Universidad Mayor de San Simón Hans Müller Santa Cruz

Facultad de Ciencias y Tecnologı́a Departamento de Mathematicas

Práctica 8 Análisis Numérico II 10 de octubre de 2008

M50 Supongamos que la descomposición LR de la matriz A es conocida. Para vectores u, v y b encontrar

un algoritmo eficiente para resolver
(A + uv t )x = b
que utiliza únicamente la resolución de los sistemas A−1 b y A−1 u.Este algoritmo es conocido bajo el
nombre de Sherman–Morrison–Woodbury.
M51 Sea A una matriz n × m, a coeficientes reales. Mostrar que
kAk1 = At ∞ y kAk2 = At 2 .

M52 Consideremos una matriz banda A con ancho inferior pL y ancho superior pR ; es decir aij = 0 si
i − j > pL o j − i > pR . Mostrar que las matrices L, R de la descomposición LR de A son también
matrices bandas. Dar el ancho de cada de estas matrices. Estimar el costo de la descomposición LR.
M53 Para resolver el sistema lineal
n
X
ci−1
j x j = bi , i = 1, . . . , n (1)
j=1

(matriz de tipo Vandermonde), formular un algoritmo que necesita solamente O(n2 )operaciones
Indicaciones
(a) Mostrar que el sistema (1) es equivalente a
n
X
p(cj )xj = b(p),
j=1

para todo polinomio p de grado menor o igual a n − 1 y

n
X n
X
b(p) = dj bj , si p(t) = dj tj−1 .
j=1 j=1

(b) Elegir, para los polinomios de grado menor o igual a n − 1, los elementos de la base 1, t − c1 ,
(t − c1 )(t − c2 ), . . ..
M54 Utilizando el algoritmo formulado en el ejercicio precedente, determinar los pesos de la fórmula de
cuadratura de Gauss de 3 pisos. Los nudos están dados por
√ √
1 15 1 1 15
c1 = − , c2 = , c3 = + .
2 10 2 2 10
F15 Escribir las subroutinas dec f90, sol f90, decchol f90 y solchol f90. Aplicar a los siguientes ejem-
plos:
   
0 1 0 1
A = 1 0 1, b = 2, (2)
0 0 1 3
 n 
X
 a1j 
1 n
 j=1 
A=( )i,j=1 , b = 
 . (3)
i+j−1  .
..


Pn
j=1 anj

Para n = 5, 10, 20 la solución exacta es x = (1, . . . , 1)t . ¿Qué se obtiene y por qué?
M55 Sea A una matriz inversible de n × n. Mostrar que la descomposición QR es única, si se supone que
rjj > 0 para j = 1, . . . , n.
M56 Aplicar el algoritmo de Golub-Householder a la matrice de rotación
 
cos α sin α
A= .
− sin α cos α

Dar una interpretación geométrica.

M57 Sea Q una matriz ortogonal de n×n. Mostrar que Q puede escribirse como el producto de n matrices de
Householder, de donde cada transformación ortogonal de Rn es una sucesión de al menos n reflexiones.
F16 Determinar la parabola x1 + x2 t + x2 t2 , que ajusta lo mejor posible:
ti 0 0, 2 0, 4 0, 6 0, 8 1,0
yi 0, 10 0, 15 0, 23 0, 58 0, 45 0, 60

F17 Determinar la elipse de ecuación x2 + ay 2 + bxy + cx + dy + e = 0 que mejor ajusta los datos de la tabla
i xi xi
1 -1.024940 -0.389269
2 -0.949898 -0.322894
3 -0.866114 -0.265256
4 -0.773392 -0.216557
5 -0.671372 -0.177152
6 -0.559534 -0.147582
7 -0.437067 -0.128618
8 -0.302909 -0.121353
9 -0.155493 -0.127348
10 -0.007464 -0.148885
Graficar los puntos de la tabla y la elipse.
M58 Considérese la matriz
1 1 1 1 1
 
 0 0 0 0
0  0 0 0
 
A=
0 0  0 0

0 0 0  0
 
0 0 0 0 
La solución del problema kAx − bk2 → mı́n, puede resolverse utilizando:
a) Las ecuaciones normales, determı́nelas. Si  = 1 · 10−10 y trabajamos en punto flotante con 15 cifras
significativas, ¿las ecuaciones normales se convierten en que?
b) ¿La descomposición QR será posible?, realı́zela.
M59 Sea A una matriz de m filas y n columnas (m ≥ n). Para matrices no cuadradas se define

máx kAxk
||x||=1
κ(A) := .
mı́n kAxk
||x||=1

Para la norma euclidiana, mostrar que κ(At A) = (κ(A))2 .

F18 Considérese los siguientes valores de la densidad % del agua en función de su temperatura T .

T [◦ C] 0 5 10 15 20
ρ(T ) 0.999868 0.999992 0.999728 0.999126 0.998232

2
 a) Utilizando el método de los mı́nimos cuadrados, aproximar estos valores por un polinomio de grado
2.
b) ¿Para cual valor de T , la densidad es maximal y cual es ese valor?

M60 Sean X y Y dos variables aleatorias independientes que siguen la ley normal N (µ1 , σ12 ) y N (µ2 , σ22 )
respectivamente.
Mostrar que αX + β con α > 0 y X + Y siguen leyes normales, determinar sus respectivos parámetros.
M61 Los elementos de la diagonal de C = (At A)−1 juegan un papel muy importante para el estudio del
error del método de mı́nimos cuadrados.
Supongamos que tenemos a disposición la descomposición QR de la matriz A.

a) Demostrar que C = (Rt R)−1 .

b) Encontrar un algoritmo para calcular los elementos de la diagonal de C lo más eficiente posible.
M62 Considérese una matriz A ∈ Mn,n (K), donde K = R o C. Mostrar que existe una matriz unitaria
U ∈ Mn,n (C) tal que
A = U RU ∗ ,
∗
donde R es una matriz triangular superior, Ui,j = ūj,i y U ∗ U = I. Esta producto se conoce como
descomposición de Schur.

F19 Escriba las subroutinas banddecqr f90(n,n1,n2,A,alpha) y bandsolqr f90(n,n1,n2,A,alpha,b),

donde n es la talla de la matriz A, n1 es el número de subdiagonales inferiores y n2 es el número de
subdiagonales superiores.
Haga una estimación de los floops realizados en las subrutinas banddecqr f90 y bandsolqr f90. Com-
pare con el costo de las versiones decqr f90 y solqr f90 con n = m.
Un floop es equivalente a una multiplicación y una adición.

M63 Una matriz de Hessenberg es una matriz de la forma

h11 h12 h13 ··· h1n

 
 h21 h22 
0 h32
 
H=
 .

 .. .. .. .. 
. . . 
0 ··· 0 hn,n−1 hn,n

Utilizando reflexiones de Householder, mostrar que para toda matriz A, de talla n existe una matriz
Q ortogonal tal que
A = QHQt ,
donde H es una matriz de Hessenberg.

F20 Sobre la base del ejercicio M63, escribir una subrutina hessenqr f90(n,A,H), donde n es la talla de
los tableros bidimensionales A y H. El tablero A representa la matriz A en la entrada y en la salida es
la matriz de Hessenberg obtenida. H es el tablero que en la salida tiene como columnas los vectores de
Householder.

M64 Sea A una matriz m × n. Mostrar que At A + ρI es no singular para ρ > 0 y

A+ = lı́m (At A + ρI)−1 At .

ρ→0+