Vous êtes sur la page 1sur 9

Métodos Numéricos

Unidad 1: Nociones básicas

Prof. Karin Saavedra

Unidad 1: Nociones básicas Prof. Karin Saavedra

Capítulo 1: Vectores y Matrices

1. Valores y vectores propios

2. Matriz simétrica y definida positiva

3. Normas vectoriales y matriciales

2
Unidad 1: Nociones básicas Prof. Karin Saavedra

Valores y vectores propios

Definición: un vector escalar es un valor propio de la matriz A 2 Rn⇥n si existe un


n
vector p 2 R no nulo tal que:

Ap = p (1)

en ese caso p es un vector propio asociado al valor propio .

➡ La ecuación (1) es un sistema de n ecuaciones lineales que tiene solución no trivial si


y sólo si:

det(A I) = 0 (2)

La ecuación (2) es llamada ecuación característica de la matriz A y representa una


ecuación de grado n en .
3

Unidad 1: Nociones básicas Prof. Karin Saavedra

Capítulo 1: Vectores y Matrices

1. Valores y vectores propios

2. Matriz simétrica y definida positiva

3. Normas vectoriales y matriciales

4
Unidad 1: Nociones básicas Prof. Karin Saavedra

Matriz simétrica definida positiva

Definición: Sea una matriz A 2 Rn⇥n simétrica, diremos que A es definida positiva si:

xt Ax > 0 , 8x 2 Rn , x 6= 0

Propiedades: si una matriz A es simétrica definida positiva, entonces:

• Los valores propios de A son todos positivos

• Los subdeterminantes de las submatrices de A son todos positivos

Unidad 1: Nociones básicas Prof. Karin Saavedra

Capítulo 1: Vectores y Matrices

1. Valores y vectores propios

2. Matriz simétrica y definida positiva

3. Normas vectoriales y matriciales

6
Unidad 1: Nociones básicas Prof. Karin Saavedra

Normas vectoriales

• La manera usual de expresar el tamaño de un vector es mediante una norma.

Definición: sea V un espacio vectorial. Se llama norma sobre V a una función definida en V
y con valores reales, que denotaremos por k k y que satisface las propiedades
siguientes:

• kvk > 0 , 8v 2 V

• kvk = 0 si y sólo si v = 0

• k↵vk = |↵|kvk , 8↵ 2 R , 8v 2 V

• kv + wk  kvk + kwk , 8v, w 2 V

Unidad 1: Nociones básicas Prof. Karin Saavedra

Normas vectoriales

• Ejemplos de normas vectoriales:

- Norma euclidiana:

- Norma infinito:

- Norma uno:

8
Unidad 1: Nociones básicas Prof. Karin Saavedra

Normas matriciales

• Sea , entonces:

- Suma máxima de filas:

- Suma máxima de columnas:

- Norma espectral:

v
uX q
u n X
n
- Norma de Frobenius: kAkF = t |aij | = Tr(AAT )
2

i=1 j=1
0 1 12
Xn X
n
=@ A2ij A 9
i=1 j=1

Unidad 1: Nociones básicas Prof. Karin Saavedra

Capítulo 2: Error

1. Fuentes de error

2. Definiciones de error

3. Manejo de números reales en computación

10

10
Unidad 1: Nociones básicas Prof. Karin Saavedra

Exactitud y precisión
aumenta exactitud

aumenta precisión

inexacto e impreciso exacto e impreciso

inexacto y preciso exacto y preciso

11
El error representa la inexactitud y la imprecisión en las predicciones

11

Unidad 1: Nociones básicas Prof. Karin Saavedra

Fuentes de error

• errores en el modelo: simplificación de la realidad

• error del método de resolución: solución aproximada vs. solución analítica

• error de truncamiento: evaluación de funciones mediante series truncadas

• error de redondeo: número finito de cifras significativas

• error en la entrada de datos: mediciones, cálculos anteriores, estadística.

• error de propagación: operaciones aritméticas con cantidades aproximadas

la solución está inevitablemente sujeta a errores, pero deseamos cuantificarlos


y controlarlos de acuerdo a los rangos de precisión deseados.
12

12
Unidad 1: Nociones básicas Prof. Karin Saavedra

Capítulo 2: Error

1. Fuentes de error

2. Definiciones de error

3. Manejo de números reales en computación

13

13

Unidad 1: Nociones básicas Prof. Karin Saavedra

Definición del error


- Error verdadero: Ev = valor verdadero valor aproximado

Ev
- Error verdadero relativo: ⇢v =
valor verdadero
Ev
Si - Error verdadero relativo porcentual: ev =
valor verdadero
100%
Se conoce el
valor verdadero?

No
- Error aproximado: Ea = aprox. actual aprox. precedente

- Error aproximado relativo:


⇢a =
Ea
aprox. actual
Ea
- Error aproximado relativo porcentual: ea =
aprox. actual
100%

un algoritmo donde el error crece en cada iteración se dice inestable y un


14
algoritmo que no amplifica errores se llama estable

14
Unidad 1: Nociones básicas Prof. Karin Saavedra

Capítulo 2: Error

1. Fuentes de error

2. Definiciones de error

3. Manejo de números reales en computación

15

15

Unidad 1: Nociones básicas Prof. Karin Saavedra

Sistema de punto flotante

• Los computadores almacenan los números reales utilizando el sistema binario y una
representación de punto flotante. Por sencillez lo describiremos en sistema decimal:

• En el computador se almacenan el signo, la mantisa y el exponente (con su signo) del


número real.

16

16
Unidad 1: Nociones básicas Prof. Karin Saavedra

Overflow y Underflow

• La cantidad de dígitos k y l es fija! Por lo tanto, existe un número máximo y un número


mínimo que puede representarse

• Si se intenta almacenar un número cuyo exponente positivo es mayor que el máximo


representable en el sistema, se produce un error de overflow

➡ En SCILAB el número máximo representable es aproximadamente 10308. Si se intenta


representar un número mayor, el computador devuelve Inf (infinito) como una
indicación de que se produjo un overflow

• Si se intenta almacenar un número cuyo exponente negativo es menor que el mínimo


representable se produce un error de underflow

➡ En SCILAB el número mínimo positivo representable es aproximadamente 10-308. Si


se representa un número positivo menor, el computador almacena 0
17

17

Unidad 1: Nociones básicas Prof. Karin Saavedra

Error de redondeo y constante de precisión

• Si se intenta almacenar un número con más dígitos de mantisa que la cantidad


máxima k que permite el sistema, sólo se almacenarán los primeros k dígitos (error de
redondeo)

➡ En MATLAB se almacenan entre 15 y 16 dígitos decimales de mantisa.

• La constante de precisión del computador se define como el mínimo número " > 0 tal
que:

1 + " 6= 1

• En MATLAB la constante de precisión se llama eps y es aproximadamente 10-16

18

18