GRADO EN ESTADSTICA Y EMPRESA METODOS MATEMATICOS II AVANZADOS

Curso 2010 2011 Soluciones del Examen Final Ordinario Curso 2010 - 2011 1 (2.5 puntos) i) Encuntrese la factorizacin LU, si existe, de la matriz:

Tienen los factores L y U alguna estructura especial?. Cuantas operaciones son necesarias para anular en cada columna los elementos bajo la diagonal principal. ii) Se dice que la matriz cuadrada tiene estructura de punta de flecha en caso de que sea como la matriz anterior, es decir cuando sus elementos son nulos salvo en la diagonal principal y en las ltimas fila y columna como:

(los asteriscos son entradas no necesariamente nulas). Si A es una matriz con estructura de punta de flecha que admite una factorizacin LU qu estructura tienen sus factores L y U?. iii) Descrbase una versin del algoritmo LU adaptada al caso de matrices con estructura de punta de flecha de orden nxn. Estmese el coste computacional en flops. iv) Sea B una matriz de la forma:

Y supngase que admite una factorizacin LU. Qu estructura tienen los factores L y U? i) Vamos a proceder a realizar operaciones elementales por filas para convertir la matriz en triangular superior.

( [ ]

) [ ]

) [ ]

( ) [ ] [ ]

) [ ]

Ha sido posible llegar a una matriz triangular superior que ser el factor U. La matriz A admite la factorizacin: ( Entonces:
( ) ( ) ( ) ( ) [ ] [ ]

( )

][

Claramente si se puede afirmar que los factores LU tienen una estructura especial y es que ambos son como semi puntas de flecha. i) Es evidente que el mismo proceso de eliminacin para una matriz de cualquier orden y estructura de punta de flecha conduce a matrices LU, supuesto que la factorizacin sea posible, que tienen estructura de semi punta de flecha. El algoritmo para computar la factorizacin LU realizar una operacin elemental por fila por cada uno de los elementos de la ltima fila bajo la diagonal principal que consistir en sumar a dicha ltima fila cada una de las otras multiplicada por el factor adecuado que anule el elemento correspondiente. Cada una de estas operaciones por fila implica 2 productos y 2 sumas ms una divisin para el clculo del factor, o sea un total de 5 flops. Dado que son

ii)

necesarias flops ser iii)

operaciones por filas del tipo anterior, el nmero total de .

Una matriz como la descrita tiene una factorizacin LU completamente diferente porque las operaciones por filas necesarias para eliminar los elementos de la primera columna suponen sumar a las filas el producto de la primera fila por un nmero adecuado de modo que aparecen ceros en las columnas segunda , tercera , etc. que despus debern ser eliminados. Por consiguiente no cabe esperar ninguna estructura especial de los factores. Esta matriz es completamente diferente al caso de las matrices punta de flecha. 2 (2 puntos) Dada la matriz: [ Se pide: a) Norma dos de A, es decir el mayor valor singular. b) Su nmero de condicin en norma 2. Se recuerda que c) Considerando el sistema un error relativo inferior a relativo de la solucin? ( )
( ) ( )

donde es un vector que se conoce con Qu cota superior se conoce para el error

a) Los valores singulares de A son las determinaciones positivas de las races de los mdulos de los autovalores de o sea de: [ ][ ] [ ]

La ecuacin caracterstica de esta matriz es:

cuyas races, es decir los autovalores de la matriz, son:

Por consiguiente los valores singulares de ( ) As pues: ( )

3

son: ( )

b) El nmero de condicin es: ( )

( ) ( )

c) El nmero de condicin de la matriz es el nmero de condicin del problema de calcular la solucin del sistema para diferentes valores de . Entonces: ( ) O sea que:

Lo que indica que el resultado puede no tener ninguna cifra significativa debido al mal condicionamiento del problema.

3 (3 puntos) Dada la matriz [ ] [ ]

y el vector

siguientes:

Calclese lo siguiente: a) Factorizacin reducida de la matriz mediante el procedimiento de Householder o el procedimiento de Gram Schmidt. b) Resulvase el problema de mnimos cuadrados derivado de ajustar una ) ( ) ( ) del plano real. recta a los puntos ( c) Calclese el residuo de la solucin. d) Encuntrese la proyeccin ortogonal de b sobre Col(A). a) Se va a computar la factorizacin A = QR mediante el procedimiento de Gram Schmidt. Tomamos [ ] cuya norma es ] entonces:

] ( [

[ ]) [ ] ]

[ ]

Entonces

] y la matriz Q viene dada por:

[ ]

b) El sistema que se plante en el problema de mnimos cuadrados es: [ ][ ] [ ]

que obviamente es incompatible y solo puede solucionarse por mnimos cuadrados para cuya solucin de mnimos cuadrados puede utilizarse la factorizacin [ [ [ ]

[ ]

][ ]

][

Luego la recta solucin del problema de mnimos cuadrados es:

c) El residuo viene dado por:

5

[ ]

][

( ) coincide con el subespacio d) El subespacio ( ), la diferencia es que las columnas de son una base ortonormal de dicho subespacio. En consecuencia la matriz es la matriz de la proyeccin ortogonal de ( ), o sea que es la matriz de en ( ). Por tanto, la proyeccin ortogonal que se pide es:

( )(

][ ]

[
( )(

][ ]

La proyeccin ortogonal ( ) ( ) es la mejor aproximacin ( ) y en el sentido de la norma dos del vector dentro de . Esta proyeccin est referida a la base cannica de pero puede expresarse como combinacin lineal de las columnas de que es una base de ( ). En dicha base la proyeccin ser el vector [ ] solucin del problema de mnimos cuadrados, puesto que: [ ] [ [ ] ]
( )(

Esto no es extraordinario ya que la proyeccin ortogonal de un vector sobre un subespacio es, precisamente, la mejor aproximacin al vector desde el subespacio en el sentido de la norma eucldea 4 (2.5 puntos) Dada la matriz:

1) Comptense los autovalores y vectores propios de esta matriz

6

2) Utilizando el mtodo de la potencia en norma dos, es decir mediante las iteraciones: ) ) ) y, comenzando con el vector [ ], realcense las cuatro primeras

iteraciones y analcese la convergencia del mtodo converge?. En caso afirmativo, cal es el lmite? por qu?. 3) Considrese la matriz Cules son sus autovalores? Si se aplica el algoritmo QR bsico a converger? En caso afirmativo cal es el lmite? (no se precisan clculos en este apartado). 1) Vamos a computar autovalores y autovectores. Como la matriz es simtrica todos sus autovalores sern reales

)|

)[ (

)]

Los autovectores son:

][ ]

[ ]

[ ]

][ ]

[ ]

[ ]

][ ]

[ ]

][ ]

[ ]

[ ]

2) Ahora se va a aplicar el mtodo de la potencia para calcular autovalor y autovector dominante. Dado que el autovalor dominante es 3 y es nico el mtodo de la potencia debe converger

][ ]

[ ]

[ ]

[ ]

[ ]

[ ]

[ ]

[ ]

[ ]

Parece que se da la convergencia porque la aproximacin al autovalor dominante permanece constante en todas las iteraciones, no obstante la aproximacin al autovector oscila entre dos vectores. Para que la convergencia se de y funcione el mtodo de la potencia se tiene que dar la circunstancia de que converjan simultneamente aproximacin de autovector y aproximacin del autovector.

Con el vector inicial

[ ] el mtodo de la potencia no converge y se debe

a que el vector elegido para el inicio tiene componente nula en la direccin del autovector asociado al autovalor dominante.

Si se cambia de vector inicial tomando

[ ] se tendr:

][ ]

[ ]

[ ]

[ ]

[ ]

Claramente la convergencia ya se ha producido desde la segunda iteracin, el autovalor dominante es y el autovector correspondiente [ ]

La convergencia no tiene problemas porque no existen dos autovalores dominantes con el mismo mdulo, pero es preciso que la eleccin de la aproximacin inicial del autovector asociado al autovalor dominante tenga componente no nula en la direccin del vector propio asociado al autovalor dominante. 3) La matriz es un polinomio ( ) de la matriz A, por tanto sus autovalores son las imgenes por el polinomio de los autovalores de y los autovectores correspondientes son los mismos que los de . Por tanto los autovalores de son:

Luego tiene todos sus autovalores todos ellos distintos y uno de ellos es dominante luego no deben existir inconvenientes para la convergencia del algoritmo QR Como ilustracin realizada la iteracin de QR bsico utilizando MatLab se tiene:
EDU>> A A= 1 0 2 0 0 4 0 0 2 0 1 0 0 0 0 2

EDU>> AA = A

AA = 1 0 2 0 0 4 0 0 2 0 1 0 0 0 0 2

EDU>> [Q R]=qr(AA) Q= 0.4472 0 0.8944 0 0 1.0000 0 0 0.8944 0 -0.4472 0 0 0 0 1.0000

R= 2.2361 0 1.7889 0 0 4.0000 0 0 0 0 1.3416 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 2.6000 0 1.2000 0 0 4.0000 0 0 1.2000 0 -0.6000 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 0.9080 0 0.4191 0 0 1.0000 0 0 0.4191 0 -0.9080 0 0 0 0 1.0000

R= 2.8636 0 0.8381 0 0 4.0000 0 0 0 0 1.0476 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 2.9512 0 0.4390 0 0 4.0000 0 0 0.4390 0 -0.9512 0

10

0 2.0000

EDU>> [Q R]=qr(AA) Q= 0.9891 0 0.1471 0 0 1.0000 0 0 0.1471 0 -0.9891 0 0 0 0 1.0000

R= 2.9837 0 0.2943 0 0 4.0000 0 0 0 0 1.0055 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 2.9945 0 0.1479 0 0 4.0000 0 0 0.1479 0 -0.9945 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 0.9988 0 0.0493 0 0 1.0000 0 0 0.0493 0 -0.9988 0 0 0 0 1.0000

R= 2.9982 0 0.0987 0 0 4.0000 0 0 0 0 1.0006 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 2.9994 0 0.0494 0 0 4.0000 0 0 0.0494 0 -0.9994 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q=

11

0.9999 0 0.0165 0 0 1.0000 0 0 0.0165 0 -0.9999 0 0 0 0 1.0000

R= 2.9998 0 0.0329 0 0 4.0000 0 0 0 0 1.0001 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 2.9999 0 0.0165 0 0 4.0000 0 0 0.0165 0 -0.9999 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 1.0000 0 0.0055 0 0 1.0000 0 0 0.0055 0 -1.0000 0 0 0 0 1.0000

R= 3.0000 0 0.0110 0 0 4.0000 0 0 0 0 1.0000 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 3.0000 0 0.0055 0 0 4.0000 0 0 0.0055 0 -1.0000 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 1.0000 0 0.0018 0 0 1.0000 0 0 0.0018 0 -1.0000 0 0 0 0 1.0000

12

R= 3.0000 0 0.0037 0 0 4.0000 0 0 0 0 1.0000 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 3.0000 0 0.0018 0 0 4.0000 0 0 0.0018 0 -1.0000 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 1.0000 0 0.0006 0 0 1.0000 0 0 0.0006 0 -1.0000 0 0 0 0 1.0000

R= 3.0000 0 0.0012 0 0 4.0000 0 0 0 0 1.0000 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 3.0000 0 0.0006 0 0 4.0000 0 0 0.0006 0 -1.0000 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 1.0000 0 0.0002 0 0 1.0000 0 0 0.0002 0 -1.0000 0 0 0 0 1.0000

R= 3.0000 0 0.0004 0

13

0 4.0000 0 0 0 0 1.0000 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 3.0000 0 0.0002 0 0 4.0000 0 0 0.0002 0 -1.0000 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 1.0000 0 0.0001 0 0 1.0000 0 0 0.0001 0 -1.0000 0 0 0 0 1.0000

R= 3.0000 0 0.0001 0 0 4.0000 0 0 0 0 1.0000 0 0 0 0 2.0000 EDU>> AA=R*Q AA = 3.0000 0 0.0001 0 0 4.0000 0 0 0.0001 0 -1.0000 0 0 0 0 2.0000 EDU>> [Q R]=qr(AA) Q= 1.0000 0 0.0000 0 0 1.0000 0 0 0.0000 0 -1.0000 0 0 0 0 1.0000

R= 3.0000 0 0.0000 0 0 4.0000 0 0 0 0 1.0000 0 0 0 0 2.0000 EDU>> AA=R*Q

14

AA = 3.0000 0 0.0000 0 0 4.0000 0 0 0.0000 0 -1.0000 0 0 0 0 2.0000 EDU>>

Se han realizado 11 iteraciones hasta llega a la matriz que muestra los autovalores en la diagonal

15