Академический Документы
Профессиональный Документы
Культура Документы
Condicionamiento
4.1.
Introducci
on
80
Condicionamiento
4.2.
Condicionamiento de un problema
81
xq f pxq
f 1 pxqx
donde f 1 pxq es la diferencial de f en x (i. e. la aplicacion lineal de Fn a Fm representada por la matriz jacobiana de f en las bases canonicas). As
f px
xq f pxq f 1 pxqx
}f px
xq f pxq}
}x}
}f 1pxq},
de modo que }f 1 pxq} nos da una idea aproximada de la razon de los errores absolutos
de las soluciones del problema y los datos del mismo. Si este n
umero es muy grande
es porque peque
nas modificaciones en el dato del problema produce una modificacion
muy grande en la solucion. Al n
umero }f 1 pxq}, que es la norma de la matriz de las
derivadas parciales de f en x, se le llama n
umero de condici
on (absoluto) del
problema f en x respecto de la norma } }; y se representa por
pxq.
Si lo que se quiere es una idea de la relacion entre los errores relativos podemos
observar que
}f px xq f pxq} }x} }f 1pxq}}x} ,
}f pxq}
}x} }f pxq}
de modo que
}f px
xq f pxq}
}f pxq}
N
}x}
}f 1pxq}}x} .
}x}
}f pxq}
82
Condicionamiento
Y al n
umero
}f 1pxq}}x}
}f pxq}
se le llama n
umero de condici
on (relativo) o simple-
mente n
umero de condici
on del problema f en x respecto de la norma } }; y
se representa por pxq. Este n
umero mide la sensibilidad del problema f a las peque
nas perturbaciones de x. As, si pxq es peque
no, errores relativos peque
nos en
el dato producen errores relativos peque
nos en la solucion; mientras que si pxq es
grande errores relativos peque
nos en los datos producen errores relativos grandes
en la solucion. En este caso, el problema esta mal condicionado; y en el anterior el
problema esta bien condicionado.
Cuando f no es diferenciable se requiere otra caracterizacion de n
umero de
condicion que se reduzca a la ya dada si f es diferenciable. La definicion precisa es
la siguiente:
N
umero de condici
on absoluto:
pxq : lm sup
0 }x}
}f px
xq f pxq}
.
}x}
(4.1)
N
umero de condici
on relativo:
pxq : lm sup
0 }x}
}f px
xq f pxq}
}f pxq}
N
}x}
}x}
(4.2)
}x} pxq
}f pxq}
(4.3)
Observaciones 4.1 Deberamos demostrar que las definiciones (4.1) y (4.2) son
consistentes. Es decir, que el lmite existe y coincide con la norma de la diferencial
de f cuando esta es diferenciable. Lo primero no es difcil. Vamos a hacerlo para
el n
umero de condicion absoluto. El correspondiente resultado para el n
umero de
n
condicion relativo se sigue de (4.3). Para x P F dado, pongamos
p q sup
}x}
}f px
xq f pxq}
}x}
y observemos que si 0 1
lo tanto
p1 q sup
}x}1
}f px
83
sup
}x}2
}f px
xq f pxq}
}x}
p2q,
de modo que es monotona creciente y acotada inferiormente por 0. Por consiguiente, existe el lm p q. Notemos que 0, y por lo tanto la convergencia a 0
xq f pxq f 1 pxqx
}x}rpxq,
donde f 1 pxq es una aplicacion lineal de Rn en Rm cuya matriz en las bases canonicas
es la matriz jacobiana de f , y lm rpxq 0. Pongamos, para facilitar la compresion
f 1 pxq J pxq. Entonces para
0
J pxqx
xq f pxq}
sup
}x}
}x} }x}
x
sup
}x}
}f px
r x .
p q
pq
} }
}x}
r x
p q }J pxq},
donde }J pxq} es la norma de matriz inducida por la norma de vector que estemos
considerando. Es decir
}J pxq} sup }J}phx}qh} .
h0
(Notese que las normas en el numerador y denominador en esta expresion son normas
de vector en espacios de, posiblemente, dimensiones diferentes). Se puede demostrar,
como se hizo en la Seccion 2.3.2 de la Leccion 2, que para cualquier 0
h 0
de modo que
}J pxqh} ,
}h} }h}
sup
}J pxqh} }J pxq},
0 }h}
}h}
lm sup
84
Condicionamiento
lm
J x x
sup
x
0 }x}
r x
pq
} }
xqx}
p q sup }J}px
} 0.
}x}
(4.4)
Ahora bien, sabemos que lm rpxq 0, lo que implica que lm sup }rpxq}
0 }x}
J x x
sup
x
pq
} }
}x}
p q
J x x
sup
x
pq
} }
}x}
}rpxq}
J x x
sup
x
}x}
pq
} }
sup }rpxq} ,
}x}
de modo que
J x x
sup
}x}
x
pq
} }
r x
p q
J x x
x
} p q } sup }rpxq} .
}x} } }
}x}
sup
0 }x}
entonces sup
}x}
J x x
sup
}x}
x
pq
} }
r x
p q
J x x
x
} p q } ,
}x} } }
sup
Ejemplo 4.2
1. Para x P R calcular
x
.
2
x
1
es una funcion diferenciable y f 1 pxq . As
2
2
|
f 1 pxq||x|
1{2
|f pxq| 1{2 1.
El problema esta bien condicionado en cada x P C.
4.3 El n
umero de condicion para el producto de matrices y vectores
2. Para x P R calcular
Ahora f pxq
85
?x.
x
?x 12 .
1
2 x
P R calcular x1 x2.
Bf Bf x
2
B x1 B x2
x1 .
4.3.
El n
umero de condici
on para el producto de
matrices y vectores
j 1
m
aij xj
i 1
86
Condicionamiento
Es decir, para i 1, . . . , m
fi pxq
aij xj ,
j 1
de modo que
B fi a .
Bxj ij
Por lo tanto,
f 1 pxq A.
Y el n
umero de condicion relativo para este problema es
(4.5)
donde tomamos como norma de A la norma inducida por las normas de x y Ax.
Debemos tener en cuenta que estos vectores pueden estar en espacios vectoriales de
dimensiones diferentes. Por ser una norma inducida por una norma de vector, es
compatible con ella. Es decir, }Ax} }A} }x} y, en consecuencia
1.
El problema estara bien condicionado para aquellos x P Fn para los que es proximo
a 1; y mal condicionado para aquellos para los que es mucho mayor que 1.
Ademas cuando A es cuadrada y no singular tenemos que x A1 Ax y
As que el n
umero de condicion de calcular b Ax con A dada e invertible esta acotado por la cantidad }A} }A1 }. Que n
umero de condicion tiene el problema de
resolver el sistema Ax b con A una matriz dada cuadrada e invertible? Nos
preguntamos por el problema
f : Fn
Fm
b ; x A1 b
4.3 El n
umero de condicion para el producto de matrices y vectores
87
Definici
on 4.4 El n
umero }A} }A1 } recibe el nombre de n
umero de condici
on
de la matriz A, si A es cuadrada y no singular, y se denota por pAq. Cumple que
pAq 1, y si pAq es un n
umero proximo a 1 se dice que A es una matriz bien
condicionada; y si es mucho mayor que 1, que es mal condicionada.
Debe notarse que a normas diferentes, para una misma matriz, los n
umeros de
condicion pueden ser diferentes, pero la equivalencia de normas garantiza que no
son muy diferentes. Particularmente notable es el n
umero de condicion respecto de
la norma espectral o de operador:
2 pAq }A}2 }A1 }2 .
Recordemos que }A}2
1
, y as
singular de A1 es 1{n . Es decir, }A1 }2
n
2 pAq
1
.
n
107 1010
1010 107
2 pAq 1,00200200200200,
de forma que esta muy bien condicionada: sus columnas (y filas) son muy linealmente independientes: la primera componente de la primera columna es 103 veces
88
Condicionamiento
mas grande que la de la segunda columnas; y lo mismo pasa con las segundas componentes pero al reves. El n
umero de condicion no solo depende del u
ltimo valor
singular, que nos mide la distancia al conjunto de las matrices singulares, sino de su
relacion con el primero. En este ejemplo, 1 0,1001 106 y 1 {2 es casi 1.
En conclusion, una matriz no singular A puede estar cerca del conjunto de matrices singulares pero estar muy bien condicionada. As, si los elementos de A son
muy peque
nos en valor absoluto (como en el ejemplo de mas arriba), su determinante sera muy peque
no (en valor absoluto) y su u
ltimo valor singular sera muy
peque
no porque el producto de los valores singulares es el valor absoluto del determinante de la matriz. Consecuentemente, A esta cerca de alguna matriz singular.
Sin embargo, A puede ser una matriz bien condicionada porque puede suceder que
1 sea tambien muy peque
no y muy parecido a n . Su n
umero de condicion nos da
una idea de si sus columnas son muy linealmente independientes o no. Un sistema
de vectores tv1 , . . . , vn u son casi linealmente dependientes si se pueden encontrar
escalares 1 , . . . , n , no todos peque
nos de forma que 1 v1 n vn es casi
cero. Observense las comillas. Son conceptos imprecisos, pero que nos hacen intuir
que cuanto mas cerca esten las columnas de una matriz de ser ortogonales, mejor
condicionada estara dicha matriz. Lo que s se puede probar rigurosamente es que
no hay matrices mejor condicionadas (en la norma espectral) que las unitarias. En
efecto, si U es unitaria entonces todos sus valores singulares son iguales a 1 y en
consecuencia 2 pU q 1.
Terminamos esta seccion con un resultado que nos ofrece otra interpretacion
interesante del n
umero de condicion de una matriz.
Corolario 4.5 Sea A P Fnn una matriz no singular. Entonces
1
2 pAq
mn
"
}A}2 : A
}A}2
A singular
1
es la distancia relativa de A al conjunto de las matrices singulares.
2 pAq
Cualquier error relativo en A menor que esta cantidad nos asegura que la corres1
pondiente matriz es no-singular. Pero si el error relativo en A es mayor que
2 pAq
1
la matriz obtenida podra ser singular. Es decir,
es el menor error relativo
2 pAq
posible para que la perturbacion en A produzca una matriz singular.
Es decir,
89
Demostraci
on.- Por una parte
1
2 pAq
Y por otra parte,
n
rangpm
n
}A
A Aqn
A A}2 .
Por lo tanto,
1
2 pAq
"
}
A}2
}A}2 : A
rangpm
n
mn
A Aqn }A}2
}A}2
A singular
4.4.
1
.
n
La condici
on de los sistemas de ecuaciones
lineales
90
Condicionamiento
a que las columnas de A estan cerca de ser linealmente independientes. Esto justifica
nuestra intuicion sobre el significado de pAq en relacion a la dependencia lineal de
las columnas de A expuesta en la seccion anterior.
Se trata de estudiar el sistema Ax b cuando b es un vector dado y A solo se
conoce aproximadamente. Es decir, el problema
f : Gln pFq Fn
A
; A1 b
(4.6)
con b P Fn un vector dado fijo y A invertible. Recordemos que Gln pFq es un subconjunto abierto de Fnn .
Nuestro objetivo es demostrar el siguiente resultado
Teorema 4.6 (a) Sea b P Fn un vector no nulo y consideremos el problema de
hallar la solucion del sistema Ax b a partir de A P Fnn , invertible. El n
umero de
condicion de este problema es
}A} }A1 } pAq.
cualquiera que sea la norma de vector en Fn y siendo la norma en Fnn la norma
de operador inducida por la norma de Fn .
(b) En las mismas condiciones de (a), pAq tambien es el n
umero de condicion
del problema:
fr : Gln pFq Fnn
(4.7)
A
; A1
que consiste en calcular la inversa de A para matrices invertibles de orden n.
Demostraci
on.- Las demostraciones de ambos resultados son parecidas. Las
iremos haciendo en paralelo.
En primer lugar probaremos que las funciones f y fr, (4.6) y(4.7), que definen
r son los n
los dos problemas son diferenciables. En consecuencia, si y
umeros de
condicion de los problemas definidos por f y fr, entonces
}f 1pAq}}A}
}f pAq}
r
y
}fr1pAq}}A} .
}frpAq}
91
}f 1pAq} }m
ax }f 1 pAqpX q}.
X }1
}fr1pAq} }m
ax }fr1 pAqpX q}.
X }1
r pAq
Un calculo elemental muestra que es equivalente demostrar que
1
}A}}A } y que
}f 1pAq} }A1}}A1b}
}fr1pAq} }A1}2
As pues, el objetivo es probar que }A1 }}A1 b} es una cota superior alcanzable
del conjunto t}f pAq1 pX q} : }X } 1u. Y que }A1 }2 es una cota superior alcanzable
del conjunto t}frpAq1 pX q} : }X } 1u.
Veamos que, en efecto, f y fr son diferenciables. Podemos escribir fr a partir de
las siguientes funciones:
g1 : Gln pFq
X
g2 : Gln pFq
X
det X
Sn
p1q x1p1q . . . xn
Fnn
AdjpX q rp1qi j det X rj |iss
pA
t0
rpIn
lm
lm
tX q1 b A1 b
rpIn tA1X q1A1 A1sb
lm
t0
t
t
92
Condicionamiento
pIn
tA1 X q1
In tA1X
t2 pA1 X q2 t3 pA1 X q3
.
En consecuencia
pIn
tA1 X q1 In
t
Por lo tanto
tA1 X q1
}fr1pAq} }m
ax }A1 XA1 } }A1 }2 .
X }1
(4.8)
(4.9)
Parece que los requerimientos son excesivos, pero en realidad no lo son porque
tenemos todos los elementos necesarios para poder decir exactamente que matriz
B y que vector y debemos escoger. En primer lugar, como la norma en Fnn es la
93
norma inducida por la norma de Fn , existe un vector no nulo y1 tal que }A1 y1 }
}A1}}y1}. Notese que cualquiera que sea el numero , tambien y1 cumple la misma
propiedad:
}A}y }b} y1
1
1
} }), que
BA1 b Bx }x}Bx0
}X }1
94
Condicionamiento