Beruflich Dokumente
Kultur Dokumente
0
0
100,0000 35,7143
M alla =
100,0000 42,8571
100,0000 35,7143
0
0
0
0
0
0
0
0
M alla =
0
0
0
0,1070
0,1130
0
0
0,3152
0,3448
0
0
0,8090
0,9511
0
0
0
0
M alla =
0
0
0
0,1875 0
0,1619 0
0,0037 0
0,1576 0
0,1897 0
0,0665 0
1,2,3, el libro tambien nos explica que se utiliza la base canonica del espacio RN (R son los reales)
que es formada por los vectores Ei = [0 0 0 . . . 0 1i 0 . . . 0], donde el subndice i se
nala la posicion,
para i = 1, 2, 3,. . . N.
G, que es una matriz
Por lo tanto llegamos a decir que existe un MATRIZ DE PERMUTACION
de orden N x N tal que en cada fila y en cada columna solo tiene un elemento igual a 1 y los demas
con 0. Las filas de G son, entonces, una permutacion de las filas de la matriz identidad y G puede
0
0
0
escribirse como G = [Ek1
Ek2
...Ekn
];
siendo k1,k2,...kn la permutaci
on 1,2,3...,N, entonces los elementos de
G[i, j] =
1
0
si j=ki
si en otro caso
0
1
G=
0
0
1
0
0
0
0
0
0
1
0
0
= [E 0 2E 0 1E 0 4E 0 3]0 .
1
0
Entonces se dice que GA es la matriz que se obtiene permutando las filas A en el mismo orden:
f ilak1 A, f ilak2 A, f ilakn A. Esto se entiende como por ejemplo:
0
1
G=
0
0
1
0
0
0
0
0
0
1
0
0
1
0
a11
a21
a31
a41
a12
a22
a32
a42
a13
a23
a33
a43
a14
a21
a11
a24
=
a34 a41
a44
a31
a22
a12
a42
a32
a23
a13
a43
a33
a24
a14
a44
a34
Tambien se puede decir que por ser invertible la matriz G, se dice que g 1 =G.
Entonces la matriz A es una matriz invertible, entonces existe una matriz de permutacion G tal
que GA admite una factorizaci
on triangular GA=LU.
En MATLAB existe una instruccion que nos proporciona esto, con la matriz L y U ademas tambien
la matriz de permutaciones G, esta es: [L , U ,P] = lu(A).
Solo hablamos en el caso de LU pero es el mismo para QR, y tambien su matriz de permutaciones
es la misma y en MATLAB existe tambien la instruccion para ella.
Ejemplos (sacados del libro):
1) A = [1 2 6; 4 8 -1; -2 3 -5];
1
L = 0,5
0,25
0 0
4 8
1 0 U = 0 7
0 1
0 0
0
1
5,5 P = 0
6,25
1
1
0
0
0
1
0
1
L = 0,6
0,2
0
1
0,1818
0
5
0 U = 0
1
0
2
2,2
0
1
1
5,4 P = 0
1,8182
0
0
0
1
0
1
0
2
2,2
0
1
0
5,4 P = 0
1
1,8182
0
1
0
1
0
0
3) A = [1 0 3; 3 1 6; -5 2 -1];
1
L = 0,6
0,2
0
1
0,1818
0
5
0 U = 0
1
0
4. Determine la relaci
on que existe entre la descomposici
on QR y la soluci
on de un
problema de minimos cuadrados
Primero el problema de minimos cuadrados es ||AX Y ||2 sea minimo teniendo una matriz A mxn
(m = n) y un vector B, pues la solucion a este problema se puede hallar de muchas maneras que
tomaremos AX0=PB donde A es la matriz m*n, B el vector y P la matriz de permutaciones de
A y X0 la respuesta, entonces podemos usar la factorizacion QR donde A=QR entonces sabemos
que Q son base ortogonal de la matriz de identidad Im que Y por CONSIGUIENTE QQ es P,
entonces si QRX0=QQB obtendremos RX0=QB, entonces solo solucionamos la ecuacion anterior
y se tendra soluci
on de un problema de minimos cuadrados.
5. Explique que es la complejidad computacional, determine cual es la complejidad
computacional de la descomposicon LU y la descomposici
on QR
La complejidad computacional estudia la eficiencia de los algoritmos estableciendo su efectividad de
acuerdo al tiempo de corrida y al espacio requerido en la computadora o almacenamiento de datos,
ayudando a evaluar la viabilidad de la implementacion practica en tiempo y costo. Por otra parte,
provee herramientas para clasificar la dificultad inherente de un problema, de esta manera se puede
conocer previamente si la b
usqueda de un algoritmo eficiente para la solucion de dicho problema
es posible o no. Existen problemas que u
nicamente pueden resolverse utilizando un algoritmo de
tiempo exponencial o incluso, puede ser que no exista algoritmo alguno, por lo cual, al tener este
tipo de informaci
on puede optarse por la b
usqueda o aplicacion de tecnicas heursticas existentes,
que si bien no garantizan una soluci
on optima, si pueden proporcionar una buena solucion o una
aproximada.
Complejidad de A = LU:
N
1
X
(N q)(N q + 1) =
q=1
N3 N
3
N
1
X
(N pq)(N q) =
q=1
2N 3 3N 2 + N
6
Tri
angulo inferior LY = B que lleva a N 2N multiplicaciones y substracciones, y las divisiones de los elementos diagonales de L es 1.
Triangulo superior UX = Y que lleva a
N 2 +N
2
multiplicaciones y divisiones y
N 2 multuplicacionesydivisionesyN 2 N substracciones.
Complejidad de A = QR:
N 2 N
2
La factorizaci
on QR tiene un costo de 2mn2 donde m y n son las dimensiones de la Matriz a
descomponer. pues se hacen m iteraciones para conseguir la matriz ortogonal y se hace un esfuerzo
de 2n2 por iteraci
on puesto que se calculan con el Proceso de ortogonalizacion de Gram Schmidt,
que hace el calculo de una multiplicacion por coeficientes, osea a todos los elementos que es de
tama
no n cada uno, demorara:
N
1
X
i=0
Que es el n
umero de sumas de matrices (nx1) a realizar dandonos el resultado donde si es una
matriz nxn sera 2n3 el coste computacional.
6. En que consiste un problema mal condicionado en la soluci
on de sistemas de ecuaciones
Segun el libro de John H. Mathews, habla de problemas mal condicionados en matrices, pero en
general podemos decir que:
Un problema mal condicionado es que peque
nas modificaciones en x producen grandes modificaciones en f(x); y esto se entiende en sistemas de ecuaciones que peque
nas modificaciones en todas las
variables (x,y,z...) pueden causar que se tenga otro resultado .aproximado.en el sistema, el ejemplo
que nos coloca el libro es el siguiente:
x + 2y -2.00 = 0
2x + 3y - 3.40 = 0
Si sustituimos x0 = 1.00 y y0=0.48 en estas ecuacuones, obtenemos casi ceros.
1 + 2(0.48) -2.00 = -0.04 0
2 + 3(0.48) - 3.40 = 0.04 0
Entonces la mera sustitucion de valores en un sistema de ecuaciones no es una garanta de exactitud,
entonces la mala condici
on puede tener consecuencias mas drasticas cuando hay varias ecuaciones
involucradas. Por ejemplo se considera hallar el polinomio c
ubico y = c1 x3 + c2 x2 + c1 *x +
c4 que pasa por los puntos (2,8),(3,27),(4,64), (5,125).
Dando como resultado resolver el sistema lineal :
20514
4424
978
224
4424
978
224
54
978 224
c1
20514
224 52
c2 = 4424
54
14
c3
978
14
4
c4
224
Gracias a un programa en MATLAB con una precision de nueve cifras se tuvo que :
c1 = 1.00004 c2 =-0.000038 c3 = 0.000126 c4 = -0.000131
y siendo el resultado correcto,
c1 = 1 c2 =c3 =c4 = 0
Se puede concluir que la mala condicion no se puede detectar facilemente, pero existe en algunas
ecuaciones lineales que tan solo con cambiar los valores de las variables, esto producira grandes
modificaciones al resultado y que tal tal vez con pocas ecuaciones no causen problemas en una
aplicacion X, pero aumentando mucho mas el numero de ecuacion, se notara la gran diferencia que
hace.