Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto.

de Matemática

Elementos de Cálculo Numérico / Cálculo Numérico

Curso de Verano 2019

Práctica N◦ 4: Número de condición. Sistemas Lineales.

Ejercicio 1 Probar que para toda A ∈ Rn×n

a)
n
X
||A||∞ = max |aij |
1≤i≤n
j=1

b)
n
X
||A||1 = max |aij |
1≤j≤n
i=1

Ejercicio 2 Si x ∈ Rn y A ∈ Rn×n , probar que las constantes de equivalencia entre las normas
k.k1 y k.k2 y entre las normas k.k2 y k.k∞ vienen dadas por:
• Vectorial
√
kxk∞ ≤ kxk2 ≤ nkxk∞
1
√ kxk1 ≤ kxk2 ≤ kxk1
n

• Matricial
1 √
√ kAk∞ ≤ kAk2 ≤ nkAk∞
n
1 √
√ kAk1 ≤ kAk2 ≤ nkAk1
n

• Calcular los coeficientes para la equivalencia vectorial y matricial entre las normas k.k1
y k.k∞

Ejercicio 3 Se quiere estimar la norma 2 de una matriz A ∈ R3×3 como el máximo del valor
kAxk2 /kxk2 entre varios vectores x ∈ R3 no nulos generados al azar. Hacer un programa que
reciba una matriz A y luego
• genere los primeros 100 términos de la siguiente sucesión:
n kAx k o
k 2
s1 = 0, sk+1 = max sk ,
kxk k2
donde los xk ∈ R3 son vectores no nulos generados al azar con coordenadas en el intervalo
[−1, 1].

1
 • grafique la sucesión calculada, junto con el valor exacto de la norma de la matriz.
Recordar que tanto la norma de un vector como de una matriz se calculan en Octave con
el comando norm. Tener en cuenta que los vectores generados al azar (comando rand) tienen
coordenadas en el intervalo [0, 1]. Chequear, además que estos vectores generados resulten no
nulos.
Ejercicio 4 Se tiene el sistema Ax = b.
a) Sea x la solución exacta y x̃ la solución obtenida numéricamente. Se llama residuo al
vector r := b − Ax̃. Si notamos e = x − x̃, mostrar que:
1 krk kek krk
≤ ≤ cond(A) .
cond(A) kbk kxk kbk
¿Cómo se puede interpretar este resultado?
b) En lugar del dato exacto b se conoce una aproximación b̃. x̃ es tal que Ax̃ = b̃. Probar
que:
1 kb − b̃k kx − x̃k kb − b̃k
≤ ≤ cond(A) .
cond(A) kbk kxk kbk
¿Cómo se puede interpretar este resultado?
Ejercicio 5 Sea  
3 0 0
A =  0 54 34  .
0 43 54
a) Calcular cond2 (A) y cond∞ (A).
b) ¿Cuán chico debe ser el error en los datos (b − b̃), si se desea que el error en la aproxi-
mación de la solución sea menor que 10−4 ?
c) Realizar experimentos numéricos para verificar las estimaciones del ı́tem anterior. Con-
siderar b = (3, 2, 2)t , que se corresponde con la solución exacta x = (1, 1, 1)t . Generar
vectores de error aleatorios, normalizarlos para que su norma sea tan chica como la
estimada en el item anterior y perturbar b obteniendo b̃. Finalmente, resolver Ax̃ = b̃ y
verificar que kx̃ − xk < 10−4 .
Ejercicio 6 Probar que si A ∈ Rn×n es una matriz inversible y k k es una norma matricial,
la condición de A verifica la desigualdad:
 
1 kA − Bk
≤ inf : B es singular .
cond(A) kAk
Deducir que
 
kAk
cond(A) ≥ sup : B es singular .
kA − Bk
Nota: En ambos casos, vale la igualdad, pero la otra desigualdad es un poco más compli-
cada de probar. De la igualdad se puede concluir que cond(A) mide la distancia relativa de
A a la matriz singular más próxima.

2
Ejercicio 7 a) Estimar la cond∞ (A) de las siguientes matrices en función ε (cuando ε →
0).    
1 1 1 1 0 1+ε
(i) A =  1 ε ε2  , (ii) B =  2 3 4 .
1 0 0 1−ε 0 1

b) Concluir que la condición de las matrices A y B del ı́tem anterior tienden a infinito,
cualquiera sea la norma considerada.

Ejercicio 8 Sea Dn la matriz diagonal de n × n con elementos diagonales iguales a 1/10.

Calcular el determinante de Dn y ver que det(Dn ) → 0 si n → ∞. ¿Dn está mal condicionada?

Ejercicio 9 Sea An ∈ Rn la matriz dada por An = (ai,j ),


 1 si i = 1 o j = 1
ai,j = 1/i si i = j
0 en otro caso


a) Probar que Cond∞ (An ) ≥ Cn2 para alguna constante C independiente de n.

b) Probar que Cond2 (An ) −→ ∞ cuando n −→ ∞.

Ejercicio 10 La n-ésima matriz de Hilbert Hn ∈ Rn×n , se define de la siguiente manera

1
(Hn )i,j = .
i+j−1
Demostrar que cond∞ (Hn ) → ∞ cuando n → ∞.

Ejercicio 11 a) Escribir un programa en Octave que resuelva un sistema Ax = b, A ∈

Rn×n usando eliminación gaussiana sin pivoteo.

b) Adaptar el programa del ı́tem anterior para que calcule la matriz A−1 .

Ejercicio 12 Se quiere calcular la solución del sistema lineal:

10−3 x + 2y = 8
x+y = 2

utilizando eliminación gaussiana sin pivoteo, con aritmética de punto flotante de 3 dı́gitos y
sistema de redondeo.
a) Analizar si el resultado difiere significativamente de la solución real.

b) Repetir el método de eliminación gaussiana eligiendo el pivote más conveniente.

Ejercicio 13 Sea A ∈ Rn×n una matriz tridiagonal.

a) Mostrar que el proceso de eliminación gaussiana preserva los ceros de A, es decir que a
lo largo de la triangulación no se generan valores no nulos fuera de las tres diagonales
principales.

3
 b) Adaptar el programa del Ejercicio 11 para que resuelva un sistema Ax = b, con A
tridiagonal. El programa debe recibir cuatro vectores (las tres diagonales principales y
b), y devolver x.
Utilizar los comandos tic y toc de Octave para conocer el tiempo que se tarda en
resolver un sistema con este programa y comparar con el que se requiere para resolver
el mismo sistema utilizando los comandos inv y \, que no están especialmente pensados
para matrices tridiagonales.

c) Experimentar con ejemplos de la Práctica 3 cuya formulación conduzca a matrices tri-

diagonales.

Ejercicio 14 Considerar la matriz

 
4 2 −2
 2 5 5 .
−2 5 11

Mostrar que es definida positiva y calcular su descomposición de Cholesky.

Ejercicio 15 Sea v ∈ Cn . Probar que la matriz I − vv ∗ es unitaria si y sólo si kvk22 = 2 o

v = 0.

Ejercicio 16 Dados x 6= y en Cn√tal que kxk2 = kyk2 y hx, yi es real. Probar que la matriz
2
unitaria U = I − vv ∗ con v = (x − y) satisface que U x = y.
kx − yk2

Ejercicio 17 Implementar dos programas que calculen la descomposición QR de una matriz:

1. Aplicando de manera directa el método de ortonormalización de Gramm-Schmidt.

2. Utilizando transformaciones de Householder.

Generar algunas matrices aleatorias y comparar las descomposiciones arrojadas por estos
programa con las dadas por el comando qr de Octave. ¿Qué se observa?

Ejercicio 18 Hallar la factorización QR de las siguientes matrices

 
0 −4  
3 2 3
a) A =  0 0  , b) A = .
4 5 6
−5 −2

Ejercicio 19 Método QR: El metódo QR utiliza la descomposición QR para calcular auto-

valores. Consiste en, dada una matriz A ∈ Rn×n , generar una sucesión de matrices Ak definida
del siguiente modo:

A1 = A, Qk Rk descomposición QR de Ak y Ak+1 = Rk Qk .

a) Probar que todas las matrices Ak tienen los mismos autovalores.

4
b) Implementar un programa que genere los pimeros m términos de la sucesión del ı́tem
anterior.

c) Aplicar el programa para la matriz

 
190 66 −84 30
 66 303 42 −36 
A=  336 −168 147 −112
,

30 −36 28 291

calcular Am con m = 30, 50, 100. Observar que los dos primeros elementos de la diagonal
de Am aproximan a los autovalores reales de A y que los autovalores de la submatriz
Am (3 : 4, 3 : 4) aproximan a los autovalores complejos de A.