Captulo 1

Introducci on al Calculo Numerico

1. Introducci on al C aculo Numerico
a) Introducci on al estudio del error
Error absoluto
Error relativo
Notaci on decimal en coma otante (n umeros m aquina)
Propagaci on del error
_
Condicionamiento
Estabilidad
b) Condicionamiento de un problema
c) Estabilidad - algoritmo inestable.
2. Normas vectoriales y matriciales
1
2
1.1. Introducci on al Calculo Numerico
El An alisis Numerico es una herramienta fundamental en el campo de las Ciencias
Aplicadas.
Objetivo: Dise nar metodos numericos de c alculo que aproximen, de modo eciente, la
soluci on de problemas pr acticos previamente formulados matem aticamente.
Algoritmo: Secuencia nita de operaciones algebraicas y l ogicas que producen una
soluci on aproximada del problema matem atico.
AN = dise no de algoritmos y estudio de su eciencia
eciencia
_

_
- requerimientos de memoria
- tiempo de c alculo (rapidez)
- estimaci on del error (precisi on)
1.1.1. Introducci on al estudio del error
El error nos proporciona la precisi on del metodo.
errores de
entrada
(en medidas)
+
errores de
almacenamiento
+
errores de
algoritmo
. .
a analizar
=
errores
de
salida
Sobre los errores de entrada nada podemos decir.
Antes de comenzar recordemos algunso conceptos que en la terminologa estandar de
los errores se suelen usar.
Definici on 1 Error absoluto: Sea z la soluci on exacta del problema y z la soluci on
aproximada, se dene el error absoluto como
z z
donde es una norma (se denir a m as adelante).
(Pensar en como el m odulo).
3
Desde el punto de vista de las aplicaciones, resulta mucho m as relevante el
error relativo
_
_
_
_
z z
z
_
_
_
_
Nota 1 Si z = 0 s olo se trabaja con errores absolutos.
1.1.2. Notaci on decimal en coma otante
Es una forma de representaci on de n umero que contiene la informaci on relevante com-
puesta por:
signo + fracci on + signo para el exponente + exponente.
Por ejemplo, -618.45 se puede expresar como:
618,45 + 0 61,845 + 1 6184,5 1 6,1823 + 2
que signica:
618,45 10
0
61,845 10 6184

5 10
1
6,1845 10
2
De todas ellas, se llama notaci on decimal en coma otante normalizada a aquella en
la que la fracci on est a comprendida entre 0 y 10.
m E 1 m < 10, E N {0}
Los n umeros representables de forma exacta en el ordenador se llaman n umeros m aquina
Nota 2 Los ordenadores almacenan la informaci on en posiciones de memoria (o bit
Binary Digit), que s olo toman valores 0/1, encendido/apagado, positivo/negativo . . . . . .
luego utilizan la representaci on binaria.
Progagaci on del error: Los errores anteriores se propagan a traves de los c alculos, debido
a la estructura propia del algoritmo. Para estudiar esta propagaci on, y por tanto el error
nal, atendemos dos conceptos:
_

_
- Condicionamiento
- Estabilidad
4
Condicionamiento: mide la inuencia que tendran los errores en los datos en el caso en que
se puede trabajar con aritmetica exacta ( no depende del algoritmo, sino del problema
en si).
Estabilidad: Est a relacionada con la inuencia que tienen en los resultados nales la
acumulaci on de errores que se producen al realizar las diferentes operaciones elementales
que constituyen el algoritmo.
1.1.3. Condicionamiento de un problema:
Diremos que un problema est a mal condicionado cuando peque nos cambios en los
datos dan lugar a grandes cambios en las respuestas.
Para estudiar el condicionamiento de un problema se introduce el llamado n umero
de condici on de dicho problema, especco del problema, que es mejor cuanto m as cerca de
1 (el problema est a bien condicionado) y peor cuanto m as grande sea (peor condicionado).
objetivo: Denir el n umero de condici on de un problema.
La gravedad de un problema mal condicionado reside en que su resoluci on puede
producir soluciones muy dispares en cuanto los datos cambien un poco (algo muy frecuente
en las aplicaciones).
Ejemplo: Tenemos el siguiente sistema lineal:
Sistema 1:
10x
1
+ 7x
2
+ 8x
3
+ 7x
4
= 32,
7x
1
+ 5x
2
+ 6x
3
+ 5x
4
= 23,
8x
1
+ 6x
2
+ 10x
3
+ 9x
4
= 33,
7x
1
+ 5x
2
+ 9x
3
+ 10x
4
= 31
_

_
=
_
_
_
_
_
_
x
1
= 1
x
2
= 1
x
3
= 1
x
4
= 1
_
_
_
_
_
_
.
Sistema 2:
10x
1
+ 7x
2
+ 8x
3
+7,2x
4
= 32,
7,08x
1
+5,04x
2
+ 6x
3
+ 5x
4
= 23,
8x
1
+5,98x
2
+9,89x
3
+ 9x
4
= 33,
6,99x
1
+4,99x
2
+ 9x
3
+9,98x
4
= 31
_

_
=
_
_
_
_
_
_
x
1
= 81
x
2
= 137
x
3
= 34
x
4
= 22
_
_
_
_
_
_
.
Sistema 3:
10x
1
+ 7x
2
+ 8x
3
+7,2x
4
= 32,
7x
1
+ 5x
2
+ 6x
3
+ 5x
4
= 22,9,
8x
1
+ 6x
2
+ 10x
3
+ 9x
4
= 32,98,
7x
1
+ 5x
2
+ 9x
3
+ 10x
4
= 31,02
_

_
=
_
_
_
_
_
_
x
1
= 7,28
x
2
= 9,36
x
3
= 3,54
x
4
= 0,5
_
_
_
_
_
_
.
5
Como se ve, peque nos cambios en los datos (del orden de 2 centesimas) en algunos
elementos, producen grandes cambios en las soluciones: 136 unidades del sistema 1 al
sistema 2.
Lo mismo ocurre al perturbar el segundo miembro del sistema: cambios de aproxima-
damente 1 decima producen cambios en la soluci on de aproximadamente 13 unidades.
Lo anterior se debe a que el sistema est a mal condicionado.
La gravedad de un problema mal condicionado reside en que su resoluci on puede
producir soluciones muy dispares en cuanto los datos cambien un poco, cosa muy frecuente
en las aplicaciones.
1.1.4. Estabilidad
Todo algoritmo que resuelve un problema numericamente produce en cada paso un
error numerico.
Un algoritmo se dice inestable cuando los errores que se cometen en cada etapa del
mismo van aumentado de forma progresiva, de manera que el resultado nal pierde gran
parte de su ex actitud.
Un algoritmos es estable cuando no es inestable (controlado).
Condicionamiento y estabilidad =
Permiten estudiar la precisi on
de un algoritmo para
un problema concreto
1.2. Normas vectoriales y matriciales
Objetivo: Introducir herramientas de medici on de la variaci on de los resultados:
1.2.1. Normas vectoriales
Definici on 2 Una aplicaci on : R
n
R
+
{0} es una norma si:
a) v = 0 v =

0 R
n
b) v = ||v, R, v R
n
c) u +v u +v u, v R
n
(desigualdad triangular)
Ejemplo:
6
Dado v R
3
,
v
1
=
n

i=1
|v
i
|,
v
2
=

_
n

i=1
|v
i
|
2
,
y
v

= m ax
1in
|v
i
|
son normas vectoriales.
v = (1, 1, 3)
v
1
= |1| +| 1| +|3| = 5, v
2
=

1 + 1 + 9 =

11, v

= max{1, 1, 3} = 3.
Ejercicio: Comprobar que
1
,
2
y

son normas vectoriales.

Definici on 3 Dos normas vectoriales son equivalente y

si existen constantes
c
1
, c
2
> 0 tales que:
c
1
v

v c
2
v

v R
n
.
En la pr actica esto signica que cuando

est a acotada, tambien y viceversa.

1.2.2. Norma de una matriz
Definici on 4 Una norma matricial es una aplicaci on | | : M
n
R
+
{0} que
verica las siguientes propiedades:
a) |A| = 0 A = 0
b) | A| = |||A|, R, A M
n
c) |A + B| |A| +|B|, A, B M
n
.
d) |A B| |A| |B|.
Las tres primeras propiedades garantizanq ue es una normal vectorial y la ultima que
es compatible con el producto de matrices.
Un resultado que nos da una forma simple de construir una norma matricial es el
siguiente:
Definici on 5 Sea una norma en R
n
, se dene la norma | | : M
n
R
+
{0}
como
|A| = sup
v=

0
Av
v
= sup
v=1
Av
7
Cuando una norma matricial se dene de la forma anterior (a traves de una norma
vectorial), se dice que es una norma matricial subordinada a la norma vectorial.
Tenemos las siguiente normas matriciales subordinadas a las vectoriales:
a)
|A|
1
= sup
v=0
Av
1
v
1
b)
|A|
2
= sup
v=0
Av
2
v
2
c)
|A|

= sup
v=0
Av

Nota 3 No todas las normas matriciales son normas matriciales subordinadas a normas
vectoriales.
Algunas propiedades de las normas matriciales subordinadas
1) Av |A|v, A M
n
, v R
n
2) Existe un vector v R
n
para el que se da la igualdad, es decir,
Av = |A| v
3) |I| = 1 (Por I denotamos la matriz identidad).
Veamos c omo calcular las normas matriciales subordinadas a las normas vectoriales
anteriores:
Teorema 1 Sea A = (a
i,j
)
n
i,j=1
M
n
, se tiene:
a)
|A|
1
= m ax
1jn
n

i=1
|a
i,j
|
b)
|A|
2
=
_
(A

A) =
_
(AA

) = |A

|
2
donde (A

A) es el radio espectral de A

A, que es el m aximo de los valores absolutos

de A

A. (Por A

denotamos a la matriz adjunta de A, la cual coincide con la matriz

transpuesta cuando todos sus elementos son reales).
8
c)
|A|

= m ax
1in
n

j=1
|a
i,j
|
Nota 4 | |
1
y | |

se calculan a partir de los elementos de la matriz, | |

2
no.
Es inmediato observar que |A
T
|

= |A|
1
.
Ejemplo:
Sea
A =
_
_
_
1 0 7
0 2 2
1 1 0
_
_
_
.
Calculamos la norma uno, dos e innito:
|A|
1
= max{2, 3, 9} = 9
|A|

= max{8, 4, 2} = 8
A
T
A =
_
_
_
2 0 7
1 5 4
7 4 53
_
_
_
|A|
2
= 7,3648
Norma Frobenius:
Es una norma matricial no subordinada a ninguna norma vectorial. Viene dada por:
|A|
F
=

_
n

i,j=1
|a
i,j
|
2
Como vemos, se calcula a traves de los elementos de la matriz.
Ejemplo:
|A|
F
=

1 + 49 + 4 + 4 + 1 + 1 =

60