Integrantes: Luisana Matheus Ericka Montero

LABORATORIO #4 CALCULO CIENTIFICO

Ejericicio1
Tiempo de CPU Inversa 0.095516 seconds. 0.167243 seconds. 0.256125 seconds. 0.366947 seconds.

n 500 600 700 800

Cramer 29.473141 seconds. 58.607260 seconds. 105.010726 seconds. 175.686642 seconds.

PA=LU 0.041650 seconds. 0.080538 seconds. 0.115750 seconds. 0.158143 seconds.

En primer lugar, slo con observar los resultados obtenidos, podemos notar que el mtodo que requiri menos tiempo de CPU, para las matrices de nxn probadas, fue el de LU con Pivoteo; mientras que el mtodo que requiri mayor tiempo de CPU y con gran diferencia fue el de Cramer. Con esto podemos observar que el mtodo ms eficiente para el clculo de SEL es el LU con pivoteo, ya que vamos a ir obteniendo el vector y por medio de Ly=Pb y el vector solucin Ux=Y. Este mtodo es eficaz ya que las matrices L, U y P la conocemos por medio del proceso de factorizacin con pivoteo. Al ser L triangular inferior y U triangular superior hacen los clculos un poco ms sencillos. La matriz P juega tambin un papel importante en esta solucin de SEL, ya que ella es la encargada de aplicar al vector b los cambios por filas que ocurriendo en la factorizacin. Entonces, si se quiere resolver varios SEL con la misma matriz, es conveniente utilizar el mtodo PA=LU, ya que lo nico que cambiara para cada sistema es el vector b. Ahora bien, se sabe que el clculo de la Inversa de una matriz tiene un costo computacional alto, pero este costo es superado por el mtodo de Cramer debido a que este usa el clculo del determinante para dos matrices distintas de nxn, y hacer estos clculos resulta aun ms costoso que hacer solo la Inversa. Aunque tambin se debera tener en consideracin, que las matrices que generamos son randoms, y por lo tanto, se pueden generar matrices mal condicionadas, proporcionando resultados no esperados.

Ejercicio2 Cambie el vector c a cT y de a dT

Resuelva los Sistemas:

Resolucin del SEL:

(yT= x techito)

Error Relativo:

Resolucin del SEL:

(rT= x techito)

Error Relativo:

Que observa en relacin a las soluciones obtenidas en ambos sistemas?

Observamos que, una pequea variacin en las condiciones inciales del sistema, puede producir un resultado totalmente diferente en la solucin del problema, tal como lo podemos ver en el primer SEL.

O que por el contrario, una pequea variacin en las condiciones inciales del sistema, podra producir slo una pequea alteracin en su solucin.

Emplee la siguiente cota del error relativo para la solucin de Ax = b para justificar el comportamiento observado de manera formal.

Para Bx=c Calculando el nmero de condicin de la matriz B, obtenemos el siguiente resultado: cond(B,'inf')= 8.397680543584134e+05 Y el error relativo de c es

Por lo tanto tenemos que la desigualdad se cumple, 3.992199599599807 <= 8.397680543584134e+05 * 1.428561224559352e-05 3.992199599599807 <= 11.996600800800799

Para Qx=d Para la matriz Q el nmero de condicin es, cond(Q,'inf')= 3.788752266817110 Y el error relativo de d es,

Por lo tanto tenemos que la desigualdad en este caso tambin se cumple, 1.203088691699161e-04 <= 3.788752266817110 * 5.137426149509943e-05 1.203088691699161e-04 <= 1.946443496956129e-04

Sabemos que el nmero de condicin de A juega un papel fundamental en la resolucin de SEL ya que este determina la precisin alcanzable en la solucin calculada. Lo grande o pequeo de cond(A) depende de: el error cometido en los datos de entrada y de la precisin en los datos de salida. Como pudimos ver en el ejercicio planteado para ambos sistemas Ax=b tenemos perturbacin solo en el vector b, es por ello que llegamos a la desigualdad anterior. As pues, podemos notar que el error relativo cometido en b es pequeo en ambos casos (para cT y dT respectivamente); por lo tanto, la cota depender del tamao de la condicin de A. Si cond(A) es pequea, como vimos para Qx=d, entonces el error relativo de x ser pequeo. En cambio, si cond(A) es grande, como vimos para B, entonces el sistema estar mal condicionado y tendremos un error muy grande; esto es porque una solucin ideal sera que el error relativo de x estuviese acotado por un nmero muy pequeo que nos asegure que nuestro error nunca ser mayor a el. Cuanto mayor sea el nmero de condicin peor ser el condicionamiento del sistema. En conclusin, se puede considerar que una matriz estar mal condicionada si una pequea perturbacin o error en las condiciones inciales produce un cambio significativo en el vector solucin.

Ejercicio 3

A det(*) norm(*,'inf') norm(inv(*),'inf') cond(*,'inf') -1.000000000000000e-14 1.000000300000000 20000000 20000006

B 9.999999999999901e+27 1.000000100000000e+21 1.000000000000010e-07 1.000000100000010e+14

Si det(A) es un nmero cercano a cero, entonces la matriz A est cerca de ser singular? Verdad. Podemos ver que si la matriz tiene valores muy pequeos como la matriz A de la tabla, su determinante tendr un valor muy pequeo (cercano a cero) y su inversa tendr valores grandes como podemos ver reflejado en su norma (norm(inv(*),'inf')); por lo tanto la matriz est cerca de ser singular. Si det(A) es significativamente mayor a 0, entonces la matriz es no singular? Este es el caso de la matriz B cuyo determinante es mucho mayor a cero y como vemos, la norma de su inversa es muy pequea y la matriz es No singular. Por lo tanto basndonos en la tabla podemos decir que es verdad. Si cond(A) es un nmero muy grande, entonces la matriz A est cerca de ser singular? Falso. Sabemos que el determinante de una matriz influye inversamente en la magnitud de cond(A); y como vemos en la tabla que el nmero de condicin sea grande no implica que la matriz est cerca de ser singular. Si |det(A)| es significativamente mayor a cero, entonces cond(A) debe ser un valor pequeo? Falso. Como podemos ver en la tabla para el caso de la Matriz B cuyo determinante es mucho mayor que cero, su condicin es un nmero grande. Es decir, que el determinante sea mayor a cero no implica que la condicin deber ser un valor pequeo. Si det(A) es un valor pequeo, entonces cond(A) tiene que ser un valor grande? Falso. El determinante de una matriz puede ser pequeo y cond(A) puede no ser grande. Este ejemplo lo vemos reflejado claramente para la matriz A de la tabla cuyo determinate es cercano a cero pero su nmero de condicin no es un nmero muy grande; el de B es mucho mayor.

Ejercicio 4

Hs 50 cond(*,'inf') estimador 100 200

4.673019834834568e+03 4.673019834834567e+03 8.772991307156832e+02 2.048987920591299e+03 8.772991307156831e+02 2.048987920591299e+03

Rs 100 cond(*,'inf') estimador 200 300

1.658603985863869e+66 1.707464636137092e+13 2.587774397541147e+38

1.139715884963518e+13 1.738461790168610e+38 1.579917910684720e+66

Sabemos, como nos explica el enunciado, que el estimador de Cline, Moler, Stewart y Wikinson nos permite calcular la norma de una matriz inversa sin tener que calcular a la inversa como tal (ya que su clculo es muy costoso a nivel computacional); todo esto para calcular el nmero de condicin de una matriz cuadrada. Como ya dijimos en ejercicios anteriores, el nmero de condicin de una matriz nos informa, entre otras cosas, de la proximidad de esa matriz a la singularidad. En este caso, hacemos uso de dos tipos de matrices. Una Hilb de la que sabemos que se caracteriza por estar muy mal condicionada y una Matriz con valores aleatorios. Como podemos ver en la tabla de arriba, para la matriz triangular Hs de nxn (que parti de una matriz Hilb), la estimacin de su nmero de condicin es casi exacta al valor real, incluso para n grande; en cambio, para la matriz Rs la estimacin de su condicin tiene menor precisin e incluso haciendo los clculos en Matlab podemos ver el siguiente mensaje:

Podemos decir, que este algoritmo nos presenta una buena estimacin muy buena del nmero de condicin de matrices mal condicionadas y que para matrices muy cercanas a ser singular la estimacin no es muy buena.