I
Bo
rra
Figura 2.3: Ayuda con helpwin. Comprueba si aparece la opción Go to online doc...
>> help +
ans =
r
-1
>> a*b*c
ans =
16
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
Bo
rra
Figura 2.4: Ayuda on line.
6
do
El comando who sirve para conocer los nombres de las variables declaradas, mientras
que con whos obtenemos una información más precisa:
>> who
a b c
>> whos a
r
Name Size Bytes Class
17
2.3 Variables LECCIÓN I
>> a=4;
>> whos a
>> clear a
>> whos a
>>
borra la variable (es decir, whos no devuelve nada). Con la orden
>> clear all
se borran todas las variables declaradas hasta el momento.
rra
Nota. En Matlab es correcto declaraciones de este tipo
>> sin=1;
>> sin+1
ans=
2
De esta forma sin pasa a ser una variable que sobrescribe el valor original que tenı́a como
función seno. Para recuperar el valor original basta ejecutar
>> clear sin
do
Almacenamiento de variables en ficheros
Matlab ofrece la posibilidad de grabar las variables que deseemos en un fichero. De esta
forma, podemos recuperarlas más adelante, ya sea en la misma sesión o en otra diferente3 .
Por ejemplo
>> a=4+i;% numero complejo
>> b1=cos(2);
>> b2=sin(2);
>> save datos a b1 b2
r
graba dentro del directorio de trabajo, en un fichero de nombre datos.mat, las variables
indicadas. Para recuperar, basta ejecutar
>> load datos
3
Se entiende por sesión el tiempo que transcurre entre que se abre y se cierra Matlab. Al cerrar el
programa, todas las variables locales se pierden.
18
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
2.4.2. Funciones
En principio existen dos tipos de funciones: las funciones inline, que se insertan en
la lı́nea de comandos y las que se escriben en un documento de texto externo. Esta última
r
forma, que es la evolución natural de los ficheros script, es más flexible y es en la que nos
centraremos a continuación. Dejaremos pendiente para la Lección III la descripción de las
funciones inline.
Como antes, para crear un fichero que contenga a una función se puede teclear:
4
También es posible crear este fichero a golpe de ratón.
5
Por defecto es C:\MATLAB6p5\work.
19
2.4 Ficheros script y funciones LECCIÓN I
01 % MIFUNCION
02 %
Bo
03 % Y=MIFUNCION(X) devuelve
04 %
05 % Y=X^2-COS(X)
06 %
07 function y=mifuncion(x)
08
09 y=x^2-cos(x);
10
11 return
>> mifuncion(pi)
ans =
10.8696
Nota. Los números correlativos situados a la izquierda no forman parte del código
de la función. Han sido insertados con el fin de numerar las lı́neas y ası́ facilitar los
comentarios que podamos hacer sobre el programa.
Una función puede no tener salidas, por ejemplo,
do
01 % INFORMACION
02 %
03 % INFORMACION devuelve informacion sobre
04 % la precision de la maquina
05 %
06 function informacion
07
08 disp(’precision de la maquina’)
09 disp(eps)
r
10 disp (’mayor numero real’)
11 disp(realmax)
12 disp (’menor numero real’)
13 disp(realmin)
14 return
6
En este sentido, el return del ejemplo anterior es superfluo.
20
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
ans=
>> z2
ans=
6
La cabecera que hemos introducido en el preámbulo de las funciones, es decir las lı́neas
anteriores a la declaración de la función y precedidas con “%”, constituyen la ayuda de la
función:
>> help mifuncion2
r
MIFUNCION2
[Y1,Y2]=MIFUNCION2(X1,X2,X3) devuelve
Y1=X1+X2+X3;
Y2=X1-X2+X3;
21
2.5 Vectores y matrices LECCIÓN I
22
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
ans=
9
En cualquier caso, si tratamos de introducir un valor en una posición no definida de la
matriz, Matlab irá adaptando el tamaño según juzgue apropiado9 , y no dará ningún
error. El siguiente ejemplo ilustra esta caracterı́stica
>> clear c % c esta borrado
>> c(1,2)=4 % c es ahora 1 x 2
c =
do
0 4
c =
0 4 0
0 0 0
0 0 2
r
Esta habilidad, aunque permite una programación muy flexible y descuidada, debe uti-
lizarse con mesura dado que puede provocar errores de ejecución muy difı́ciles de detectar.
9
Ello obliga a que haya que redimensionar constantemente la memoria otorgada a la variable a. Esto
supone un costo adicional, inapreciable con ejemplos pequeños, pero importante para grandes cantidades
de memoria. Por tanto es mejor declarar primero las dimensiones de la matriz e informar ası́ a Matlab de
cuánta memoria tiene que reservar.
23
2.5 Vectores y matrices LECCIÓN I
2.5.2. Operaciones
Todas las operaciones habituales entre matrices, tales como la suma, producto, poten-
ciación, cálculo de determinantes, inversas..., están ya implementadas en Matlab. No hay
por tanto necesidad de programarse estas tareas. Por ejemplo, si a y a2 son matrices de
tamaños compatibles, las instrucciones
Bo
a*a2 a^2 a+a2
devuelven el producto matricial de a y a2, el cuadrado de a (es decir, a*a) y la suma de
a y a2.
Es importante observar la diferencia con estas lı́neas
a.*a2 a.^2
En el primer caso, se devuelve la matriz resultado de multiplicar elemento a elemento
a y a2 (por tanto deben tener el mismo tamaño) y en el segundo, una matriz cuyas
entradas son el cuadrado de las de a. Esto es una constante en Matlab: el signo “.”
indica que la operación (un producto, una potencia o una división) se hace elemento a
elemento, mientras que en caso contrario se calcula la operación matemática, en este
caso el producto matricial.
rra
Ejercicio 2.4 Introduce en a y a2 dos matrices de igual tamaño. Observa el resultado de
ejecutar
a+a2 a*a2 a.*a2
Define un vector b fila o columna y ejecuta
b.^3 b’
Comprueba si estas operaciones están bien definidas
a*2 a+1
¿Qué hacen exactamente? ¿Por qué crees que no es necesario “.” en la primera instrucción?.
do
Otros comandos importantes son
det inv / \ /. \.
Los dos primeros son el determinante y la inversa de una matriz cuadrada. Los operadores
“/” y “\” (slash y backslash) son ciertamente especiales:
a/a2 es equivalente a a*inv(a2), a\a2 es equivalente a inv(a)*a2
En cuanto a su relación con ./ y \. es la misma que ha surgido antes, esto es, aplicado
sobre matrices procede a realizar los cocientes elemento a elemento. Requiere por tanto
que ambas matrices tengan el mismo tamaño.
r
Ejercicio 2.5 Ejecuta las instrucciones
>> 3/5
>> 3\5
y observa el resultado. ¿Tiene sentido desde el punto de vista anterior?.
Ejercicio 2.6 Dado b una matriz, ¿qué hace 1/b?.
24
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
Nota. El operador backslash “\” se utiliza profusamente para resolver sistemas de ecua-
ciones lineales, bajo la idea de que
Ax = b ⇔ x = A−1 b.
Ası́, si b es n × 1 y a es n × n,
Bo
>> x=a\b;
1.0000 0.5000
0.5000 1.0000
es equivalente a
ans =
1.0000 0.5000
do
0.5000 1.0000
3 2
>> length(a3)
25
2.5 Vectores y matrices LECCIÓN I
ans =
2 3
ans =
2
rra
>> n
ans =
>> length(a3)
ans =
3
do
El comando size devuelve un vector de tamaño 2×1 con el número de filas y columnas
del vector/matriz. El resultado es diferente según se aplique a vectores fila o columna. La
orden length devuelve la longitud de una matriz o vector. Su significado en el caso de un
vector está clara mientras que para matrices devuelve el máximo entre el número de filas
y el número de columnas.
Matrices especiales
Matlab dispone de una serie de comandos que permiten construir matrices con una
estructura particular. Cabe señalar las siguientes órdenes:
r
eye(n) es la matriz identidad de orden n;
zeros(m,n) es una matriz m x n de 0s, esto es, igual que ones pero con ceros;
26
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
Existen dos formas de introducir vectores cuyos valores siguen una distribución regular
a:b:c construye el vector de valores [a a+b a+2*b .... a+k*b] donde a+k*b es
el mayor número natural que cumple a+k*b≤ c. La instrucción a:c toma b = 1.
>> 0:10
ans=
0 1 2 3 4 5 6 7 8 9 10
>> 10:-1:0
ans=
rra
10 9 8 7 6 5 4 3 2 1 0
>> 0.1:0.3:1.5
ans =
>> linspace(0,2,4)
ans =
do
0 0.6667 1.3333 2.0000
>> linspace(2,0,4)
ans =
27
2.5 Vectores y matrices LECCIÓN I
>>a(2,:) % fila 2 de a
ans =
4 5 6
>>a(:,1) % columna 1
rra
ans =
1
4
7
10
a =
do
1 0 3
4 0 6
7 0 9
10 0 12
ans =
r
0 3
ans =
28
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
6
9
12
0 3
0 6
ans=
rra
0.4000 0.300 0.2000
ans=
>> a=[1 2 3 4; 5 6 7 8]
a =
r
1 2 3 4
5 6 7 8
a =
29
2.6 Bucles y estructuras de decisión LECCIÓN I
1 2 3 4
5 6 7 8
1 -1 2 4
1 2 3 4 0
5 6 7 8 2
1 -1 2 4 4
Si se desea eliminar una fila o columna se puede utilizar el sı́mbolo vacı́o []. Por
ejemplo,
1 3 4 0
5 7 8 2
1 2 4 4
Ejercicio 2.8 Programa una función cuyas entradas sean una matriz cuadrada y un término
independiente compatible y que devuelva la matriz ampliada del sistema de ecuaciones lineales.
Esto es, una matriz con la matriz original y una última columna con el término independiente.
for j=inicio:paso:final
.....
end
r
implementa un bucle donde las lı́neas de código entre for y end son ejecutadas repetida-
mente con j tomando los valores del vector inicio:paso:final (véase la Sección 2.5.3)
Por ejemplo,
30
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
En general, si v es un vector,
for j=v
.....
end
rra
procede a ejecutar las lı́neas internas con j tomando los valores del vector v. Por ejemplo,
>> v=[2 5 3 1];for j=v; disp(j); end
2
1
Asociados a for, y en general a cualquier bucle, encontramos los comandos break y
continue. El primero fuerza la salida inmediata del bucle mientras que el segundo reini-
do
cializa la iteración con el siguiente valor del ı́ndice.
Construye la matriz anterior mediante un fichero script y el uso de dos “for” anidados.
r
2.6.2. Operadores lógicos y estructuras de decisión
Los operadores lógicos más básicos en Matlab son
== igualdad, ~= desigualdad, > mayor, < menor,
>= mayor o igual, <= menor o igual, & “y” lógico, | “o” lógico
31
2.6 Bucles y estructuras de decisión LECCIÓN I
ans =
Bo
1
ans =
ans =
rra
0
ans =
p=
r
1 1 0 0 1 0
En el ejemplo anterior, p(i)==1 si b(i)≥1 y cero en caso contrario. Ahora, podemos
aislar los elementos mayores o iguales que 1 simplemente con
10
Ocupan un único byte mientras que un número real utiliza ocho bytes.
32
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
>> b(p)
1 2 2
Nota. El comando logical puede utilizarse para construir vectores y estructuras lógicas
a partir de vectores de números enteros:
>> p=logical(p);
>> b(p)
ans =
2 8 10
La estructura de decisión, como en muchos otros lenguajes, es if. Su sintaxis es la
siguiente:
do
if simple: si la operación lógica efectuada es verdadera, se ejecutan las lı́neas de
código comprendidas entre if y end
if (x<-1 | x>1)
disp(’valor absoluto de x mayor que 1’)
end
33
2.6 Bucles y estructuras de decisión LECCIÓN I
if de decisión múltiple:
if (x<0)
f=x.^2;
disp(’x menor que cero’)
elseif (x<sqrt(pi))
Bo
f=sin(x^2);
disp(’x en [0,sqrt(pi))’)
elseif (x<2*sqrt(pi))
f=(x-sqrt(pi))^2;
disp(’x en [sqrt(pi),2*sqrt(pi))’)
else
f=pi*cos(x^2);
disp(’x en [2*pi,infinito)’)
end
Nota. Con la instrucción switch se puede implementar una estructura de decisión que
r
es esencialmente equivalente a un if anidado.
Está disponible también el bucle while que procede a ejecutar un bucle (que se cierra
también con un end) mientras una condición sea verdadera. Por tanto, es algo más flexible
que un for.
En general todos los bucles y estructuras que requieran cerrarse, lo hacen con end. El
uso de break y continue es exactamente el mismo.
34
LECCIÓN I Capı́tulo 2. Matlab: Primeros pasos
Por último, y volviendo a end, este comando tiene una curiosa funcionalidad extra:
sirve para referenciar el último elemento de una fila o columna de una matriz. Por ejemplo
b(4:end) selecciona todos los elementos de b desde la posición cuarta en adelante.
Ejercicio 2.11 Con la ayuda de Matlab, programa un par de ejemplos donde utilices switch
y while.
Ejercicio 2.12 (Un poco de todo) Implementa una función de nombre findnonzeros
que dado un vector de entrada devuelva el número de elementos no nulos y un vector que
contenga dichos elementos.
rra
Solución. Una implementación posible es la siguiente
01 % FINDNONZEROS
02 %
03 % [N,P]=FINDNONZEROS(X) devuelve
04 %
05 % N el numero de elementos no nulos en el vector X
06 % P un vector con los elementos no nulos de X
07 %
08 function [n,p]=findnonzeros(x)
09
do
10 p=[]; % p es vacio
11 for i=1:length(x)
12 if (x(i)~=0) % si x(i) no es cero
13 p=[p x(i)]; % apuntamos i al vector p
14 end
15 end
16 n=length(p);
17 return
Observa como se recogen los resultados de la función, n y p,
r
>> a=[0.1 0. 0.3 0.1 0.6 0 0.1 0.2 0.4]; % vector!!
>> [n,p]=findnonzeros(a)
n =
35
2.6 Bucles y estructuras de decisión LECCIÓN I
p =
Columns 1 through 5
0.2000 0.4000
Otra posible implementación (mucho más elaborada y más propia de Matlab) es la sigu-
iente
01 % FINDNONZEROS
02 %
03 % [N,P]=FINDNONZEROS(X) devuelve
04 %
rra
05 % N el numero de elementos no nulos en el vector X
06 % P un vector con los elementos no nulos de X
07 %
08 function [n,p]=findnonzeros(x)
09
10 p=x(x~=0);
11 n=length(p);
12 return
Haz un esfuerzo en entender bien los comandos anteriores. Tras la suficiente práctica,
esta versión se ve más clara y natural que la anterior. Observa cómo se toman los elementos
no nulos del vector x (lı́nea 10).
do
r
36
Capı́tulo 3
Bo
Métodos directos para sistemas de
ecuaciones lineales
i) Transformación del sistema lineal en otro equivalente, es decir, con la misma solu-
ción, donde la matriz es triangular superior.
Ax = b, A ∈ Rn×n , x, b ∈ Rn ,
37
3.1 Método de Gauss LECCIÓN I
Método de Gauss
Bo
01 for i = 1 : n − 1
02 for k = i + 1 : n
03 `ki = aki /aii
04 for j = i + 1 : n
05 akj = akj − `ki aij
06 end
07 bk = bk − `ki bi
08 end
09 end
10
11 xn = bn /ann
12 for i = n − 1 : −1 : 1
rra
Xn
13 x i = bi − aij xj /aii
j=i+1
15 end
Ejercicio 3.1 Implementa una función cuyas entradas sean la matriz de coeficientes y el
término independiente y devuelva la solución del sistema por el método de Gauss.
01 % GAUSS
r
02 %
03 %
04 % X=GAUSS(A,B) Solucion del sistema Ax=b con el metodo
05 % de Gauss sin pivotaje
3
es decir, el número de multiplicaciones es n3 /3 + αn2 + βn + γ, donde α, β y γ son constantes
adecuadas. Con n creciente, el primer término es el dominante.
38
LECCIÓN I Capı́tulo 3. Métodos directos para sistemas de ecuaciones lineales
06
07 function x = gauss(a,b)
08 n=length(a);
09
10 % transformacion del sistema en uno triangular
11 for i=1:n-1
Bo
12 for k=i+1:n
13 l=a(k,i)/a(i,i);
14 for j=i+1:n
15 a(k,j)=a(k,j)-l*a(i,j);
16 end
17 b(k)=b(k)-l*b(i);
18 end
19 end
20
21 % resolucion del sistema triangular
22 x=zeros(n,1); % tambien vale x=b*0;
23 x(n)=b(n)/a(n,n);
rra
24 for i=n-1:-1:1
25 s=0;
26 for j=i+1:n
27 s=s+a(i,j)*x(j); % sumatorio
28 end
29 x(i)=(b(i)-s)/a(i,i);
30 end
31 return
El código anterior es correcto y ciertamente recuerda a la sintaxis que usarı́amos en una
do
programación en un lenguaje tradicional como C o Pascal. Sin embargo desde el punto de
vista de Matlab es claramente redundante y muy mejorable. Los siguientes ejercicios
ahondan en estos aspectos por lo que resolverlos es muy recomendable.
Solución. Las filas 14-16 del programa (04--06 del algoritmo) se pueden implementar
como una diferencia de dos vectores, a(k,i+1:n) y a(i,i+1:n), con cualquiera de estas
dos instrucciones
r
a(k,i+1:n) =a(k,i+1:n) - l*a(i,i+1:n)
a(k,:) =a(k,:) - m*a(i,:)
La segunda es más cómoda de utilizar pero multiplica por dos el número de operaciones
en la ejecución del método4 .
4
¿Por qué?.
39
3.1 Método de Gauss LECCIÓN I
De forma análoga, el sumatorio de las lı́neas 25-29 del código (13 del algoritmo del
método de Gauss) es simplemente el producto escalar, y de hecho también matricial, de
dos vectores, el vector fila a(i,i+1:n) y el vector columna x(i+1:n). Esto es el código
de las lı́neas 25--29 se puede sustituir por
x(i)=(b(i)- a(i,i+1:n)*x(i+1:n))/a(i,i);
Bo
Ejercicio 3.3 (Avanzado) Podemos avanzar aún más hacia la consecución de algoritmos
matriciales. Consideremos la partición de A
a11 c>
1 b1
A= , b=
d1 A11 b1
donde c1 , d1 son vectores (n − 1) × 1 y A11 una matriz (n − 1) × (n − 1). Entonces, el primer
paso del método de Gauss se puede escribir
c>
a11 1 b 1
, b=
0 A11 − (a11 )−1 c> 1 d1 b1 − a−1
11 b1 d1 .
rra
| {z } | {z }
(1) (1)
A b
El segundo paso del método de Gauss se aplica ahora sobre la matriz A(1) (de tamaño (n−1)×
(n − 1)) y el vector b(1) (de tamaño (n − 1) × 1) y ası́ se procede sucesivamente. Implementa
esta resolución alternativa del método de Gauss.
(Ayuda. Observa estas tres instrucciones
l=a(i+1:n,i)/a(i,i) a(i+1:n,i+1:n)-l*a(i,i+1:n) b(i+1:n)-l*b(i)
¿Qué hacen?)
40
LECCIÓN I Capı́tulo 3. Métodos directos para sistemas de ecuaciones lineales
Uno de los detalles más sencillos que hay que plantear es la estrategia de almace-
namiento de las matrices en memoria. Se puede optar por un almacenamiento por filas,
como hace C,
a11 a12 a13
A= ⇒ a11 → a12 → a13 → a21 → a22 → a23
a21 a22 a23
Bo
donde con la notación anterior queremos decir que aij y aij+1 ocupan posiciones consec-
utivas en memoria.
Sin embargo Fortran o Matlab proceden por columnas
a11 a12 a13
A= ⇒ a11 → a21 → a12 → a22 → a13 → a23 .
a21 a22 a23
Según sea el caso se trata de primar algoritmos que accedan a la matriz por filas o por
columnas para que el procesador trabaje con posiciones consecutivas de memoria6 . En esta
rra
dinámica, la resolución del sistema triangular según el algoritmo expuesto en el Ejercicio
3.3 está mejor adaptado a la arquitectura de Matlab puesto que todas las operaciones se
hacen sobre columnas de la matriz a.
Para evitar que el método de Gauss se colapse, es decir, que encuentre en un paso i
que el elemento aii es nulo (lı́nea 03 del algoritmo), se introduce la noción de pivotaje. La
idea es muy sencilla: en el caso de que en el i–ésimo paso el pivote sea nulo, se procede a
intercambiar la fila i por una fila k tal que aki 6= 0 para cierto k > i. Si esto no es posible,
do
el sistema no es compatible determinado, es decir, o no tiene solución o tiene infinitas
soluciones.
Desde un punto de vista práctico, el método de Gauss con pivotaje procede a inter-
cambiar siempre filas de forma que en cada paso
esto es, el pivote es el mayor posible. Ello dota al sistema de una mayor estabilidad frente
a los errores de redondeo. El algoritmo resultante es el siguiente (denotamos por a ↔ b el
r
intercambio de valores de a y b).
6
Cuando un procesador moderno lee algo en memoria, suele cargar a su memoria internar, la memoria
caché, posiciones adicionales y consecutivas de memoria bajo la convicción de que es probable que las
requiera en el siguiente paso.
41
3.1 Método de Gauss LECCIÓN I
01 for i = 1 : n − 1
02
03 Encontrar k ∈ {i, . . . , n} tal que |aki | = máx |a`i |
j=`,...,n
04 for j = i : n
Bo
05 aij ↔ akj %intercambio filas y termino independiente
08 end
07 bi ↔ bk
08
09 for k = i + 1 : n
10 `ki = aki /aii
11 for j = i + 1 : n
12 akj = akj − `ki aij
13 end
14 bk = bk − `ki bi
15 end
16 end
rra
Ejercicio 3.4 Implementa una función con el método de Gauss con pivotaje a partir de la
función definida en el Ejercicio 3.2.
Para este fin la instrucción max te puede resultar útil. Especı́ficamente,
>> [m,i]=max(v)
devuelve en m el mayor valor del vector v y en i su posición, esto es, m = v(i). Añade también
un control sobre el tamaño de a(i, i) de forma que si éste es próximo a cero7 se termine la
ejecución y se devuelva un mensaje de error.
do
(Ayuda. La instrucción [m,r]=max(abs(a(i:n,i))) te devolverá en r la posición del máximo
en el vector columna abs(a(i:n,i)). Por tanto, la fila en la matriz a con el mayor valor en la
columna i es i+r-1.)
42
LECCIÓN I Capı́tulo 3. Métodos directos para sistemas de ecuaciones lineales
y se procede a hacer ceros en las filas p(i+1),. . . , p(n). El acceso la fila i se consigue con
a(p(i),:)
22 x(p(n))=b(p(n))/a(p(n),n);
23 for i=n-1:-1:1
24 x(p(i))=(b(p(i))-a(p(i),i+1:n)*x(i+1:n))/a(p(i),i);
25 end
Ejercicio 3.6 Las lı́neas 22–25 proceden a resolver el sistema triangular accediendo a los
elementos por filas. Adapta el algoritmo para la resolución de este sistema por columnas, tal
como se hizo en el Ejercicio 3.3.
r
Ejercicio 3.7 Sea A una matriz inversible de tamaño n × n y A−1 su inversa. Si ai es la
columna i−ésima de A−1 , esto es,
43
3.2 Descomposiciones matriciales LECCIÓN I
entonces
0
..
.
Aai = ei = 1 → i.
.
..
0
Bo
Utilizando alguna de las diferentes versiones del método de Gauss, implementa el cálculo de la
inversa mediante la resolución de los n sistemas de ecuaciones. Observa que los n comparten
la misma matriz de coeficientes.
3.2.1. Descomposición LU
Supongamos que se dispone de una descomposición
do
A = LU
44
LECCIÓN I Capı́tulo 3. Métodos directos para sistemas de ecuaciones lineales
única. Si exigimos que L tenga 1s sobre la diagonal, el número de incógnitas pasa a ser
de n2 y por tanto tenemos ya un sistema cuadrado (aunque no lineal). Se trata entonces
de estudiar el siguiente problema: dada una matriz A de tamaño n × n, encontrar L y U
de la forma
1 u11 u12 · · · u1n
Bo
`21 1 u22 · · · u2n
L = .. , U = .. ,
.. . . . .
. . . . .
`n1 `n2 · · · 1 unn
01 for k = 1 : n
02 for j = k : n
k−1
X
03 ukj = akj − `kp upj
p=1
04 end
05 `kk = 1
06 for i = k + 1:n
k−1
X
07 `ik = aik − `ip upk /ukk
do
p=1
08 end
09 end
El número de operaciones del algoritmo resulta ser igual al del método de Gauss,
con lo cual no hemos conseguido una ventaja significativa. Sin embargo, disponer de esta
descomposición es especialmente útil si se requiere resolver varios sistemas de ecuaciones
lineales con la misma matriz pero con términos independientes diferentes. Las operaciones
que conllevan un mayor coste son las correspondientes al cálculo de las matrices L y
r
U , pero únicamente hay que realizar esta descomposición una vez para posteriormente
resolver en cada caso dos sistemas triangulares.
45
3.2 Descomposiciones matriciales LECCIÓN I
Al observar el algoritmo del método, las operaciones recuerdan a las efectuadas por el
método de Gauss. Esto no es tan sorprendente cuando se analizan con detenimiento los
calculados realizados. Se puede ver entonces que en el cálculo de la descomposición LU se
están haciendo exactamente las mismas operaciones que al aplicar el método de Gauss.
En efecto, definamos
( (1)
Bo
aij = aij i, j = 1, . . . , n
(k+1) (k) (k)
aij = aij − `ik akj , k ≥ 1, 1 ≤ i, j ≤ n − k
donde `ki viene dada por el algoritmo de Doolitle (lı́nea 07).
Entonces, de acuerdo con el algoritmo de la factorización LU , los elementos de la
primera fila de U y de la primera columna de L vienen dados por
(1)
(1) ai1
u1j = a1j , `i1 = (1)
.
a11
En el siguiente paso, se observa que
(1) (1) (2)
u2j = a2j − `21 u1j = a2j − `21 a1j = a2j
rra
(1) (1) (2)
ai2 − `i1 u12 a − `i1 a a
`i2 = = i2 (2) 12 = i2(2)
.
u22 a22 a22
Reiterando el mismo razonamiento concluimos que
(j)
(i) aij
uij = aij , i ≤ j, `ij = (j)
, i > j.
ajj
Por tanto U es de hecho la matriz triangular que queda al aplicar el método de Gauss
mientras que L está formada por los elementos que se han utilizado para hacer ceros en
el proceso. Esto es, el elemento i, j de L, denotado por `ij , coincide con la constante `ij
calculado en la lı́nea 03 del método de Gauss y por tanto no hay una contradicción de
notaciones.
do
En particular, la propiedad anterior propone una forma alternativa de calcular la de-
scomposición LU de una matriz es la siguiente modificación del programa del Ejercicio 3.1:
11 for i=1:n-1}
12 a(i,i+1:n)=0; %hacemos cero la columna i
13 for k=i+1:n}
14 l(k,i)=a(k,i)/a(i,i);
15 a(k,i+1:n)=a(k,i+1:n)-l(k,i)*a(i,i+1:n);
16 end
17 end
r
La matriz U estarı́a entonces almacenada en a.
Ejercicio 3.10 Una forma compacta de devolver la descomposición LU es insertar L en la
parte triangular inferior de a. De esta forma, tras aplicar el método, a tiene en la parte superior
la matriz U , mientras que por debajo de la diagonal encontramos L (exceptuando su diagonal
de 1s). Implementa esta modificación.
46
LECCIÓN I Capı́tulo 3. Métodos directos para sistemas de ecuaciones lineales
donde
`11
`21 `22
L= .
.. .. . .
. . .
`n1 `n2 · · · `nn
Gracias a la simetrı́a de la matriz, tanto el número de operaciones como de posiciones
de memoria requeridos pueden reducirse a la mitad. El algoritmo resultante es conocido
como el método de Cholesky.
Método de Cholesky
rra
01 for k = 1:n
v
u
u k−1
X
02 `kk = takk − `2kr
r=1
03 for j = k + 1:n
k−1
X
04 `jk = ajk − `jr `kr /`kk
r=1
05 end
06 end
do
Ejercicio 3.11 Implementa una función que tenga como entrada una matriz A y devuelva
la matriz L correspondiente. Debe avisar si la descomposición no ha podido llevarse a cabo.
Implementa también una segunda función que tenga como entradas la matriz L triangular
y un término independiente b y que devuelva la solución del sistema
(LL> )x = b.
LU con permutación
El método de Gauss con pivotaje parcial es equivalente a la decomposición
P A = LU
47
3.2 Descomposiciones matriciales LECCIÓN I
A = LU
b
Bo
b = P −1 L, de forma que L
donde L b es una permutación de la matriz triangular inferior9 .
La siguiente subrutina devuelve esa descomposición.
01 % LUPERMUTACION
02 %
03 % [L,U]=LUPERMUTACION(A)
04 %
05 % devuelve U triangular superior, L permutacion
06 % por filas de una matriz triangular inferior con
07 % 1s en la diagonal de forma que A=L*U
rra
08
09 function [l,u]= LUPermutacion(a)
10 n=length(a);
11 p=1:n;
12
13 for i=1:n-1
14 [maximo,r]=max(abs(a(p(i:n),i)));r=r+i-1;
15 p([i r])=p([r i]);
16 for k=i+1:n
17 l(p(k),i)=a(p(k),i)/a(p(i),i);
18 a(p(k),i:n)=a(p(k),i:n)-l(p(k),i)*a(p(i),i:n);
19 end
do
20 end
21 for i=1:n
22 l(p(i),i)=1;
23 end
24 u=a(p,:);
25 return
9
Esto es, es el resultado de reordenar las filas de L.
48
LECCIÓN I Capı́tulo 3. Métodos directos para sistemas de ecuaciones lineales
r=chol(a) devuelve r triangular superior de forma que a=r’*r. Observa que con
Bo
las notaciones introducidas r es precisamente la traspuesta de la matriz
L, expuesta en nuestro algoritmo. El comando asume que la matriz es
simétrica por lo que sólo trabaja con la parte superior de la matriz.
[l,u]=lu(a); x=u\(l\b);
rra
La colocación de los paréntesis es esencial. Con u\l\b se calcula (u−1 l)−1 b que obvia-
mente no tiene nada que ver con la solución del sistema. No hay que preocuparse por el
hecho de que las matrices sean triangulares (o permutación de una triangular). Matlab, y
en concreto la instrucción \ detecta esto y resolverá el sistema por sustitución progresiva
(o regresiva), sin intentar realizar la eliminación gaussiana.
Nota histórica11
Ideas similares a la eliminación gaussiana pueden encontrarse muchos siglos atrás, con
referencias que se remontan a las matemáticas babilónicas y chinas. Carl Friedreich Gauss
introdujo el método que lleva su nombre entorno a 1800 cuando trataba de resolver un
problema de ajuste por mı́nimos cuadrados relacionado con el cálculo de la órbita del
do
asteroide Palas. Parece ser que Joseph Louis Lagrange habı́a utilizado ideas similares 50
años antes para dilucidar si una forma cuadrática (hoy dirı́amos matriz) era definida pos-
itiva. El matemático alemán Carl Gustav Jacob Jacobi extendió la idea de la eliminación
gaussiana a matrices arbitrarias.
Es reseñable que la noción de matriz tal como la conocemos ahora era desconocida
para Gauss y Lagrange. El concepto de matriz, y el álgebra asociada (esto es, las opera-
ciones) habrı́an de esperar a los trabajos de James J. Sylvester (que en 1848 introdujo el
término matriz) y de Arthur Cayley (que siete años después definió el producto matricial
identificándolo con el cálculo de la composición de aplicaciones lineales y definió la in-
versa de una matriz). Importantes fueron también las contribuciones del fı́sico Hermann
r
10
Veremos dos algoritmos para obtener esta descomposición en la Lección IV. Aunque para la resolución
de sistemas de ecuaciones lineales la descomposición QR es más estable numéricamente que la LU, se
suele optar por esta última por tener un menor coste computacional (aproximadamente la mitad).
11
Las principales referencias utilizadas para esta nota han sido “Very Early Days of Matrix Compu-
tations”, Beresford Parlett en SIAM News, 3, no 9; “Matrix Algorithms”, G.W. Stewart; “Computer
solutions of large system of equations”, G. Merant y “An introduction to Numerical Analysis”, E. Süli y
D. Mayers. Estas referencias están completamente detalladas en la bibliografı́a.
49
3.2 Descomposiciones matriciales LECCIÓN I
50
Bo
Lección II
La primera toma la diagonal de una matriz mientras que la segunda y tercera toman
la parte triangular superior (upper) e inferior (lower) respectivamente. Además estos co-
do
mandos son algo más flexibles de lo que pueda parecer a simple vista como veremos a
continuación.
Empecemos introduciendo una matriz
>> diag(a)
ans =
r
11
22
33
1
Aceptaremos este anglicismo en lo que sigue. En ocasiones este vocablo se traduce por matrices huecas
o matrices dispersas.
55
4.1 Retorno a las matrices LECCIÓN II
>> triu(a)
ans =
11 12 13
Bo
0 22 23
0 0 33
>> tril(a)
ans =
11 0 0
21 22 0
31 32 33
El usuario puede especificar qué diagonal se escoge, o a partir de qué diagonal se toma
rra
la matriz triangular. La diagonal principal es la cero y las subdiagonales inferiores (respec-
tivamente superiores) están numeradas consecutivamente con números enteros negativos
(respectivamente positivos). El siguiente ejemplo ilustra estas caracterı́sticas.
>> diag(a,-1)
ans =
21
32
>> tril(a,-1)
do
ans =
0 0 0
21 0 0
31 32 0
>> triu(a,0)
ans =
r
11 12 13
0 22 23
0 0 33
Ejercicio 4.1 Programa una función que dada una matriz a devuelva un vector d con los
elementos de la diagonal, una matriz triangular superior u con todos los elementos de a situados
56
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
encima de la diagonal superior y l una matriz triangular inferior con todas las entradas de
debajo de la diagonal principal.
Ejercicio 4.2 ¿Qué sucede si aplicamos los comandos anteriores a matrices rectangulares?.
Con diag podemos también construir a partir de un vector una matriz diagonal
Bo
>> diag([1 2]) % es lo mismo que diag([1 2],0)
ans =
1 0
0 2
ans =
rra
0 1 0
0 0 2
0 0 0
Ejercicio 4.3 ¿Cómo utilizarı́as el comando diag para generar una matriz con la diagonal
de una dada?.
ans=
do
1 0 0 0
0 1 2 0
0 3 4 0
0 0 0 5
Trasposición de matrices
Dada una matriz A, la matriz traspuesta A> es la matriz resultante de intercambiar
las filas con las columnas de A. Esto es, las filas de A pasan a ser las columnas de A> .
r
Esta operación se denota en Matlab con “ ’ ” :
ans =
57
4.1 Retorno a las matrices LECCIÓN II
1 0
2 2
3 4
ans =
1 2 3
De nuevo nos encontramos con esta propiedad sobre la que ya hemos incidido: Matlab
distingue entre vectores filas y columnas, y esta diferencia se hace especialmente palpable
(y en ocasiones molesta) a la hora de realizar operaciones como productos matriz-vector.
rra
Nota. En Matlab existe también el operador “.’”. Sobre matrices reales funciona exac-
tamente igual que el comando anterior, pero no ası́ sobre números complejos. Además de
trasponer, “’”, conjuga todas las entradas. Es decir, cambia el signo a la parte imaginaria
de cada elemento. Matemáticamente hablando, éste es el operador de trasposición o con-
jugación, denotado habitualmente en matemáticas con “A∗ ”. Por contra, “.’” se limita a
intercambiar filas por columnas en la matriz:
0 + 1.0000i 1.0000
1.0000 - 2.0000i 0.3000 + 4.0000i
>> a’
ans =
0 - 1.0000i 1.0000
r
1.0000 + 2.0000i 0.3000 - 4.0000i
Dada una matriz a, si ejecutamos a(:), obtenemos el vector columna que se con-
struye concatenando las columnas de a. Técnicamente hablando, nos está mostrando la
matriz tal como se guarda en memoria. Por ejemplo,
58
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
ans =
1
Bo
0
2
2
3
4
ans =
1
rra
2
3
0
2
4
hará de b un vector columna, sea cual sea su formato inicial. Si lo que se desea es
un vector fila, basta con trasponer
Se puede utilizar para introducir las entradas de una matriz por columnas. A modo
de ejemplo,
r
>> a=zeros(4,3);
>> a(:)=[1 2 3 4 5 6 7 8 9 10 11 12]
a =
59
4.1 Retorno a las matrices LECCIÓN II
1 5 9
2 6 10
3 7 11
4 8 12
>> a2=zeros(2,6);
Bo
>> a2(:)=a(:)
a2=
1 3 5 7 9 11
2 4 6 8 10 12
Nota. El comando reshape permite modificar las dimensiones de una matriz (o array
en general). Es más flexible que el comando “:”.
rra
4.1.2. Más operaciones sobre matrices
Hasta ahora las operaciones matriciales que han centrado nuestra atención son las fun-
damentales: suma y producto. En Matlab están también implementadas otras operaciones
comunes en el Álgebra Lineal. Entre todas ellas destacamos
ans =
do
32
5 7 9
2
Recuerda la predilección de Matlab por las columnas.
60
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
ans =
6
15
Bo
sum: calcula la suma de las entradas un vector. Es aplicable también a matrices, en el
sentido del comando anterior
ans =
6
rra
>> sum(a) % suma por columnas
ans =
5 7 9
ans =
6
15
do
prod: Como sum pero con el producto.
-2
61
4.1 Retorno a las matrices LECCIÓN II
ans =
5 2
>> max(a)
Bo
ans =
2 3 9
ans =
8
9
>> [m,p]=max(a,[],2); p % posicion del maximo
rra
ans=
1
1
La razón por la que se utiliza [] en la lı́nea anterior es que esta instrucción también
se puede utilizar para comparar dos arrays del mismo tamaño
ans =
do
4 2 2
5 3 3
Al insertar el vacı́o indicamos a Matlab que no existe un segundo vector y que debe
proceder a buscar el máximo de a en su segunda dimensión, esto es, el máximo por
filas.
norm: norma de una matriz o vector. Se puede escoger entre varias normas.
r
>> v=[1 2 3];a=[1 2; 3 4];
>> [norm(v) norm(v,1) norm(v,inf)] % norma 2, 1 e infinito de v
ans =
62
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
ans =
Bo
5.4650 6.0000 7.0000
rank: rango numérico de una matriz. Esto es, el número máximo de filas o columnas
linealmente independientes3 .
rcond: estimador del inverso del condicionamiento de una matriz. Es sensiblemente más
económico de calcular que cond.
rra
Nota. Cuando el comando dot se aplica a dos vectores complejos, procede siempre a
conjugar el primer vector. Es decir, matemáticamente
n
X
dot(u, v) ui v i .
i=1
Ası́,
>> u=[1+i 2+2i]; v=[2 1];
>> dot(u,v)
do
ans =
4.0000 - 4.0000i
>> dot(v,u)
ans =
4.0000 + 4.0000i
r
Ejercicio 4.4 ¿Cómo sumarı́as los elementos de una matriz?. ¿Cómo encontrarı́as el mı́nimo
y el máximo?. ¿Y su posición?
3
Una matriz tiene, en general, rango máximo por los errores de precisión de la máquina. Este comando
hace una estimación del rango, eliminando este factor.
4
En realidad no construye la inversa de la matriz por ser costoso.
63
4.1 Retorno a las matrices LECCIÓN II
declaramos a como una matriz sparse 100×100 y un vector columna b de 100 elemen-
tos. Todas las entradas son inicialmente ceros, pero se guarda la estructura básica para
introducir los elementos no nulos
>> a=sparse(100,100)
a =
a =
64
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
(4,4) 1
(8,9) -4
(80,45) -1
(99,100) 4
Para transformar una matriz llena (convencional) en una matriz sparse podemos utilizar
Bo
también este comando
a =
(1,1) 1
(2,2) 2
(3,3) 3
(4,4) 4
(5,5) 5
rra
Con full realizamos la operación inversa: transforma una matriz sparse en una matriz
llena,
>> a=full(a)
a =
1 0 0 0 0
0 2 0 0 0
0 0 3 0 0
0 0 0 4 0
0 0 0 0 5
do
La instrucción spalloc tiene un funcionamiento muy similar a sparse. Es útil si se sabe
el número de elementos no nulos que tendrá dicha matriz. Concretamente
>> a=spalloc(8,7,12)
ans=
65
4.2 Argumentos de funciones LECCIÓN II
>> spy(a)
* + .* dot ’
speye devuelve una matriz diagonal con unos, o similar (análoga a eye);
sprand, sprandn construyen una matriz sparse con entradas aleatorias (similar a
rand);
Ejercicio 4.5 Con la ayuda de Matlab averigua la sintaxis concreta de los comandos ante-
do
riores y comprueba con algún ejemplo cómo funcionan.
66
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
l =
0.5000 1.0000
r
1.0000 0
u =
5
Las variables varargin y varargout son de un tipo especial denominado cell array. En la Lección
IV estudiaremos su funcionamiento con más detalle.
67
4.2 Argumentos de funciones LECCIÓN II
2 4
0 1
l =
Bo
0.5000 1.0000
1.0000 0
u =
2 4
0 1
x =
1
rra
0
Ejercicio 4.6 A partir de la función anterior implementa una función que opere según la
do
“siguiente cabecera”
% DESCOMPOSICIONLU2
%
% R = DESCOMPOSICIONLU2(A)
% Si A es simetrica definida positiva devuelve
% R triang superior tal que A=R’R
% [R,X] = DESCOMPOSICIONLU2(A,B)
% Si A es simetrica definida positiva devuelve
% R triang superior tal que A=R’R y la solucion
% del sistema AX=B
r
% [L,U] = DESCOMPOSICIONLU2(A)
% Devuelve U triang superior, L permutacion de
% una triang. inferior con 1s en la diagonal
% tal que A=LU
% [L,U,X]= DESCOMPOSICIONLU2(A,B)
% Devuelve U triang superior, L permutacion de
68
LECCIÓN II Capı́tulo 4. Matlab: programación avanzada
Nota: Realizar la comparación A’==A para testar si la matriz es simétrica. ¿Qué devuelve esta
comparación? ¿Cómo se puede utilizar para comprobar si efectivamente la matriz es simétrica?
¿Y para ver que es definida positiva?.
Bo
rra
do
r
69
4.2 Argumentos de funciones LECCIÓN II
Bo
rra
do
r
70
Capı́tulo 5
Bo
Matrices sparse en Matemáticas.
Métodos iterativos para sistemas de
ecuaciones lineales
>> x=a\b;
A = LU.
1
Ver Lección IV
71
5.1 Método de Gauss para matrices sparse LECCIÓN II
Ax = b, Ly = b, U x = y,
o en código de Matlab2
Bo
[l,u]=lu(a); x=u\(l\b);
Una caracterı́stica muy habitual del método de Gauss para matrices sparse es el efecto
relleno (en inglés fill in), esto es, la inserción de nuevos elementos en el proceso. Por
ejemplo, tras un único paso del método de Gauss
x x x x x x x x x x x x
x x x x x x x
x x x x x x x
∼
x x x x x x x
x x x x x x x
x x x x x x x
rra
y la matriz es ahora llena. Sin llegar a esos extremos, es habitual que las necesidades
de memoria se multipliquen al aplicar la eliminación gaussiana. En la descomposición
LU esto se refleja en un incremento en el número de entradas no nulas de la matriz con
los problemas que ello lleva consigo (mayores requerimientos de memoria, mayor costo
computacional,...).
Vamos a ver como podemos reducir este molesto comportamiento con un reorde-
namiento adecuado de filas (ecuaciones) y columnas (incógnitas). Dado que en aplica-
ciones prácticas las matrices simétricas son muy comunes3 nos restringiremos en lo que
sigue a esta familia de matrices. Con el fin de preservar la simetrı́a, cualquier intercambio
de filas debe ser seguido por el intercambio de columnas correspondientes:
x 0 0 x x x x 0 0 x
0 x x 0 0 x x 0 0 0
do
0 x x 0 x 1↔ 3
−→ 0 0 x x x
x 0 0 x 0 0 0 x x 0
x 0 x 0 x x 0 x 0 x
En los comandos
symrcm symmmd
están implementados dos algoritmos de reordenación muy populares: el algoritmo de
Cuthill-McKee inverso y el algoritmo de mı́nimo grado. El primero reordena de forma
que los términos no nulos de la matriz tienden a estar concentrados cerca de la diagonal.
r
El algoritmo de mı́nimo grado por su parte tiende a mover los elementos no nulos hacia el
final de la matriz de forma que la estructura inicial de la matriz es esencialmente diagonal
y el efecto relleno surge cuando el método de Gauss está ya muy avanzado.
2
Recuerda la colocación de los parántesis.
3
O al menos matrices con estructura simétrica, esto es, a(i, j) 6= 0 ⇔ a(j, i) 6= 0. Todo lo que sigue es
igualmente válido para este tipo de matrices.
72
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
Bo
rra
do
Figura 5.1: Resultado de reordenar las filas y columnas con symrcm y symmmd.
73
5.1 Método de Gauss para matrices sparse LECCIÓN II
Nota. A partir de la versión 7.0, el comando symmmd que contiene el algoritmo de mı́nimo
grado se ha declarado obsoleto y será eliminado en futuras versiones. Se recomienda
utilizar symamd.
Comentarios finales
Si la matriz es además simétrica definida positiva podemos utilizar la descomposición
de Cholesky,
A = LL>
donde L es triangular inferior con elementos sobre la diagonal estrictamente posi-
tivos. El sistema se reduce ahora a dos sistemas triangulares
do
Ly = b, L> x = y.
La instrucción correspondiente en Matlab es chol, que devuelve R triangular supe-
rior de forma que
A = R> R
(es decir, en la notación de estos apuntes, L = R> ). Ası́, el algoritmo anterior, con
reordenación adecuada, queda ahora
Solución con reordenamiento...
r
01 p=symmmd(a); % permutacion. vale tb p=symrcm(a);
02 r=chol(a(p,p)); % r es ahora "mas sparse"
03 x=r’\b(p); x=r\x; % resolvemos los dos sist. triang.
04 x(p)=x; % reordenamos las incognitas
74
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
2 4 2 4 2 4 2 4 2 4
1 1 1 1 1
3 5 3 5 3 5 3 5 5
3
x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x 0
Bo
x x x 0 x 0 x x x x 0 x x x x 0 x x x x 0 x x x x
0 x x 0 0 0 x x 0 0 0 0 x x x 0 0 x x x 0 0 x x x
x 0 0 x 0 0 x 0 x 0 0 0 x x x 0 0 0 x x 0 0 0 x x
0 x 0 0 x 0 x 0 0 x 0 0 x x x 0 0 0 x x 0 0 0 0 x
5 3 5 3 5 3 5 3 5 3
2 2 2 2 2
1 4 1 4 1 4 1 1
4 4
x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x
0 x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x
0 x x 0 0 0 x x 0 0 0 0 x 0 x 0 0 x 0 x 0 0 x 0 x
0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x
x x 0 x x 0 x 0 x x 0 0 x x x 0 0 0 x x 0 0 0 0 x
rra
Figura 5.2: Eliminación gaussiana y su representación como un grafo. Efecto del reorde-
namiento.
Queda más allá de los contenidos de este curso explicar cómo funcionan los algorit-
mos implementados en symrcm y symmmd. Se puede señalar no obstante que ambos
do
se basan en identificar la estructura de una matriz con la de un grafo no dirigido,
donde dos nodos i y j están conectados si y sólo si a(i,j)6=0. El proceso de elim-
inación gaussiana se ve como la eliminación sistemática de nodos y la creación de
nuevos enlaces entre los nodos restantes. Concretamente, si hacemos un cero con la
fila i en la fila j, aparecen nuevos enlaces entre los nodos que estaban unidos con el
nodo i y los conectados con j. El problema se reescribe ahora en términos de retirar
los nodos en el orden adecuado de forma que se minimice el número de nuevos ejes
creados (Figura 5.2).
Los gráficos de la Figura 5.1 han sido creados a través del siguiente fichero script.
r
% Calculamos la matriz de elementos finitos para
% un problema sobre un dominio en forma de L
75
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
[p,e,t]=refinemesh(’lshapeg’,p,e,t); % refinamiento
[a,b]=assempde(’lshapeb’,p,e,t,1,0,1);
% a es la matriz (sparse) y b el termino independiente
76
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
Para obtener una solución hace falta realizar todo el proceso: en pasos intermedios
no se dispone de ninguna aproximación de la solución.
Ax = b
xm → x, cuando m → ∞.
Los resultados teóricos sobre convergencia son a menudo pobres. Esto es, en general
existe convergencia en situaciones mucho más generales de lo que la teorı́a predice.
Además, chequear estas hipótesis puede resultar tan costoso como resolver el mismo
sistema.
El último punto merece cierto comentario. Los sistemas lineales provienen en general
de problemas fı́sicos de los que se dispone de información a priori, entre las que se pueden
do
encontrar las hipótesis que aseguran la convergencia de un método iterativo. Por ejemplo,
se puede saber que una matriz es definida positiva, y no hay necesidad por tanto de hacer
esta comprobación.
Por contra, los métodos iterativos tienen las siguientes e importantes ventajas:
77
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
78
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
x := (x1 , x2 , . . . , xn )> ∈ Rn
Observa que sin embargo estas constantes de equivalencia dependen de n. Todas ellas
están implementadas en Matlab, como ya se vio en la Sección 4.1.2.
Cada norma vectorial define a su vez una norma sobre las matrices
79
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
La norma k · k2 tiene una expresión más complicada que dificulta su cálculo práctico. En
concreto p
kAk2 = ρ(A> A)
donde ρ(B), denominado radio espectral, denota el mayor de los valores absolutos de
los valores propios de B (ver Lección IV). Si A es simétrica, se tiene simplemente que
Bo
kAk2 = ρ(A).
En cualquier caso, el comando norm de Matlab aplicado a matrices devuelve las corre-
spondientes normas matriciales:
M x = N x + b.
do
El método iterativo consiste en
Es fácil ver que si la sucesión construida en (5.1) converge a algún x, entonces el vector
es la solución del sistema. Aún es más, se comprueba fácilmente que
r
xm+k+1 − x = (M −1 N )(xm+k − x) = . . . = (M −1 N )k (xm+1 − x).
Teorema 5.1 El método iterativo converge si y sólo si existe k tal que kB k k < 1.
80
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
Por tanto se concluye que una condición equivalente de convergencia es que todos
los valores propios de B = M −1 N tengan valor absoluto menor estrictamente que 1.
rra
Teorema 5.2 El método iterativo converge si y sólo si ρ(B) < 1.
ρ(B) = 0.
Es decir, hay convergencia en una única iteración. Esta iteración consiste en resolver
directamente el sistema de ecuaciones.
En general, uno asegura la convergencia cuando M recoge la información más impor-
tante de A, de forma que N = M − A tenga un tamaño pequeño comparado con M . Por
otro lado, se debe tener en cuenta la definición del método (5.1) y que por tanto en cada
r
iteración hay que resolver un sistema de ecuaciones. Ası́, interesa que M sea sencilla desde
el punto de vista de la resolución del sistema lineal (por ejemplo, diagonal, triangular,...)
y que simultáneamente recoja la mayor información posible de A.
7
Esta propiedad se pierde cuando se resuelven ecuaciones y sistemas no lineales. En este caso, los
métodos numéricos convergen sólo si se arranca suficientemente cerca de la solución.
8
Si λ es valor propio de B, λ2 lo es de A2 .
81
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
entonces
(m+1) 1h X (m)
i
xi = bi − aij xj , i = 1, . . . , n.
aii j6=i
do
Para algunos tipos especiales de matrices se sabe que el método converge e incluso se
dispone de información sobre la velocidad de convergencia.
Una matriz es estrictamente diagonal dominante por filas si
X
|aii | > |aij |, ∀i
j6=i
y por columnas si X
|ajj | > |aij |, ∀j.
i6=j
r
Teorema 5.3 Si la matriz es estrictamente diagonal dominante por filas o columnas el méto-
do de Jacobi converge.
Ejercicio 5.1 (matemático) Probar el teorema anterior. ¿Cuándo convergerá más rápido?
(Ayuda. Construir la matriz B = D−1 (L + U ). Probar que kBk∞ < 1 si es dominante por filas
ó kBk1 < 1 si es dominante por columnas. Aplicando el Teorema 5.2, se deduce el resultado.)
82
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
y tomamos como criterio de parada la norma euclı́dea de la diferencia entre dos iteraciones
sucesivas del método. La elección de la norma es libre, queda a elección del programador
Bo
(podı́amos tomar por ejemplo la norma 2 o la norma infinito).
Una primera versión de nuestro algoritmo es la siguiente
Jacobi
01 for m=1:mmax
02 error=0; y=x
03 for i=1:n
n
X
04 x i = bi − aij yj /aii
j=1
j6=i
05 end
rra
06 if kx − yk2 <eps1+eps2*norm(x)
07 return
08 end
09 end
10 disp(’numero máximo de iteraciones alcanzado’)
11 return
01 % JACOBI
02 %
03 % X = JACOBI(A,B) aplica el metodo de Jacobi para la
04 % resolucion del sistema AX=B
05 %
06 %[X,IT]= JACOBI(A,B) devuelve en IT el numero de
r
07 % iteraciones calculadas
08 %
09 %[X,IT]= JACOBI(A,B,ITMAX) ITMAX es el numero max. de iteraciones
10 %
11 %[X,IT]= JACOBI(A,B,ITMAX,... EPS1,EPS2 son las tolerancias
12 % EPS1,EPS2 absoluta y relativa
83
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
13 %
14 %[X,IT]= JACOBI(A,B,ITMAX,...
15 % EPS1,EPS2,X0) arranca el metodo con X0
16 %
17 function [x, varargout]=jacobi(a,b,varargin)
18
Bo
19 % valores por defecto
20 n=length(a); mmax=100;
21 eps1=1e-4; % tolerancia absoluta
22 eps2=1e-4; % tolerancia relativa
23 x=zeros(n,1);
24 if nargin>2
25 mmax=varargin{1};
26 end
27 if nargin>3
28 eps1=varargin{2};
29 end
30 if nargin>4
rra
31 eps2=varargin{3};
32 end
33 if nargin>5
34 x(:)=varargin{4}; %x es un vector columna
35 end
36
37 % Metodo de Jacobi
38
39 for m=1:mmax
40 error=0;
41 y=x;
42 for i=1:n
do
43 v=[1:i-1 i+1:n];
44 x(i)=(b(i)-a(i,v)*y(v))/a(i,i);
45 end
46 error=norm(x-y); % otras normas con norm(x-y,1),norm(x-y,inf)
47 if (error<eps1+eps2*norm(x))
48 break
49 end
50 end
51 if (m==mmax)
52 disp(’numero maximo de iteraciones sobrepasado’)
r
53 end
54
55 %salida
56
57 if (nargout>1)
58 varargout{1}=m;
84
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
59 end
60 return
Ejercicio 5.3 Programa una nueva opción de salida que devuelva un vector error de lon-
gitud m − 1 de forma que error(m) sea la diferencia entre xm y xm+1 .
Observa que el código realmente dedicado al método de Jacobi se reduce a apenas diez
lı́neas (39-50) con el resto de la subrutina dedicada al control del algoritmo y a la salida
y entrada de datos. Se observa además que la lı́nea 43 permite implementar en una única
lı́nea (44) el producto de la lı́nea 04 del pseudocódigo.
El código anterior, sin embargo, es optimizable. El ejercicio siguiente ahonda en un
aspecto en particular
Ejercicio 5.4 Otra forma alternativa de implementar el método es reemplazar las lı́neas
rra
42-45 por el producto
x=(b-a*y+d.*y)./d
o bien
x=y+(b-a*y)./d
donde d es un vector columna que contiene la diagonal de la matriz. Observa que realizamos
operaciones de más (multiplicamos por la diagonal para luego restar su contribución), pero
el costo es despreciable y la operación es ahora puramente matricial. Implementa esta nueva
forma y comprueba el resultado. ¿Obtienes mejoras en el redimiento del método9 ?
do
El método de Gauss–Seidel10 consiste en tomar M = D − L y N = U , es decir
(D − L)xm+1 = U xm + b. (5.2)
Para calcular xm+1 hay que resolver un sistema, en este caso triangular. Repasando con
cuidado las operaciones, observamos que
i−1 n
(m+1) 1h X (m+1)
X (m)
i
xi = bi − aij xj − aij xj , i = 1, . . . , n.
aii j=1 j=i+1
9
r
Deberás probar con matrices grandes. La orden rand te puede servir para ese fin. Una forma de
asegurar la convergencia es generar matrices estrictamente diagonal dominantes. ¿Cómo se puede hacer
esto?.
10
El nombre de este algorimo es muy curioso. Según diversos autores (ej. George E. Forsythe ó Gerard
Meurant), Carl Friedrich Gauss no diseñó exactamente este método y Philipp Ludwig von Seidel, que lo
estudió a finales del siglo XIX, desaconsejaba su uso. Gauss desarrolló un método muy similar cuando
trataba de resolver un problema de geodesia que llevaba a un sistema lineal que no era compatible
determinado.
85
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
01 for m=1:mmax
02 error=0; y=x
Bo
03 for i=1:n
i−1
X n
X
04 x i = bi − aij xj − aij yj /aii
j=1 j=i+1
05 end
06 if kx − yk<eps1+eps2*norm(x)
07 return
08 end
09 end
10 disp(’numero máximo de iteraciones alcanzado’)
11 return
rra
Ası́ pues, la única diferencia con el método de Jacobi es que Gauss–Seidel procede a
utilizar la nueva componente calculada xi tan pronto es posible mientras que Jacobi sólo
la utiliza en la nueva iteración. Es por ello que Gauss–Seidel es (casi siempre) superior a
Jacobi. No hay razones matemáticas que permitan apoyar esta impresión. De hecho existen
matrices para las que Jacobi converge y Gauss–Seidel diverge, aunque hace falta construir
un ejemplo ad hoc, no es fácil encontrar tal ejemplo, para comprobar esta afirmación.
Desde un punto de vista práctico, si Jacobi converge es altamente probable que lo haga
también Gauss–Seidel y generalmente, éste lo hará en menos iteraciones.
Ejercicio 5.6 De manera similar a lo que se propuso en el Ejercicio 5.4, podemos implementar
la parte central del método de Gauss–Seidel mediante
r
x=l\(b-u*y)
x=y+l\(b-a*y)
donde
86
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
l=tril(a,0); u=triu(a,1);
87
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
Por último, aunque no sea inmediato, se puede comprobar que este método encaja en
el marco anterior, sin más que tomar
1 1−ω
M= D − L, N= D+U
ω ω
Ejercicio 5.9 Implementa el método de relajación de Young a partir del método de Gauss–
Bo
Seidel. Incluye como nuevo argumento de entrada el parámetro ω. Un posible valor por defecto
podrı́a ser ω = 1 con lo que tendrı́amos el método de Gauss–Seidel.
Ejercicio 5.10 De nuevo, la parte central del método de relajación se puede implementar
en la forma
x=y+m\(b-a*y)
x> In y = x> y
x⊥y ⇐⇒ x> y = 0
y diremos en este caso que x e y son ortogonales. La misma notación se puede extender
al producto definido por A, de forma que
r
x ⊥A y ⇐⇒ x> Ay = 0
88
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
Todas las normas son equivalentes en Rn , pero para esta norma se tiene además la esti-
mación
Bo
λn kxk2 ≤ kxkA ≤ λ1 kxk2
donde λ1 ≥ λ2 ≥ .... ≥ λn > 0 son los valores propios, todos reales por ser A simétrica y
positivos por ser definida positiva. La cantidad
λ1
κ(A) = ,
λn
que será relevante en lo que sigue, es el condicionamiento de la matriz12 . Obviamente,
κ(A) ≥ 1.
Construimos la función
F (x) = 12 x> Ax − x> b
conocida como funcional de energı́a. Tras unos simples cálculos, se comprueba que
rra
∇F = Ax − b.
xm+1 = xm + ξm dm .
12
El condicionamiento se define también para matrices arbitrarias reemplazando los valores propios por
los denominados valores singulares, o más en general, definiéndolo como el producto de la norma de A
por la norma de su inversa. En general el condicionamiento de la matriz mide la sensibilidad del sistema
de ecuaciones lineales asociado a variaciones del término independiente.
89
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
Método de descenso
01 x0 inicial, r0 = b0 − Ax0
02 for m=0:mmax
03 Escoger dm
r > dm
04 ξm := >m
dm Adm
05 xm+1 = xm + ξm dm
r
06 rm+1 = rm − ξm Adm
07 end
90
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
01 x0 inicial; r0 = b − Ax0 ;
02 for m=0:mmax
03 pm = Arm
r>m rm
04 ξm = >
r m pm
05 xm+1 = xm + ξm rm
06 rm+1 = rm − ξm pm
07 if krm+1 k ≤ epskbk
08 break
09 end
rra
10 end
91
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
16
17 %[X,IT,R]= GRADIENTE(A,B,ITMAX) R es un historial del metodo:
18 % EPS,XO) R(i) es el residuo en el paso i
19
20 function [x,varargout]= gradiente(a,b,varargin);
21
Bo
22 n=length(a); x=zeros(n,1); mmax=40;
23 tol=1e-6;
24
25 if nargin>2
26 mmax=varargin{1};
27 end
28 if nargin>3
29 tol=varargin{2};
30 end
31 if (nargin>4)
32 x=varargin{4};
33 end
rra
34
35 r=b-a*x; res(1)=dot(r,r); aux=norm(b);
36 for m=1:mmax
37 p=a*r;
38 xi=res(m)/dot(r,p);
39 x=x+xi*r;
40 r=r-xi*p;
41 res(m+1)=dot(r,r); % guardamos los residuos
42 if (sqrt(res(m+1))<tol*aux);
43 break
44 end
45 end
do
46
47 if (m==mmax)
48 disp(’numero maximo de iteraciones sobrepasado’)
49 end
50 if nargout>1
51 varargout{1}=m;
52 end
53 if nargout>2
54 varargout{2}=sqrt(res(:));
55 end
r
56 return
El vector res guarda el residuo en cada iteración para ası́ tener un historial de como
ha ido la convergencia.
Prueba el método con un sistema donde la matriz sea simétrica definida positiva (nota:
para toda matriz B, B > B es simétrica (semi) definida positiva.)
92
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
La gráfica mostrada en la Figura 5.3 se ha construido utilizando las instrucciones
Hemos utilizado una escala logarı́tmica para medir la norma del residuo. Observa su fuerte
comportamiento oscilatorio.
4 Residuo
10
3
10
2
10
1
rra
10
0
10
−1
10
−2
10
0 10 20 30 40 50 60 70
Iteraciones
>> x=gradiente(a,b,[],1e-5)
93
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
kem+1 kA ≤ kem kA
luego en cada iteración hay una reducción del error en la norma de energı́a. Sin embargo,
Bo
en ningún caso implica que el residuo se reduzca en cada iteración, como bien podemos
comprobar en la Figura 5.3. Aún es más, de la elección hecha de ξm se sigue que
y por tanto
h i
kem+1 kA ≤ mı́n kx − xm − α rm kA = mı́n kem − αAem kA ≤ mı́n kI − αAkA kem kA .
α∈R α∈R α∈R
Observa que hemos utilizado la cota kM xkA ≤ kM kA kxkA , caracterı́stica de toda norma
vectorial y su norma matricial inducida.
rra
Proposición 5.5 Sean λ1 y λn el mayor y menor valor propio de A. Entonces
λ1 − λ n
mı́n kI − αAkA = mı́n kI − αAk2 = < 1.
α∈R α∈R λ1 + λ n
κ(A) − 1
kem+1 kA ≤ kem kA .
κ(A) + 1
Ejercicio 5.13 (puramente matemático) Se puede probar que dada A simétrica definida
positiva existe B simétrica definida positiva tal que BB > = B 2 = A, conocida como raı́z
cuadrada de A. Utilizando este resultado prueba la identidad
kI − αAkA = kI − αAk2
r
utilizada en la Proposición 5.5.
(Ayuda: Observa que kxkA = kBxk2 . Utiliza ahora que
y completa la demostración).
94
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
Define gc (α) = |1 − c α| y traza la gráfica de estas funciones para varios valores de c. Deduce
que α = 2/(λ1 + λn ) es el valor que hace mı́nimo kI − αAk2 y que para este valor,
λ1 − λ n
kI − αAk2 = .
λ1 + λn
(Ayuda: al dibujar gc (α) para diferentes valores de c obtendrás obtendrás algo similar a esto
rra
1
0.5
0
0 1 2 3 4 5
α
por lo que rm+1 ⊥ dm . Esto es, en un método de descenso el residuo del paso m + 1 es
r
ortogonal a la dirección de descenso anterior.
Sin embargo, en general ya no es cierto que
95
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
Una forma de evitar, o de mitigar, el aspecto oscilante del método del Gradiente, es
exigir que la dirección de descenso dm satisfaga (5.4). Es decir, tomamos
rm+1 = rm − ξm Adm ,
y concluimos que
Bo
d>
m−1 rm+1 = 0 ⇐⇒ dm−1 ⊥ Adm ⇐⇒ dm−1 ⊥A dm .
En vista de lo anterior optamos por tomar como dirección de descenso una perturbación
de la dirección natural rm (el residuo) en la dirección del descenso anterior (dm−1 ) que
satisfaga la propiedad de ortogonalidad anterior. Es decir, tomamos
dm = rm + τm dm−1
r>
m Adm−1
dm ⊥A dm−1 ⇐⇒ r> >
m Adm−1 + τm dm−1 Adm−1 = 0 ⇐⇒ τm = − >
.
dm−1 Adm−1
rra
Como elección inicial de la dirección de descenso tomamos simplemente r0 , el residuo
de la aproximación inicial. Con todo esto, la primera versión del método del Gradiente
Conjugado es la que sigue
01 x0 inicial; r0 = b − Ax0 ; d0 = r0 ;
02 for m=0:mmax
03 pm = Adm
r>
m dm
04 ξm =
do
d>
m pm
05 xm+1 = xm + ξm dm
06 rm+1 = rm − ξm pm
07 if krm+1 k ≤ epskbk
08 break
09 end
r > pm
10 τm+1 = − m+1
d>m pm
11 dm+1 = rm+1 + τm+1 dm
12 end
r
13 disp(’Numero maximo de iteraciones alcanzado’)
Como puede verse, las modificaciones sobre el método del Gradiente son mı́nimas
y están concentradas en las lı́neas 04, 10 y 11. En cuanto al número de operaciones,
96
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
coincide con las del método del Gradiente: en cada paso es necesario calcular un producto
matriz–vector (lı́nea 03) y tres productos escalares (04 y 10).
Listaremos a continuación algunas propiedades entre los residuos y las direcciones de
descenso que permiten dar una expresión distinta del método, y deducir alguna de las
propiedades de convergencia.
Bo
Lema 5.6 Para todo m ≥ 0
r> >
m dm = r m r m .
Por tanto
r>
m rm
ξm = .
d>
m Adm
97
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
Ejercicio 5.15 Modifica el algoritmo del Gradiente Conjugado con las nuevas expresiones
de ξm y τm . Observa que podemos evitar en esta versión un producto escalar por iteración.
El resultado sorprendente, y que descubre parte de las buenas propiedades del Gradi-
ente Conjugado, es que estas propiedades de ortogonalidad se extienden a todo el conjunto
de residuos y direcciones generados en los pasos anteriores.
Bo
Lema 5.9 Para todo m ≤ n
i) dm ⊥A d` , ∀` ≤ m − 1;
ii) rm+1 ⊥ d` , ∀` ≤ m;
iii) rm+1 ⊥ r` , ` ≤ m.
4
Residuo
10
do
3
10
2
10
1
10
0
10
−1
10
−2
10
0 2 4 6 8 10 12 14
r
Iteraciones
Figura 5.4: Historial del residuo para el método del Gradiente Conjugado
98
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
α0 r0 + α1 Ar1 + . . . + αm Am r0 , αi ∈ R.
3. Si Km (A, r0 ) = Km+1 (A, r0 ), entonces Km (A, r0 ) = Km+1 (A, r0 ) = Km+2 (A, r0 ) = ...
ii) rm+1 ⊥ d` , ∀` ≤ m.
i) dm+1 ⊥A d` , ∀` ≤ m:
99
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
rm+1 ⊥A r` , dm ⊥A d` .
Bo
El segundo es ya conocido (hipótesis de inducción). Por otro lado
Como Ar` ∈ K`+1 (A, r0 ) y una base de este subespacio es {r0 , r1 , . . . , r`+1 } ⊂,
concluimos que
Ar` = α0 r0 + α1 r1 + . . . + α`+1 r`+1
con αj ∈ R adecuados. El resultado se sigue ahora de iii) puesto que rm+1 ⊥ rk ,
para todo k ≤ m.
Por último si dm+1 6= 0 entonces {d0 , . . . , dm+1 } es una base de Km+1 (A, r0 ) por
ser A−ortogonales y por tanto linealmente independientes.
rra
ii) rm+2 ⊥ d` , ∀` ≤ m + 1
Por inducción, rm+1 ⊥ d` , mientras que para el otro término observamos que
(Adm+1 ) ⊥ d` ⇐⇒ dm+1 ⊥A d` ,
do
y ésto es lo que acabamos de probar en el apartado anterior.
iii) rm+2 ⊥ r` , ∀` ≤ m + 1.
Tomemos ` ≤ m. Entonces
100
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
Ahora bien esto sucede si y sólo si ha habido convergencia en el paso m (si dm+1 = 0 y
Bo
por tanto rm = 0) o en el paso m + 1 (si rm+1 = 0). Esto es, si la dirección de descenso es
la nula simplemente es porque ya hemos alcanzado la solución, y viceversa, si el residuo
es nulo, la dirección de descenso para la siguiente iteración es la nula.
Notas finales
El Gradiente Conjugado fue propuesto por Magnus R. Hestenes y Eduard Stiefel en
1952. Lo más curioso es que el método fue desarrollado de forma independiente por estos
dos autores. Según cuenta Marvin Stein13 , un estudiante postdoctoral en aquellos años que
programó el algoritmo por primera vez para Hestenes, Stiefel coincidió con Hestenes en
una conferencia en UCLA (University of California, Los Angeles) y le comentó a grandes
trazos el método en el que estaba trabajando. Stiefel estaba impresionado sobre las buenas
rra
propiedades que mostraba este método hasta que revisando las tarjetas perforadas que
contenı́an el programa implementado cayó en la cuenta de que se trataba del mismo
método sobre el que independiente él estaba trabajando14 .
Hemos visto que el método del Gradiente Conjugado es un método directo, en tanto
en cuanto da la solución en un número finito de pasos, concretamente n, el número de filas
de la matriz. Sin embargo, se programa como un método iterativo, de forma que se busca
la convergencia en muchas menos iteraciones. En cada iteración se tiene la estimación
p !m
κ(A) − 1
kem+1 kA ≤ 2 p ke0 kA
κ(A) + 1
101
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
situación se prolongó durante casi 20 años hasta que las ideas del precondicionamien-
to cambiaron radicalmente esta situación y encumbraron al Gradiente Conjugado a su
posición actual16 .
El precondicionamiento consiste, a grandes rasgos, en cambiar el sistema por uno
equivalente17
Bo
−1 −> −1
Ax = b, L
| AL {z } y = L
| {z b}, x = L−> y
B c
102
LECCIÓN II Capı́tulo 5. Matrices sparse en Matematicas. Metodos iterativos
−3
10
−4
10
Residuo
−5
10
−6
10
−7
10
−8
10
0 50 100 150 200 250
Iteraciones
rra
Figura 5.5: Efecto del en el Gradiente Conjugado.
dominio en forma de ‘L’. La matriz tiene aproximadamente 2100 filas con 14500 elementos no
nulos18 .
Con el comando spy se puede ver la forma de a, su tamaño y el número de entradas
no nulas. Aplica el comando pcg que contiene implementado el Gradiente Conjugado. Por
ejemplo, con
>>[x,flag, relres,iter,resvec] = pcg(a,b,1e-7,100);
aplicas el método con una tolerancia relativa de 10−7 y un número máximo de 100 iteraciones.
En relres se recoge el residuo relativo de la solución calculada (kb − Axk/kbk), en resvec
do
un historial del residuo en cada paso y en flag una variable que informa sobre qué ha sucedido
en la aplicación del método. Ası́ flag==1 indica que se ha alcanzado el número máximo de
iteraciones sin convergencia, mientras que si flag==0 entonces ha habido convergencia. Para
ver el historial de la convergencia del método se puede ejecutar
>> semilogy(resvec);
Observa que es necesario o aumentar el número de iteraciones máximas o disminuir la tolerancia
para obtener convergencia.
A continuación vamos a utilizar un precondicionador muy sencillo basado en la descom-
posición de Cholesky incompleta. Teclea
r
>> R=cholinc(a,’0’);
De nuevo, con los comandos habituales puedes ver tanto la forma como el número de entradas
no nulas de R.
Modificando las instrucciones anteriores con
18
Por cierto, el logo de Matlab es la solución de un problema de este tipo.
103
5.2 Métodos iterativos para sistemas lineales LECCIÓN II
estás aplicando el método del Gradiente Conjugado precondicionado con R> R. ¿Disminuye el
número de iteraciones? (ver iter2). ¿Y el tiempo de cálculo?. ¿Puedes ser ahora más exigente
con la tolerancia?.
Bo
Ejercicio 5.18 Con la orden helpwin lee la ayuda que proporciona Matlab para pcg. ¿Qué otros
métodos iterativos están implementados?. Consulta también la ayuda de cholinc y luinc.
rra
do
r
104
Bo
Lección III
rra
Funciones como argumento. Recursividad
Fórmulas de cuadratura. FFT
do
r
105
r
do
rra
Bo
Introducción
Bo
Hobbes clearly proves that every creature
Lives in a state of war by nature;
So naturalists observe a flea
Has smaller fleas that on him prey,
And these have smaller still to bite’em,
And so proceed ad infinitum.
108
Bo
Capı́tulo 6
Bo
Matlab: Funciones como argumentos.
Recursividad
>> f=inline(’exp(-x)*sin(x)’,’x’);
>> f(2)
ans =
do
0.1231
A efectos prácticos, inline es equivalente a editar una función con nombre “f” y a escribir
el correspondiente código. La definición queda en memoria pero una vez cerrada la sesión
de Matlab (esto es, al salir del programa) la función se pierde. Ésta es pues una importante
desventaja frente la funciones basada en m-files1 . Sin embargo puede resultar útil para
tareas sencillas tanto en el modo comando como en el código de una subrutina.
Nada impide definir funciones con más argumentos,
>> g=inline(’x*cos(y)-y*cos(x)’,’x’,’y’);
r
Los últimos argumentos del comando inline definen las variables de la función. Si no se
especifican, Matlab trata de reconocer cuáles son las variables y las ordena alfabeticamente:
1
En el menú, seleccionando File → Save workspace as se pueden grabar las variables y funciones
utilizadas en la sesión actual de Matlab. Otra posibilidad es utilizar la orden save indicando que queremos
grabar f . En cualquier caso, ambas opciones no son muy naturales.
109
6.1 Funciones inline LECCIÓN III
>> g=inline(’x^2*cos(y)-y*cos(x)*z’);
>> g
g =
Inline function:
Bo
g(x,y,z) = x^2*cos(y)-y*cos(x)*z
De todas formas, expresar todas las variables explı́citamente puede aclarar y facilitar la
lectura, además de especificar el orden de las variables en la definición de la función:
>> f=inline(’x*cos(k*x)’)
f =
Inline function:
f(k,x) = x*cos(k*x)
rra
>> f=inline(’x*cos(k*x)’,’x’,’k’)
f =
Inline function:
f(x,k) = x*cos(k*x)
>> g = inline(’x.^2.*cos(y)-y.*cos(x).*z’);
>> g([0 pi 0],[pi 0 0], [0 0 pi]) % funcion vectorizada
do
ans =
0 9.8696 0
Otra forma, más sencilla, es introducir la función de la forma habitual y pedir luego a
Matlab que la prepare para su aplicación a vectores. El comando dedicado a esta tarea es
vectorize:
g =
r
Inline function:
g(x,y,z) = x^2*cos(y)-y*cos(x)*z
>> g= vectorize(g)
110
LECCIÓN III Capı́tulo 6. Matlab: Funciones como argumentos. Recursividad
g =
Inline function:
g(x,y,z) = x.^2.*cos(y)-y.*cos(x).*z
Observa que tras la aplicación de este comando, Matlab redefine la función añadiendo “.”
Bo
en los sitios adecuados.
111
6.2 Funciones como argumentos LECCIÓN III
>> fun=vectorize(inline(’exp(-x)*cos(4*x)’));
>> miplot(fun,0,2*pi,200)
Nota. La función plot dibuja el vector y versus x. Concretamente, por defecto construye
el polı́gono con vértices(x(i),y(i)). Si se toma un número suficiente de puntos esto basta
para obtener una buena gráfica. Este comando es una de las salidas gráficas más simples de
Matlab y admite una amplia variedad de argumentos opcionales que controlan el aspecto
rra
final del dibujo. En una lección posterior (Lección V) veremos este comando y otros
relacionados con las salidas gráficas.
Ejercicio 6.1 Modificar el programa miplot para que en caso de no recibir los argumentos
a y b los pida por pantalla.
(Ayuda. La orden input lee datos por pantalla tras mostrar un mensaje. Necesitarás que ahora a
y b pasen a ser argumentos opcionales.)
Ejercicio 6.2 Lee la ayuda de Matlab sobre plot. Ensaya diferentes variantes, observa como
se puede cambiar de forma sencilla tanto la forma de la gráfica (lı́nea continua, lı́nea a trozos,
raya-punto, sólo puntos,...), el color,...
do
6.2.1. Recursividad
Un aspecto ya habitual en muchos lenguajes de programación es la recursividad, es
decir, la habilidad de que una función se llame a sı́ misma. Es habitual su utilización
cuando se programan estrategias de tipo divide y vencerás, que consiste, a grandes trazos,
en dividir un problema en problemas iguales pero de menores dimensiones.
Quizás el ejemplo más sencillo (y clásico) se basa en la función factorial.
n! = n · (n − 1) · · · 1.
112
LECCIÓN III Capı́tulo 6. Matlab: Funciones como argumentos. Recursividad
01 % FACT
02 %
03 % FACT(N) devuelve n!
04 %
05
06 function f=fact(n)
Bo
07
08 if (n<0)
09 disp(’error. Argumento inapropiado’);
10 f=[]; % devolvemos el vacio
11 elseif (n==0)
12 f=1;
13 else
14 f=fact(n-1)*n; % llamada a fact con n-1
15 end
16 return
113
6.2 Funciones como argumentos LECCIÓN III
Bo
rra
do
r
114
Capı́tulo 7
Bo
Fórmulas de cuadratura.
Transformada rápida de Fourier
cuyo cálculo no se puede llevar a cabo por medios analı́ticos o bien porque conlleva un
costo elevado. Este tipo de problemas se ha planteado desde la antigüedad, con algunas
referencias que se remontan a las Matemáticas clásicas en el cálculo de áreas y volúmenes
de figuras curvas. Quizás éste sea el origen de la denominación de fórmula de cuadratura
a cualquier expresión que aproxime una integral definida.
La propia definición de integral1 se fórmula actualmente en términos del lı́mite de
fórmulas de cuadratura, concretamente fórmulas del rectángulo. El Análisis Numérico
trata de analizar no sólo la convergencia de estas fórmulas y otras que se puedan plantear,
do
sino especialmente la calidad de estas aproximaciones estimando el error que comenten.
En última medida, el uso local de estimaciones del error permiten dilucidar qué zonas
del intervalo de integración concentran el error cometido por nuestra fórmula y por tanto
donde debemos concentrar nuestro esfuerzo para reducir el error cometido. Obtenemos
ası́ un método adaptativo, no rı́gido, que reconoce las dificultades del problema y se adapta
a él.
En esta sección esbozaremos estas ideas recurriendo siempre a casos sencillos e ideas
intuitivas y dejando la teorı́a en el mı́nimo imprescindible.
115
7.1 Fórmulas de cuadratura LECCIÓN III
conoce como reglas del rectángulo. Queda por elegir el punto que al evaluar define la
altura de cada rectángulo. Las elecciones más sencillas son tomar el extremo inferior de
cada subintervalo, el extremo superior o, la a priori más lógica, tomar el punto medio.
Bo
0.6
0.5
0.4
0.3
0.2
0.1
-0.1
-0.2
0 0.5 1 1.5 2 2.5
0.6 0.6
partición Particion
0.5 Regla del punto medio 0.5 Regla del trapecio
0.4 0.4
rra
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-0.1 -0.1
-0.2 -0.2
0 0.5 1 1.5 2 2.5 0 0.5 1 1.5 2 2.5
Si, por simplicidad, nos limitamos a trabajar con particiones uniformes, es decir, a
do
construir rectángulos con igual base, las fórmulas anteriores se pueden exponer de forma
simple: en primer lugar introducimos la malla
b−a
n ∈ N, h = , xj = a + hj, xj+1/2 = a + h(j + 1/2)
n
o partición asociada. Las reglas quedan ahora de la siguiente forma
n−1
X
Q1 (f, h) := h f (xj ) (Punto inferior),
j=0
n
r
X
Q2 (f, h) := h f (xj ), (Punto superior)
j=1
n−1
X
Qpm (f, h) := h f (xj+1/2 ), (Punto medio)
j=0
Es difı́cil escapar a la sensación de que la regla del punto medio goza de mejores
116
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
propiedades que las que definen el resto de elecciones3 . Esta impresión es correcta, como
veremos más adelante.
Un análisis algo más profundo nos descubre la regla del trapecio como una mejor
manera de aproximar la integral (ver de nuevo la Figura 7.1). En este caso la integral se
aproxima como suma del área de trapecios, como su propio nombre indica. Es un simple
ejercicio comprobar que la regla obedece a la siguiente fórmula
Bo
h1 n−1
X 1 i
Qtr (f, h) := h f (x0 ) + f (xj ) + f (xn ) , (Regla del trapecio).
2 j=1
2
Parecerı́a evidente que esta aproximación es mejor que la de las fórmulas de rectángulo
que hemos visto. Esta impresión es sólo parcialmente correcta: de hecho la regla del punto
medio es ligeramente mejor que la regla del trapecio, como veremos más adelante.
En cualquier caso, la regla del trapecio sugiere que podemos desarrollar fórmulas más
complejas sobre cada subintervalo [xi , xi+1 ] para luego construir con ellas, simplemente
sumándolas, una fórmula en todo el intervalo [a, b]. Es por ello que a las reglas del rectángu-
lo y trapecio se les llama reglas compuestas, mientras reglas que no implican subdividir
el intervalo de integración en intervalos más pequeños se las conoce como reglas simples.
rra
Ejercicio 7.1 Implementa en Matlab la regla del punto medio.
117
7.1 Fórmulas de cuadratura LECCIÓN III
Bo
Ejercicio 7.2 Implementa en Matlab la regla del trapecio.
Ejercicio 7.3 Tomando un número de puntos suficientemente alto y siempre que la función
sea regular (sea derivable un número suficiente de veces) puedes tomar ese valor como el
resultado exacto de la integral. Con un ejemplo arbitrario compara los resultados de la regla
del punto medio y la regla del trapecio.
Nota. Existe una cuestión, algo tonta, sobre el parámetro n. Lo habitual es tomar n de
forma que h = (b − a)/n sea la distancia entre los puntos que se evalúan para construir
la regla de cuadratura. Esta elección hace que en la regla del punto medio la función se
evalúe en n puntos mientras que en la regla del trapecio, se haga en n + 1 puntos. En
cualquier caso, y adelantándonos a lo que sigue, el parámetro relevante es precisamente
rra
h.
El estudio del error de las fórmulas anteriores queda ası́ reducido a las propiedades de
aproximación de los polinomios de grado 0 y 1 correspondientes.
r
Proposición 7.1 Existen ξ1 , ξ2 ∈ [a, b] tales que
Z b
1 00
f (s) ds − (b − a)f (c) = f (ξ1 )(b − a)3 ,
a 24
Z b
b−a 1
f (s) ds − f (a) + f (b) = − f 00 (ξ2 )(b − a)3 .
a 2 12
118
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Obviamente, nada se dice sobre cuáles son los puntos ξ1 , ξ2 , puesto que conocer esos
puntos en cada caso serı́a equivalente a conocer la integral para cualquier función arbi-
traria. Es remarcable que ambas fórmulas son exactas para polinomios de grado 1 (porque
en tal caso f 00 = 0) y que el error que se puede esperar de la fórmula del punto medio es
la mitad que el de la fórmula del trapecio y además con signo opuesto4 .
Siguiendo con estas ideas, podemos avanzar un paso más trabajando con polinomios
Bo
de grado dos. Denotando por Pn (x) los polinomios de grado n, procedemos como sigue
Esta regla de cuadratura recibe el nombre de regla de Simpson y es una de las más
utilizadas en la práctica. A primera vista se puede esperar que dé el valor exacto de la
integral para polinomios de grado de 2, puesto que ası́ se ha impuesto en la definición.
r
Sin embargo tiene un grado de precisión adicional fruto de la disposición simétrica de los
puntos de evaluación (es decir, del hecho de que c sea el punto medio de [a, b]), lo que lleva
a que la fórmula sea exacta para polinomios de grado 3. Esto es, la regla de Simpson
tiene precisión 3:
4
Salvando el hecho de que en principio ξ1 6= ξ2 . Un análisis más elaborado permite probar que esta
conclusión es esencialmente cierta.
119
7.1 Fórmulas de cuadratura LECCIÓN III
pj (xj ) = f (xj ).
Aproximar Z b Z b
f (s) ds ≈ pn (s) ds.
a a
Las fórmulas ası́ obtenidas reciben el nombre de fórmulas de Newton-Cotes cerradas5 . Las
fórmulas de Newton-Cotes abiertas se definen de forma similar pero tomando
rra
b−a
xj+1/2 = a + (j + 1/2)h, j = 0, . . . , n, h= .
n
Se denominan reglas abiertas porque ni a ni b se evalúan para aproximar la integral.
Sin embargo no es conveniente recurrir a estas fórmulas de cuadratura porque conforme
aumenta el número de puntos, las fórmulas tienden a ser más inestables numéricamente.
En lugar de ello, se utilizan fórmulas compuestas, como las del rectángulo o trapecio,
definidas a partir de fórmulas simples de pocos puntos. Volveremos a ello en próximos
apartados.
Ejercicio 7.5 Otra forma equivalente de definir y calcular las fórmulas de Newton-Cotes es
exigir que la fórmula de cuadratura integre a los polinomios de máximo grado. En el caso de
la fórmula de Simpson, bastarı́a con partir de
b−a
xj = a + jh, j = 0, 1, 2, con h = ,
2
definir
b
r
Z
f (s) ds ≈ ω0 f (x0 ) + ω1 f (x1 ) + ω2 f (x2 ).
a
y exigir que la fórmula sea exacta para f = 1, s, s2 . Calcula ası́ los pesos de la fórmula de
Simpson.
5
El hecho de que Isaac Newton aparezca ligado a estas ideas da una pista sobre la fecha a la que se
remontan estas técnicas.
120
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Ejercicio 7.6 Siguiendo las ideas del ejercicio anterior, podemos deducir las fórmulas con
más puntos. Para facilitar el estudio realizamos el cambio de variables
Z b
b−a n
Z
f (s) ds = f (a + ht) dt
a n 0
Bo
Se introduce a continuación la regla de cuadratura en [0, n]
Z n
g(t) dt ≈ n ω0 g(0) + ω1 g(1) + . . . + ωn g(n) .
0
Los pesos se determinan sin más que exigir que sea exacta para polinomios6 , de grado n en t.
Llegamos por tanto a las condiciones
Z n
g(t) dt = n(ω0 g(0) + ω1 g(1) + . . . + ωn g(n)), g ∈ {1, t, . . . , tn }.
0
Implementa una función que reciba como argumento n y devuelva los pesos de la fórmula de
Newton-Cotes cerrada de n + 1 puntos7 .
Solución. Recordemos en primer lugar que los vectores en Matlab se numeran a partir
de 1, lo que exige desplazar todos los ı́ndices una unidad. Dicho esto, una implementación
de la solución de este ejercicio es como sigue
do
01 % PESOSNEWTONCOTES
02 %
03 % V=PESONEWTONCOTES(N) devuelve en V los pesos de la
04 % formula de Newton-Cotes cerrada
05 % de N+1 puntos.
06 %
07 % Esto es, la integral de f en [a,b] se aproxima por
08 %
09 % (b-a)*(w(1)*f(x(1))+w(2)*f(x(2))+...+w(n+1)*f(x(n+1)))
r
10 %
11 % donde x(i)=a+(i-1)*(b-a)/n i=1,...,n+1,
12
6
observa que el cambio de variable lleva polinomios de grado n a polinomios de grado n
7
La matriz del sistema recibe el nombre de Matriz de Vandermonde. Desafortunadamente es una
matriz muy mal condicionada que da problemas en su resolución para n moderado. Ello es consecuencia
de que la base de monomios no es buena elección como base de los polinomios.
121
7.1 Fórmulas de cuadratura LECCIÓN III
13 function w=pesosnewtoncotes(n)
14
15 r=0:n;
16 c=1; m=ones(1,n+1);
17 for i=1:n
18 m=[m; r.^i]; % construimos matriz del sistema
Bo
19 c=[c; n^(i)/(i+1)]; % construimos el termino independiente
20 end
21
22 w=m\c;
23 return
Con diferentes valores de n hemos obtenido los siguientes resultados
1 2 3 4 5 6 7 8 9 10
1/2 1/6 1/8 7/90 19/288 41/840 322/7409 248/7109 177/5551 94/3503
1/2 2/3 3/8 16/45 25/96 9/35 337/1628 578/2783 458/2607 2431/13693
rra
1/6 3/8 2/15 25/144 9/28 49/64 −111/3391 27/224 −410/5059
1/8 16/45 25/144 34/105 585/3382 97/262 451/2089 722/1587
7/90 25/96 9/28 585/3382 −454/2835 282/4373 −406/933
19/288 9/35 49/64 97/262 282/4373 783/1097
41/84 337/1628 −111/3391 451/2089 −406/933
429/9871 578/2783 27/224 722/1587
248/7109 458/2607 −351/4331
177/5551 2284/12865
94/3503
Se puede comprobar que aparecen pesos negativos a partir de n = 8. Es decir, la fórmula
de cuadratura puede dar valores negativos para una función positiva. Esta inestabilidad se
vuelve más acusada conforme n → ∞. De hecho es muy probable que a partir de n ≈ 10
do
la resolución del sistema lineal de Vandermonde de resultados muy poco fiables dado el
mal condicionamiento de la matriz8 . En cuanto a los pesos, éstos se pueden calcular de
forma más estable sin más que elegir una base adecuada de los polinomios de n.
La fórmula para n = 3 se suele denominar en la literatura, por razones obvias, regla
de 3/8. El grado de precisión de estas reglas (es decir, el grado de los polinomios para
los que las fórmulas dan la integral exacta) es n ó n + 1 dependiendo si n es impar o par
respectivamente.
Ejercicio 7.7 Implementa una función que devuelva los pesos para las fórmulas de Newton-
Cotes abiertas.
r
7.1.3. Retorno a las reglas compuestas
En la sección precedente indicamos que el uso de fórmulas de cuadratura simple con
un número de puntos elevados equidistribuidos no es recomendable dado que exhiben
8
Se puede atenuar este mal condicionamiento utilizando la descomposición QR (ver Lección IV) para
resolver el sistema lineal
122
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
una gran inestabilidad numérica. Este hecho está ı́ntimamente con la inestabilidad de la
interpolación numérica en estos nodos, tema al que volveremos más adelante (Lección V).
Una alternativa que proporciona mejores resultados, y que es muy sencilla de imple-
mentar, es volver a las fórmulas de cuadratura compuestas, dividiendo el intervalo original
en varios subintervalos y aplicar en cada uno de ellos una fórmula de cuadratura simple.
Por ejemplo la regla del trapecio es la fórmula de cuadratura compuesta obtenida al dividir
Bo
el intervalo de integración en n subintervalos y aplicar en cada uno de ellos la fórmula de
Newton-Cotes cerrada de dos puntos:
Z b
b−a
f (s) ds ≈ (f (a) + f (b)).
a 2
Deduciremos a continuación la regla compuesta de Simpson. Tomemos en primer lugar
n subintervalos, con lo que habremos de evaluar en 2n + 1 puntos. Definiendo h = (b −
a)/(2n), xi = a+ih (i = 0, . . . , 2n) aplicaremos la regla de Simpson simple sobre [x2i , x2i+2 ]
(longitud 2h). Aparecen ası́ tres términos diferentes:
Los puntos x0 (= a) y x2n (= b) son extremos de un único subintervalo.
Los puntos x2j , j = 1, . . . , n − 1, que son extremo superior de un subintervalo e
rra
inferior del siguiente ([x2j−2 , x2j ] y [x2j , x2j+2 ]).
Los puntos x2j−1 que son puntos interiores de los subintervalos ([x2j−2 , x2j ]).
La fórmula que obtenemos es
h1 n n−1
4X 2X 1 i
Qsp (f, h) := h f (x0 ) + f (x2j−1 ) + f (x2j ) + f (x2n ) . (7.2)
3 3 j=1 3 j=1 3
123
7.1 Fórmulas de cuadratura LECCIÓN III
Ejercicio 7.8 Deducir que la fórmula compuesta de Simpson viene efectivamente dada por
(7.2). Programar en una función la regla de Simpson compuesta, siguiendo las directrices
marcadas en el Ejercicio 7.1.
La integral exacta se puede calcular tomando un número muy elevado de puntos (por ejem-
plo n = 10000) con la regla de Simpson, que es la de mayor precisión. Mide el error para
diferentes valores de n y observa como decrece el error. Una buena elección podrı́a ser
n = 10, 20, 40, 80, ..., esto es, multiplicando por 2 el número de puntos. Deberı́as observar que
para funciones suaves el error se divide por 4 o por 16, según la regla que se aplique.
Testa los programas con los siguientes ejemplos
rra
i) f1 (x) = x cos(x) en [0, π]
Un fichero script te puede venir bien para este ejercicio. ¿Qué observas con las reglas del
trapecio y del punto medio en el último caso?.
do
Nota. En esta serie de experimentos se observa que la regla de Simpson no alcanza el
orden que la teorı́a predice en el ejemplo iii) sobre el intervalo [0, 2]. Ello es debido a que
las derivadas de la función tienen una singularidad en el origen.
Menos simple de explicar
R 2π es la superconvergencia (convergencia mejor de lo esperado)
2
que se observa para 0 cos (x) (punto iv)).Esto es consecuencia de que el integrando,
además de regular, es π−periódico y se está integrando en un múltiplo de su intervalo
de periodicidad. En una sección posterior daremos una explicación a este fenómeno tan
sorprendente.
r
Ejercicio 7.10 Implementa la regla compuesta de 3/8, la siguiente a la regla de Simpson, que
aparecı́a en el Ejercicio 7.6. Compara los resultados con la regla de Simpson. ¿Qué observas?
9
En este caso, evaluar en 0 es una singularidad de tipo 0 · ∞. En realidad el lı́mite cuando x → 0 es
cero, que se puede tomar como valor de f (0). Una forma de evitar este problema es aplicar la fórmula en
[, 2] con << 1, por ejemplo, = 10−16 . Esta breve discrepancia en el extremo de integración no afecta
al resultado.
124
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
ω1 , ω2 , ξ1 , ξ2 ∈ R
Z 1
ω1 p(ξ1 ) + ω2 p(ξ2 ) = p(s) ds, p ∈ {1, s, s2 , s3 }
−1
ω1 ξ12 + ω2 ξ22 = 23 ,
ω1 ξ13 + ω2 ξ23 = 0.
125
7.1 Fórmulas de cuadratura LECCIÓN III
La teorı́a va más allá puesto que es constructiva: da una forma de calcular la fórmula
(nodos y pesos) mucho más eficiente. En concreto, los nodos de la fórmula de cuadratura
son las raı́ces de una familia de polinomios, los polinomios de Legendre, que se encuentra
tabulada en multitud de textos cientı́ficos. Los pesos ωi se pueden calcular a continuación
resolviendo un simple sistema lineal. En la Tabla 7.1 se pueden ver los coeficientes de
las primeras reglas gaussianas. Observa que la disposición simétrica de los nodos en el
Bo
intervalo [−1, 1] y de los pesos asociados.
n ξi ωi
n=1
0 2
n=2 √
−√ 3/3 1
3/3 1
n=3
−0.774596669 0.555555556
0.0 0.888888889
rra
0.774596669 0.555555556
n=4
−0.861136312 0.347854845
−0.339981044 0.652145155
0.339981044 0.652145155
0.861136312 0.34785484
n=5
−0.906179846 0.236926885
−0.538469310 0.478628670
0.0 0.568888889
0.538469310 0.478628670
0.906179846 0.236926885
do
Cuadro 7.1: Primeras fórmulas gaussianas
126
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Proposición 7.4 Existe una sucesión de números (b2j )j tales que para f suficientemente
regular
Z b m
X h i
2j (2j−1) (2j−1)
f (s) ds − Qtr (f, h) = b2j h f (b) − f (a) + O(h2m+2 ).
a j=1
Bo
El sı́mbolo de Landau O(hM ) indica una cantidad que es menor que una constante
multiplicada por hM y con dicha constante independiente de h. En otras palabras, es
equivalente a escribir
Z b m
X h i
2j (2j−1) (2j−1)
f (s) ds − Qtr (f, h) − b2j h f (b) − f (a) ≤ Cm h2m+2
a j=1
(1)
En particular observamos que c2 = 0, esto es hemos cancelado el primer término del
desarrollo, por lo que
m
X (1)
I = α1 (h) + c2j h2j + O(h2m+2 ). (7.3)
j=2
Como consecuencia
Por tanto α1 (h) es una aproximación de la integral con orden 4. Es más, α1 (h) cumple de
r
nuevo un resultado similar al de la proposición anterior (ver (7.3)), por lo que podemos
repetir el mismo argumento y definir12
16α1 (h/2) − α1 (h)
α2 (h) = .
15
12
α1 (h/2) se ha obtenido igual partiendo de α0 (h/2) y α0 (h/4)
127
7.1 Fórmulas de cuadratura LECCIÓN III
Es fácil ver que nuevamente I − α2 (h) tiene un desarrollo del error que comienza con
rra
h6 puesto que este combinación ha cancelado el primer término que aparecı́a con α1 (h).
Como consecuencia, α2 (h) da una aproximación de la integral de orden 6. En general se
pueden definir
22j αj (h/2) − αj (h)
αj+1 (h) = .
22j − 1
Cada una ellas satisfaciendo
|I − αj (h)| ≤ Cj h2j+2 ,
donde Cj es independiente de h pero de j o de f . Observa que la convergencia sólo se
asegura para j fijo y h → 0.
Su ventaja más palpable es que únicamente requiere aproximaciones de la integral
obtenidas con una fórmula de cuadratura sencilla. Combinando resultados para valores
do
distintos de h se obtiene una mejora sustancial en la aproximación de la integral. Aquı́ nos
hemos centrado en la fórmula del trapecio, pero se pueden adaptar a la fórmula del punto
medio o a la de Simpson. Es más, estrategias de este tipo se aplican en diversa áreas del
Análisis Numérico. Para ello, es esencial contar con un resultado del tipo enunciado en la
Proposición 7.4. La extrapolación sigue el sencillo diagrama de la Figura 7.3
Nota. Los resultados expuestos en esta sección, y en concreto la Proposición 7.4, expli-
can por qué la fórmula del trapecio converge mejor de lo esperado para funciones regulares
y periódicas cuando se integra en un intervalo de periodicidad. Observa que en este caso
f (2j−1) (b) = f (2j−1) (a) y por tanto no hay términos en hm para ningún m. Esto es, el
r
orden de convergencia es m para cualquier m, o lo que es lo mismo
Z b
f (s)ds − Qtr (f, h) ≤ Cm hm , ∀m ∈ N
a
128
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Ejercicio 7.12 Comprueba que si aplicas un paso de extrapolación a la fórmula del trapecio
compuesta obtienes el método de Simpson.
01 % RICHARDSON
02 %
03 % V= RICHARDSON(F,A,B,N,M) Aplica la formula del trapecio con
rra
04 N, 2*N,4*N,..., 2^(M-1)*N puntos
05 Construye la matriz de extrapolacion
06 V M x M donde V(:,i) es el resultado
07 de aplicar el paso i-1 de Richardson.
Ejercicio 7.14 Existe una forma más general de definir la extrapolación. Para ello precisamos
que las sucesivas h decrezcan de una forma proporcional
129
7.1 Fórmulas de cuadratura LECCIÓN III
Bo
Zona regular Zona Irregular Zona regular
donde h = (b − a), c es el punto medio de (a, b), d y e, los puntos medios de (a, c) y (c, b).
(1)
El término dominante del error, para h suficientemente pequeño, es c2 h4 de forma que
Z b
(1)
f (s) ds − Q1 (f ) ≈ c2j h4 .
a
A priori este término no puede ser calculado, pero puede ser despejado de (7.4) y (7.5),
sin más que sustraer a la primera identidad la segunda. Ası́ obtenemos
r
1
(1) 4
Q2 (f ) − Q1 (f ) ≈ 1 − 16 c2j h
y por tanto Z b
16 (1)
(Q2 (f ) − Q1 (f )) ≈ c2j h4 ≈ f (s) ds − Q1 (f ) .
15 a
| {z }
error
130
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
La idea de nuestro esquema adaptativo es la que sigue: dado un intervalo [a, b] y una
tolerancia ε
Si est > ε se aplica el argumento anterior en los subintervalos [a, c] y en [c, b] con
una tolerancia de /2 y se devuelve como integral la que calculada en [a, c] y en [c, b]
Hay por lo tanto un proceso de subdivisión de los intervalos, de manera que la única
forma, en este estado inicial, de que un subintervalo no se divida es que la integral se
calcule dentro de la tolerancia prefijada. Obviamente el algoritmo anterior se programa
de forma natural de manera recursiva.
El papel fundamental lo juega una función, que podrı́a seguir el siguiente prototipo
rra
simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol)
2. Se calcula
do
integ21 = h/12*(fa + 4fd + fc) integ22 = h/12*(fc + 4fe + fb)
integ2 = integ21 + integ22
3. Se calcula el estimador
16
est = (integ − integ2)
15
131
7.1 Fórmulas de cuadratura LECCIÓN III
Si hemos seguido el esquema anterior y nos vemos forzados a dividir en dos subinter-
valos, habremos evaluado ya f en a, c y en su punto medio d y en c, b y el correspondiente
punto medio e. También se habrá calculado la regla de Simpson en estos intervalos. Es por
ello que enviamos todos estos valores en las llamadas de la función simpsonadaptativo,
dado que generalmente la operación más costosa es precisamente evaluar la función.
Notemos que se ha optado por devolver como aproximación de la integral Q2 (f ), en
Bo
lugar de Q1 (f )14 . Otra variante es devolver
16Q2 (f ) − Q1 (f )
15
que es el primer paso de extrapolación de Simpson (o el segundo del trapecio, de acuerdo
al problema 7.2).
La forma más simple de implementar el proceso anterior es introduciendo una función
de cabecera que prepare los datos iniciales: recibe la función, el intervalo de integración y
la tolerancia solicitada, y calcula para arrancar la subrutina simpsonadaptativo el punto
medio c, los valores de f en a, b y c y el resultado de aplicar la regla de Simpson simple
en [a, b]. Por ejemplo
rra
01 % SIMPSONRECURSIVO
02 %
03 % INTEG= SIMPSONRECURSIVO (F,A,B,TOL)
04 %
05 % Devuelve una aproximacion de la integral mediante
06 % una integracion adaptativa basada en la regla de Simpson
07 % con tolerancia TOL
08
09 function integ=simpsonrecursivo(f,a,b,tol)
10
11 c=(a+b)/2;
12 fa=feval(f,a);
13 fb=feval(f,b);
do
14 fc=feval(f,c);
15 integ=(b-a)*(fa+4*fb+fc)/6; %regla de Simpson
16 integ=simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol);
17 return
Resta por programar la función simpsonadaptativo, trabajo que proponemos al lec-
tor.
Ejercicio 7.15 Implementa la regla de Simpson adaptativa.
Ejercicio 7.16 El método tal como está programado puede entrar en un bucle infinito si no
r
se consigue integrar con la tolerancia exigida en las sucesivas subdivisiones de un intervalo.
Para evitar este problema hacemos que el programa lleve control del número de veces que ha
subdividido un intervalo. La función puede seguir la siguiente sintaxis
14
Casi nadie dudarı́a en esta elección. Es decir, es esperable que Q2 (f ) sea mejor que Q1 (f ), ası́ que ¿por
qué no devolver lo mejor que se tiene?. Matemáticamente, sin embargo, el estimador del error controla
el error de Q1 (f ) y no de Q2 (f ).
132
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
1.5
Bo
1
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
√
rra
Figura 7.5: Integración adaptativa de x
[integ,subd2]=simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol,subd)
Ejercicio 7.17 Por último podemos llevar un control sobre los puntos que hemos evaluado.
do
Para ello basta utilizar
[integ,subd2,x2]=simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol,subd,x)
con x2=[x d e] donde d y e son los puntos medios de [a,c] y [c,b] respectivamente.
Implementa el método resultante.
(Ayuda: si al final se desea que los puntos x2 estén ordenados se puede aplicar la instrucción
sort(x2) que devuelve el vector con sus componentes ordenadas de menor a mayor.)
Nota final
r
De un estimador se suele hablar de dos conceptos bien importantes: confiabilidad y
eficiencia. Un estimador es confiable si efectivamente el error está por debajo de lo que el
estimador calcula. Por contra, es eficiente si el estimador aproxima bien el error cometido.
Nuestro estimador, en general, es poco eficiente: el error real suele estar muy por debajo de
la cantidad que nos devuelve el√estimador, especialmente si el intervalo de integración es
grande. Por ejemplo, para f = x e integrando en [0, 2], se observa que con una tolerancia
133
7.2 Transformada rápida de Fourier LECCIÓN III
R2√
Cuadro 7.2: Resultados numéricos para 0 x dx. Tolerancia exigida (tol), número de
evaluaciones (neval) y error cometido (Error). Comparativa con las reglas del punto medio,
del trapecio y de Simpson con h fijo y el mismo número de evaluaciones
rra
de 10−5 el error real cometido por el método adaptativo es 8.48 · 10−9 , un error 1000 veces
menor en magnitud. Una forma de corregir este problema es, una vez que se ha decidido
dividir el intervalo de integración en dos subintervalos, no exigir una tolerancia tol/2 en
cada uno de ellos, sino utilizar r ∗ tol con r ∈ [1/2, 1]. Matlab utiliza de hecho r = 1.
Matlab cuenta con algunas funciones encargadas de la integración numérica:
Las dos últimas aplican reglas de cuadratura para integrales dobles y triples respectiva-
mente.
El comando quad implementa esencialmente el método de Simpson recursivo que
hemos visto en esta sección. Por otro lado, quadl utiliza una regla de orden mayor que
da mejores resultados si el integrando es más regular.
do
El código de estas funciones está abierto, luego se puede editar para ver los detalles
de su implementación.
134
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
es una función 1/m-periódica, o dicho de otra forma, su periodo es 1/m (ver la Figura
7.6).
Además se tiene la relación
Z 1 ∞
X
2
|f (θ)| dθ = |fb(m)|2 (7.7)
0 m=−∞
r
que se interpreta como que la energı́a de función original f es igual a la energı́a del vector
infinito (. . . , fb(−2), fb(−1), fb(0), fb(1), fb(2), . . .)> .
16
Mucho se ha escrito sobre esto. En cualquier caso hay que especificar en qué sentido converge la
serie. El sitio más adecuado, matemáticamente hablando, es el espacio de las funciones cuyo cuadrado
es integrable, que se denota por L2 (0, 1). Fı́sicamente se interpreta como el espacio de las señales cuya
energı́a es finita.
135
7.2 Transformada rápida de Fourier LECCIÓN III
0.5
-0.5
-1
La expresión (7.8) puede resultar más atractiva que (7.6), especialmente si la función es
real puesto que implica trabajar únicamente con cantidades reales, sin parte imaginaria.
Sin embargo, tanto el análisis como una notación más compacta animan a utilizar la
exponencial compleja. Aún es más, en lo que sigue podemos suponer que las funciones
son complejas (devuelven valores en C) y por tanto se cubre este caso de forma muy
natural.
Desde un punto de vista práctico, es poco habitual que se pueda (o que se proceda a)
r
evaluar la función en cualquier punto. En lugar de ello se dispone de un muestreo es decir,
del valor de la función en una serie de puntos uniformemente distribuidos. Ası́ definimos
j
xj = N
, j = 0, . . . , N − 1,
se evalúa
yj := f (xj ) , j = 0, . . . , N − 1
136
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
y se construye el vector
y0
y1
y= .
..
.
yN −1
Bo
La primera cuestión es
¿Es posible recuperar los coeficientes de Fourier de f a partir de y?
La respuesta obvia es no: si tomamos una cantidad finita de información es imposible
recuperar (salvo en casos triviales) los coeficientes de Fourier, que en última media son la
función y, por tanto, conllevan una cantidad infinita de información.
Ahora bien, la situación es muy diferente si disponemos de información a priori sobre
la función f . Si una función periódica f es regular podemos probar que
fb(k) → 0, |k| → ∞
y de hecho de una forma muy rápida (ver Ejercicio 7.18), por lo que unos pocos coeficientes
pueden ser suficientes para reconstruir la función de forma muy aproximada.
rra
Para calcular estos coeficientes utilizamos la regla del trapecio, que como hemos visto
en la sección anterior converge muy rápidos para funciones regulares y periódicas. Todo
lo anterior nos conduce a
Z 1
f (k) :=
b f (θ)exp(−2πikθ) dθ
0
f (1) = f (0) = y0
1 h1
N
X −1
1 i ↓
≈ f (0) + f ( Nj ) exp(− 2πijk
N
) + f (1) =
N 2 j=1
2
N −1
1 X
= yj ω jk
N j=0
do
donde
ω := exp − 2πi
N
.
Lo anterior sugiere construir
N −1
1 X
Yk := yj ω jk
N j=0
137
7.2 Transformada rápida de Fourier LECCIÓN III
17
Manipulaciones que deben siempre justificarse y que son válidas si, por ejemplo, la función tiene
derivada primera continua.
138
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
por lo que
Bo
1 Xb
Yk = f (k + mN ).
N m∈Z
De esta forma, Yk recoge no sólo el coeficiente k−ésimo de Fourier, sino contribuciones en
frecuencias más altas, cuya distancia al coeficiente k dista un múltiplo de N .
Llegado a este punto, conviene recordar que el decreciemiento rápido a cero de los
coeficientes de Fourier cuando |k| → ∞ sugiere que Yk aproxima bien al coeficiente
de Fourier más próximo a cero y la aproximación mejora muy rápidamente cuando
N → ∞. Es decir,
X
f
b (k)+ fb(k + mN ), si 0 ≤ k ≤ N2
m6=0
| {z }
rra
pequeño
Yk = X (7.9)
N
f (k − N )+ f (k + mN ), si 2 < k < N .
b b
m6 = 0
| {z }
pequeño
F −1 Y = y.
139
7.2 Transformada rápida de Fourier LECCIÓN III
Ejercicio 7.20 Dado que vamos a calcular aproximaciones de los coeficientes centrales de
Fourier, podrı́amos plantearnos definir
N
X −1
Yek = yj ω jk , −N/2 < k ≤ N/2
j=0
Bo
¿Sabrı́as ver qué relación hay entre Yek e Yk ?.
140
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Notas finales
Si f es real,
Re fb(k) = Re fb(−k), Im fb(k) = −Im fb(−k).
Esta simetrı́a se extiende a la transformada discreta: si y es real
do
Im y0 = 0, Re yk = Re yN −k , Im yk = −Im yN −k , k = 1, . . . , N − 1.
De esta forma, si ignoramos la primera componente, la parte real de Y, respectivamente
imaginaria, es simétrico, respectivamente antisimétrico, respecto al punto N/2. Este punto
se conoce como el punto de Nyquist.
Otra analogı́a con el marco continuo es que la transformada discreta de Fourier preser-
va, salvo constante multiplicativa, la norma k · k2 del vector original, esto es, su energı́a.
Concretamente (comparar con (7.7))
1 1 1 1
kYk22 = Y∗ Y = (W y)∗ (W y) = 2 y∗ W ∗ W y = y∗ y = kyk22 . (7.10)
r
N 2 N N N
Hay una falta de consenso en la definición de Transformada de Fourier discreta.
Nosotros hemos tomado como definición de la transformada y de su inversa las dadas
por
N −1 N −1
1 X X
Yk := jk
yj ω , yk := Yj ω −jk , ω = exp(− 2πi
N
).
N j=0 j=0
141
7.2 Transformada rápida de Fourier LECCIÓN III
En la Figura 7.7 se muestra la función y sus coeficientes de Fourier, que decrecen rápida-
do
mente a cero. También se muestra una evaluación en 64 puntos (un muestreo) uniforme-
mente distribuidos y la transformada de Fourier discreta resultante. Obsérvese la relación
entre transformada discreta de Fourier y los coeficientes de Fourier mostrada en (7.7).
En el campo discreto, tenemos un ruido r y el vector transformada de Fourier discreta
R = F r. Visto en el campo transformado, esta perturbación tiene un tamaño, relacionado
con la amplitud del ruido y con el número de puntos que se han tomado de muestra. Dado
el comportamiento altamente irregular, es esperable que las contribuciones en todas las
frecuencias sean similares. Pero
1
kRk22 = krk22 ≤ máx |rj |.
N j=0,...,N −1
r
Por tanto, si el ruido tiene un valor máximo controlado, las componentes del vector trans-
formado tienden a cero cuando N → ∞. De hecho es esperable que este decrecimiento
sea uniforme en todas las componentes, es decir,
1
Rj ≈ √
N
142
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
0.5 0.5
Bo
0 0
-0.5 -0.5
-1 -1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
0.3
0.3
0.2 0.2
rra
0.1 0.1
0 0
-40 -20 0 20 40 0 10 20 30 40 50 60
Ahora, si consideramos la influencia de este ruido sobre una señal y, tenemos la señal
perturbada y e = y + r. Se trata ahora de eliminar ese ruido observando la transformada
Y.
e
La estrategia que planteamos es la siguiente. En el caso de que Yej sea grande, pode-
do
mos aceptar este coeficiente dado que el error relativo es pequeño. Por contra, si Yej es
pequeño, el error relativo que hemos introducido es tal que la información ha quedado
irremediablemente contaminada y por tanto debemos desecharla.
Lo anterior sugiere una forma de depurar la señala, partiendo de un nuevo vector Z
(
0 si |Yek | es pequeño,
Zk = (7.11)
Yek en otro caso.
Con la información que nos queda, reconstruimos la señal discreta original y mediante
F −1 Z. Ası́ tenemos el siguiente diagrama
r
+ ruido F (7.11) F −1
y −→ y
e −→ Y
e −→ Z −→ z.
143
7.2 Transformada rápida de Fourier LECCIÓN III
0.08 0.015
0.06
0.01
Bo
0.04
0.005
0.02
0 0
10 20 30 40 10 20 30 40
-3
x 10
0.08 8
0.06 6
0.04 4
rra
0.02 2
0 0
50 100 150 50 100 150
Figura 7.8: Ruido en un conjunto de puntos (40 arriba, 160 abajo) y su transformada
discreta
144
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
0.35
0.5
0.3
Bo
0.25
0 0.2
0.15
-0.5 0.1
0.05
-1 0
0 0.2 0.4 0.6 0.8 1 0 10 20 30 40 50 60
0.35
0.5
0.3
0.25
0
rra
0.2
0.15
0.1 -0.5
0.05
0 -1
0 10 20 30 40 50 60 0 0.2 0.4 0.6 0.8 1
0.35
0.5
0.3
0.25
0 0.2
do
0.15
-0.5 0.1
0.05
-1 0
0 0.2 0.4 0.6 0.8 1 0 50 100 150 200 250
0.35
0.5
0.3
0.25
0.2 0
0.15
r
0.1 -0.5
0.05
0 -1
0 50 100 150 200 250 0 0.2 0.4 0.6 0.8 1
145
7.2 Transformada rápida de Fourier LECCIÓN III
Dado que
ω M = exp(−πi) = −1, ω1M = 1;
se deduce que
1 (0)
Yκ − ω κ Yκ(1) .
Yk = (7.13)
2
v
Denotando por w el vector resultado de enlazar los vectores v y w, las identidades
(7.12) y (7.13) se puede escribir en notación vectorial
r
1 Y(0) + ω. ∗ Y(1)
Y= (7.14)
2 Y(0) − ω. ∗ Y(1)
donde Y(0) e Y(1) son las transformadas de Fourier de los vectores (y0 , y2 , . . . , y2M −2 )> y
(y1 , y3 , . . . , y2M −1 )> ,
ω = (ω 0 , ω 1 , . . . , ω M −1 )> , ω := exp(− 2πi
N
), (7.15)
146
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
y “.*” denota el producto elemento a elemento entre las componentes de los vectores.
En cuando al número de operaciones, si f (N ) es el número de multiplicaciones, se
comprueba que el total de productos es el de dos transformadas de longitud N/2 más N
productos realizados al combinar dichas transformadas. En resumen,
f (N ) = 2f (N/2) + N.
Bo
Nada nos impide aplicar de forma reiterada el algoritmo anterior para calcular Y(0) e
Y(1) si M es divisible por 2 (o lo que es lo mismo, que N sea divisible por 4). De forma
natural, se puede programar el método de forma recursiva.
El caso óptimo del algoritmo en la versión anterior se da cuando N = 2p . El algoritmo
queda de la siguiente forma
FFT
N =length(y)
if N==1
rra
Y=y
else
Y(0) := FFT(y(0 : 2 : N − 2)) % Parte ‘‘par’’
Y(1) := FFT(y(1 : 2 : N − 1)) % Parte ‘‘impar’’
ω = exp(−2πi/N )
ω := [ω 0 , ω 1 , . . . , ω N/2−1 ]>
Y(0 : N/2 − 1) = (Y(0) + ω. ∗ Y(1) )/2
Y(N/2 : N − 1) = (Y(0) − ω. ∗ Y(1) )/2
end
Ayuda. No utilices fft como nombre de esta función, dado que éste es el comando de
Matlab para el cálculo de la transformada rápida de Fourier. Entrando ya en programa, en
r
primer lugar podemos plantearnos cómo se va a devolver el resultado, si como un vector
fila o como un vector columna. Para ello, la primera instrucción de nuestra subrutina
podrı́a ser
y=y(:); Y=y;
147
7.2 Transformada rápida de Fourier LECCIÓN III
y=y(:).’; Y=y;
si se desea implementar para filas. Fı́jate que ya hemos introducido el vector que va a
guardar la transformada de Fourier y que sus dimensiones coinciden con las del vector y.
Llegado a este punto, hay que tener cuidado al programar el producto
ω. ∗ Y(1)
Bo
para que los vectores implicados, ω e Y(1) tengan igual dimensión.
Si el vector tiene un número par de elementos, la transformada se calcula a partir de
la transformada de los vectores
y(1 : 2 : n) −→ (y0 , y2 , . . . , yn−2 )> , (Y(0) )
y(2 : 2 : n) −→ (y1 , y3 , . . . , yn−1 )> , (Y(1) )
de acuerdo con el algoritmo (véase también (7.14) y (7.15)).
Cuando el número de entradas de y no sea una potencia de 2 se puede utilizar el primer
algoritmo que dimos (ejercicio 7.22). De esta manera tendrı́amos la siguiente estructura
y=y(:); n=length(y);
rra
if mod(n,2)==0
...... % expresion RECURSIVA en terminos de dos transformadas
......
else % no es divisible por 2
...... % Algoritmo del ejercicio 7.22
end
En las lı́neas anteriores, mod(m,n) devuelve el resto de la división de m entre n y sirve
para comprobar si el número de entradas es par o impar.
Ejercicio 7.25 Implementa una función recursiva que devuelva el número de operaciones
para el cálculo de la FFT. Utilı́zala para obtener una tabla con el número de operaciones para
algunos valores altos de N . Compara con el número de operaciones requerido en la versión
do
inicial del algoritmo dada antes.
148
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Hemos testado la función con 219 y 219 − 1 que es primo. Éste es el resultado
10485760
>> operacionesfft(2^19-1)
ans =
274876858369
149
7.2 Transformada rápida de Fourier LECCIÓN III
150
LECCIÓN III Capı́tulo 7. Fórmulas de cuadratura. FFT
Ejercicio 7.28 Implementa una función que calcule el producto de dos números enteros con
la transformada de Fourier de acuerdo al siguiente prototipo
% MULTIPLICACION
%
%
Bo
% P=MULTIPLICACION(A,B) Devuelve el producto de A por B
%
% A,B deben ser arrays de caracteres
% P es un array de caracteres con el
% producto A*B
%
Ayuda. Para que el método sea realmente eficiente necesitamos que los vectores sobre los
que se va a aplicar la transformada de Fourier tengan longitud una potencia de 2. Para
ello podemos insertar más ceros de los inicialmente previstos de forma que N sea una
potencia20 de 2.
Para disponer de una precisión en principio ilimitada, introduciremos los números
que deseamos multiplicar en una cadena de caracteres y haremos la salida en el mismo
rra
formato. Para su implementación necesitaremos manejarnos con la conversión entre los
diversos formatos de datos.
Una cadena o string es simplemente un vector de caracteres y ası́ lo maneja Matlab:
>> p=’esto es una prueba’
ans=
>> p(3)
do
ans=
>> p(6:9)
ans =
es u
Hará falta transformar un vector de caracteres a un vector de números y viceversa. Para
r
ello se puede utilizar los comandos str2num, num2str(STRing-to-NUMeric y NUMeric-
to-STRing).
Una vez que tengamos el vector de números hay que darle la vuelta al vector, de forma
que
’1234’ [4 3 2 1].
20
¿Qué hace log2(ceil(r+s))?
151
7.2 Transformada rápida de Fourier LECCIÓN III
Por último una vez multiplicados hay un paso de acarreo, es decir, un resultado de forma
que
Nota. ¿Para qué preocuparse en multiplicar números enteros? Es decir, no parece haber
una necesidad acuciente de diseñar algorimos para multiplicar números de centenares o
miles de cifras. Una aplicación sorprendente proviene del mundo de cifrado de mensajes.
El sistema de cifrado más popular actualmente es el RSA, propuesto por los matemáticos21
Ron Rivest, Adin Shamir y Len Adleman en 1977, está basado en el conocido Teorema
Pequeño de Fermat22 . Este teorema, muy simple, tiene que ver con los restos de la división
por números primos. El mensaje que se desea enviar se convierte en un número entero,
más o menos largo. El cifrado y descifrado del mensaje se basa en calcular restos de di-
visiones por el producto de dos números primos muy grandes. La seguridad del sistema
rra
depende directamente del tamaño de estos primos: mayor tamaño es mayor seguridad.
Ello hace que se requiera calcular productos y divisiones de números enteros enormes de
forma rápida y eficiente23 .
152
Bo
Lección IV
Henri Poincaré
En la primera parte de esta lección trataremos diversos aspectos instrumentales de
Matlab, como el manejo de polinomios, arrays multidimensionales (tensores) y vectores de
celdas. Daremos además algunos esbozos sobre la manipulación de expresiones simbólicas.
rra
Aunque en este campo Matlab no es comparable a otros manipuladores simbólicos como
Maple o Mathematica, puede resultar en muchos casos suficiente.
En la segunda parte trataremos el cálculo de valores y vectores propios de Matlab.
Volvemos por tanto a incidir en el manejo de vectores y matrices, y en ese sentido es un
recordatorio de lo que vimos en las Lecciones 1 y 2. Con el fin de aliviar el peso teórico de
la parte matemática, terminaremos con un capı́tulo fundamentalmente divulgativo sobre
Google y su algoritmo de evaluación de páginas web Pageranktm .
do
r
155
r
do
rra
Bo
Capı́tulo 8
Bo
Matlab: Cálculo simbólico y
estructuras de datos.
8.1.1. Polinomios
Matlab maneja un polinomio identificándolo simplemente con un vector de números
(en principio) reales. Concretamente, el vector fila (an , . . . , a0 )> corresponde al polinomio
an xn + an−1 xn−1 + . . . + a0 . Si algún coeficiente es nulo, debe incluirse. Por ejemplo, el
vector (1, 0, 2)> representa el polinomio x2 + 2. Sumar y restar dos polinomios se reduce
ası́ a sumar y restar dos vectores, salvando el problema de que ambos deben tener el
do
mismo grado:
>> p=[2 0 1]; % 2*x^2+1
>> q=[-1 1 -1 0 1]; % -x^4+x^3-x^2+1
>> p+q % ERROR!!
??? Error using ==> plus
Matrix dimensions must agree.
-1 1 1 0 2
El producto y división de polinomios están implementados respectivamente en los coman-
dos conv y deconv
157
8.1 Polinomios y cálculo simbólico LECCIÓN IV
ans =
-2 2 -3 1 1 0 1
Bo
>> deconv(q,p)
ans=
-0.5000 0.5000 -0.2500
Ejercicio 8.1 Implementa una función que calcule la suma de dos polinomios, su producto,
cociente y resto según el siguiente prototipo
01 OPERACIONESPOL(P1,P2)
02
03 [S,R,C,P]= OPERACIONESPOL(P1,P2) S, R, C y P son la suma, resta
04 cociente y producto de P1 y P2
rra
(Ayuda: P1 y P2 deben ser de la misma longitud. ¿Qué hace la instrucción
p1=[zeros(1,length(p2)-length(p1)) p2]
cuando length(p2)>length(p1)? Comprueba que también es válida cuando length(p2)<length(p1).
¿Qué hace entonces?.)
El comando polyval se encarga de la evaluación de un polinomio:
>> p=[1 0 0 1 0 3]; %definimos el polinomio x^5+x^2+3
>> polyval(p,2) %evaluamos en x=2
ans =
do
39
ans =
5 39 255
Raı́ces de polinomios
Las raı́ces de un polinomio p son las soluciones de la ecuación p(x) = 0. El Teorema
r
Fundamental del Álgebra1 afirma que un polinomio de grado n tiene exactamente n raı́ces
en C (alguna puede estar repetida).
1
Demostrado por primera vez por Carl Friedrich Gauss en 1799 (a los 22 años) en su tesis doctoral.
Gauss ha salido repetidamente en estas lecciones y en campos muy distintos, desde las Matemáticas más
aplicadas a las más puras. Quizás ahora se comprenda mejor por qué recibió el sobrenombre de“prı́ncipe
de las Matemáticas”.
158
LECCIÓN IV Capı́tulo 8. Matlab: Cálculo simbólico y estructuras de datos.
En Matlab podemos utilizar roots para calcular de forma aproximada las raı́ces de un
polinomio:
-3.0000
2.5000
2.0000
ans =
ans =
1 -3/2 -17/2 15
p =
1 -8 19 -12
r
>> roots(p).’
ans =
4 3 1
159
8.1 Polinomios y cálculo simbólico LECCIÓN IV
En la segunda parte de esta lección nos centraremos en los métodos numéricos para el
cálculo de las raı́ces de estos polinomios2 .
160
LECCIÓN IV Capı́tulo 8. Matlab: Cálculo simbólico y estructuras de datos.
Al cálculo de los valores propios de una matriz volveremos en la segunda parte de esta
lección.
ans =
x^4+5*x^2+2+2*x^3
ans =
2*x^7+4*x^6+2*x^5+7*x^4-2*x^3-x^2-3
do
Observa con atención la primera instrucción. Con syms, declaramos x con una variable
simbólica y por tanto susceptible de entrar en expresiones y manipulaciones algebraicas.
Las órdenes anteriores pueden aplicarse sobre funciones cualesquiera, no necesaria-
mente polinómicas:
>> syms x y
>> expand(cos(x+y))
ans=
r
cos(x)*cos(y)-sin(x)*sin(y)
161
8.2 Procesador simbólico LECCIÓN IV
ans =
cos(x^2)-2*x^2*sin(x^2)
Bo
>> diff(x^4+x^2-1,3) %tercera derivada
ans =
-24*x^2*cos(x^2)-6*sin(x^2)+8*x^4*sin(x^2)
ans =
1/17*exp(x)*cos(4*x)+4/17*exp(x)*sin(4*x)
rra
>> int(exp(x)*cos(4*x),x,0,pi) %integral definida
ans =
1/17*exp(pi)-1/17
De forma similar se pueden calcular lı́mites (limit), sumar series (symsum),
>> sym k;
>> symsum(1/k^2,k,1,inf)
ans=
do
1/6*pi^2
hacer desarrollos de Taylor (taylor) o transformadas integrales como las de Fourier o
Laplace (fourier, ifourier, laplace e ilaplace)
Observa como los resultados son sı́mbolos y no números. En cualquier caso, el comando
vpa procede a evaluar con la precisión solicitada (si es posible)
>> vpa( 1/17*exp(pi)-1/17) % 32 cifras por defecto
ans=
1.3023936842811332237346277906909
r
>> vpa( 1/17*exp(pi)-1/17,64) % ahora con 64 cifras
ans=
1.3023936842811332237346277906908653676509857177734375000
162
LECCIÓN IV Capı́tulo 8. Matlab: Cálculo simbólico y estructuras de datos.
2 4
ans =
0
1
-5
Cuando el término independiente es cero puede omitirse:
>> solve(’x*log(x^2+4*x-4)’)
do
De forma análoga, dsolve busca las soluciones de ecuaciones y sistemas diferenciales:
>> dsolve(’D3y-D2y-2*Dy-cos(s)’,’s’) % y’’’-y’’-2y’-cos(s)=0
ans =
-3/10*sin(s)+1/10*cos(s)+C1+C2*exp(2*s)+C3*exp(-s)
-3/10*sin(s)+1/10*cos(s)+1/2+9/10*exp(2*s)-1/2*exp(-s)
Ejercicio 8.3 Utiliza solve para hallar las cuatro raı́ces de la ecuación de cuarto grado
x4 + ax3 + bx2 + cx + d.
163
8.3 Tensores LECCIÓN IV
Nota. Matlab es un programa más enfocado al cálculo numérico que al simbólico. Cier-
tamente los resultados son presentados de una forma que estéticamente no es comparable
a Mathematica o Maple. Sin embargo se puede acceder a cualquier instrucción de Maple
luego a priori todo lo que se puede hacer con este procesador se puede hacer con Matlab.
Para llamar a un comando de Maple se utiliza el comando maple, mientras que a la ayuda
correspondiente se accede con mhelp.
Bo
8.3. Tensores
Ya hemos hablado en múltiples ocasiones de la gran potencia que posee Matlab para
realizar cálculos matriciales8 y su habilidad en el manejo de grandes cantidades de memo-
ria. Estas habilidades se extienden a la manipulación de arrays multidimensionales, que
matemáticamente se puede identificar con tensores. Un tensor es simplemente una matriz
multidimensional, esto es, si una matriz se puede interpretar como una tabla de números,
un tensor (o array) tridimensional es simplemente un conjunto de números desplegados
en 3D en forma de paralelogramo. Ası́
rra
>> a=zeros(1,3,2)
a(:,:,1) =
0 0 0
a(:,:,2) =
0 0 0
define un array de una fila, tres columnas y dos alturas. Abandonaremos en lo que sigue
este sı́mil geométrico pues aporta poco. Se puede declarar un tensor simplemente dando
do
sus valores
a2 =
1 2 3
4 5 6
1 2 3
4 5 6
8
Recuerda Matlab = Matrix laboratory
164
LECCIÓN IV Capı́tulo 8. Matlab: Cálculo simbólico y estructuras de datos.
a2(:,:,2) =
7 8 9
10 11 12
Bo
>> size(a)
ans =
2 3 2
ans =
3
rra
Observa la diferencia
>> a1=a(1,:,:)
a1(:,:,1) =
1 2 3
a1(:,:,2) =
7 8 9
do
>> a2=a(:,1,:)
a2(:,:,1) =
1
4
a2(:,:,2) =
7
r
10
>> a3=a(:,:,1)
a3 =
165
8.3 Tensores LECCIÓN IV
1 2 3
4 5 6
Por tanto, de las variables que acabamos de definir únicamente a3 es una matriz propia-
mente dicha.
La forma de operar con tensores es básicamente la misma que con vectores y matrices.
Por ejemplo:
Bo
>> b=a+ones(2,3,2)
b(:,:,1) =
2 3 4
5 6 7
b(:,:,2) =
8 9 10
11 12 13
rra
>> b(:,2:3,2)=[-1 -2;-3 -4]
b(:,:,1) =
2 3 4
3 3 3
b(:,:,2) =
8 -1 -2
3 -3 -4
do
>> b(:)’ % como se guarda en memoria...
ans =
2 3 3 3 4 3 8 3 -1 -3 -2 -4
Ejemplo. Mediante las siguientes ordenes calculamos las cinco primeras potencias de
la matriz a y las almacenamos en una variable tridimensional b:
r
a=[1 2;3 4];
b(:,:,1)=a;
for i=2:5
b(:,:,i)=b(:,:,i-1)*a; %b(:,:,i) guarda a^i
end
166
LECCIÓN IV Capı́tulo 8. Matlab: Cálculo simbólico y estructuras de datos.
Las funciones que operan sobre escalares, tales como sin, cos, etc., funcionan con
tensores exactamente del mismo modo que con vectores o matrices, realizando las opera-
ciones elemento a elemento. Si se aplica una función de las que operan sobre los elementos
de un tensor como por ejemplo búsqueda de máximos o mı́nimos (max, min) o la suma y
producto (sum, prod), devuelve un tensor de una dimensión menos, resultado de realizar
la operación sobre la primera dimensión:
Bo
>> a=zeros(2,3,2);
>> a(:,:,1)=[1 2 8; 4 5 6]; a(:,:,2)=[6 2 14; 3 5 1]
a(:,:,1) =
1 2 8
4 5 6
a(:,:,2) =
rra
6 2 14
3 5 1
ans(:,:,1) =
4 5 8
ans(:,:,2) =
6 5 14
do
>> max(max(a)) % 1x1x2
ans(:,:,1) =
ans(:,:,2) =
14
r
>> max(max(max(a))) % 1x1x1, un numero
ans =
167
8.4 Vectores de celdas LECCIÓN IV
ans =
7
r
>> celda{4}([1 2 4], [2 1 1/2]) % funcion!!
ans =
168
LECCIÓN IV Capı́tulo 8. Matlab: Cálculo simbólico y estructuras de datos.
>> celldisp(celda)
celda{1} =
Bo
7
celda{2} =
1 2 3
4 5 6
celda{3} =
celda{4} =
rra
Inline function:
(x,y) = x+y
Ejercicio 8.4 Otra manera de agrupar distintos tipos de datos es utilizar estructuras (“struct”).
Una estructura es un tipo de dato del que luego se pueden asignar campos distintos. Por ejem-
plo, la estructura Libro podrı́a contener los campos Titulo y Autor que serı́an cadenas de
caracteres y A~noPublicacion y NumeroPaginas que serı́an números.
do
Utiliza la ayuda de Matlab para averiguar cómo pueden definirse estos tipos de datos
mediante la orden struct.
r
169
8.4 Vectores de celdas LECCIÓN IV
Bo
rra
do
r
170
Capı́tulo 9
Bo
Cálculo numérico de valores y
vectores propios.
9.1. Introducción
El estudio de los valores y vectores propios de una matriz surge ligado a una gran
rra
cantidad de problemas que se plantean en ámbitos de muy diversa ı́ndole, tales como la
Ingenierı́a, Fı́sica, Economı́a, Estadı́stica o Biologı́a. Algunos ejemplos los encontramos
en el cálculo de los modos de vibración de algunas estructuras, el estudio de la evolución
de sistemas dinámicos, compresión de datos, el análisis de redes (grafos),...
El problema que abordamos es el siguiente: dada una matriz A de tamaño n × n
queremos encontrar los escalares λ y vectores v 6= 0 que cumplan
Av = λv.
171
9.1 Introducción LECCIÓN IV
En vista de lo anterior se planteó el problema original: ¿son los valores y vectores propios
sensibles a pequeñas modificaciones de las entradas de la matriz?. Afortunadamente para
matrices simétricas se tiene la ansiada estabilidad: pequeñas variaciones en A, producto
Bo
por ejemplo de errores de medida o errores de redondeo, dan lugar a pequeñas modifica-
ciones en los valores propios1 . Para matrices arbitrarias este resultado dista mucho de ser
cierto, las condiciones para asegurar la estabilidad son más complicadas, y podemos en-
contrarnos con lo que en la terminologı́a habitual se denomina, matrices mal condicionadas
para el cálculo de valores propios.
Ejemplo Estas lı́neas muestran la sensibilidad de una matriz muy simple ante una
pequeña variación en una entrada.
>> roots(p).’
ans =
>> roots(q).’
ans=
Ejercicio 9.1 Repite el ejemplo anterior con diferentes matrices simétricas y observa como
el resultado es más estable.
1
Probado por primera vez por Hermann Weyl en 1911 en un área totalmente distinta.
172
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Nota. Éste y otros detalles no eran conocidos en los inicios del cálculo cientı́fico. James
Hardy Wilkinson relata la siguiente anécdota2 . Cuando estaba programando en uno de los
primeros ordenadores electrónicos el método de Newton para la resolución de ecuaciones
no lineales, decidió testarlo con el siguiente polinomio
(x − 20)(x − 19) · · · (x − 1).
Bo
El método fallaba de forma reiterada, a pesar de las sucesivas revisiones del código, hasta
que Wilkinson cayó en la cuenta de que el error no radicaba en su programa sino que
las raı́ces eran tan sensibles numéricamente que se veı́an afectadas por los errores de
redondeo. Wilkinson demostró que al cambiar el coeficiente de x19 en p, que es −210,
por −210 − 2−23 , las raı́ces 16 y 17 se transforman3 en el par complejo 16.73 ±2.81i.
El polinomio en cuestión pasó a la historia del Numérico con el nombre de “el pérfido
polinomio de Wilkinson”.
173
9.3 Método de potencias LECCIÓN IV
Teorema 9.1 Si A es simétrica, existe Q ortogonal tal que Q> AQ = D con D diagonal con
los valores propios de A. En particular, los valores propios de una matriz simétrica son todos
reales.
En las Secciones 9.4 y 9.5 de esta lección se estudiarán dos métodos basados en trans-
formaciones de semejanza (producto por matrices ortogonales) que tratan de llevar una
Bo
matriz simétrica a una forma diagonal como forma de calcular los valores propios. Estos
métodos se pueden adaptar, con más o menos éxito, a matrices arbitrarias llevando en
este caso la matriz a una forma triangular o cuasitriangular.
Supongamos además que tenemos una base formada por vectores propios, esto es pode-
mos tomar {vi }ni=1 vectores propios linealmente independientes (la matriz A es por tanto
diagonalizable). Entonces, cualquier vector x0 puede escribirse en la forma
n
X
x0 = αi vi
do
i=1
Entonces, si α1 6= 0 y m es grande
xm := Am x0 ≈ λm
1 α1 v1 ,
r
es decir, xm tiende a apuntar en la dirección del vector propio asociado al valor propio
de mayor módulo (en el lenguaje habitual se habla del valor propio dominante). El valor
propio λ1 se puede calcular, entre otras posibilidades, mediante el conocido cociente de
Rayleigh:
(m) x> Axm x> xm+1
λ1 := m 2 = m 2 ≈ λ1 .
kxm k kxm k
174
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Método de potencias
01 x0 6= 0 vector inicial
rra
x0
02 y0 =
kx0 k2
03 for m=1:mmax
04 xm = Aym−1
>
05 λ(m) = ym−1 xm
xm
06 ym =
kxm k2
07 if kym − ym−1 k2 < eps
08 return
09 end
10 end
do
La lı́nea 06 es simplemente el cociente de Rayleigh que, como la norma escogida para
normalizar es la euclı́dea, adopta esta expresión más sencilla.
Hemos elegido como criterio de parada la diferencia entre dos vectores consecutivos.
Otra posible elección es
|λ(m) − λ(m−1) | < eps |λ(m) |.
01 %POTENCIAS
02 %
03 %LB=POTENCIAS(A) Devuelve en LB una aproximacion del
175
9.3 Método de potencias LECCIÓN IV
176
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Nota. Cuando no se conoce una aproximación del vector propio asociado al valor propio
dominante, se suele iniciar el algoritmo partiendo de un vector generado aleatoriamente.
Podrı́a ocurrir que para el vector inicial α1 = 0, pero la probabilidad de que se dé este
problema es (prácticamente) nula. En este caso, si |λ2 | > |λ3 |, salvo por errores de re-
dondeo4 , el método proporcionará el valor propio subdominante λ2 y su vector propio
asociado normalizado.
rra
No es necesario que la matriz sea diagonalizable para que el método de potencias
converja. Tampoco que el subespacio asociado al valor propio dominante esté generado
por un único vector. En este caso, que sólo puede darse si λ1 es un valor propio repetido, el
método puede converger a distintos vectores propios normalizados dependiendo del vector
inicial considerado.
Si |λ1 | = |λ2 |, es decir, λ1 = ±λ2 ó λ1 y λ2 son números complejos conjugados, entonces
el método de potencias falla.
2. Sabiendo que v1 = (−24, 26, −9, 1)> y v2 = (−12, 19, −8, 1)> son vectores propios
asociados a los valores propios 1 y 2 respectivamente, ¿qué crees que ocurrirá si se toma
como vector inicial v1 − 3v2 = (12, −31, 15, −2)> ?
r
3. Observa para distintas tolerancias la diferencia entre partir del vector del apartado an-
terior y de (12, −31, 15, −2.0001)> .
4
El efecto de los errores de redondeo se traduce en una componente no nula en la dirección de v1 ,
incluso aunque el vector inicial no la tuviese. Se podrı́a decir que éste es uno de los pocos casos en los
que los errores de redondeo nos pueden ayudar.
177
9.3 Método de potencias LECCIÓN IV
Ejercicio 9.5 En este ejercicio vamos a comprobar que el cálculo de los valores propios
utilizando el polinomio caracterı́stico no es el camino correcto. Teclea las instrucciones en un
fichero script
n=50;
d=1/n:1/n:1; [q,r]=qr(rand(n));
Bo
a=q’*d*q;
En a tenemos una matriz simétrica con valores propios5 {0.02, 0.04, 006, . . . , 1}. Se trata de
que apliques potencias para calcular el valor propio dominante y compares el resultado con el
que obtienes al calcular las raı́ces del polinomio caracterı́stico.
Compara los resultados. Cambia el valor de n y observa el efecto que tiene en matrices
cada vez más grandes.
Axm = ym−1 .
Disponemos para ello de una galerı́a amplia de métodos vistos en las Lecciones I y II.
Notemos además que en cada iteración se tiene que resolver un sistema cuya matriz
es siempre la misma, ası́ que si optamos por un método directo podemos calcular la
do
factorización LU una única vez, fuera del bucle for (lı́neas 03--10), y resolver de forma
reiterada los dos sistemas triangulares. Si por contra se opta por un método iterativo,
podemos arrancar el esquema utilizando xm−1 , la aproximación del vector propio calculada
en la iteración anterior.
Ejercicio 9.6 Programa a partir del Ejercicio 9.2 el algoritmo de la potencia inversa.
A − αI
5
El comando qr descompone A = QR con Q ortogonal y R triangular. Por tanto los valores propios
de Q> AQ coinciden con los de A. La Sección 9.5.1 está dedicada al cálculo de esta descomposición.
6
Recuerda que invertir una matriz para multiplicarla posteriormente por un vector es mucho más
costoso que resolver el sistema correspondiente.
178
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
donde α es una constante conocida, podemos obtener el valor propio de A más alejado
de α. Más interesante desde el punto de vista práctico es aplicar el método de potencias
a (A − αI)−1 , que nos proporcionará el valor propio de A más próximo a α.
Ejercicio 9.7 Modifica el programa del Ejercicio 9.6 para implementar el método de poten-
Bo
cias desplazado. Los argumentos obligatorios de entrada serán ahora A y alpha.
Comentarios finales
179
9.4 Método de Jacobi LECCIÓN IV
forma
1
..
.
cos α sin α ← fila p
1
Rpq (α) = ..
.
Bo
1
− sin α cos α ← fila q
...
1
↑ ↑
(9.2)
col. p col. q
Es fácil ver que son ortogonales, es decir, Rpq (α)−1 = Rpq (α)> .
Mediante
>
A1 := Rpq ARpq
rra
(p, q y α adecuados) vamos a anular el mayor elemento extradiagonal de A. Esta operación
(1)
sólo afecta a las filas y columnas p, q de A. Concretamente, si denotamos por aij las
entradas de A1 ,
a(1)
pq = (aqq − app ) cos α sen α + apq (cos2 α − sen2 α) =
1
= (aqq − app ) sen(2α) + apq cos(2α).
2
Por tanto, el ángulo α debe tomarse de modo que
cos(2α) = 0,
si aqq = app ,
2apq
do
tan(2α) =
, en caso contrario.
aqq − app
entonces
1 t
cos α = √ , sen α = √ .
t2 + 1 t2 + 1
r
Cuando aqq = app tomamos
1 −sign(aqq )
cos α = √ , sen αm = √ .
2 2
7
sign (z) es el signo de z, −1 si z es negativo, 1 en caso contrario.
180
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Además, definiendo Qm := Rp1 q1 (α1 )Rp2 q2 (α2 ) . . . Rpm qm (αm ), donde Rpk ,qk es la matriz
utilizada en el paso k−ésimo
Q−1
m AQm = Am −→ D.
Por tanto, las columnas de Qm son las aproximaciones (ortonormales) de los vectores
propios correspondientes.
El siguiente teorema prueba la convergencia de este método. Para ello necesitamos la
rra
llamada norma de Frobenius8
n
hX i1/2
2
kAkF := |ai,j |
i,j=1
El resultado dice en primer lugar que la norma de Frobenius de una matriz no cambia
cuando se multiplica a izquierda y derecha por las matrices Rpq (α), una de ellas traspuesta.
De hecho se preserva cuando se multiplica, a izquierda y derecha, por matrices ortogonales
do
arbitrarias. El segundo resultado dice algo más: el peso de los elementos extradiagonales
disminuye en cada paso según el elemento cancelado. Esto asegura la convergencia del
proceso hasta obtener una matriz diagonal.
En la práctica, el proceso se interrumpe cuando los elementos que están fuera de la
diagonal son suficientemente pequeños. En concreto, se suele tomar el siguiente criterio
de parada
n
!1/2
X (m)
|a(m)
pm qm | < eps |aii |2 .
i=1
r
Fı́jate que las matrices Am y Am+1 sólo difieren en las filas y columnas pm y qm . A
efectos prácticos no será necesario formar las matrices de rotación ya que basta conocer
los valores de cos αm y de sen αm para construir Am+1 a partir de Am .
181
9.4 Método de Jacobi LECCIÓN IV
Solución. La parte central del programa se puede implementar con las siguientes lı́neas
01 % JACOBI
02 %
03 % D=JACOBI(A) Aplica el metodo de Jacobi a A y devuelve
04 % en D los valores propios; A debe ser
05 % simetrica
Bo
06 %
07 % [D,Q]= JACOBI(A) Q es ortogonal con Q’A Q=D
08 %
09 % [D,Q,NITER]= JACOBI(A) NITER Numero de iteraciones calculadas
10 %
11 % D=JACOBI(A,NMAX) NMAX numero maximo de iteraciones
12 %
13 % D=JACOBI(A,NMAX) NMAX numero maximo de iteraciones
14 %
11 % D=JACOBI(A,NMAX,EPS) EPS es el criterio de parada
12
13 function [d,Q,m]= jacobi(a,varargin)
rra
14
15 n=length(a);
16 if nargin>1 & ~isempty(varargin{1})
17 mmax=varargin{1};
18 else
19 mmax=n^2;
20 end
21
22 if nargin>2 & ~isempty(varargin{2})
23 eps=varargin{2};
24 else
25 eps=1e-5;
do
26 end
27
28 Q=eye(n);
29 for m=1:mmax
30 d=diag(a);
31 %Calculo del mayor elemento extradiagonal
32 [max1,p]=max(abs(a-diag(d)));
33 [max2,q]=max(max1);
34 p=p(q);
35 if max2<eps*norm(d)
r
36 return % convergencia
37 end
38 %calculo sen y cos
39 if abs(a(q,q)-a(p,p))<eps
40 c=1/sqrt(2);
41 s=-c*sign(a(p,q));
182
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
42 else
43 theta=(a(q,q)-a(p,p))/(2*a(p,q));
44 t=sign(theta)/(abs(theta)+sqrt(theta^2+1));
45 c=1/sqrt(t^2+1);
46 s=c*t;
47 end
Bo
48 r=[c s ;-s c];
49 %La rotacion solo afecta a las filas y col. p y q
50 a([p q],:)=r’*a([p q],:);
51 a(:,[p q])=a(:,[p q])*r;
52 Q(:,[p q])=Q(:,[p q])*r; % guardamos Q
53 end
54 disp(’numero maximo de iteraciones sobrepasado’);
55 return
Observa bien las lı́neas 32-33 que sirven para encontrar la posición del máximo elemento
extradiagonal.
rra
9.4.2. Variantes del método de Jacobi
Aunque el método de Jacobi ofrece la posibilidad de calcular de forma rápida todos
los valores propios, tiene una convergencia lenta incluso para matrices de tamaño mod-
erado. Vamos a introducir algunas mejoras desde el punto de vista computacional, que
no matemático. Concretamente vamos a realizar una pequeña modificación que aunque
eleva el número de iteraciones necesarias para converger (peor desde el punto de vista
matemático) cada iteración se ejecuta en menos tiempo, de forma que al final se consigue
reducir el tiempo de cálculo (mejora computacional).
Para ello vamos a identificar primero dónde se nos va el tiempo de cálculo. Con este
fin utilizaremos una de las herramientas más útiles en Matlab: profile.
do
Comenzamos creando una matriz simétrica de tamaño moderado:
>> profile on
Ahora Matlab va a llevar un control sobre el tiempo que consume cada lı́nea de código9 .
A continuación ejecuta el programa jacobi para a con un número máximo de iteraciones
r
suficientemente alto de forma que asegures convergencia. La instrucción
despliega un informe donde puedes ver el tiempo que ha consumido cada parte del pro-
grama. Se observa claramente que las lı́neas más costosas son aquéllas empleadas en la
búsqueda del máximo elemento extradiagonal (observa la Figura 9.1). Es precisamente
183
9.4 Método de Jacobi LECCIÓN IV
Parent functions:
none
rra
Child functions:
none
99% of the total time in this function was spent on the following lines:
51: end
0.10819591 1% 52: r0=[c s ;-s c];
53: %La rotacion solo afecta a las filas y col. p y q
0.31000000 2% 54: a([p q],:)=r0'*a([p q],:);
0.12000000 1% 55: a(:,[p q])=a(:,[p q])*r0;
0.17000000 1% 56: r(:,[p q])=r(:,[p q])*r0; % guardamos r
r
0.05000000 0% 57: end
184
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
en estas lı́neas donde debemos proponer nuestra mejora, reemplazando la búsqueda por
algún proceso más económico.
La variante que proponemos es la siguiente: recorreremos uno por uno todos los el-
ementos situados debajo de la diagonal (como la matriz es simétrica esto es suficiente).
Si el tamaño de un elemento es pequeño, no hacemos nada y pasamos al siguiente. Si es
grande, se procede anularlo. Para dilucidar si es grande o pequeño compararı́amos con
Bo
el tamaño de la diagonal de forma semejante a como se hace en el programa original
(lı́nea 09). Una vez recorridos todos los elementos, esto es, una vez realizado un barrido
en la terminologı́a habitual, volvemos a empezar. Cada cierto número de iteraciones, por
ejemplo tras cada barrido, podemos medir el tamaño de los elementos extradiagonales que
quedan para ver si se da por finalizada la ejecución del programa. Si comprobamos que
hay todavı́a elementos diagonales muy grandes, empezamos de nuevo.
Nota. La instrucción profile es muy útil a la hora de depurar código dado que permite
rra
controlar qué partes del programa vale la pena optimizar y cuáles no. La instrucción tiene
varios argumentos opcionales y comandos relacionados que puedes consultar en la ayuda.
Los comandos tic y toc son más simples pero proporcionan menos información. El
primero activa el reloj y el segundo nos informa sobre el tiempo trascurrido desde que se
ejecutó tic.
Para una matriz simétrica el algoritmo converge prácticamente en todos los casos a una
matriz diagonal con los valores propios. Más adelante detallaremos el algoritmo y cómo se
9
Tener activada esta opción resta algo de velocidad a los programas puesto que parte de Matlab
está ocupada en autorevisarse. Con profile off desconectas este control.
185
9.5 Método QR de Francis LECCIÓN IV
puede mejorar su implementación. En cualquier caso queda claro que antes de entrar en
materia debemos hablar con algo de profundidad de la descomposición QR de una matriz.
Ejercicio 9.10 Probar que todas las matrices Am son semejantes y por tanto comparten los
mismos valores propios.
Bo
9.5.1. Factorización QR
Quizás la forma más sencilla de calcular la descomposición es aquélla ligada al algo-
ritmo de Gram-Schmidt. Este algoritmo, uno de los clásicos en Álgebra Lineal, se utiliza
para hallar una base ortogonal de un subespacio partir de una base (o sistema generador)
dada. Las operaciones, una vez reescritas adecuadamente se pueden expresar de la forma
A = QR
donde las columnas de A son los vectores originales, las colunas de Q son los vectores
ortonormales que generan el mismo subespacio que los vectores columna de A y R es una
matriz triangular superior que indica cómo se transforma la base original en la nueva base
ortonormal. La descomposición tiene sentido para matrices rectangulares y en este caso
las dimensiones de A y Q coinciden (si A, es m × n, también lo es Q y R es n × n).
rra
Este algoritmo es, sin embargo, muy inestable numéricamente y rara vez se utiliza en
la práctica10 .
Existen caminos distintos que nos conducen a la descomposición QR. Los dos métodos
más utilizados se basan en transformar la matriz original en una triangular superior mul-
tiplicando a izquierda por matrices ortogonales, ya sean rotaciones como las que aparecen
en el algoritmo de Jacobi (matrices de Givens), o matrices (reflexiones) de Householder.
186
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
187
9.5 Método QR de Francis LECCIÓN IV
188
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Notemos que las matrices Rpq (α)A y A sólo difieren en las filas p y q.
El método consistirá entonces en ir transformado la matriz original (de tamaño n) en
una matriz triangular superior del siguiente modo: en primer lugar se hacen ceros en las
posiciones de la primera columna por debajo del elemento de la diagonal multiplicando
por n − 1 matrices como (9.2), de modo que
∗ ∗ ... ∗
0 ∗ ... ∗
A1 := R1n (α1n ) . . . R13 (α13 )R12 (α12 ) A = .. .. .. .
| {z } . . .
Q1 0 ∗ ... ∗
rra
Obviamente Q1 es una matriz ortogonal por ser producto de matrices ortogonales. En el
siguiente paso haremos ceros en la segunda columna por debajo de la diagonal y ası́ suce-
sivamente. Fı́jate que los elementos nulos de las columnas anteriores se preservan en los
sucesivos pasos.
01 % QRGIVENS
02 %
03 % [Q,R]=QRGIVENS(A) Calcula Q ortogonal y R triangular
do
04 % superior cumpliendo A=QR
05 %
06 % Utiliza el algoritmo basado en matrices de Givens
07 %
08
09
10 function [q,r]=QRGivens(a)
11 n=length(a);
12 q=eye(n);
13
r
14
15 for j=1:n-1
16 for i=j+1:n
17 if a(i,j)~=0
18 aux=sqrt(a(j,j)^2+a(i,j)^2);
19 c=a(j,j)/aux;
189
9.5 Método QR de Francis LECCIÓN IV
20 s=-a(i,j)/aux;
21 Rot=[c s; -s c];
22 %solo cambian las filas i y j
23 a([i j],:)=Rot*a([i j],:);
24 q([i j],:)=Rot*q([i j],:);
25 end
Bo
26 end
27 end
28 q=q’;
29 r=a;
30 return
>> a=rand(4);
>> [q,r]=qr(a)
q =
do
-0.3685 0.7147 -0.2407 -0.5436
-0.7715 -0.4099 0.4388 -0.2102
-0.3858 -0.2967 -0.8391 0.2429
-0.3466 0.4829 0.2131 0.7754
r =
>> a=rand(3,2);
>> [q2,r2]=qr(a)
190
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
q2 =
-1.3726 -0.7532
0 0.5993
0 0
A> Ax = A> b.
191
9.5 Método QR de Francis LECCIÓN IV
Método QR de Francis
A = A1 matriz inicial
for k=1:mmax
Descomponer Ak = Qk Rk
Calcular Ak+1 := Rk Qk
do
Dk+1 =diag(Ak+1 )
Xn−1 Xn n
X
(k+1) 2 (k+1)
if ( |aij | < eps |aii |2 )
j=1 i=j+1 i=1
return
end
end
192
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Ejercicio 9.19 ¿Qué modificación harı́as del algoritmo anterior para que también devolviera
los vectores propios?.
Los valores propios de A son exactamente los valores propios de estos bloques 2 × 2.
De hecho cada par de valores propios complejos conjugados genera un bloque Dj de
orden 2. En particular, si la matriz tiene únicamente valores propios reales, la matriz T
rra
es triangular. Si trabajamos con aritmética compleja entonces la matriz T es triangular
superior. Éste es el conocido Teorema de Schur.
Ejercicio 9.21 Adapta el método QR a matrices no simétricas. Observa que deberás cambiar
el criterio de parada.
es decir, si todos los elementos por debajo de la subdiagonal principal son nulos.
Toda matriz se puede llevar a forma de Hessemberg mediante producto a izquierda y
derecha por matrices ortogonales. Si además la matriz original es simétrica, la matriz de
Hessenberg correspondiente es de hecho tridiagonal simétrica.
193
9.5 Método QR de Francis LECCIÓN IV
Trabajar sobre una matriz de Hessemberg tiene importantes ventajas. En primer lugar,
la factorización QR es mucho más económica: si utilizamos matrices de Givens únicamente
debemos preocuparnos de cancelar los elementos situados en la subdiagonal inferior. Es
más, si H es Hessemberg (respectivamente tridiagonal simétrica), y H = QR, entonces la
matriz RQ es de nuevo de Hessemberg (respectivamente tridiagonal simétrica). En el caso
de matrices tridiagonales hay claramente una reducción en las necesidades de memoria
Bo
del método pues sólo requerimos guardar tres diagonales de la matriz durante todo el
proceso.
El método QR no se programa en la práctica tal como lo hemos presentado. Se recurre
a dos tipos de estrategias que aceleran enormemente la velocidad de convergencia. La
primera es la traslación. Utilizando la notación de la Sección 9.5.2, se tratarı́a de en
lugar de factorizar la matriz Am , descomponer
Am − αm I = Qm Rm ,
b>
α
A= ,
c A1
r
donde b y c son vectores columna de n − 1 componentes y A1 es (n − 1) × (n − 1).
Tomemos H1 una matriz de Householder n − 1 × n − 1, que especificaremos más adelante,
y construyamos
1 0
H := .
0 H1
194
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Entonces
b> H 1
β
HAH = .
H1 c H 1 A1 H 1
Si H1 se toma ahora de forma que H1 c = αe1 , se consigue cancelar todos los elementos
de la primera columna situados por debajo de la subdiagonal inferior. Es más, si A es
Bo
simétrica, b = c y por tanto en la primera fila de HAH sólo los dos primeros elementos
son no nulos.
A continuación se procede a trabajar con la matriz H1 A1 H1 de forma similar a como
se hizo en la Sección 9.5.1.
Nota. En Matlab la función hess reduce una matriz a forma de Hessenberg. Puede
utilizarse de las siguientes maneras:
rra
9.6. Valores y vectores propios en Matlab
Para determinar todos los valores y vectores propios de una matriz podemos utilizar
el comando eig. Esta función es de hecho una compilación de funciones que se aplican
dependiendo de la forma de la matriz. Este comando también sirve para resolver el prob-
lema de valores propios generalizados: dadas dos matrices cuadradas A y B encontrar
escalares λ y vectores v 6= 0 tales que
Av = λBv.
P > AQ = D,
13
Puede resultar extraño, pero en muchas aplicaciones prácticas es más fácil hallar el producto de un
vector por la matriz que construirla explı́citamente.
14
La descomposición QR destroza la estructura sparse de una matriz.
195
9.7 Notas históricas LECCIÓN IV
donde D es una matriz diagonal con elementos no negativos. Las entradas de D son los
valores singulares, mientras que las columnas de P y Q contienen los vectores singulares
asociados. Esta descomposición existe aún cuando A es rectangular. El comando que cal-
cula esta descomposición en Matlab es svd. El algoritmo más utilizado para este problema
es una variante del método QR conocido como Algoritmo de Golub-Kaham.
Bo
9.7. Notas históricas15
El problema del cálculo numérico de los valores propios de una matriz puede remon-
tarse a los trabajos de Carl Jacobi quien utilizó el método del mismo nombre en 1846.
No existe un origen claro del método de potencias, sino que parece haber surgido
de forma simultánea en diversos ambientes. El método de la potencia desplazada fue
introducido por Helmut Wielandt en 1944, quien sugirió también algunas técnicas de
deflacción para, combinadas con el método de potencias, obtener varios valores propios
de la matriz.
En 1958, Heinz Rutishause propuso un precursor del método QR, el método LU. El
método descomponı́a la matriz en la forma LU , para posteriormente construir U L. Se
rra
trataba de aplicar de forma simultánea el método de potencias y para evitar que to-
das las direcciones degeneran hacia la dirección dominante, se hacı́a una descomposición
LU que aseguraba la independencia de los vectores. Desgraciadamente, el método era
inestable numéricamente salvo para algunos casos particulares. J. G. F. Francis y V. N.
Kublanovskaya propusieron independientemente en 1961 reemplazar la descomposición
LU por la QR dando origen al método que hemos visto. El trabajo de Francis era más
completo y sugerı́a ya de hecho la reducción a forma de Hessenberg, la deflación y estrate-
gias de desplazamiento.
El cálculo estable de la descomposición QR tuvo que esperar a los años 1950, cuando
Wallace Givens y Alstom S. Householder propusieron sus métodos en 1954 y 1958 re-
spectivamente. Householder también en 1958 y Wilkinson en 1960 estudiaron los aspectos
numéricos de la reducción de una matriz a su forma de Hessenberg.
do
9.8. Google16
Google17 ha pasado a ser en su corta vida uno de los referentes mundiales de Internet.
Su sistema de búsqueda de páginas en la red ofrece en general unos resultados bastante
precisos. Una de las claves de su sistema es su método de evaluación de las páginas,
denominado Pageranktm . Este sistema evalúa las páginas web según el número de enlaces
que permiten llegar a ella.
r
15
Las fuentes de esta sección se han obtenido principalmente del artı́culo Eigenvalue computation in
the 20th Century (Gene H. Golub y Henk A. van der Vorst, publicado en Journal of Computational and
Applied Mathematics 123 y Matrix Algorithms Volume II: Eigensystems, de G.W. Stewart.
16
Este capı́tulo se ha extraı́do esencialmente del libro Numerical Computing de Cleve Moler, disponible
en http://www.mathworks.com/moler/
17
Por si algún despistado todavı́a no conoce su dirección electrónica, visı́tese http://www.google.es,
http://www.google.com y muchos más...
196
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Bo
Figura 9.2: Una web muy sencilla.
donde
gij = 1, si llegamos a i desde j.
De forma natural G es sparse, puesto que con n páginas uno puede esperar que el número
r
de enlaces sea del orden de O(n) (esto es, proporcional al número de páginas) y no del
orden O(n2 ) que se corresponderı́a con una matriz llena.
Sea
n
X
cj = gij (número de enlaces que salen de j).
i=1
197
9.8 Google LECCIÓN IV
gij 1−p
p +
cj n }
| {z
|{z}
Siguiendo un enlace desde j Tecleando la dirección
Bo
Esta información se puede recoger en la matriz A de tamaño n × n cuyas componentes
vienen dadas por
gij 1 − p
aij = p + .
cj n
Esta matriz no es sparse, pero se puede escribir
e + 1 − p en e>
pG n
n
donde geij = gij /cj y en es la matriz columna 1 × n
>
en = 1 1 ··· 1 .
rra
De esta forma se puede almacenar la matriz A sin necesidad de requerir grandes cantidades
de memoria. Es más, el producto por cualquier vector se puede calcular con
e + 1 − p en e> x = p G
Ax = p Gx x./c +
1−p
(en · x) en .
n
n |{z} n | {z }
Div. elem. a elem. Prod. escalar
(0)
Si denotamos por xj la probabilidad de estar en la página web j en un instante inicial,
entonces la probabilidad de llegar a la página web i en el paso primero es
n
X (0) (1)
aij xj =: xi
do
j=1
y por tanto
(1) (0)
x1 a11 a12 · · · a1n x1
(1) (0)
x2 a21 a22 · · · a2n x2
= = Ax0 .
··· .................. ···
(1)
xn an1 an2 · · · ann (0)
xn
De esta forma, denotando por
(m) (m) >
xm = (x1 , x2 , . . . , x(m)
r
n )
198
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
El resultado dice, en palabras llanas, que la probabilidad de que estemos en una página
web (esto es, x), después de navegar una cantidad suficiente de tiempo18 es independiente
de cómo hemos empezado (es decir, de x0 ). Matemáticamente hablando, dice que existe
un único vector propio asociado al valor propio 1 de componentes positivas con kxk1 = 1
y que además la sucesión xm converge a x independientemente del vector inicial escogido.
Observa que la sucesión de vectores xm son el resultado de aplicar el método de potencias
a la matriz A (sin normalizar respecto de k · k2 ) y que por su forma particular19 siempre
que se parta de un vector inicial cumpliendo los requisitos de la proposición tendremos
que xm ≥ 0 y kxm k1 = 1.
rra
Aquı́ vemos una forma completamente directa de programar este cálculo
01 % PAGERANK(G)
02 %
03 % PAGERANK(G) Calcula el indice de impacto de una WEB dada
04 % por el grafo G
05 % El grafo tiene que ser conexo, es decir, no puede haber nodos
06 % separados del resto
07
08 function y=pagerank(g)
09
10 p=0.85; % probabilidad de llegar a traves de un enlace
do
11 eps=0.0001; % criterio de parada
12 nmax=1000; % numero maximo de iteraciones
13 n=length(g);
14 x=1/n*ones(n,1); % vector inicial
15 for j=1:nmax
16 y=producto(g,x,p);
17 if norm(x-y)<eps
18 disp(’convergencia’)
19 return
20 end
r
21 x=y;
22 x=x/sum(x);
23 end
18
Ciertamente, podrı́amos tener que dedicar muchas horas...
19
La matriz A cumple que todas sus entradas son positivas y que la suma de los elementos de cada fila
es 1. Una matriz de esta forma se denomina matriz de Markov. Teóricamente se sabe que el valor propio
dominante de estas matrices es siempre 1.
199
9.8 Google LECCIÓN IV
24 disp(’Convergencia no alcanzada’)
25 return
26
27 % Y= PRODUCTO(G,X,P)
28 % calcula el producto a*x
29 % notese que la matriz no llega a construirse
Bo
30
31 function y=producto(g,x,p)
32 c=sum(g);
33 c=c(:);
34 x=x(:);
35 n=length(x);
36 en=ones(n,1);
37 y=p*g*(x./c)+(1-p)/n*en*(en’*x);
38 return
Nota. Aplicando la función pagerank al ejemplo de la Figura 9.2, obtenemos este re-
sultado
rra
x = [0.1370 0.2806 0.2636 0.1370 0.1181 0.0638]>
Por orden de preferencia nos encontramos los nodos
2, 3, 1 y 4, 5, 6.
A pesar de que el nodo 3 sólo se enlaza a través del 2, la importancia de este nodo influye
en su buena puntuación.
En problemas reales, las matrices son enormes, en Febrero de 2006 google habı́a cat-
alogado 9.680.000.000 páginas20 . Después de la evaluación hay que hacer un filtrado de
acuerdo a las palabras clave con las que se hace la búsqueda.
Es posible hacer subir la evaluación de una página mediante la creación de páginas web
que se enlacen entre ellas y especialmente sobre una. Este tipo de técnicas, denominada
google bombing ha sido utilizado reiteradas veces por objetivos de diversa naturaleza,
do
económicos, polı́ticos, de protesta.... Los algoritmos del buscador tratan de detectar este
tipo de trampas y reconstruir la evaluación para que sea más imparcial.
Nota histórica
Google fue fundado en 1995 por Sergey Brin y y Larry Page, el primero ingeniero
eléctrico y el segundo licenciado en matemáticas y que contaban entonces con 23 y 24
años. El nombre proviene del número 10100 que, aunque no oficialmente, se llama Googol21
El ambiente desenfadado y el origen matemático del buscador tuvo un curioso reflejo
en la primera oferta pública de acciones que tuvo lugar a principios del 2004. Brin y Page
r
sacaron al mercado una participación de la compañı́a cuyo valor era 2.718.281.828$, el
número e con 10 cifras decimales22 .
20
Basta hacer la búsqueda de una palabra inexistente precedida de un “-” para obtener el número de
páginas catalogadas.
21
Ası́ lo denomino el matemático Edward Kasner. En inglés existe la palabra goggles que son unas gafas
de natación (?).
22
Muy pocos se dieron cuenta de este “guiño”. Se hizo de nuevo palpable la escasa cultura cientı́fica
200
LECCIÓN IV Capı́tulo 9. Cálculo numérico de valores y vectores propios.
Bo
rra
do
r
en general y matemática en particular del mundo periodı́stico.
201
9.8 Google LECCIÓN IV
Bo
rra
do
r
202
Bo
Lección V
rra
Salidas gráficas en Matlab. Interpolación
do
r
203
r
do
rra
Bo
Introducción
Bo
...but it had no pictures or conversations in it,
“and what is the use of a book,” thought Alice
“without pictures or conversation?”
Primer nivel
El primer comando que trataremos es plot. Es una instrucción muy versátil y la más
do
indicada para dibujar gráficas de funciones y curvas en el plano. Su sintaxis básica es
>> plot(x,y)
que dibuja el vector y versus el vector x. Más en concreto une los puntos (x(i), y(i))
mediante segmentos. Tomando un número suficientemente elevado de puntos trazamos
con ello una gráfica suave, sin esquinas visibles.
Al ejecutar este comando se abre una ventana, figure en el vocabulario de Matlab,
donde se traza la correspondiente figura.
Si y es real, plot(y) toma x=1:n donde n es la longitud de y. Si, por otro lado, y es
un vector de números complejos, dibuja la parte imaginaria versus la parte real. Es decir,
r
es equivalente a plot(real(y),imag(y)).
Ejercicio 10.1 ¿Qué hacen las siguientes lı́neas de código?
>> clear i
>> t=linspace(0,2*pi,9);
>> plot(exp(i*t));
207
10.1 Dibujos bidimensionales LECCIÓN V
Bo
rra
Figura 10.1: Ventana gráfica.
¿Te parece natural? ¿Qué observas con la escala? ¿Qué sucede si se ejecuta axis equal?.
¿Como dibujarı́as una circunferencia?.
Segundo nivel
El comando además acepta una serie de argumentos que, entre otras cosas, permiten
do
controlar el color, el tipo de marcas sobre los puntos (x(i), y(i)) y el formato de las
lı́neas que los unen. Ası́, en su aspecto más general,
plot(x,y,S)
208
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
La primera columna especifica el color utilizado, la segunda la marca sobre cada punto y
Bo
la tercera el patrón que siguen las lı́neas utilizadas para unir los puntos.
Por ejemplo el siguiente fichero script
x=linspace(0,4,100);
y=exp(-x).*cos(2*pi*x);
figure(1); plot(x,y,’.’)
figure(2); plot(x,y,’r-.’)
figure(3); plot(x,y,’sm--’)
figure(4); plot(x,y,’hg’)
figure(5); plot(x,y,’kv:’)
>> plot(x1,y1,x2,y2,x3,y3,x4,y4)
mediante el cual dibujaremos y1 vs. x1, y2 vs. x2, etc., o si queremos dar un formato
personalizado a cada dibujo podemos usar
do
>> plot(x1,y1,’r-’,x2,y2,’b:’,x3,y3,’m-.’,x4,y4,’k--’)
Esta opción es más versátil dado que permite superponer gráficas construidas con
diferentes comandos. La superposición se desconecta con hold off, de forma que
un nuevo dibujo borrará los anteriores.
2
Se asignan distintos colores a cada una de las gráficas de forma automática.
209
10.1 Dibujos bidimensionales LECCIÓN V
Bo
rra
Figura 10.2: Ventana gráfica.
Tercer nivel
Ya en un tercer nivel, se pueden acceder a detalles concretos del dibujo, como el tamaño
y color de las marcas, la anchura de la lı́nea, etc. Las diferentes opciones llevan nombres
nemotécnicos que facilitan su memorización3 . Destacamos entre las más importantes
do
color: color de la lı́nea.
210
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
el estándar RGB4 .
Por ejemplo
>>x=0.01:0.2:2; y=sin(x)./x;
>>plot(x,y,’o-.’,’color’,[0.2 0.4 0.6],’linewidth’,2,...
’markeredgecolor’,’k’,’markerfacecolor’,[0.9 0.6 0.4],...
Bo
’markersize’,9)
Ejercicio 10.2 Dibuja las funciones seno y coseno en [−2π, 2π], la primera en rojo y la
segunda en azul. El ancho de lı́nea debe ser de dos puntos y deben seguir dos estilos diferentes,
a tu elección.
Puedes empaquetar las instrucciones en un fichero script. Será más cómodo para editar y
cambiar lo que desees.
La ventana gráfica
Desde la ventana gráfica modifica su aspecto para que tenga el que le habı́as dado en el
r
Ejercicio 10.2.
4
Red, Green, Blue. Crea un color añadiendo partes de rojo, verde y azul (de 0 a 1) especificado por
un vector de tres componentes.
211
10.1 Dibujos bidimensionales LECCIÓN V
Bo
rra
do
r
Figura 10.3: Edición de un dibujo.
212
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
hold: hold on permite que sucesivas gráficas se vayan solapando; hold off
desconecta esta opción (es la que está por defecto).
axis: un comando algo complejo. Puede controlar entre otros detalles el ratio
entre los ejes OX y OY, la parte del dibujo que se muestra por pantalla,
las coordenadas utilizadas, el ajuste del marco al dibujo...
xlim, ylim: especifican los lı́mites del dibujo. Se puedn utilizar para centrar el
rra
dibujo.
legend: despliega una leyenda, esto es, un cuadro explicativo sobre las gráficas
presentes.
213
10.1 Dibujos bidimensionales LECCIÓN V
plot(x,y,’-’,’color’,[0.0,0.3,0.0],’linewidth’,2)
grid on % desplegamos la red
xlim([-0.5,6]), ylim([-0.25,0.5]) % rango de los graficos
xlabel(’Eje OX’,’fontname’, ’Comic Sans Ms’, ’fontsize’,12)
ylabel(’Eje OY’,’fontname’, ’Comic Sans Ms’, ’fontsize’,12)
title(’Algunas graficas de funciones’,...
Bo
’fontsize’,16,’fontname’,’Times new roman’)
legend(’exp(-x/3).*cos(x)’, ’exp(-x).*cos(x)’,...
’exp(-3x)*cos(x)’, ’exp(-9x).*cos(x)’);
0.2
Eje OY
0.1
-0.1
-0.2
0 1 2 3 4 5 6
Eje OX
do
Figura 10.4: Una muestra de dibujos.
Nota. En el comando title hemos utilizado los atributos fontname y fontsize para
especificar la fuente y su tamaño utilizada en el tı́tulo. Otros atributos son
fontweight: los valores posibles son light, normal, demi, bold. Especifica el trazo
r
de los caracteres, desde fino (light) hasta negrita (bold).
fontangle: sus valores son normal, italic u oblique. Fija la inclinación de la fuente.
rotate: especifica el ángulo con el que se escribe el texto. El valor por defecto, 0, es
la escritura horizontal, mientras que con 90 se escribe el texto en vertical.
214
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
Estos atributos están disponibles para cualquier comando que se ocupe de desplegar
textos en la pantalla gráfica. Por ejemplo, xlabel, ylabel, title,...
Quizás lo más difı́cil sea saber qué fuentes tenemos instaladas y su correspondiente
nombre. La solución más sencilla a esta cuestión es ir a la venta gráfica, y editar las
caracterı́sticas del dibujo5 . Allı́ podremos ver qué fuentes están a nuestra disposición y su
nombre correspondiente.
Bo
Ejercicio 10.4 En este ejercicio trataremos de visualizar el efecto del comando axis con
diferentes opciones sobre el aspecto final de un dibujo.
Teclea
>> clf
>> x = 0:.025:pi/2; plot(x,tan(x),’-ro’)
La función tangente presenta una ası́ntota vertical6 en π/2. Teclea los siguientes comandos y
observa el aspecto final de la figura.
>> axis equal
>> axis image
rra
>> axis normal % vuelta al formato original
>> axis([0 pi/2 0 5]) % especificamos el rango de salida
>> axis tight
¿Podrı́as decir qué hace cada comando?.
-
5
Seleccionar editar dibujo, doble click sobre el fondo, seleccionar la pestaña style e ir al menú desple-
gable font name
6
Tiende a infinito.
215
10.1 Dibujos bidimensionales LECCIÓN V
>> get(h,’marker’)
ans =
none
Bo
>> get(h,’linewidth’)
ans =
0.5000
Las órdenes anteriores nos informan de que el dibujo se ha trazado con lı́nea continua, sin
ninguna marca y con anchura de lı́nea 0.5.
Con set podemos cambiar cualquiera de estos atributos
>> set(h,’linewidth’,2)
>> set(h,’color’,[0.5 0.6 0.2])
rra
>> set(h,’linestyle’,’-.’)
de forma que la gráfica pasa a tener una anchura de 2 puntos, cambia el color y el estilo
ahora es punto-raya.
Si se ejecuta get(h) podemos visualizar todos los atributos del objeto gráfico:
>> get(h)
Color = [0.5 0.6 0.2]
EraseMode = normal
LineStyle = -.
LineWidth = [2]
Marker = none
MarkerSize = [6]
do
MarkerEdgeColor = auto
MarkerFaceColor = none
XData = [ (1 by 315) double array]
YData = [ (1 by 315) double array]
ZData = []
BeingDeleted = off
ButtonDownFcn =
Children = []
Clipping = on
r
CreateFcn =
DeleteFcn =
BusyAction = queue
HandleVisibility = on
HitTest = on
Interruptible = on
216
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
Parent = [101.001]
Selected = off
SelectionHighlight = on
Tag =
Type = line
UIContextMenu = []
Bo
UserData = []
Visible = on
De forma similar
h= legend(’x*cos(x)’);
devuelve en h, después de desplegar la leyenda correspondiente en el dibujo, una variable
que permite a continuación la manipulación de muchas de sus propiedades. Para ello se
utiliza la instrucción set
>> set(h,’fontsize’,11,’fontname’,’arial’,’fontangle’,...
rra
’oblique’,’color’,[0.8 0.8 0.8])
cambia alguno de los atributos de la leyenda, como la fuente y su tamaño, la inclinación
y el color de fondo.
Otro ejemplo lo da el siguiente código:
01 x=linspace(0,4,1000);
02 y=x.*log(x);
03 figure(1);
04 clf % borramos
05 plot(x,y,’--’,’linewidth’,3);
06 h2=gca; % accedemos al handle de la grafica
07 set(h2,’xtick’,[0 0.25 0.5 1 2 4],’fontsize’,16,’ygrid’,...
do
08 ’off’,’xgrid’,’on’,’linewidth’,2,’gridlinestyle’,’-.’)
09 title(’x*log(x)’,’fontangle’,’oblique’,’fontname’,...
10 ’Comic Sans ms ’,’fontweight’,’bold’,’fontsize’,20)
que accede a la estructura de la gráfica (gca), que esencialmente es el marco donde de-
splegamos los dibujos. Las lı́neas 07-08 edita los atributos xtick, que señala los puntos
donde se colocan las marcas en el eje OX, la fuente utilizada en el dibujo, activa la malla
únicamente en la dirección OX, especifica la anchura de la lı́nes y el patrón que sigue. El
resultado se puede ver en la Figura 10.5.
Todas las propiedades anteriores se pueden modificar más fácilmente en la ventana
gráfica. Su manejo es fácil e intuitivo (seleccionar, doble click, botón derecho del ratón....).
r
Con helpwin line y helpwin axes obtenemos la información de las diferentes op-
ciones para la instrucción plot (y similares) y para la figura.
Finalmente gca y gcf devuelven el puntero al axis y figure utilizado en ese momento
(get current axis y get current figure). Si quieres ver todos sus atributos, ejecuta
>> get(gca), get(gcf)
217
10.1 Dibujos bidimensionales LECCIÓN V
x log(x)
6
5
Bo
4
-1
0 0.25 0.5 1 2 4
rra
Figura 10.5: Modificación del entorno del dibujo.
218
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
subplot(231)
Bo
define en la figure seis zonas para volcar las salidas gráficas dispuestas en 2 × 3 (dos filas,
tres columnas) y accede a la primera de ellas. La numeración es la desplegada en la figura
10.6.
1 2 3
rra
4 5 6
x=linspace(0,2*pi,150);
do
subplot(321)
plot(x,sin(x),’linewidth’,2);
title(’sin(x)’,’fontsize’,14)
axis tight
subplot(322)
plot(x,cos(x),’linewidth’,2);
title(’cos(x)’,’fontsize’,14)
axis tight
subplot(323)
plot(x,sin(2*x),’linewidth’,2);
r
title(’sin(2x)’,’fontsize’,14)
axis tight
subplot(324)
plot(x,cos(2*x),’linewidth’,2);
title(’cos(2x)’,’fontsize’,14)
axis tight
219
10.1 Dibujos bidimensionales LECCIÓN V
subplot(325)
plot(x,sin(4*x),’linewidth’,2);
title(’sin(4x)’,’fontsize’,14)
axis tight
subplot(326)
plot(x,cos(4*x),’linewidth’,2);
Bo
title(’cos(4x)’,’fontsize’,14)
axis tight
plotyy: permite mostrar dos dibujos en la misma gráfica con dos ejes
OY a la izquierda y a la derecha.
rra
polar: curvas en polares.
semilogx, semilogy: similar a plot pero utilizando, respectivamente, una escala log-
arı́tmica en el eje OX y en el eje OY.
loglog: escala logarı́tmica en ambos ejes.
stem: dibuja puntos uniéndolos con una linea vertical al eje OX.
stairs: traza una gráfica en forma de escalera.
bar, barh, bar3: despliega gráficas en forma de barras. Muy apropiada para rep-
resentar datos y estadı́sticas (estilo excel).
area: muestra los datos en una gráfica de forma acumulada. El col-
do
or utilizado se controla mediante el comando colormap, cuyo
funcionamiento veremos más adelante.
line: une puntos mediante lı́neas. Es una instrucción de bajo niv-
el cuyo funcionamiento es similar a plot. De hecho, plot se
construye a partir de line.
fill: dibuja polı́gonos cerrados y colorea su interior.
patch: una instrucción también de bajo nivel, construye polı́gonos, o
caras en tres dimensiones y asigna un color a la cara definida.
r
Comandos fáciles de usar
Matlab tiene implementada una serie de comandos, asociados a la toolbox de cálculo
simbólico que vimos en la lección anterior, que permiten dibujar de forma sencilla gráficas
de funciones. No se tiene un control tan completo como con plot pero se compensa con
su fácil uso. En el apartado que nos ocupa (gráficas bidimensionales) son resaltables
220
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
sin(x) cos(x)
1
0.5 0.5
0 0
-0.5 -0.5
Bo
0 2 4 6 0 2 4 6
sin(2x) cos(2x)
1
0.5 0.5
0 0
-0.5 -0.5
0 2 4 6 0 2 4 6
sin(4x) cos(4x)
1
0.5 0.5
0 0
rra
-0.5 -0.5
0 2 4 6 0 2 4 6
ezplot ezpolar
La ayuda de Matlab es, en nuestra opinión, suficiente para hacernos con su manejo.
10.2. Gráficas en 3D
do
Comenzaremos con curvas en el espacio para pasar y tratar con mayor profundidad
las superficies en 3D. Hemos decidido incluir en este apartado las instrucciones relativas
a curvas de nivel aunque hablando propiamente son dibujos bidimensionales. Su origen y
su posterior interpretación nos conducen de nuevo al entorno espacial.
plot3(x,y,z,opciones)
Las opciones son esencialmente las mismas que aparecı́an en plot. He aquı́ un ejemplo
sencillo
221
10.2 Gráficas en 3D LECCIÓN V
clf
t=linspace(0,8*pi,200);
plot3(t.*cos(t),t.*sin(t),t,’r-’,’linewidth’,2)
grid on % dibujamos la ’malla’
title(’Una curva en espiral...’,’fontsize’,18,’fontname’,...
’Comic Sans MS’,’color’,[0.675 0.000 0.000])
Bo
zlim([0,20])
xlabel(’eje OX’,’fontsize’,14)
ylabel(’eje OY’,’fontsize’,14)
zlabel(’eje OZ’,’fontsize’,14)
cuyo resultado se muestra en la Figura 10.8. Los comandos relacionados con los aspectos
25
20
eje OZ
15
10
0
30
20
30
10 20
0 10
-10 0
do
-10
-20 -20
-30 -30
eje OY eje OX
accesorios del dibujo (axes, title, xlabel, grid...) funcionan exactamente igual. Además
aparecen algunos nuevos cuya utilidad y manejo no deberı́a causar sorpresa:
r
zlabel zlim
Para poder manipular, rotar en 3D, el objeto gráfico basta presionar en la barra de
herramientas en el botón señalado en la Figura 10.9 y mover el ratón sobre el objeto con
el botón pulsado
222
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
Bo
Figura 10.9: Icono para rotar los dibujos.
[X,Y]=meshgrid(x,y)
Es decir, las m filas de X son copias del vector x y las n columnas de Y son copias del
vector y. La malla está formada por los puntos (X(i,j),Y(i,j)). Por ejemplo,
223
10.2 Gráficas en 3D LECCIÓN V
Y =
-1 -1 -1 -1
0 0 0 0
1 1 1 1
Bo
Ahora para representar la superficie z = f (x, y) utilizamos la orden surf(X,Y,Z)
donde
f (x1 , y1 ) . . . f (xn , y1 )
Z = f (X, Y) = .. ..
.
. .
f (x1 , ym ) . . . f (xn , ym )
El dibujo de la Figura 10.10 se ha construido con el siguiente conjunto de instrucciones
>>x=linspace(-2,2,40); y=linspace(-1,1,20);
>>[X,Y]=meshgrid(x,y); Z=X.^2-Y.^2;
>>surf(X,Y,Z)
rra
do
Figura 10.10: Ejemplo de una superficie creada con surf.
Se puede dibujar la superficie y asignar un color según los valores de un cuarto vector
r
(matriz más bien). Desde una interpretación matemática, se tratarı́a de dibujar los valores
de una función sobre una superficie:
224
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
Bo
Figura 10.11: Otro ejemplo de surf.
rra
despliega la gráfica de la Figura 10.11. El comando colorbar muestra la barra de colores
de la derecha que informa sobre el valor numérico que corresponde a cada color.
También es posible dibujar superficies definidas sobre partes de un rectángulo. Para
ello, cualquier punto cuya coordenada z sea un nan (not a number), no se dibuja. Por
ejemplo
Nos limitaremos a hablar de cinco comandos que controlan las propiedades del entorno
3D, aunque éstos no son los únicos disponibles en Matlab:
225
10.2 Gráficas en 3D LECCIÓN V
Bo
rra
Figura 10.12: Utilización de nan en un dibujo.
>> colormap(’bone’)
daspect([1 1 1])
r
fija que las proporciones de los ejes OX, OY y OZ sean iguales. Es decir,
226
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
pbaspect: similar al anterior pero relacionado con la caja que enmarca el dibujo.
view: especifica el punto desde el que se ve el dibujo. Tiene dos parámetros:
view(az,el)
’MeshStyle’ tiene tres opciones posibles both (por defecto), row y column.
Especifica cómo despliega la red: entera, sólo las filas o sólo
columnas, respectivamente.
’EdgeColor’: toma cuatro posible valores: un color (en el formato habitual),
’none’, ’flat’, ’interp’. Especifica qué color utilizar en la
rejilla. Por defecto es negro, pero se puede eliminar la rejil-
la (’none’), se puede utilizar el color marcado por el primer
do
vértice (’flat’) o bien utilizar un color definido por los colores
de los dos vértices de cada eje (’interp’).
’FaceColor’: con los mismos valores que en la opción anterior. La opción
’interp’ fija un color interpolado sobre la cara, eliminan-
do ası́ el aspecto de mosaico que en ocasiones adoptan las
superficies.
’LineWidth’: anchura de las lı́neas utilizadas en el dibujo de la red.
’Marker’: indica qué marca colocar en cada punto del dibujo. Sigue el mis-
mo formato que plot (por defecto no coloca ninguna marca).
r
’MarkerEdgeColor’
’MarkerFaceColor’: igual que en plot.
’MarkerSize’
227
10.2 Gráficas en 3D LECCIÓN V
f=inline(’x^2-y^2’); f=vectorize(f);
x0=linspace(-2,2,6);
y0=linspace(-2,2,4);
[X0,Y0]=meshgrid(x0,y0);
x1=linspace(-2,2,40);
y1=linspace(-2,2,40);
Bo
[X1,Y1]=meshgrid(x1,y1);
hold on % solapamos dos dibujos
surf(X0,Y0,f(X0,Y0),’facecolor’,’none’,’edgecolor’,’k’,...
’marker’,’o’, ’markersize’,6,’MarkerFaceColor’,’k’, ’linewidth’,2);
surf(X1,Y1,f(X1,Y1),’facecolor’,’interp’, ’facealpha’,0.5,...
’edgecolor’,’none’);
colorbar
colormap(’spring’)
rra
do
Figura 10.13: Algunas opciones con surf.
Ejercicio 10.5 Observa las diferencias entre estas dos salidas de la misma superficie
r
>> x=linspace(-2,2,20); y=linspace(-1,1,20);
>> [X,Y]=meshgrid(x,y);
>> figure(1)
>> surf(X,Y,X.^3-Y.^2.*Y,’linestyle’,’none’)
>> figure(2)
>> surf(X,Y,X.^3-Y.^2.*Y,’linestyle’,’none’,’facecolor’,’interp’)
228
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
ans =
interp
o bien ver todas con
>> get(h)
rra
AlphaData = [1]
AlphaDataMapping = scaled
CData = [ (60 by 60) double array]
CDataMapping = scaled
EdgeAlpha = [1]
EdgeColor = none
EraseMode = normal
FaceAlpha = [1]
FaceColor = interp
LineStyle = -
LineWidth = [0.5]
Marker = none
do
MarkerEdgeColor = auto
MarkerFaceColor = none
MarkerSize = [6]
MeshStyle = both
XData = [ (60 by 60) double array]
YData = [ (60 by 60) double array]
ZData = [ (60 by 60) double array]
FaceLighting = flat
EdgeLighting = none
................
r
................
Observarı́amos ası́ algunas de las opciones que hemos comentado y otras muchas más que
no hemos estudiado.
Para cambiar una propiedad utilizamos de nuevo el comando set:
>> set(h, ’edgecolor’,[0.2 0 0],’linewidth’,1);
>> set(h, ’facaalpha’,.5);
229
10.2 Gráficas en 3D LECCIÓN V
Mallados especiales
Con sphere podemos obtener el mallado de una esfera. Puede utilizarse para dibujar
bien una esfera o incluso funciones definidas sobre una superficie esférica. Por ejemplo,
mediante el siguiente fichero script hemos obtenido las representaciones gráficas de la
Figura 10.14.
Bo
[X,Y,Z]=sphere(60);
subplot(121)
surf(X,Y,Z,’facecolor’,[0.4 0.9 0.6])
daspect([1 1 1]) % aspecto [1 1 1]
title(’La esfera’,’fontsize’,14)
subplot(122);
surf(X,Y,Z,16*X.^2.*Y.^3.*Z.^4)
title(’16 X^2 Y^3 Z^4 sobre la esfera’,’fontsize’,14)
colormap(’hot’)
colorbar(’hor’) % barra de colores horizontal
daspect([1 1 1]) % aspecto [1 1 1]
rra
do
r
Figura 10.14: Esferas en 3D.
Comandos similares son ellipsoid (elipsoides) y cylinder (cilindros). Son algo más
flexibles de lo que pueda parecer. Ası́, y aunque parezca paradójico,
230
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
>> cylinder(0:0.1:1,40)
dibuja un cono.
Ejercicio 10.6 Lee bien la ayuda de cylinder. ¿Podrı́as dibujar una semiesfera utilizando
este comando?.
Bo
10.2.3. Otros comandos
Comentaremos a continuación otras instrucciones relacionadas con gráficas de objetos
tridimensionales.
pcolor
Proporciona un dibujo bidimensional de una superficie vista desde arriba. Es equiva-
lente a dibujar primero la superficie con la orden surf y posteriormente cambiar el punto
de vista mediante view(0,90). Puedes ver un ejemplo en la Figura 10.15.
rra
do
Figura 10.15: Una superficie con surf y pcolor.
r
contour y contourf
Despliegan las lı́neas de nivel del dibujo. Propiamente generan una gráfica en 2D. La
diferencia entre ellas es que la primera instrucción sólo traza las curvas de nivel mientras
que la segunda colorea el espacio entre ellas.
Es posible añadir un texto sobre cada lı́nea de nivel utilizando clabel. Para ello basta
hacer como en el ejemplo siguiente
231
10.2 Gráficas en 3D LECCIÓN V
2
-0.2
0.60.4 0 .4
-0 -0.-0. 0
0
.8 6 4
0.2
-0 .6 .8
0.6
.2
-0 -0
0.8 0.6
0.2 -0
-0
0. .6 0
0.8
0
1 8 0.4
8
0.
.
4
2
. 6 0.2
.4
04.
0
0.
0.
0 2 0
-0-0.
-0.2
-0 .2 2 .4
0 0.4
-0. -0.6
.8
.8
0.2
0.20
-0
-0 .6 -0 . 8 -0.6
-
-0.4
.8 -0
-2 -0.8
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
2 0.6
0. 6 0.2 -0.2
99 2
0.4
99 0.
0.
0.6
6
1 0.2
-0
0
.5
.5
6
0.
-02
9
-0
.
0 -0.2
-0
99
.2
9
0.2 0 .6
-0.4
-1 0.2 -0.6
-0.0.2
00.2.2
2
-0.8
-0.2
-
-2
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
do
Figura 10.16: Lı́neas de nivel
surfc y surfl
Ambas son variantes de surf. La primera despliega la superficie y dibuja en el plano
OXY (plano inferior) las curvas de nivel.
La segunda es como surf pero el color que asigna a cada punto viene determinado
por un punto de iluminación exterior. El resultado es el de una superficie de un color
r
determinado iluminado desde un punto
232
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
como mesh pero añade un efecto de caida en los bordes del dibujo8 .
1.5
0.5
-0.5
-1
do
-1.5
-2
-2.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
233
10.4 Dibujos sobre dominios mallados en triángulos LECCIÓN V
>>vx=-Y./(X.^2+Y.^2);
>>vy=X./(X.^2+Y.^2); % calculamos vectores
>>h=quiver(X,Y,vx,vy);
>>axis square
Observa que cerca del (0,0) los vectores se hacen muy grandes. Para evitar que esto
Bo
distorsione el dibujo hemos optado por no dibujar los vectores correspondientes a puntos
muy cercanos al origen. Con este fin hemos utilizado una variable (en realidad una matriz)
lógica ind que toma valor uno únicamente si el punto correspondiente (X,Y) está cerca
del origen.
Una vez salvada esta dificultad, hemos procedido a dibujar el campo de velocidades
resultante.
El comando quiver devuelve en realidad dos punteros, uno a las lı́neas y otro a
la cabeza del vector. Sus valores opcionales son similares a los ya vistos en secciones
anteriores.
Ejercicio 10.7 Siguiendo con las instrucciones desplegadas arriba, observa qué sucede si se
ejecuta
rra
set(h(1),’linewidth’,1,’color’,’r’,’linestyle’,’:’)
set(h(2),’color’,’k’)
¿Podrı́as eliminar la punta de los vectores?.
Ejercicio 10.8 Utilizando el comando quiver3, dibuja el campo de velocidades que a cada
punto le asigna el vector (velocidad) dado por
x y z
−p , −p , −p )
2
x +y +z2 2 2 2
x +y +z 2 x + y2 + z2
2
234
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
Bo
Figura 10.18: Triangulación no conforme.
se admite que un lado de un triángulo pueda ser parte de dos lados de dos triángulos
diferentes (véase la Figura 10.18). Por otro lado, una familia de triangulaciones se dice
regular si los triángulos no se aplanan, es decir, los ángulos de los triángulos no se hacen
rra
muy pequeños.
La siguiente cuestión es cómo almacenar la información de una triangulación. Si
optáramos por guardar cada triángulo, con sus correspondientes vértices, guardarı́amos
información redundante. Por ejemplo, un vértice compartido por 6 triángulos serı́a alma-
cenado 6 veces.
En lugar de ello se opta por una estructura más elaborada pero más económica. Se
empieza almacenando las dos coordenadas de los vértices en dos vectores que denotaremos
por x e y. En segundo lugar, apuntamos los vértices que corresponden a cada triángulo.
Esto se hace mediante una matriz, que llamaremos en lo que sigue t, de tres columnas y
número de filas igual al número de triángulos. Para saber los vértices que corresponden
al triángulo i basta leer la correspondiente fila de t y sus coordenadas serán
do
[x(t(i,1)),y(t(i,1))], [x(t(i,2)),y(t(i,2))], [x(t(i,3)),y(t(i,3))]
Triangulos
8 3 16
7 2 15
9 5 21
11 6 20
r
10 1 14
12 4 17
16 9 21
4 8 17
1 7 14
15 11 20
235
10.4 Dibujos sobre dominios mallados en triángulos LECCIÓN V
0.6
0.4
12 6 11
Bo
4 12 4 2
0.2 6
25 10
14
20
8 17 15 2
15 16
0 26
8 20 19 18 22 13 7
13
24 14 18
-0.2 1 16 27 23 9
19
17 7 21 21
5
3 28 1
-0.4 3 11
9 5 10
-0.6
-0.5 0 0.5
rra
Figura 10.19: Ejemplo de triangulación. En el gráfico la numeración de los triángulos se
rodea con un cı́rculo.
5 10 19
6 12 20
14 7 15
2 11 15
17 13 20
18 15 20
3 9 16
do
18 13 19
16 13 17
8 16 17
10 14 19
14 15 18
19 13 21
14 18 19
12 17 20
13 18 20
13 16 21
r
5 19 21
coordenadas:
x y
236
LECCIÓN V Capı́tulo 10. Matlab: Salidas gráficas en Matlab
0.5033 -0.3584
0.5033 0.2378
-0.4967 -0.3584
-0.4967 0.2378
0.0033 -0.4603
0.0033 0.3397
Bo
0.5033 -0.0603
-0.4967 -0.0603
-0.2523 -0.4363
0.2590 -0.4363
0.2590 0.3157
-0.2523 0.3157
-0.0716 -0.1050
0.2924 -0.1866
0.2820 0.0614
-0.2806 -0.1991
-0.2641 0.0537
0.1204 -0.0707
rra
0.0838 -0.2577
0.0113 0.1306
-0.1031 -0.2912
237
10.4 Dibujos sobre dominios mallados en triángulos LECCIÓN V
Ésta es una forma ya estándar de definir y trabajar con una triangulación que también
sigue Matlab10 con los comandos trimesh y trisurf.
El primero despliega la malla triangular especificada por t, (la matriz conteniendo los
triángulos), x e y (que dan las coordenadas de los vértices),
trimesh(t,x,y)
Bo
Se puede especificar la coordenada z de los vértices (la altura),
trimesh(t,x,y,z)
>> pdetool
238
Capı́tulo 11
Bo
Interpolación. Curvas Bézier
pn (xj ) = yj , j = 0, . . . , n.
239
11.1 Interpolación polinómica LECCIÓN V
-9
x 10
4
Bo
3
-1 z6-46*z5+ 884*z4-9088*z3+52736*z2-163840*z+212992
(z-8)4*(4+(z-8)*(2+(z-8))
¿Cómo aproxima pn a esta función f ?. Este punto es crucial ya que se trata del error
que podemos esperar de nuestra aproximación.
240
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
pn (xj ) = yj , j = 0, . . . , n,
Por tanto,
pn (x) = y0 L0 (x) + y1 L1 (x) + . . . + yn Ln (x)
satisface las condiciones (11.1). Una vez probada la existencia deducimos por los mismos
argumentos la unicidad del polinomio de interpolación.
La fórmula anterior se conoce como fórmula de Lagrange del polinomio de in-
terpolación y la base del espacio de polinomios Pn formada por {Lj }j se denomina base
r
de Lagrange del problema de interpolación.
Ejercicio 11.1 Programar una función que evalúe el polinomio de interpolación según la
fórmula de Lagrange en un conjunto de puntos.
1
Cada columna es el resultado de elevar a una potencia el vector [1 x0 x1 · · · xn ]>
241
11.1 Interpolación polinómica LECCIÓN V
242
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
2
exp(-x).*sin(6.*x)
1.5 polinomio de grado 5
polinomio de grado 9
polinomio de grado 13
1
0.5
Bo
0
-0.5
-1
0 0.5 1 1.5 2 2.5 3 3.5
Error
1.5
0.5
0
rra
-0.5 polinomio de grado 5
polinomio de grado 9
-1 polinomio de grado 13
-1.5
0 0.5 1 1.5 2 2.5 3 3.5
Observa que la fórmula de Lagrange se basa en tomar como base de Pn la dada por
{L0 (x), L1 (x), . . . , Ln (x)}.
do
En esta base, las coordenadas del polinomio de interpolación son simplemente los valores
que toma la función en los puntos donde se interpola. Es decir, no es necesario resolver
ningún sistema de ecuaciones lineales (la matriz del sistema serı́a la matriz identidad).
El precio que se paga como contrapartida es una evaluación más cara del polinomio de
interpolación.
Podemos explorar otras bases que, aumentando el costo de la resolución del sistema,
ofrezcan fórmulas del polinomio de interpolación cuya evaluación sea menos costosa.
Planteamos ası́ utilizar la base
{1, (x − x0 ), (x − x1 )(x − x0 ), . . . , (x − xn−1 )(x − xn−2 ) · · · (x − x0 )}.
r
Es inmediato probar que es una base de los polinomios de grado n. Dicho de otra forma,
cualquier polinomio de grado n se puede escribir (de forma única) como
α0 + α1 (x − x0 ) + . . . + αn (x − xn−1 )(x − xn−2 ) · · · (x − x0 ). (11.2)
Además el sistema lineal que hay que resolver para obtener los coeficientes αj es ahora tri-
angular superior, por lo que su resolución es prácticamente directa en O(n2 ) operaciones.
243
11.1 Interpolación polinómica LECCIÓN V
Aún es más, si pn (x) interpola a f en n + 1 puntos, añadir un punto más (xn+1 , yn+1 ) es
simplemente corregir el polinomio anterior en la forma siguiente
donde
yn+1 − pn (xn+1 )
Bo
αn+1 = . (11.4)
(xn+1 − xn )(xn+1 − xn−1 ) · · · (xn+1 − x0 )
Es decir, el trabajo hecho para calcular el polinomio de interpolación en n + 1 puntos se
puede utilizar si se desea añadir un punto más de interpolación.
Estas identidades se pueden utilizar para calcular el polinomio de interpolación uti-
lizando polinomios intermedios que vayan interpolando en subconjuntos crecientes de
datos. Sin embargo, un análisis algo más detallado nos va a descubrir una manera más
apropiada de calcular los coeficientes del polinomio de interpolación. Siguiendo la no-
tación clásica, consideraremos que los valores yj que deseamos interpolar provienen de
una función f a priori desconocida, es decir,
yj = f (xj ), j = 0, . . . , n.
rra
Escribiremos entonces el polinomio que interpola en {xk , . . . , xk+m } como sigue
f [xk ] + f [xk , xk+1 ](x − xk ) + . . . + f [xk , xk+1 , . . . , xk+m ](x − xk ) · · · (x − xk+m−1 ). (11.5)
La identidad (11.3) justifica el uso de esta notación es correcta. Esto es, el coeficiente
de (x − xk ) · · · (x − xk+r ) no depende de m. Obviamente, si k = 0 y m = n, entonces
recuperaremos el polinomio de interpolación en el conjunto inicial de valores. A estas
alturas f [xk , xk+1 , . . . , xk+r ] son todavı́a simples coeficientes del polinomio de cuyo cálculo
nos ocupamos a continuación. Es inmediato comprobar que si
n o
p interpola en (x , f (x )), (x , f (x )), . . . , (x , f (x )) ,
n 0 0 1 1 n n
n o
do
qn interpola en (x1 , f (x1 )), (x2 , f (x2 )), . . . , (xn+1 , f (xn+1 )) ,
entonces
x − xn+1
pn+1 (x) = qn (x) + (pn (x) − qn (x)), (11.6)
x0 − xn+1
es el polinomio que interpola en los n + 1 puntos
n o
(x0 , f (x0 )), (x1 , f (x1 )), . . . , (xn+1 , f (xn+1 )) .
244
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
Como
f [xj ] = f (xj )
(simplemente porque el polinomio de grado 0 que pasa por (xj , f (xj )) es la constante
f (xj )), obtenemos una forma recursiva de calcular los coeficientes del polinomio de in-
terpolación. El algoritmo resultante se puede representar esquemáticamente mediante el
diagrama de la Figura 11.3.
Bo
En la literatura, f [xk , . . . , xk+r ] recibe el nombre de diferencia dividida de order
r, mientras que la forma de escribir el polinomio expuesta en (11.2) y (11.5) recibe el
nombre de fórmula de Newton3 .
Obviamente, a partir de la fórmula de Newton podemos expresar el polinomio que
interpola a f en los puntos {x0 , . . . , xn } en la forma
f [x0 ] + (x − x0 ) f [x0 , x1 ] + (x − x1 ) f [x0 , x1 , x2 ] + (x − x2 ) . . .
+(x − xn−1 )f [x0 , x1 , . . . , xn ] , (11.8)
que es mucho más apropiada desde el punto de vista computacional que la forma clásica.
En forma de pseudocódigo podemos proceder del siguiente modo para evaluar el poli-
rra
nomio de interpolación utilizando la fórmula de Newton:
Diferencias divididas
01 x0 , y0 % datos
02 n = length(x0 ) − 1
03 D(:, 0) = y0 ;
04 for j=1:n
05 for i=0:n-j
D(i + 1, j − 1) − D(i, j − 1)
06 D(i, j) =
x0 (i + j) − x0 (i)
07 end
08 end
do
09
10 % Evaluacion del polinomio
11 y=D(0,n)
12 for i=n-1:-1:0
13 y = (x − x0 (i)) ∗ y + D(0, i)
14 end
r
Con la notación anterior
D(i, j) = f [xi , xi+1 , . . . , xi+j ]
de forma que j es el orden de la diferencia e i el nodo donde empieza.
3
De nuevo los nombres utilizados dan idea de la antigüedad de estas técnicas. Newton halló esta forma
de escribir el polinomio cuando estudiaba las fórmulas de cuadratura de Newton-Cotes.
245
11.1 Interpolación polinómica LECCIÓN V
01 % NEWTONP
02 %
03 % Y= NEWTONP(X0,Y0) devuelve el polinomio que interpola
04 % en (X0,Y0) escrito en forma de Newton
05 %
06 % Y= NEWTONP(X0,Y0,X) devuelve en Y el polinomio interpolante
07 % evaluado en X
r
08
09 function y=newtonp(x0,y0,varargin)
10
11 x0=x0(:).’; y0=y0(:).’; n=length(x0)-1;
12 if (length(y0)~=n+1)
13 disp(’long de x0 debe ser igual long de y0’)
246
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
14 return
15 end
16 if nargin>2
17 x=varargin{1}; % evaluamos x
18 else
19 syms x; % x es una variable simbolica
Bo
20 end
21 % calculo de las diferencias divididas
22 D=zeros(n+1); % matriz n+1 x n+1 de ceros
23 D(:,1)=y0.’;
24 for j=2:n+1
25 for i=1:n-j+2
26 D(i,j)=(D(i+1,j-1)-D(i,j-1))/(x0(i+j-1)-x0(i));
27 end
28 end
29 % evaluacion del polinomio
30 D=D(1,:); % tomamos las diferencias que vamos a usar
31 y=x.^0.*D(n+1); % asi y tiene la longitud de x
rra
32 for i=n:-1:1
33 y=(x-x0(i)).*y+D(i);
34 end
35 return
Ejercicio 11.4 El bucle interno en las lı́neas 25-27 se puede vectorizar. Hazlo.
Un análisis más detenido muestra que no es necesario definir toda una matriz D sino
que es posible realizar todo el proceso con un vector. Para ello observa que las diferencias
do
D(i, j) con sólo se utilizan dos veces, para construir D(i − 1, j + 1) y D(i, j + 1). Esto se
consigue modificando las lı́neas 03-08 del algoritmo como sigue
Modificación
03 D = y0 ;
04 for j=1:n
05 for i=n:-1:j
D(i) − D(i − 1)
06 D(i) =
r
x0 (i) − x0 (i − j)
07 end
08 end
247
11.1 Interpolación polinómica LECCIÓN V
Observa que las diferencias se sobrescriben en el vector pero de una forma tal que un
valor no es borrado hasta que ya ha sido utilizado. De ahı́ que el bucle en 05 vaya hacia
atrás. Con esta modificación
D(i) =f [x0 , x1 , . . . , xi ].
Ejercicio 11.5 Retoca el programa newtonp según las indicaciones anteriores.
Bo
Ejercicio 11.6 El algoritmo de Neville para la evaluación del polinomio de interpolación se
basa en la identidad (11.6). Dado el punto x donde evaluar el polinomio de interpolación
y partiendo de n + 1 polinomios de grado cero que interpolan los datos ({x0 , x1 , . . . , xn })
procede a calcular el valor que toman en x los polinomios de grado 1 que interpolan en
dos puntos ({{x0 , x1 }, {x1 , x2 }, . . . , {xn−1 , xn }}), seguidamente los de grado 2 interpolantes
en tres puntos, ({{x0 , x1 , x2 }, {x1 , x2 , x3 }, . . . , {xn−2 , xn−1 , xn }}), y ası́ sucesivamente hasta
llegar al polinomio final de grado n.
En todos los casos es la identidad (11.6) la que permite calcular el valor del polinomio de
grado k + 1 en función de dos de grado k. La evaluación se puede representar en forma de
estructura en árbol, muy similar a la que se obtiene para las diferencias divididas. ¿Podrı́as
diseñar y programar este algoritmo?.
rra
Nota. Observa que el método funciona aún cuando los puntos x0 , . . . , xn no estén
ordenados, aunque para una evaluación del polinomio más estable es mejor que ası́ sea.
Además la definición de las diferencias divididas no depende del orden de los puntos
f [x0 , . . . , xi , . . . , xj , . . . xn ] = f [x0 , . . . , xj , . . . , xi , xn ].
De forma alternativa se puede escribir el polinomio de interpolación mediante
f [xn ] + f [xn , xn−1 ](x − xn ) + . . . + f [xn , xn−1 , . . . , x0 ](x − x1 )(x − x2 ) · · · (x − xn ). (11.9)
En este caso se habla de diferencias regresivas, mientras que en el caso que hemos
tratado reciben el nombre de diferencias progresivas.
Ejercicio 11.7 Modificar los algoritmos anteriores para trabajar con las diferencias regresi-
do
vas.
Interpolación en Matlab
La interpolación polinómica está implementada en Matlab con polyfit. La sintaxis es
>> p=polyfit(x0,y0,n)
donde x0 e y0 son los puntos a interpolar y n es el grado del polinomio utilizado. Si n se
toma igual a length(x0) − 1, devuelve el polinomio de interpolación mientras que para
n menor calcula el polinomio que mejor aproxima a los puntos por mı́nimos cuadrados4 .
Para evaluar el polinomio se recurre a polyval.
r
El algoritmo que utiliza Matlab es el directo, construyendo simplemente la matriz
de Vandermonde y resolviendo el sistema mediante una descomposición QR que es más
estable numéricamente. Sin embargo, con un número (muy) elevado de puntos, la inesta-
bilidad numérica subyacente se hace palpable.
X
4
Es decir, calcular el polinomio de grado n, que minimiza (p(xi ) − yi )2 .
i
248
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
Ejercicio 11.8 Interpola la función cos(8πx) en [0, 1] con 20,40, 80 y 160 puntos utilizando
el comando polyfit y las funciones lagrangep y newtonp y dibuja el resultado. ¿Qué obser-
vas?.
249
11.1 Interpolación polinómica LECCIÓN V
1.5
0.5
0
Bo
2
-0.5 1./(1+25.*x. )
polinomio de grado 5
polinomio de grado 10
-1
polinomio de grado 15
polinomio de grado 20
-1.5
-2
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Error
4
-1
polinomio de grado 5
polinomio de grado 10
-2
polinomio de grado 15
rra
polinomio de grado 20
-3
-4
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Éste es un problema clásico que fue resuelto por Pafnuty Lvovich Chebyshev9 en
términos de una familia de polinomios conocidos como polinomios de Chebyshev de primer
tipo.
Para un intervalo arbitrario [a, b], la disposición de los n + 1 puntos de interpolación
que minimizan el máxx∈[a,b] |wn (x)| es la dada por los puntos
do
a+b b−a π kπ
xk := + cos + , k = 0, . . . , n. (11.11)
2 2 2n + 2 n + 1
250
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
2
Bo
1.5
0.5
0
1./(1+25.*x.2)
-0.5
polinomio de grado 5
polinomio de grado 10
-1 polinomio de grado 15
polinomio de grado 20
-1.5
-2
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Error
4
2
rra
1
-1
polinomio de grado 5
-2 polinomio de grado 10
polinomio de grado 15
-3 polinomio de grado 20
-4
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Ejercicio 11.9 Elege un intervalo arbitrario [a, b] y crea un fichero script que muestre la
do
disposición de los puntos dados por (11.11). Dibuja los puntos obtenidos para diferentes
valores de n. Dibuja también el polinomio ωn (x). ¿A qué función te recuerda?.
Ejercicio 11.10 (teórico) Se trata de probar una serie de propiedades de las diferencias
divididas de las que finalmente se deduce la estimación del error del polinomio de interpolación
dada en (11.10).
(1) Prueba que f (j) (x) − p(j) (x) se anula en n + 1 − j puntos para j = 0, . . . , n + 1.
(2) Utilizando (1), prueba que existe ξ tal que
f (n) (ξ)
r
f [x0 , . . . , xn ] = .
n!
(3) Fijemos y ∈ [a, b]. Entonces
f (x) = pn (y) + f [x0 , . . . , xn , y](x − x0 )(x − x1 ) · · · (x − xn ).
Utiliza ahora (2) para probar la estimación del error dada en (11.10).
251
11.2 Extensiones adicionales LECCIÓN V
(Ayuda: El Teorema de Rolle establece que si g es derivable en [a, b] con g(a) = g(b) entonces
existe c ∈ (a, b) tal que
g 0 (c) = 0.
Aplicando este resultado, concluimos que existe αj ∈ (xj , xj+1 ) (j = 0, . . . , n − 1) tal que
f 0 (αj ) − p0 (αj ) = 0.
Bo
Se puede aplicar el mismo resultado para probar que existen n − 2 puntos tales que f 00 (βj ) =
p00 (βj ) y ası́ sucesivamente.)
..............................
(xn , f (xn )), . . . , (xn , f (mn ) (xn ))
Observa que estamos asumiendo que no hay huecos en los datos. Esto, si por ejemplo la
derivada de orden 2 es dato, también lo es el valor de la función y su primera derivada.
El número total de datos es
f [ xk , . . . , xk ] := f (m) (xk ).
| {z }
m + 1 veces
La idea es ordenar los nodos y tomarlos repetidos según el número de datos que consid-
eramos en cada punto de forma que tomaremos los N nodos
{x0 , x0 , . . . , x0 , x1 , x1 , . . . , x1 , . . . , xn , xn , . . . , xn .}
| {z } | {z } | {z }
m0 +1 m1 +1 mn +1
r
Las diferencias divididas se definen de nuevo de forma recursiva
(m)
f (xi )
, si xi = xi+m ,
m!
f [xi , xi+1 , . . . , xi+m ] :=
f [xi , x1 , . . . , xi+m−1 ] − f [xi+1 , x1 , . . . , xi+m ] ,
en otro caso,
xi − xm
252
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
253
11.2 Extensiones adicionales LECCIÓN V
tal que
n
do
X 2πijk
yk = p2n+1 (xk ) = αj exp .
j=−n
2n + 1
La resolución de este problema se puede llevar a cabo con la transformada de Fourier
Discreta, y por tanto es aplicable la FFT.
Ejercicio 11.12 Comprueba que efectivamente se reduce todo a una transforma de Fourier
discreta.
(Ayuda: Observa que
2πijk 2πi(2n + 1 − j)k
exp − = exp .
2n + 1 2n + 1
r
Por tanto el problema es equivalente a encontrar αj tales que
n 2n
!
X 2πijk X 2πijk
yk = p2n+1 (xk ) = αj exp + α2n+1−j exp .
2n + 1 2n + 1
j=0 j=n+1
254
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
Nota. El interpolante converge a la función bajo hipótesis mucho más débiles que en
el caso no periódico. Por ejemplo, basta con que la función tenga derivada continua. No
existen por tanto fenómenos como el de Runge para funciones periódicas con condiciones
mı́nimas de regularidad.
Bo
11.2.3. Interpolación polinómica a trozos
Los polinomios tienen un importante inconveniente que desaconseja su utilización para
la interpolación en un número elevado de puntos. La Figura 11.6 ilustra esta problemática
con un problema de interpolación para el que el polinomio correspondiente exhibe un com-
portamiento ciertamente irracional. Ello se debe a que se obliga a que el polinomio sea
prácticamente constante en dos zonas con un salto en medio. El polinomio es excesiva-
mente rı́gido11 que en última medida provoca que éste se rompa.
2
rra
1.5
0.5
0
do
-0.5
0 0.2 0.4 0.6 0.8 1
Como forma de solventar estos problemas se opta por utilizar elementos más compli-
cados pero que sean más flexibles.
Uno de los elementos más populares son los splines. Un spline12 es una función
polinómica a trozos que cuenta con cierta regularidad. Es decir, diferentes polinomios
sobre diferentes subintervalos se unen exigiendo además que la función resultante sea con-
r
tinua y derivable hasta cierto orden. Los representantes más sencillos son las constantes a
11
Es un sı́mil con lo que sucede si se dobla una vara muy rı́gida. El problema al utilizar polinomios es
que basta modificar un sólo dato para que el polinomio se cambie en todo el dominio, en muchas ocasiones
sin ningún control. Sin embargo, en un interpolante uno deberı́a esperar que la modificación de un punto
afectara sólo al entorno de dicho punto.
12
aceptaremos el anglicismo a partir de ahora.
255
11.2 Extensiones adicionales LECCIÓN V
trozos y las poligonales. En este último caso, se trata sencillamente de unir los puntos por
segmentos obteniéndose una curva poligonal. Sin embargo para las constantes a trozos no
podemos exigir continuidad y para las poligonales no podemos exigir derivabilidad en los
puntos de contacto (tiene picos).
Los splines cúbicos son probablemente los más utilizados. Partiendo de una subdivisión
del intervalo a = x0 < x1 < · · · < xn = b, se trata de construir una función sn tal que
Bo
sn (x)|[xi ,xi+1 ] ∈ P3 , i = 0, . . . , n − 1,
es decir, sea un polinomio de grado tres en cada subintervalo, cumpliendo que
sn (xi ) = yi , , i = 0, . . . , n,
esto es, que tome unos valores prefijados en los puntos de interpolación y de modo que
tanto la función sn como sus derivadas primera y segunda sean continuas13 en todo el
intervalo [a, b]. Por tanto tenemos que exigir que
lı́m s(j) (j)
n (x) = lı́m− sn (x), j = 0, 1, 2.
x→x+
j x→xj
256
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
Nota. Los splines tienen un origen muy natural. Existı́a una herramienta de dibujo,
ya anticuada, que recibı́a el nombre de spline, o trazador en castellano. Consistı́a en
una especie de regla hecha de un material flexible que se moldeaba para hacer coincidir
el trazado por una serie de puntos. La curva ası́ trazada es fı́sicamente equivalente a
resolver el problema de construir una curva que pase por una serie de puntos y que
minimice la energı́a elástica. La solución matemática a este problema es un spline natural
Bo
(polinomio cúbico a trozos con derivada segunda nula en los extremos) lo que justifica su
denominación.
Se pueden definir splines de mayor grado, siguiendo exactamente la idea anterior, esto
es, pegando polinomios a trozos y dando la mayor regularidad posible.
Splines en Matlab
Matlab dispone de dos comandos encargados de esta tarea:
ppval spline
El primero (piecewise polynomial value) evalúa una función polinómica a trozos. Uno
de sus argumentos es la propia estructura de la función según una sintaxis propia de
rra
Matlab. La segunda instrucción devuelve una estructura de este tipo que contiene el spline
que interpola a datos.
A modo de ejemplo, he aquı́ el spline natural que interpola a los datos desplegados en
la Figura 11.714
>> x0=linspace(0,1,21);
>> y0=[zeros(1,6) ones(1,15)];
>> p1=spline(x0,y0); % spline natural
>> x=linspace(0,1,200);
>> h=plot(x0,y0,’o’,x,ppval(p1,x),’r’,’linewidth’,2);
Por otro lado Matlab tiene implementada una serie de funciones para trabajar con
splines más generales en una toolbox. Al ejecutar splinetool podemos acceder a un
do
entorno gráfico donde testar las capacidades de Matlab en este campo.
Ejercicio 11.14 Se plantea el siguiente problema: dada una serie de puntos en el plano
n o
(x0 , y0 ), (x1 , y1 ), . . . , (xn , yn )
tal que
r
x(tj ) = (xj , yj ). (11.13)
Una buena elección es utilizar splines. Para ello se trata de calcular dos splines cx(t) y cy(t)
que satisfagan, obviamente,
cx(tj ) = xj , cy(tj ) = yj .
14
Los splines siguen conservando cierta rigidez pero se adaptan mucho mejor a los datos.
257
11.2 Extensiones adicionales LECCIÓN V
1.2
0.8
Bo
0.6
0.4
0.2
-0.2
0 0.2 0.4 0.6 0.8 1
rra
Figura 11.7: Interpolación con splines cúbicos naturales
Tenemos ası́ dos problemas de interpolación desacoplados, esto es, cada uno se resuelve in-
dependiente del otro. Queda como cuestión pendiente la elección de T en (11.12) y de los
puntos tj en (11.13). Una buena elección es tomar
q
hj := (xj+1 − xj )2 + (yj+1 − yj )2 ,
que coincide con la longitud del segmento que une (xj , yj ) y (xj+1 , yj+1 ), y hacer luego
t0 = 0, tk := h0 + h1 + . . . + hk−1 , T = tn .
do
Una vez ya calculados, la curva se dibuja evaluando
258
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
{Bjn }nj=0 son una base de Pn . Dicho de otra forma, cualquier polinomio se puede
escribir como una combinación de estos polinomios.
259
11.3 Curvas Bézier LECCIÓN V
n
X
Bjn (t) = 1, ∀t ∈ R.
j=0
xi = (xi , yi ), con i = 0, . . . , n,
Bo
se construye ahora la curva de Bézier utilizando estos polinomios:
n
X n
X n
X
S(t) := Bjn (t)xj = Bjn (t)xj , Bjn (t)yj , t ∈ [0, 1].
j=0 j=0 j=0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
do
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
1 1
0.8 0.8
0.6 0.6
0.4 0.4
r
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
260
LECCIÓN V Capı́tulo 11. Interpolación. Curvas Bézier
Ejercicio 11.16 Utilizando el código mostrado en el Ejercicio 11.15, programa las curvas
Bézier. Compara con las curvas que definen la interpolación por splines y la polinómica.
Ejercicio 11.17 Implementa la siguiente extensión del programa anterior: permitir que el
usuario seleccione puntos y pueda moverlos o borrarlos (por ejemplo, con el botón derecho del
ratón) y ası́ comprobar la sensibilidad de la curva al polı́gono de control.
Bo
Una sugerencia: una vez leı́dos los puntos, y dibujada la correspondiente curva nos situamos
de nuevo en la ventana gráfica con ginput y leemos la selección hecha por el ratón. Ahora
hay tres opciones
θj
x j+1
xj
do
x j+2
Una forma de determinar15 este orden es medir el ángulo entre los vectores
u=−
x−→
j y, v=−
x−−→
j+1 y
r
y quedarse con aquél para el que ángulo θj sea mayor (véase la Figura 11.9). Para ello,
basta utilizar que
|u · v|
| cos(θj )| = .
kukkvk
15
Gracias a Jon Garcı́a por sugerirnos esta solución.
261
11.3 Curvas Bézier LECCIÓN V
Escogeremos entonces j para que | cos(θj )| sea mı́nimo, y construiremos la curva Bézier
con puntos
{x1 , . . . , xj , y, xj+1 , . . . , xn }
{xj , xj+1 }.
Bo
Nota. Las curvas Bézier fueron introducidas por los ingenieros Pierre Bézier y Paul
de Casteljau, que trabajaban entonces en Renault y Citröen. Concretamente, buscaban
herramientas para el diseño de parachoques de forma que la curva que diera su forma
fuera controlada por una serie de puntos y que tuviera buenas propiedades geométric-
as. Los algoritmos iniciales (todavı́a se utilizan en la práctica hoy en dı́a) seguı́an ideas
muy geométricas16 , y se tardó algún tiempo en darle la forma que hemos mostrado, más
matemática. Como resultado de este estudio surgieron las curvas B-spline, que reemplaz-
aban a los polinomios de Bernstein por splines de grados adecuados. Las curvas B-spline
son más flexibles que las curvas Bézier y en su caso lı́mite incluyen a éstas. Por lo tanto
pueden interpretarse como una generalización de las mismas.
Por otro lado existen formas mucho más eficientes de evaluar y calcular este tipo de
curvas que permiten en última media su implementación en una forma más interactiva,
rra
de forma que el usuario mueva los puntos (cambie el polı́gono de control) y que la curva
se redibuje constantemente.
do
r
16
La versión original ni siquiera hablaba de polinomios.
262
Bibliografı́a
Bo
[1] Atkinson, K. (1993): Elementary Numerical Analysis. Wiley.
[2] Burden, R.L. y Faires, J.D. (1998): Análisis Numérico. International THOMSON.
[3] Chapman, S.J. (1997): Fortran 90/95 for Scientists and Engineers. McGraw-Hill.
[4] Chapman, S.J. (2002): Matlab Programming for Engineers. Books/Cole.
[5] Cooper, J. (2001): A Matlab Companion for Multivariate Calculus.Academic Press.
rra
[6] Eriksson, K.E., Step, D. y Johnson, C. (2004): Applied Mathematics: body and soul.
Springer Verlag.
[7] Garcı́a de Jalón, J. (2004): Aprenda Matlab 6.5 como si estuviera en primero.
Publicación electrónica, disponible en
http://mat21.etsii.upm.es/ayudainf/aprendainf/varios.htm
[8] Gander, W. y Hřebı́ček, J. (2004): Solving problems in Scientific Computing using
Maple and Matlab. Springer–Verlag.
[9] Golub, G.H. y van Loan, C.F. (1989): Matrix Computations. University Press.
[10] Golub, G.H. y van der Vorst, H. (2000): “Eigenvalue computation in the 20th centu-
ry” en J. Comput. Appl. Math. 123 (2000), 35–65.
do
[11] Greenbaum, A. (1997): Iterative Methods for Linear Systems. SIAM.
[12] Hänmerlin, G. y Hoffmann, K.H. (1991): Numerical Mathematics. Springer–Verlag.
[13] Hanselman, D. y Littlefield, B.R. (2000): Mastering Matlab 6. Prentice Hall.
[14] Higham, D.J. y Higham, N.J. (2005): Matlab guide. SIAM.
[15] Hoffman, J., Johnson, C. y Logg, A. (2004): Dreams of Calculus. Springer.
[16] Infante, J.A. y Rey, J.M. (2002): Métodos numéricos. Teorı́a, problemas y prácticas
r
con Matlab. Anaya.
[17] Kharab, A. y Guenther, R.B. (2001): An Introduction to Numerical Methods: A MAT-
LAB Approach. Chapman & Hall.
[18] Kincaid, D. y Cheney, W. (1994): Análisis numérico. Las matemáticas del cálculo
cientı́fico. Addison–Wesley Iberoamericana.
[19] Kress, R. (1988): Numerical Analysis. Springer Verlag.
[21] Marchand, P. y Holland, T.O. (2003): Graphics and GUIs with Matlab, tercera edi-
ción. Chapman & Hall/CRC.
Bo
[22] Maron, M.J. (1987): Numerical Analysis. A practical approach. Macmillan.
[23] Mathews, J.H. y Fink, K.(2000): Métodos Numéricos con Matlab. Prentice Hall.
[25] Meurant, G. (1999): Computer solution of Large Linear systems. North Holland.
[31] Saasd, Y. y van der Vorst, H.A. (2000): “Iterative solution of linear systems in the
20th century” en J. Comput. Appl. Math., 123, 1-33 (2000).
265
10.12. Utilización de nan en un dibujo. . . . . . . . . . . . . . . . . . . . . . . . 226
10.13. Algunas opciones con surf. . . . . . . . . . . . . . . . . . . . . . . . . . 228
10.14. Esferas en 3D. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
10.15. Una superficie con surf y pcolor. . . . . . . . . . . . . . . . . . . . . . . 231
10.16. Lı́neas de nivel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
10.17. Campo de velocidades con quiver . . . . . . . . . . . . . . . . . . . . . . 233
Bo
10.18. Triangulación no conforme. . . . . . . . . . . . . . . . . . . . . . . . . . . 235
10.19. Numeración de triángulos . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
10.20. Un dominio mallado en triángulos. . . . . . . . . . . . . . . . . . . . . . . 237
267
II Programación Avanzada. Métodos iterativos 51
4. Matlab: programación avanzada 55
4.1. Retorno a las matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1.1. Acceso a partes estructuradas de una matriz . . . . . . . . . . . . . 55
4.1.2. Más operaciones sobre matrices . . . . . . . . . . . . . . . . . . . . 60
Bo
4.1.3. Matrices sparse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2. Argumentos de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
268
8.2. Procesador simbólico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
8.3. Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
8.4. Vectores de celdas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
269
11.2.2. Interpolación de funciones periódicas . . . . . . . . . . . . . . . . . 254
11.2.3. Interpolación polinómica a trozos . . . . . . . . . . . . . . . . . . . 255
11.3. Curvas Bézier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
Bo
rra
do
r
270
Índice de comandos de Matlab
Bo
[], 30 blkdiag, 57
%, 10 break, 31
|, 32 ButtonDownFcn, 216
&, 32
’, 57 celldisp, 167
.’, 58 chol, 49
./, 24 cholinc, 100
/, 24 cla, 211
<, 32 clabel, 230
<=, 32 clear, 18
rra
==, 32 clf, 211
>, 32 collect, 161
>=, 32 colorbar, 223
@, 110 colormap, 223
\, 24 cond, 63
\., 24 continue, 31
~=, 32 contour, 229
: contourf, 229
def. de vectores, 27 conv, 150, 155
selección de submatrices, 28 cos, 10, 15
cosh, 15
abs, 13 cot, 15
do
acos, 15 csc, 15
acosh, 15 cylinder, 228
acot, 15
acsc, 15 daspect, 223
angle, 13 dblquad, 132
ans, 11 dct, 147
area, 218 deconv, 155
asec, 15 det, 24
asin, 15 diag, 55
asinh, 15 dot, 60, 63
r
atan, 15 dsolve, 161
atanh, 15 dst, 147
axis, 211, 213
edit, 19
bar, 218 eig, 193
bar3, 218 eigs, 193
barh, 218 ellipsoid, 228
271
else, 33 hilb, 26
elseif, 34 hold, 207
end
con for, 30 i,j, 13
con if, 33 idct, 147
con while, 35 idst, 147
Bo
en arrays, 35 if, 33
eps, 20 ifft, 147
exp, 15 ifourier, 160
expand, 161 ilaplace, 160
eye, 26 inf, 12
ezcontour, 231 initmesh, 236
ezcontourf, 231 inline, 107
ezmesh, 231 input, 110
ezmeshc, 231 inv, 24
ezplot, 218 invhilb, 26
ezplot3, 231 isempty, 91, 174
ezpolar, 218
rra
laplace, 160
ezsurf, 231
legend, 211
ezsurfc, 231
length, 25
factor, 161 limit, 160
factorial, 111 line, 218
feval, 109 linspace, 27
fft, 147 load, 18
figure, 207 log, 15
fill, 218 log10, 10, 15
fontangle, 212 log2, 15
fontname, 212 logical, 33
fontsize, 212 loglog, 218
do
fontweight, 212 lookfor, 14
for, 30 lu, 49
format, 12
fourier, 160 maple, 162
full, 65 max, 42, 61
function, 20 mesh, 230
meshc, 230
gca, 215 meshgrid, 221
gcf, 215 meshz, 230
get, 213 mhelp, 162
r
ginput, 256 min, 61
grid, 211 mldivide, 25
gtext, 257 mod, 146
mrdivide, 25
help, 14
helpwin, 14 NaN, 12
hess, 193 en dibujos, 223
272
nargin, 66 roots, 157
nargout, 66 rotate, 212
nnz, 65
norm, 62 save, 18
num2str, 149 schur, 191
sec, 15
Bo
ones, 26 semilogx, 218
semilogy, 91, 218
pascal, 26 set, 213
patch, 218 sign, 15
pbaspect, 223 simple, 161
pcg, 100 simplify, 161
pcolor, 229 sin, 10, 14, 15
pdetool, 236 sinh, 15
pi, 12 size, 25
plot, 110, 205 solve, 161
color, 208 spalloc, 65
LineWidth, 208 sparse, 64
rra
Marker, 208 spdiags, 66
MarkerEdgeColor, 208 speye, 66
MarkerFaceColor, 208 sphere, 228
MarkerSize, 208
spline, 255
plot3, 219
splinetool, 255
plotyy, 218
spones, 66
polar, 218
sprand, 66
poly, 157
sprandn, 66
polyder, 161
spy, 65
polyfit, 246
sqrt, 11
polyint, 161
stairs, 218
polyval, 156
stem, 218
do
power, 15
str2num, 149
ppval, 255
subplot, 217
profile, 181
sum, 61
qr, 49, 188 surf, 221
quad, 132 EdgeAlpha, 225
quadl, 132 EdgeColor, 225
quiver, 231 FaceAlpha, 225
quiver3, 231 FaceColor, 225
LineStyle, 225
rank, 63 LineWidth, 225
r
rcond, 63 Marker, 225
realmax, 20 MarkerEdgeColor, 225
realmin, 20 MarkerSize, 225
refinemesh, 236 MeshStyle, 225
reshape, 60 surfc, 230
return, 20 surfl, 230
273
svd, 194
switch, 35
symamd, 72
symmmd, 70
symrcm, 70
symsum, 160
Bo
tan, 15
tanh, 15
taylor, 160
text, 211
tic, 183
title, 211
toc, 183
tril, 55
trimesh, 236
triplequad, 132
trisurf, 236
rra
triu, 55
varargin, 66
varargout, 66
vectorize, 108
view, 223
vpa, 160
waterfall, 230
while, 35
whitebg, 211
who, 17
whos, 17
do
xlabel, 211
xlim, 211
ylabel, 211
ylim, 211
zeros, 23, 26
zlabel, 220
zlim, 220
r
274