Академический Документы
Профессиональный Документы
Культура Документы
Febrero de 2006
Disponible en
http://www.unavarra.es/personal/victor dominguez/
Prefacio
Bo
El origen de este libro es una asignatura de libre eleccion que uno de los autores im-
partio durante los cursos 20042005 y 20052006 en la Universidad Publica de Navarra.
Nuestra intencion original era tratar temas algo avanzados de Calculo Cientfico y utilizar
Matlab como va para su aprendizaje. Los alumnos, obviamente, estaban mas interesados
en aprender Matlab y vean el Numerico como forma de probar y ensayar las diferentes
herramientas de Matlab que se iban exponiendo en clase. Desafortunadamente, la forma-
cion en Numerico de nuestros alumnos nos obligo a relajar considerablemente el contenido
matematico del curso y a ser mas modestos, desde el punto de vista teorico, en nuestros
rra
objetivos. El resultado final en su vertiente matematica se podra enmarcar sin problemas
en un curso introductorio de Calculo Numerico. En cuanto a Matlab, creemos que hemos
tratado todos sus aspectos fundamentales aunque en ocasiones sea de forma superficial.
Nuestro objetivo era conseguir no tanto un conocimiento muy profundo de Matlab como
el de colocar al alumno en una buena posicion de arranque para un autoaprendizaje.
El enfoque y los temas tratados son consecuencia de diversos factores entre los que
conviene citar nuestro propio bagaje matematico1 , el uso que hemos tenido que hacer de
Matlab en nuestra carrera investigadora y, como ya hemos mencionado, los conocimientos
de partida que tenan nuestros propios alumnos. Hemos insistido bastante en la mani-
pulacion de vectores y matrices y a la programacion en forma vectorizada. Esta es una
de las diferencias mas acusadas con los lenguajes de programacion tradicionales y una
implementacion eficiente en Matlab pasa necesariamente por la vectorizacion.
Los apuntes estan organizados en torno a temas o lecciones, cada cual dividido en dos
do
partes, la primera de Matlab y la segunda con un tema especfico de Calculo Numerico.
En la primera parte se presentan los aspectos instrumentales de Matlab que utilizaremos
en la implementacion de los algoritmos de la parte de Numerico. La longitud de cada
parte es variable, y dependiente de la dificultad tratada ya sea en la parte instrumental
(Matlab) o en la parte matematica. De tanto en tanto nos hemos permitido hacer algo de
Matematicas tratando de presentarlas en la forma mas simple posible.
A lo largo de estas paginas el lector podra encontrar ejercicios, algunos de ellos resuel-
tos, que tratan de ahondar en puntos especficos, matematicos e informaticos. Finalmente
se han introducido algunas notas historicas que describen brevemente la evolucion que han
r
tenido las ideas a lo largo del tiempo. Con ello tratamos de combatir la idea gaussiana,
demasiado extendida, de las Matematicas como un mundo estatico, monoltico y perfecto
donde la teora se presenta cerrada y completa. Las Matematicas en general y el Calculo
Cientfico en particular recorren un largo trecho antes de llegar a este estado, durante
el cual brotan ideas constantemente, siempre prometedoras en un primer momento, que
1
modelado por nuestra formacion cientfica, comun en muchos aspectos.
i
evolucionan con los anos, con muchas de ellas desechadas finalmente e incluso algunas
rescatadas anos despues de considerarse como vas muertas.
Hemos adjuntado al final una bibliografa utilizada en este texto. Nos gustara resaltar
tres textos sobre los demas. En primer lugar, Numerical Computing with Matlab, de Cleve
Moler, que descubrimos cuando andabamos en la redaccion de la Leccion II. Su sencillez
y la buena eleccion de ejemplos ha ejercido una influencia considerable en estas notas.
Bo
El segundo libro es ya un clasico entre los que aprendimos Matlab hace algunos anos.
Andabamos entonces en la busqueda de recursos en la web cuando nos encontramos con
unos apuntes muy completos de libre divulgacion. Nos referimos al libro de Garca de
Jalon y sus colaboradores, Aprenda Matlab ?.? como si estuviera en primero. Diferentes
versiones de estos apuntes llevan cubriendo de forma incansable la evolucion de Matlab
desde la version 4.0.
Por ultimo, aunque no es un texto propiamente, la enciclopedia libre on line Wikipedia2
ha sido utilizada profusamente para obtener datos y fuentes utilizadas en la redaccion de
este texto. Debemos senalar que estas informaciones han sido debidamente contrastadas.
A pesar de algunos problemas iniciales, es seguro que la influencia de esta enciclopedia
libre crecera exponencialmente en el futuro.
Finalmente, queremos dejar patente nuestro agradecimiento al Profesor Javier Sayas
rra
que se ofrecio muy generosamente a revisar este libro. Sus numerosas y acertadas indica-
ciones y sugerencias han contribuido, y mucho, en la redaccion final de este texto.
do
Pamplona, Febrero de 2006 Vctor Domnguez Baguena
Ma Luisa Rapun Banzo
r
2
http://www.wikipedia.org
ii
Bo
A Javier
Amigo y maestro.
rra
do
r
Captulo 1
Bo
Introduccion
... and the first lesson of all was the basic trust that he
could learn. It is shocking to find how many people do
not believe they can learn, and how many more believe
learning to be difficult.
rra
Dune
Frank Herbert
1
diseno de sistemas de control;
salidas graficas;
estadstica;
Bo
simulacion de sistemas dinamicos.
La extensa gama de problemas que cubre hace de Matlab un lenguaje difcil de entender
y manejar en su completitud. Esto no quiere decir que sea inarbodable: el conocimiento
base que permite empezar a trabajar es muy sencillo. No obstante el elevado numero de
comandos que se encuentra a disposicion del usuario3 provoca que en ocasiones existan
problemas no solo para encontrar los comandos adecuados sino tambien para tener una
idea de que posibilidades exactamente ofrece Matlab en un problema o tarea en particular.
2
Las funciones no compiladas estan escritas siguiendo el lenguaje de programacion
propio de Matlab. Estos comandos se guardan en ficheros *.m que es la extension estandar
de los ficheros de Matlab4 .
Originalmente, Matlab funcionaba como un interprete. Es decir, cada lnea de codigo
era traducido antes de su ejecucion. Ello haca que una programacion similar a lenguajes
clasicos de programacion diera lugar a codigo poco eficiente.
Bo
Este problema se puede subsanar en gran medida recurriendo a la programacion vec-
torizada. El siguiente ejemplo muestra las diferencias con una programacion estandar
No vectorizada Vectorizada
y=zeros(1,1000); y=sin(linspace(0,2*pi,1000));
h=2*pi/999;
for i=0:999
y(i+1)=sin(h*i);
rra
end
En la primera parte del codigo, encontramos una estructura tpica en los lenguajes de
programacion: el comando for. Su significado es claro: las lneas comprendidas entre el for
y end se repiten 1000 veces con la variable i tomando valores de 0 a 999. El resultado final
es el vector fila y que recoge el valor del seno en 1000 puntos uniformemente espaciados
en [0, 2].
Por otro lado, el comando linspace devuelve un array que contiene 1000 puntos
equidistantes entre 0 y 2. La funcion seno es aplicada sobre todo el array devolviendo
un vector con estos valores que se guarda en y. La diferencia entre ambas formas de
programar es ahora patente. Mientras que en la primera realizamos 1000 llamadas a la
do
funcion seno con un argumento por llamada, en la segunda hay una unica llamada donde
se requiere el calculo del seno en 1000 puntos, y el resultado se devuelve en un vector con
estos valores (y por tanto tambien de longitud 1000).
Desde el punto de vista de Matlab el segundo codigo es mas eficiente. Habitualmente,
la vectorizacion lleva consigo una reduccion del codigo a la vez que se incrementan las
necesidades de memoria.
Con Matlab 6.5 se inicio un proyecto a mas largo plazo consistente en la aceleracion
(Performance Acceleration) de las versiones no vectorizadas dirigida a estrechar las di-
ferencias con los lenguajes clasicos de alto nivel como Fortran, C o Pascal5 . En cualquier
r
caso, la posibilidad de ejecutar instrucciones en bloque sobre vectores o matrices, en con-
traste con operaciones elemento a elemento como en los lenguajes tradicionales, es algo
que conviene explotar por las importantes ventajas que proporciona.
4
Tambien esta la extension *.mat, propia de ficheros de datos.
5
De hecho en la version 6.5 apenas hay diferencias en tiempo de ejecucion entre los dos codigos
expuestos.
3
1.3. Como aprenderemos?
Como ya hemos senalado anteriormente, aprender a manejar Matlab en su totalidad
esta fuera de los contenidos de un curso introductorio como este. No as aprender los
fundamentos y preparar el terreno para un autoaprendizaje de las partes en las que cada
uno este interesado. Encontramos en este punto dos dificultades que salvar: saber de la
Bo
existencia del comando adecuado y aprender a utilizarlo. En no pocas ocasiones, la primera
es la mayor dificultad. No obstante los comandos llevan siempre nombres nemotecnicos
para facilitar su memorizacion. Las funciones de ayuda tambien echan una mano.
Como a programar se aprende programando, comenzaremos escribiendo codigo desde
los primeros pasos. Los esquemas numericos que implementaremos se encuentran practi-
camente en cualquier curso introductorio de Analisis Numerico. En cada leccion imple-
mentaremos dichos algoritmos, introduciendo ordenes, estructuras de decision, datos,...
segun sea necesario.
En los apuntes se incluyen multiples ejercicios cuya realizacion ayudara al aprendizaje
de la asignatura. Estos apuntes no deben tomarse como un manual en el estilo usual, sino
como una forma de aprender Matlab y repasar o aprender el Analisis Numerico basico.
Ya existen manuales extensos y concienzudos, en la bibliografa citamos algunos de ellos,
rra
que pueden servir para ese fin.
do
r
4
Bo
Leccion I
9
2.1 Entorno de trabajo LECCION I
Bo
rra
Figura 2.1: Pantalla Principal.
10
LECCION I Captulo 2. Matlab: Primeros pasos
y observa la salida.
>> 3^5
Bo
ans=
243
>> 4+6
ans =
10
rra
>> ans*2
ans =
20
>> ans*2
ans =
40
do
La raz cuadrada se puede calcular bien elevando a 1/2 (^(1/2)) o bien utilizando sqrt.
11
2.1 Entorno de trabajo LECCION I
Por ejemplo
Existen ademas dos numeros especiales: inf y NaN. El primer signo representa la can-
Bo
tidad infinita (). El segundo es una abreviatura de no es un numero (Not a Number)
y es el resultado que se devuelve ante una operacion indefinida como 0/0. Este smbolo
se puede utilizar en ambitos, en principio tan extranos, como en el dibujo de superficies
(ver la Leccion V).
En general los resultados numericos se presentan con cuatro cifras decimales correctas,
aunque todas las operaciones se ejecutan en doble precision1 . Si se desean las salidas con
toda la precision disponible se debe insertar la instruccion
devuelve a la forma estandar con cuatro cifras decimales. Existen mas opciones con format.
Las siguiente lneas muestran algunas de ellas:
>> pi % el numero pi
ans =
3.1416
3.14159265358979
12
LECCION I Captulo 2. Matlab: Primeros pasos
355/113
Observa la diferencia de espaciamiento que se obtiene con las opciones compact y loose.
Numeros complejos
La aritmetica compleja se encuentra tambien integrada en Matlab. La unidad imagi-
naria ( 1) se representa en Matlab con i o j:
>> clear i j % borramos posibles valores de i y j
rra
>> i^2
ans=
-1
>> j^2
ans=
-1
do
El signo i suele ser habitual en Matematicas mientras que en diversas ramas de la Fsica
y en Ingeniera de Telecomunicaciones o Electrica se prefiere el smbolo j (en este caso
para no confundir con la intensidad de corriente electrica). De ah que Matlab permita
ambas representaciones.
Todas las operaciones matematicas incluyen la aritmetica compleja en el sentido usual
ans =
r
6.0000 - 5.0000i
ans =
13
2.2 Comandos de ayuda LECCION I
34.00
ans =
-0.20
Bo
+
>> conj(3e-3+2e-4i) % conjugado
ans =
0.0030 - 0.0002i
ans =
5
rra
ans =
1.5708
help: muestra una ayuda por pantalla, en la ventana de comandos, con la informa-
do
cion esencial sobre un comando concreto.
helpwin: similar a help pero despliega la ayuda en una ventana auxiliar, permitien-
do as una navegacion, estilo web, muy comoda.
lookfor: permite buscar una cadena en la primera lnea de todos los ficheros de
ayuda.
Overloaded methods
help sym/sin.m
14
LECCION I Captulo 2. Matlab: Primeros pasos
Bo
rra
Figura 2.2: Pantalla de ayuda.
o bien
>> helpwin sin
do
y obtener la pantalla que se muestra en la Figura 2.3. Ademas, si aparece el enlace Go to
online doc for ..., este nos permite navegar entre una ayuda mucho mas completa
donde se muestran ejemplos y detalles sobre la implementacion del comando (ver la Figura
2.42 ).
Ejercicio 2.3 Utilizando las funciones de ayuda, obtener informacion de alguna de estas
funciones elementales de Matematicas
sin cos tan asin acos atan
sec csc cot asec acsc acot
r
sinh cosh tanh asinh acosh atanh
exp log log10 log2 sign
Mediante la instruccion
2
Para que esta opcion este disponible es necesario que se haya instalado la ayuda completa de Matlab.
A partir de la version 6.0 la instalacion consta de (al menos) dos CDs, el primero con el programa y las
libreras habituales y el segundo con la documentacion de la ayuda.
15
2.3 Variables LECCION I
Bo
rra
Figura 2.3: Ayuda con helpwin. Comprueba si aparece la opcion Go to online doc...
>> help +
-1
>> a*b*c
16
LECCION I Captulo 2. Matlab: Primeros pasos
Bo
rra
Figura 2.4: Ayuda on line.
ans =
6
do
El comando who sirve para conocer los nombres de las variables declaradas, mientras
que con whos obtenemos una informacion mas precisa:
>> who
a b c
r
>> whos a
Name Size Bytes Class
17
2.3 Variables LECCION I
>> clear a
>> whos a
>>
borra la variable (es decir, whos no devuelve nada). Con la orden
>> clear all
se borran todas las variables declaradas hasta el momento.
rra
Nota. En Matlab es correcto declaraciones de este tipo
>> sin=1;
>> sin+1
ans=
2
De esta forma sin pasa a ser una variable que sobrescribe el valor original que tena como
funcion seno. Para recuperar el valor original basta ejecutar
>> clear sin
do
18
LECCION I Captulo 2. Matlab: Primeros pasos
2.4.2. Funciones
En principio existen dos tipos de funciones: las funciones inline, que se insertan en
la lnea de comandos y las que se escriben en un documento de texto externo. Esta ultima
r
forma, que es la evolucion natural de los ficheros script, es mas flexible y es en la que nos
centraremos a continuacion. Dejaremos pendiente para la Leccion III la descripcion de las
funciones inline.
Como antes, para crear un fichero que contenga a una funcion se puede teclear:
4
Tambien es posible crear este fichero a golpe de raton.
5
Por defecto es C:\MATLAB6p5\work.
19
2.4 Ficheros script y funciones LECCION I
01 % MIFUNCION
02 %
Bo
03 % Y=MIFUNCION(X) devuelve
04 %
05 % Y=X^2-COS(X)
06 %
07 function y=mifuncion(x)
08
09 y=x^2-cos(x);
10
11 return
>> mifuncion(pi)
ans =
10.8696
Nota. Los numeros correlativos situados a la izquierda no forman parte del codigo
de la funcion. Han sido insertados con el fin de numerar las lneas y as facilitar los
comentarios que podamos hacer sobre el programa.
Una funcion puede no tener salidas, por ejemplo,
do
01 % INFORMACION
02 %
03 % INFORMACION devuelve informacion sobre
04 % la precision de la maquina
05 %
06 function informacion
07
08 disp(precision de la maquina)
09 disp(eps)
r
10 disp (mayor numero real)
11 disp(realmax)
12 disp (menor numero real)
13 disp(realmin)
14 return
6
En este sentido, el return del ejemplo anterior es superfluo.
20
LECCION I Captulo 2. Matlab: Primeros pasos
ans=
>> z2
ans=
6
La cabecera que hemos introducido en el preambulo de las funciones, es decir las lneas
anteriores a la declaracion de la funcion y precedidas con %, constituyen la ayuda de la
funcion:
>> help mifuncion2
r
MIFUNCION2
[Y1,Y2]=MIFUNCION2(X1,X2,X3) devuelve
Y1=X1+X2+X3;
Y2=X1-X2+X3;
21
2.5 Vectores y matrices LECCION I
22
LECCION I Captulo 2. Matlab: Primeros pasos
ans=
9
En cualquier caso, si tratamos de introducir un valor en una posicion no definida de la
matriz, Matlab ira adaptando el tamano segun juzgue apropiado9 , y no dara ningun
error. El siguiente ejemplo ilustra esta caracterstica
>> clear c % c esta borrado
>> c(1,2)=4 % c es ahora 1 x 2
c =
do
0 4
c =
0 4 0
0 0 0
0 0 2
r
Esta habilidad, aunque permite una programacion muy flexible y descuidada, debe utili-
zarse con mesura dado que puede provocar errores de ejecucion muy difciles de detectar.
9
Ello obliga a que haya que redimensionar constantemente la memoria otorgada a la variable a. Esto
supone un costo adicional, inapreciable con ejemplos pequenos, pero importante para grandes cantidades
de memoria. Por tanto es mejor declarar primero las dimensiones de la matriz e informar as a Matlab de
cuanta memoria tiene que reservar.
23
2.5 Vectores y matrices LECCION I
2.5.2. Operaciones
Todas las operaciones habituales entre matrices, tales como la suma, producto, poten-
ciacion, calculo de determinantes, inversas..., estan ya implementadas en Matlab. No hay
por tanto necesidad de programarse estas tareas. Por ejemplo, si a y a2 son matrices de
tamanos compatibles, las instrucciones
Bo
a*a2 a^2 a+a2
devuelven el producto matricial de a y a2, el cuadrado de a (es decir, a*a) y la suma de
a y a2.
Es importante observar la diferencia con estas lneas
a.*a2 a.^2
En el primer caso, se devuelve la matriz resultado de multiplicar elemento a elemento
a y a2 (por tanto deben tener el mismo tamano) y en el segundo, una matriz cuyas
entradas son el cuadrado de las de a. Esto es una constante en Matlab: el signo .
indica que la operacion (un producto, una potencia o una division) se hace elemento a
elemento, mientras que en caso contrario se calcula la operacion matematica, en este
caso el producto matricial.
rra
Ejercicio 2.4 Introduce en a y a2 dos matrices de igual tamano. Observa el resultado de
ejecutar
a+a2 a*a2 a.*a2
Define un vector b fila o columna y ejecuta
b.^3 b
Comprueba si estas operaciones estan bien definidas
a*2 a+1
Que hacen exactamente? Por que crees que no es necesario . en la primera instruccion?.
do
Otros comandos importantes son
det inv / \ /. \.
Los dos primeros son el determinante y la inversa de una matriz cuadrada. Los operadores
/ y \ (slash y backslash) son ciertamente especiales:
a/a2 es equivalente a a*inv(a2), a\a2 es equivalente a inv(a)*a2
En cuanto a su relacion con ./ y \. es la misma que ha surgido antes, esto es, aplicado
sobre matrices procede a realizar los cocientes elemento a elemento. Requiere por tanto
que ambas matrices tengan el mismo tamano.
r
Ejercicio 2.5 Ejecuta las instrucciones
>> 3/5
>> 3\5
y observa el resultado. Tiene sentido desde el punto de vista anterior?.
Ejercicio 2.6 Dado b una matriz, que hace 1/b?.
24
LECCION I Captulo 2. Matlab: Primeros pasos
Ax = b x = A1 b.
As, si b es n 1 y a es n n,
Bo
>> x=a\b;
1.0000 0.5000
0.5000 1.0000
es equivalente a
ans =
1.0000 0.5000
do
0.5000 1.0000
3 2
>> length(a3)
25
2.5 Vectores y matrices LECCION I
ans =
2 3
ans =
2
rra
>> n
ans =
>> length(a3)
ans =
3
do
El comando size devuelve un vector de tamano 21 con el numero de filas y columnas
del vector/matriz. El resultado es diferente segun se aplique a vectores fila o columna. La
orden length devuelve la longitud de una matriz o vector. Su significado en el caso de un
vector esta clara mientras que para matrices devuelve el maximo entre el numero de filas
y el numero de columnas.
Matrices especiales
Matlab dispone de una serie de comandos que permiten construir matrices con una
estructura particular. Cabe senalar las siguientes ordenes:
r
eye(n) es la matriz identidad de orden n;
zeros(m,n) es una matriz m x n de 0s, esto es, igual que ones pero con ceros;
26
LECCION I Captulo 2. Matlab: Primeros pasos
Existen dos formas de introducir vectores cuyos valores siguen una distribucion regular
a:b:c construye el vector de valores [a a+b a+2*b .... a+k*b] donde a+k*b es
el mayor numero natural que cumple a+k*b c. La instruccion a:c toma b = 1.
>> 0:10
ans=
0 1 2 3 4 5 6 7 8 9 10
>> 10:-1:0
ans=
rra
10 9 8 7 6 5 4 3 2 1 0
>> 0.1:0.3:1.5
ans =
>> linspace(0,2,4)
ans =
do
0 0.6667 1.3333 2.0000
>> linspace(2,0,4)
ans =
27
2.5 Vectores y matrices LECCION I
>>a(2,:) % fila 2 de a
ans =
4 5 6
>>a(:,1) % columna 1
rra
ans =
1
4
7
10
a =
do
1 0 3
4 0 6
7 0 9
10 0 12
ans =
r
0 3
ans =
28
LECCION I Captulo 2. Matlab: Primeros pasos
6
9
12
0 3
0 6
ans=
rra
0.4000 0.300 0.2000
ans=
>> a=[1 2 3 4; 5 6 7 8]
a =
r
1 2 3 4
5 6 7 8
a =
29
2.6 Bucles y estructuras de decision LECCION I
1 2 3 4
5 6 7 8
1 -1 2 4
1 2 3 4 0
5 6 7 8 2
1 -1 2 4 4
Si se desea eliminar una fila o columna se puede utilizar el smbolo vaco []. Por
ejemplo,
1 3 4 0
5 7 8 2
1 2 4 4
Ejercicio 2.8 Programa una funcion cuyas entradas sean una matriz cuadrada y un termino
independiente compatible y que devuelva la matriz ampliada del sistema de ecuaciones lineales.
Esto es, una matriz con la matriz original y una ultima columna con el termino independiente.
for j=inicio:paso:final
.....
r
end
implementa un bucle donde las lneas de codigo entre for y end son ejecutadas repe-
tidamente con j tomando los valores del vector inicio:paso:final (vease la Seccion
2.5.3)
Por ejemplo,
30
LECCION I Captulo 2. Matlab: Primeros pasos
3
Bo
>> for j=6:-2:2; disp(j-2); end
4
En general, si v es un vector,
for j=v
rra
.....
end
procede a ejecutar las lneas internas con j tomando los valores del vector v. Por ejemplo,
3
do
1
1 1
1
r
2 n
1 1
1
2 3 n+1
A=
.. .. .. .. ..
. . . . .
1 1 1
n 2n2 2n1
Construye la matriz anterior mediante un fichero script y el uso de dos for anidados.
31
2.6 Bucles y estructuras de decision LECCION I
ans =
ans =
rra
1
ans =
ans =
do
1
32
LECCION I Captulo 2. Matlab: Primeros pasos
p=
1 1 0 0 1 0
En el ejemplo anterior, p(i)==1 si b(i)1 y cero en caso contrario. Ahora, podemos
Bo
aislar los elementos mayores o iguales que 1 simplemente con
>> b(p)
1 2 2
Desde este punto de vista es correcta y recomendable utilizar la instruccion
>> b(b>=1) % elementos de b mayores o iguales que 1
1 2 2
que ademas resulta muy natural (y facil de entender).
rra
Nota. El comando logical puede utilizarse para construir vectores y estructuras logicas
a partir de vectores de numeros enteros:
>> b=[2 4 6 8 10]; p=[1 0 0 1 1];
>> b(p) % Dara error
>> p=logical(p);
>> b(p)
ans =
do
2 8 10
La estructura de decision, como en muchos otros lenguajes, es if. Su sintaxis es la
siguiente:
if simple: si la operacion logica efectuada es verdadera, se ejecutan las lneas de
codigo comprendidas entre if y end
if (x<-1 | x>1)
r
disp(valor absoluto de x mayor que 1)
end
33
2.6 Bucles y estructuras de decision LECCION I
if (x<0)
f=x.^2;
disp(x menor que cero)
elseif (x<sqrt(pi))
f=sin(x^2);
disp(x en [0,sqrt(pi)))
elseif (x<2*sqrt(pi))
f=(x-sqrt(pi))^2;
disp(x en [sqrt(pi),2*sqrt(pi)))
rra
else
f=pi*cos(x^2);
disp(x en [2*pi,infinito))
end
if (x<0)
f=x.^2;
disp(x menor que cero)
do
else
if (x<sqrt(pi))
f=sin(x^2);
disp(x en [0,sqrt(pi)))
else
if (x<2*sqrt(pi))
f=(x-sqrt(pi))^2;
disp(x en [sqrt(pi),2*sqrt(pi)))
else
f=pi*cos(x.^2);
r
disp(x en [2*pi,infinito))
end
end
end
34
LECCION I Captulo 2. Matlab: Primeros pasos
Nota. Con la instruccion switch se puede implementar una estructura de decision que
es esencialmente equivalente a un if anidado.
Esta disponible tambien el bucle while que procede a ejecutar un bucle (que se cierra
tambien con un end) mientras una condicion sea verdadera. Por tanto, es algo mas flexible
que un for.
En general todos los bucles y estructuras que requieran cerrarse, lo hacen con end. El
Bo
uso de break y continue es exactamente el mismo.
Por ultimo, y volviendo a end, este comando tiene una curiosa funcionalidad extra:
sirve para referenciar el ultimo elemento de una fila o columna de una matriz. Por ejemplo
b(4:end) selecciona todos los elementos de b desde la posicion cuarta en adelante.
Ejercicio 2.11 Con la ayuda de Matlab, programa un par de ejemplos donde utilices switch
y while.
Ejercicio 2.12 (Un poco de todo) Implementa una funcion de nombre findnonzeros
que dado un vector de entrada devuelva el numero de elementos no nulos y un vector que
contenga dichos elementos.
35
2.6 Bucles y estructuras de decision LECCION I
n =
7
Bo
p =
Columns 1 through 5
Columns 6 through 7
0.2000 0.4000
Otra posible implementacion (mucho mas elaborada y mas propia de Matlab) es la si-
rra
guiente
01 % FINDNONZEROS
02 %
03 % [N,P]=FINDNONZEROS(X) devuelve
04 %
05 % N el numero de elementos no nulos en el vector X
06 % P un vector con los elementos no nulos de X
07 %
08 function [n,p]=findnonzeros(x)
09
10 p=x(x~=0);
11 n=length(p);
do
12 return
Haz un esfuerzo en entender bien los comandos anteriores. Tras la suficiente practica,
esta version se ve mas clara y natural que la anterior. Observa como se toman los elementos
no nulos del vector x (lnea 10).
r
36
Captulo 3
Bo
Metodos directos para sistemas de
ecuaciones lineales
i) Transformacion del sistema lineal en otro equivalente, es decir, con la misma solu-
cion, donde la matriz es triangular superior.
Ax = b, A Rnn , x, b Rn ,
37
3.1 Metodo de Gauss LECCION I
Metodo de Gauss
Bo
01 for i = 1 : n 1
02 for k = i + 1 : n
03 `ki = aki /aii
04 for j = i + 1 : n
05 akj = akj `ki aij
06 end
07 bk = bk `ki bi
08 end
09 end
10
11 xn = bn /ann
12 for i = n 1 : 1 : 1
rra
Xn
13 x i = bi aij xj /aii
j=i+1
15 end
Ejercicio 3.1 Implementa una funcion cuyas entradas sean la matriz de coeficientes y el
termino independiente y devuelva la solucion del sistema por el metodo de Gauss.
01 % GAUSS
r
02 %
03 %
04 % X=GAUSS(A,B) Solucion del sistema Ax=b con el metodo
05 % de Gauss sin pivotaje
3
es decir, el numero de multiplicaciones es n3 /3 + n2 + n + , donde , y son constantes
adecuadas. Con n creciente, el primer termino es el dominante.
38
LECCION I Captulo 3. Metodos directos para sistemas de ecuaciones lineales
06
07 function x = gauss(a,b)
08 n=length(a);
09
10 % transformacion del sistema en uno triangular
11 for i=1:n-1
Bo
12 for k=i+1:n
13 l=a(k,i)/a(i,i);
14 for j=i+1:n
15 a(k,j)=a(k,j)-l*a(i,j);
16 end
17 b(k)=b(k)-l*b(i);
18 end
19 end
20
21 % resolucion del sistema triangular
22 x=zeros(n,1); % tambien vale x=b*0;
23 x(n)=b(n)/a(n,n);
rra
24 for i=n-1:-1:1
25 s=0;
26 for j=i+1:n
27 s=s+a(i,j)*x(j); % sumatorio
28 end
29 x(i)=(b(i)-s)/a(i,i);
30 end
31 return
El codigo anterior es correcto y ciertamente recuerda a la sintaxis que usaramos en una
do
programacion en un lenguaje tradicional como C o Pascal. Sin embargo desde el punto de
vista de Matlab es claramente redundante y muy mejorable. Los siguientes ejercicios
ahondan en estos aspectos por lo que resolverlos es muy recomendable.
Solucion. Las filas 14-16 del programa (04--06 del algoritmo) se pueden implementar
como una diferencia de dos vectores, a(k,i+1:n) y a(i,i+1:n), con cualquiera de estas
dos instrucciones
r
a(k,i+1:n) =a(k,i+1:n) - l*a(i,i+1:n)
a(k,:) =a(k,:) - m*a(i,:)
La segunda es mas comoda de utilizar pero multiplica por dos el numero de operaciones
en la ejecucion del metodo4 .
4
Por que?.
39
3.1 Metodo de Gauss LECCION I
De forma analoga, el sumatorio de las lneas 25-29 del codigo (13 del algoritmo del
metodo de Gauss) es simplemente el producto escalar, y de hecho tambien matricial, de
dos vectores, el vector fila a(i,i+1:n) y el vector columna x(i+1:n). Esto es el codigo
de las lneas 25--29 se puede sustituir por
x(i)=(b(i)- a(i,i+1:n)*x(i+1:n))/a(i,i);
Bo
Ejercicio 3.3 (Avanzado) Podemos avanzar aun mas hacia la consecucion de algoritmos
matriciales. Consideremos la particion de A
a11 c>
1 b1
A= , b=
d1 A11 b1
donde c1 , d1 son vectores (n 1) 1 y A11 una matriz (n 1) (n 1). Entonces, el primer
paso del metodo de Gauss se puede escribir
c>
a11 1 b 1
, b=
0 A11 (a11 )1 c> 1 d1 b1 a1
11 b1 d1 .
rra
| {z } | {z }
(1) (1)
A b
El segundo paso del metodo de Gauss se aplica ahora sobre la matriz A(1) (de tamano (n1)
(n 1)) y el vector b(1) (de tamano (n 1) 1) y as se procede sucesivamente. Implementa
esta resolucion alternativa del metodo de Gauss.
(Ayuda. Observa estas tres instrucciones
l=a(i+1:n,i)/a(i,i) a(i+1:n,i+1:n)-l*a(i,i+1:n) b(i+1:n)-l*b(i)
Que hacen?)
40
LECCION I Captulo 3. Metodos directos para sistemas de ecuaciones lineales
Uno de los detalles mas sencillos que hay que plantear es la estrategia de almacena-
miento de las matrices en memoria. Se puede optar por un almacenamiento por filas, como
hace C,
a11 a12 a13
A= a11 a12 a13 a21 a22 a23
a21 a22 a23
Bo
donde con la notacion anterior queremos decir que aij y aij+1 ocupan posiciones consecu-
tivas en memoria.
Sin embargo Fortran o Matlab proceden por columnas
a11 a12 a13
A= a11 a21 a12 a22 a13 a23 .
a21 a22 a23
Segun sea el caso se trata de primar algoritmos que accedan a la matriz por filas o por
columnas para que el procesador trabaje con posiciones consecutivas de memoria6 . En esta
rra
dinamica, la resolucion del sistema triangular segun el algoritmo expuesto en el Ejercicio
3.3 esta mejor adaptado a la arquitectura de Matlab puesto que todas las operaciones se
hacen sobre columnas de la matriz a.
Para evitar que el metodo de Gauss se colapse, es decir, que encuentre en un paso i
que el elemento aii es nulo (lnea 03 del algoritmo), se introduce la nocion de pivotaje. La
idea es muy sencilla: en el caso de que en el iesimo paso el pivote sea nulo, se procede a
intercambiar la fila i por una fila k tal que aki 6= 0 para cierto k > i. Si esto no es posible,
do
el sistema no es compatible determinado, es decir, o no tiene solucion o tiene infinitas
soluciones.
Desde un punto de vista practico, el metodo de Gauss con pivotaje procede a inter-
cambiar siempre filas de forma que en cada paso
esto es, el pivote es el mayor posible. Ello dota al sistema de una mayor estabilidad frente
a los errores de redondeo. El algoritmo resultante es el siguiente (denotamos por a b el
r
intercambio de valores de a y b).
6
Cuando un procesador moderno lee algo en memoria, suele cargar a su memoria internar, la memoria
cache, posiciones adicionales y consecutivas de memoria bajo la conviccion de que es probable que las
requiera en el siguiente paso.
41
3.1 Metodo de Gauss LECCION I
01 for i = 1 : n 1
02
03 Encontrar k {i, . . . , n} tal que |aki | = max |a`i |
j=`,...,n
04 for j = i : n
Bo
05 aij akj %intercambio filas y termino independiente
08 end
07 bi bk
08
09 for k = i + 1 : n
10 `ki = aki /aii
11 for j = i + 1 : n
12 akj = akj `ki aij
13 end
14 bk = bk `ki bi
15 end
16 end
rra
Ejercicio 3.4 Implementa una funcion con el metodo de Gauss con pivotaje a partir de la
funcion definida en el Ejercicio 3.2.
Para este fin la instruccion max te puede resultar util. Especficamente,
>> [m,i]=max(v)
devuelve en m el mayor valor del vector v y en i su posicion, esto es, m = v(i). Anade tambien
un control sobre el tamano de a(i, i) de forma que si este es proximo a cero7 se termine la
ejecucion y se devuelva un mensaje de error.
do
(Ayuda. La instruccion [m,r]=max(abs(a(i:n,i))) te devolvera en r la posicion del maximo
en el vector columna abs(a(i:n,i)). Por tanto, la fila en la matriz a con el mayor valor en la
columna i es i+r-1.)
42
LECCION I Captulo 3. Metodos directos para sistemas de ecuaciones lineales
y se procede a hacer ceros en las filas p(i+1),. . . , p(n). El acceso la fila i se consigue con
a(p(i),:)
22 x(p(n))=b(p(n))/a(p(n),n);
23 for i=n-1:-1:1
24 x(p(i))=(b(p(i))-a(p(i),i+1:n)*x(i+1:n))/a(p(i),i);
25 end
Ejercicio 3.6 Las lneas 2225 proceden a resolver el sistema triangular accediendo a los
elementos por filas. Adapta el algoritmo para la resolucion de este sistema por columnas, tal
como se hizo en el Ejercicio 3.3.
r
Ejercicio 3.7 Sea A una matriz inversible de tamano n n y A1 su inversa. Si ai es la
columna iesima de A1 , esto es,
43
3.2 Descomposiciones matriciales LECCION I
entonces
0
..
.
Aai = ei = 1 i.
.
..
0
Bo
Utilizando alguna de las diferentes versiones del metodo de Gauss, implementa el calculo de la
inversa mediante la resolucion de los n sistemas de ecuaciones. Observa que los n comparten
la misma matriz de coeficientes.
3.2.1. Descomposicion LU
Supongamos que se dispone de una descomposicion
do
A = LU
44
LECCION I Captulo 3. Metodos directos para sistemas de ecuaciones lineales
unica. Si exigimos que L tenga 1s sobre la diagonal, el numero de incognitas pasa a ser
de n2 y por tanto tenemos ya un sistema cuadrado (aunque no lineal). Se trata entonces
de estudiar el siguiente problema: dada una matriz A de tamano n n, encontrar L y U
de la forma
1 u11 u12 u1n
Bo
`21 1 u22 u2n
L = .. , U = .. ,
.. . . . .
. . . . .
`n1 `n2 1 unn
01 for k = 1 : n
02 for j = k : n
k1
X
03 ukj = akj `kp upj
p=1
04 end
05 `kk = 1
06 for i = k + 1:n
k1
X
07 `ik = aik `ip upk /ukk
do
p=1
08 end
09 end
El numero de operaciones del algoritmo resulta ser igual al del metodo de Gauss,
con lo cual no hemos conseguido una ventaja significativa. Sin embargo, disponer de esta
descomposicion es especialmente util si se requiere resolver varios sistemas de ecuaciones
lineales con la misma matriz pero con terminos independientes diferentes. Las operaciones
que conllevan un mayor coste son las correspondientes al calculo de las matrices L y
r
U , pero unicamente hay que realizar esta descomposicion una vez para posteriormente
resolver en cada caso dos sistemas triangulares.
45
3.2 Descomposiciones matriciales LECCION I
Al observar el algoritmo del metodo, las operaciones recuerdan a las efectuadas por el
metodo de Gauss. Esto no es tan sorprendente cuando se analizan con detenimiento los
calculados realizados. Se puede ver entonces que en el calculo de la descomposicion LU se
estan haciendo exactamente las mismas operaciones que al aplicar el metodo de Gauss.
En efecto, definamos
( (1)
Bo
aij = aij i, j = 1, . . . , n
(k+1) (k) (k)
aij = aij `ik akj , k 1, 1 i, j n k
donde `ki viene dada por el algoritmo de Doolitle (lnea 07).
Entonces, de acuerdo con el algoritmo de la factorizacion LU , los elementos de la
primera fila de U y de la primera columna de L vienen dados por
(1)
(1) ai1
u1j = a1j , `i1 = (1)
.
a11
En el siguiente paso, se observa que
(1) (1) (2)
u2j = a2j `21 u1j = a2j `21 a1j = a2j
rra
(1) (1) (2)
ai2 `i1 u12 a `i1 a a
`i2 = = i2 (2) 12 = i2(2)
.
u22 a22 a22
Reiterando el mismo razonamiento concluimos que
(j)
(i) aij
uij = aij , i j, `ij = (j)
, i > j.
ajj
Por tanto U es de hecho la matriz triangular que queda al aplicar el metodo de Gauss
mientras que L esta formada por los elementos que se han utilizado para hacer ceros en
el proceso. Esto es, el elemento i, j de L, denotado por `ij , coincide con la constante `ij
calculado en la lnea 03 del metodo de Gauss y por tanto no hay una contradiccion de
notaciones.
do
En particular, la propiedad anterior propone una forma alternativa de calcular la des-
composicion LU de una matriz es la siguiente modificacion del programa del Ejercicio 3.1:
11 for i=1:n-1}
12 a(i,i+1:n)=0; %hacemos cero la columna i
13 for k=i+1:n}
14 l(k,i)=a(k,i)/a(i,i);
15 a(k,i+1:n)=a(k,i+1:n)-l(k,i)*a(i,i+1:n);
16 end
17 end
r
La matriz U estara entonces almacenada en a.
Ejercicio 3.10 Una forma compacta de devolver la descomposicion LU es insertar L en la
parte triangular inferior de a. De esta forma, tras aplicar el metodo, a tiene en la parte superior
la matriz U , mientras que por debajo de la diagonal encontramos L (exceptuando su diagonal
de 1s). Implementa esta modificacion.
46
LECCION I Captulo 3. Metodos directos para sistemas de ecuaciones lineales
donde
`11
`21 `22
L= .
.. .. . .
. . .
`n1 `n2 `nn
Gracias a la simetra de la matriz, tanto el numero de operaciones como de posiciones
de memoria requeridos pueden reducirse a la mitad. El algoritmo resultante es conocido
como el metodo de Cholesky.
Metodo de Cholesky
rra
01 for k = 1:n
v
u
u k1
X
02 `kk = takk `2kr
r=1
03 for j = k + 1:n
k1
X
04 `jk = ajk `jr `kr /`kk
r=1
05 end
06 end
do
Ejercicio 3.11 Implementa una funcion que tenga como entrada una matriz A y devuelva
la matriz L correspondiente. Debe avisar si la descomposicion no ha podido llevarse a cabo.
Implementa tambien una segunda funcion que tenga como entradas la matriz L triangular
y un termino independiente b y que devuelva la solucion del sistema
(LL> )x = b.
LU con permutacion
El metodo de Gauss con pivotaje parcial es equivalente a la decomposicion
P A = LU
47
3.2 Descomposiciones matriciales LECCION I
A = LU
b
Bo
b = P 1 L, de forma que L
donde L b es una permutacion de la matriz triangular inferior9 .
La siguiente subrutina devuelve esa descomposicion.
01 % LUPERMUTACION
02 %
03 % [L,U]=LUPERMUTACION(A)
04 %
05 % devuelve U triangular superior, L permutacion
06 % por filas de una matriz triangular inferior con
07 % 1s en la diagonal de forma que A=L*U
rra
08
09 function [l,u]= LUPermutacion(a)
10 n=length(a);
11 p=1:n;
12
13 for i=1:n-1
14 [maximo,r]=max(abs(a(p(i:n),i)));r=r+i-1;
15 p([i r])=p([r i]);
16 for k=i+1:n
17 l(p(k),i)=a(p(k),i)/a(p(i),i);
18 a(p(k),i:n)=a(p(k),i:n)-l(p(k),i)*a(p(i),i:n);
19 end
do
20 end
21 for i=1:n
22 l(p(i),i)=1;
23 end
24 u=a(p,:);
25 return
9
Esto es, es el resultado de reordenar las filas de L.
48
LECCION I Captulo 3. Metodos directos para sistemas de ecuaciones lineales
r=chol(a) devuelve r triangular superior de forma que a=r*r. Observa que con
Bo
las notaciones introducidas r es precisamente la traspuesta de la matriz
L, expuesta en nuestro algoritmo. El comando asume que la matriz es
simetrica por lo que solo trabaja con la parte superior de la matriz.
[l,u]=lu(a); x=u\(l\b);
rra
La colocacion de los parentesis es esencial. Con u\l\b se calcula (u1 l)1 b que obvia-
mente no tiene nada que ver con la solucion del sistema. No hay que preocuparse por el
hecho de que las matrices sean triangulares (o permutacion de una triangular). Matlab, y
en concreto la instruccion \ detecta esto y resolvera el sistema por sustitucion progresiva
(o regresiva), sin intentar realizar la eliminacion gaussiana.
Nota historica11
Ideas similares a la eliminacion gaussiana pueden encontrarse muchos siglos atras, con
referencias que se remontan a las matematicas babilonicas y chinas. Carl Friedreich Gauss
introdujo el metodo que lleva su nombre entorno a 1800 cuando trataba de resolver un
problema de ajuste por mnimos cuadrados relacionado con el calculo de la orbita del
do
asteroide Palas. Parece ser que Joseph Louis Lagrange haba utilizado ideas similares 50
anos antes para dilucidar si una forma cuadratica (hoy diramos matriz) era definida po-
sitiva. El matematico aleman Carl Gustav Jacob Jacobi extendio la idea de la eliminacion
gaussiana a matrices arbitrarias.
Es resenable que la nocion de matriz tal como la conocemos ahora era desconocida
para Gauss y Lagrange. El concepto de matriz, y el algebra asociada (esto es, las opera-
ciones) habran de esperar a los trabajos de James J. Sylvester (que en 1848 introdujo el
termino matriz) y de Arthur Cayley (que siete anos despues definio el producto matricial
identificandolo con el calculo de la composicion de aplicaciones lineales y definio la in-
versa de una matriz). Importantes fueron tambien las contribuciones del fsico Hermann
r
10
Veremos dos algoritmos para obtener esta descomposicion en la Leccion IV. Aunque para la resolucion
de sistemas de ecuaciones lineales la descomposicion QR es mas estable numericamente que la LU, se
suele optar por esta ultima por tener un menor coste computacional (aproximadamente la mitad).
11
Las principales referencias utilizadas para esta nota han sido Very Early Days of Matrix Compu-
tations, Beresford Parlett en SIAM News, 3, no 9; Matrix Algorithms, G.W. Stewart; Computer
solutions of large system of equations, G. Merant y An introduction to Numerical Analysis, E. Suli y
D. Mayers. Estas referencias estan completamente detalladas en la bibliografa.
49
3.2 Descomposiciones matriciales LECCION I
50
Bo
Leccion II
La primera toma la diagonal de una matriz mientras que la segunda y tercera toman la par-
te triangular superior (upper) e inferior (lower) respectivamente. Ademas estos comandos
do
son algo mas flexibles de lo que pueda parecer a simple vista como veremos a continuacion.
Empecemos introduciendo una matriz
>> diag(a)
ans =
r
11
22
33
1
Aceptaremos este anglicismo en lo que sigue. En ocasiones este vocablo se traduce por matrices huecas
o matrices dispersas.
55
4.1 Retorno a las matrices LECCION II
>> triu(a)
ans =
11 12 13
0 22 23
Bo
0 0 33
>> tril(a)
ans =
11 0 0
21 22 0
31 32 33
El usuario puede especificar que diagonal se escoge, o a partir de que diagonal se toma
la matriz triangular. La diagonal principal es la cero y las subdiagonales inferiores (respec-
tivamente superiores) estan numeradas consecutivamente con numeros enteros negativos
rra
(respectivamente positivos). El siguiente ejemplo ilustra estas caractersticas.
>> diag(a,-1)
ans =
21
32
>> tril(a,-1)
ans =
do
0 0 0
21 0 0
31 32 0
>> triu(a,0)
ans =
11 12 13
r
0 22 23
0 0 33
Ejercicio 4.1 Programa una funcion que dada una matriz a devuelva un vector d con los
elementos de la diagonal, una matriz triangular superior u con todos los elementos de a situados
encima de la diagonal superior y l una matriz triangular inferior con todas las entradas de
debajo de la diagonal principal.
56
LECCION II Captulo 4. Matlab: programacion avanzada
Ejercicio 4.2 Que sucede si aplicamos los comandos anteriores a matrices rectangulares?.
Con diag podemos tambien construir a partir de un vector una matriz diagonal
>> diag([1 2]) % es lo mismo que diag([1 2],0)
ans =
Bo
1 0
0 2
ans =
0 1 0
0 0 2
0 0 0
rra
Ejercicio 4.3 Como utilizaras el comando diag para generar una matriz con la diagonal
de una dada?.
ans=
1 0 0 0
0 1 2 0
0 3 4 0
do
0 0 0 5
Trasposicion de matrices
Dada una matriz A, la matriz traspuesta A> es la matriz resultante de intercambiar
las filas con las columnas de A. Esto es, las filas de A pasan a ser las columnas de A> .
Esta operacion se denota en Matlab con :
>> a=[1 2 3; 0 2 4];
>> a
r
ans =
1 0
2 2
3 4
57
4.1 Retorno a las matrices LECCION II
ans =
Bo
1 2 3
De nuevo nos encontramos con esta propiedad sobre la que ya hemos incidido: Matlab
distingue entre vectores filas y columnas, y esta diferencia se hace especialmente palpable
(y en ocasiones molesta) a la hora de realizar operaciones como productos matriz-vector.
Nota. En Matlab existe tambien el operador .. Sobre matrices reales funciona exac-
tamente igual que el comando anterior, pero no as sobre numeros complejos. Ademas de
trasponer, , conjuga todas las entradas. Es decir, cambia el signo a la parte imaginaria
de cada elemento. Matematicamente hablando, este es el operador de trasposicion o con-
jugacion, denotado habitualmente en matematicas con A . Por contra, . se limita a
rra
intercambiar filas por columnas en la matriz:
>> clear i % i es ahora la unidad imaginaria
>> a=[i 1-2i; 1 0.3+4i];
>> a.
ans =
0 + 1.0000i 1.0000
1.0000 - 2.0000i 0.3000 + 4.0000i
>> a
do
ans =
0 - 1.0000i 1.0000
1.0000 + 2.0000i 0.3000 - 4.0000i
Dada una matriz a, si ejecutamos a(:), obtenemos el vector columna que se cons-
truye concatenando las columnas de a. Tecnicamente hablando, nos esta mostrando la
matriz tal como se guarda en memoria. Por ejemplo,
r
>> a=[1 2 3; 0 2 4];
>> a(:)
ans =
58
LECCION II Captulo 4. Matlab: programacion avanzada
0
2
2
3
4
Bo
>> a=a; %trasponemos a
>> a(:)
ans =
1
2
3
0
2
4
rra
Esto puede utilizarse para hacer un par de trucos:
>> b=b(:);
hara de b un vector columna, sea cual sea su formato inicial. Si lo que se desea es
un vector fila, basta con trasponer
do
>> b=b(:); % b=b(:). mejor por si b es complejo
Se puede utilizar para introducir las entradas de una matriz por columnas. A modo
de ejemplo,
>> a=zeros(4,3);
>> a(:)=[1 2 3 4 5 6 7 8 9 10 11 12]
a =
r
1 5 9
2 6 10
3 7 11
4 8 12
>> a2=zeros(2,6);
59
4.1 Retorno a las matrices LECCION II
>> a2(:)=a(:)
a2=
1 3 5 7 9 11
Bo
2 4 6 8 10 12
Nota. El comando reshape permite modificar las dimensiones de una matriz (o array
en general). Es mas flexible que el comando :.
ans =
32
ans =
5 7 9
6
15
2
Recuerda la predileccion de Matlab por las columnas.
60
LECCION II Captulo 4. Matlab: programacion avanzada
ans =
5 7 9
6
15
ans=
-2
ans =
r
5 2
>> max(a)
ans =
61
4.1 Retorno a las matrices LECCION II
2 3 9
ans =
Bo
8
9
>> [m,p]=max(a,[],2); p % posicion del maximo
ans=
1
1
La razon por la que se utiliza [] en la lnea anterior es que esta instruccion tambien
se puede utilizar para comparar dos arrays del mismo tamano
rra
>> a1=[3 1 2; 5 3 2]; a2=[4 2 1; 1 2 3];
>> max(a1,a2)
ans =
4 2 2
5 3 3
Al insertar el vaco indicamos a Matlab que no existe un segundo vector y que debe
proceder a buscar el maximo de a en su segunda dimension, esto es, el maximo por
filas.
do
min: Calcula el mnimo procediendo exactamente igual que max.
norm: norma de una matriz o vector. Se puede escoger entre varias normas.
ans =
ans =
62
LECCION II Captulo 4. Matlab: programacion avanzada
Nota. Cuando el comando dot se aplica a dos vectores complejos, procede siempre a
conjugar el primer vector. Es decir, matematicamente
n
X
dot(u, v) ui v i .
i=1
As,
rra
>> u=[1+i 2+2i]; v=[2 1];
>> dot(u,v)
ans =
4.0000 - 4.0000i
>> dot(v,u)
ans =
4.0000 + 4.0000i
do
Ejercicio 4.4 Como sumaras los elementos de una matriz?. Como encontraras el mnimo
y el maximo?. Y su posicion?
63
4.1 Retorno a las matrices LECCION II
Bo
Figura 4.1: Diagrama de un matriz sparse 400 400 con 2690 elementos no nulos.
rra
Matlab provee de forma muy sencilla ese almacenamiento. Con
>>a=sparse(100,100); b=sparse(100,1);
declaramos a como una matriz sparse 100100 y un vector columna b de 100 elemen-
tos. Todas las entradas son inicialmente ceros, pero se guarda la estructura basica para
introducir los elementos no nulos
>> a=sparse(100,100)
a =
do
All zero sparse: 100-by-100
a =
(4,4) 1
(8,9) -4
(80,45) -1
r
(99,100) 4
Para transformar una matriz llena (convencional) en una matriz sparse podemos utilizar
tambien este comando
>> a=diag([1 2 3 4 5]);
>> a=sparse(a)
64
LECCION II Captulo 4. Matlab: programacion avanzada
a =
(1,1) 1
(2,2) 2
(3,3) 3
Bo
(4,4) 4
(5,5) 5
Con full realizamos la operacion inversa: transforma una matriz sparse en una matriz
llena,
>> a=full(a)
a =
1 0 0 0 0
0 2 0 0 0
0 0 3 0 0
rra
0 0 0 4 0
0 0 0 0 5
La instruccion spalloc tiene un funcionamiento muy similar a sparse. Es util si se sabe
el numero de elementos no nulos que tendra dicha matriz. Concretamente
>> a=spalloc(8,7,12)
declara una matriz 8 7 con a lo sumo 12 elementos no nulos. Al informar de cuantos
elementos no nulos se esperan Matlab hace una gestion mas eficiente de la memoria.
El comando nnz (Non zeros) nos informa del numero de elementos no nulos de una
matriz, mientras que su esquema (pattern), como el que aparece en la Figura 4.1, se obtiene
con spy:
do
>> a=sparse(10,10);
>> a(1,4)=1; a(2,8)=-4; a(3,9)=1; a(7,8)=5;
>> nnz(a)
ans=
>> spy(a)
r
La grafica se despliega en una ventana separada.
Todas las operaciones que hemos visto estan adaptadas al nuevo entorno. As, los
operadores
: triu tril diag
devuelven vectores/matrices sparse. Las operaciones
65
4.2 Argumentos de funciones LECCION II
* + .* dot
speye devuelve una matriz diagonal con unos, o similar (analoga a eye);
sprand, sprandn construyen una matriz sparse con entradas aleatorias (similar a
rand);
Ejercicio 4.5 Con la ayuda de Matlab averigua la sintaxis concreta de los comandos ante-
rra
riores y comprueba con algun ejemplo como funcionan.
66
LECCION II Captulo 4. Matlab: programacion avanzada
l =
0.5000 1.0000
1.0000 0
do
u =
2 4
0 1
l =
r
0.5000 1.0000
1.0000 0
u =
2 4
67
4.2 Argumentos de funciones LECCION II
0 1
x =
1
0
Bo
>> [l,u]=DescomposicionLU(a,[1 2]) %falta un arg. de salida
Ejercicio 4.6 A partir de la funcion anterior implementa una funcion que opere segun la
siguiente cabecera
rra
% DESCOMPOSICIONLU2
%
% R = DESCOMPOSICIONLU2(A)
% Si A es simetrica definida positiva devuelve
% R triang superior tal que A=RR
% [R,X] = DESCOMPOSICIONLU2(A,B)
% Si A es simetrica definida positiva devuelve
% R triang superior tal que A=RR y la solucion
% del sistema AX=B
% [L,U] = DESCOMPOSICIONLU2(A)
% Devuelve U triang superior, L permutacion de
do
% una triang. inferior con 1s en la diagonal
% tal que A=LU
% [L,U,X]= DESCOMPOSICIONLU2(A,B)
% Devuelve U triang superior, L permutacion de
% una triang. inferior con 1s en la diagonal
% tal que A=LU y la solucion del sistema AX=B
Nota: Realizar la comparacion A==A para testar si la matriz es simetrica. Que devuelve esta
comparacion? Como se puede utilizar para comprobar si efectivamente la matriz es simetrica?
Y para ver que es definida positiva?.
r
68
Captulo 5
Bo
Matrices sparse en Matematicas.
Metodos iterativos para sistemas de
ecuaciones lineales
>> x=a\b;
A = LU.
1
Ver Leccion IV
69
5.1 Metodo de Gauss para matrices sparse LECCION II
Ax = b, Ly = b, U x = y,
o en codigo de Matlab2
Bo
[l,u]=lu(a); x=u\(l\b);
Una caracterstica muy habitual del metodo de Gauss para matrices sparse es el efecto
relleno (en ingles fill in), esto es, la insercion de nuevos elementos en el proceso. Por
ejemplo, tras un unico paso del metodo de Gauss
x x x x x x x x x x x x
x x x x x x x
x x x x x x x
x x x x x x x
x x x x x x x
x x x x x x x
rra
y la matriz es ahora llena. Sin llegar a esos extremos, es habitual que las necesidades
de memoria se multipliquen al aplicar la eliminacion gaussiana. En la descomposicion
LU esto se refleja en un incremento en el numero de entradas no nulas de la matriz con
los problemas que ello lleva consigo (mayores requerimientos de memoria, mayor costo
computacional,...).
Vamos a ver como podemos reducir este molesto comportamiento con un reordena-
miento adecuado de filas (ecuaciones) y columnas (incognitas). Dado que en aplicaciones
practicas las matrices simetricas son muy comunes3 nos restringiremos en lo que sigue a
esta familia de matrices. Con el fin de preservar la simetra, cualquier intercambio de filas
debe ser seguido por el intercambio de columnas correspondientes:
x 0 0 x x x x 0 0 x
0 x x 0 0 x x 0 0 0
do
0 x x 0 x 1 3
0 0 x x x
x 0 0 x 0 0 0 x x 0
x 0 x 0 x x 0 x 0 x
En los comandos
symrcm symmmd
estan implementados dos algoritmos de reordenacion muy populares: el algoritmo de
Cuthill-McKee inverso y el algoritmo de mnimo grado. El primero reordena de forma
que los terminos no nulos de la matriz tienden a estar concentrados cerca de la diagonal.
r
El algoritmo de mnimo grado por su parte tiende a mover los elementos no nulos hacia el
final de la matriz de forma que la estructura inicial de la matriz es esencialmente diagonal
y el efecto relleno surge cuando el metodo de Gauss esta ya muy avanzado.
2
Recuerda la colocacion de los parantesis.
3
O al menos matrices con estructura simetrica, esto es, a(i, j) 6= 0 a(j, i) 6= 0. Todo lo que sigue es
igualmente valido para este tipo de matrices.
70
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
Bo
rra
do
Figura 5.1: Resultado de reordenar las filas y columnas con symrcm y symmmd.
71
5.1 Metodo de Gauss para matrices sparse LECCION II
Nota. A partir de la version 7.0, el comando symmmd que contiene el algoritmo de mnimo
grado se ha declarado obsoleto y sera eliminado en futuras versiones. Se recomienda
utilizar symamd.
Comentarios finales
Si la matriz es ademas simetrica definida positiva podemos utilizar la descomposicion
de Cholesky,
A = LL>
donde L es triangular inferior con elementos sobre la diagonal estrictamente positi-
vos. El sistema se reduce ahora a dos sistemas triangulares
do
Ly = b, L> x = y.
La instruccion correspondiente en Matlab es chol, que devuelve R triangular su-
perior de forma que
A = R> R
(es decir, en la notacion de estos apuntes, L = R> ). As, el algoritmo anterior, con
reordenacion adecuada, queda ahora
Solucion con reordenamiento...
r
01 p=symmmd(a); % permutacion. vale tb p=symrcm(a);
02 r=chol(a(p,p)); % r es ahora "mas sparse"
03 x=r\b(p); x=r\x; % resolvemos los dos sist. triang.
04 x(p)=x; % reordenamos las incognitas
72
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
2 4 2 4 2 4 2 4 2 4
1 1 1 1 1
3 5 3 5 3 5 3 5 5
3
x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x 0
Bo
x x x 0 x 0 x x x x 0 x x x x 0 x x x x 0 x x x x
0 x x 0 0 0 x x 0 0 0 0 x x x 0 0 x x x 0 0 x x x
x 0 0 x 0 0 x 0 x 0 0 0 x x x 0 0 0 x x 0 0 0 x x
0 x 0 0 x 0 x 0 0 x 0 0 x x x 0 0 0 x x 0 0 0 0 x
5 3 5 3 5 3 5 3 5 3
2 2 2 2 2
1 4 1 4 1 4 1 1
4 4
x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x
0 x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x 0 x x 0 x
0 x x 0 0 0 x x 0 0 0 0 x 0 x 0 0 x 0 x 0 0 x 0 x
0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x
x x 0 x x 0 x 0 x x 0 0 x x x 0 0 0 x x 0 0 0 0 x
rra
Figura 5.2: Eliminacion gaussiana y su representacion como un grafo. Efecto del reorde-
namiento.
Queda mas alla de los contenidos de este curso explicar como funcionan los algorit-
mos implementados en symrcm y symmmd. Se puede senalar no obstante que ambos
do
se basan en identificar la estructura de una matriz con la de un grafo no dirigido,
donde dos nodos i y j estan conectados si y solo si a(i,j)6=0. El proceso de elimi-
nacion gaussiana se ve como la eliminacion sistematica de nodos y la creacion de
nuevos enlaces entre los nodos restantes. Concretamente, si hacemos un cero con la
fila i en la fila j, aparecen nuevos enlaces entre los nodos que estaban unidos con el
nodo i y los conectados con j. El problema se reescribe ahora en terminos de retirar
los nodos en el orden adecuado de forma que se minimice el numero de nuevos ejes
creados (Figura 5.2).
Los graficos de la Figura 5.1 han sido creados a traves del siguiente fichero script.
r
% Calculamos la matriz de elementos finitos para
% un problema sobre un dominio en forma de L
73
5.2 Metodos iterativos para sistemas lineales LECCION II
[p,e,t]=refinemesh(lshapeg,p,e,t); % refinamiento
[a,b]=assempde(lshapeb,p,e,t,1,0,1);
% a es la matriz (sparse) y b el termino independiente
74
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
Para obtener una solucion hace falta realizar todo el proceso: en pasos intermedios
no se dispone de ninguna aproximacion de la solucion.
Ax = b
xm x, cuando m .
Los resultados teoricos sobre convergencia son a menudo pobres. Esto es, en general
existe convergencia en situaciones mucho mas generales de lo que la teora predice.
Ademas, chequear estas hipotesis puede resultar tan costoso como resolver el mismo
sistema.
El ultimo punto merece cierto comentario. Los sistemas lineales provienen en general
de problemas fsicos de los que se dispone de informacion a priori, entre las que se pueden
do
encontrar las hipotesis que aseguran la convergencia de un metodo iterativo. Por ejemplo,
se puede saber que una matriz es definida positiva, y no hay necesidad por tanto de hacer
esta comprobacion.
Por contra, los metodos iterativos tienen las siguientes e importantes ventajas:
75
5.2 Metodos iterativos para sistemas lineales LECCION II
76
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
x := (x1 , x2 , . . . , xn )> Rn
Observa que sin embargo estas constantes de equivalencia dependen de n. Todas ellas
estan implementadas en Matlab, como ya se vio en la Seccion 4.1.2.
Cada norma vectorial define a su vez una norma sobre las matrices
77
5.2 Metodos iterativos para sistemas lineales LECCION II
La norma k k2 tiene una expresion mas complicada que dificulta su calculo practico. En
concreto p
kAk2 = (A> A)
donde (B), denominado radio espectral, denota el mayor de los valores absolutos de
los valores propios de B (ver Leccion IV). Si A es simetrica, se tiene simplemente que
Bo
kAk2 = (A).
En cualquier caso, el comando norm de Matlab aplicado a matrices devuelve las corres-
pondientes normas matriciales:
M x = N x + b.
do
El metodo iterativo consiste en
Es facil ver que si la sucesion construida en (5.1) converge a algun x, entonces el vector
es la solucion del sistema. Aun es mas, se comprueba facilmente que
r
xm+k+1 x = (M 1 N )(xm+k x) = . . . = (M 1 N )k (xm+1 x).
Teorema 5.1 El metodo iterativo converge si y solo si existe k tal que kB k k < 1.
78
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
lm kB k k1/k = (B)
k
Por tanto se concluye que una condicion equivalente de convergencia es que todos
los valores propios de B = M 1 N tengan valor absoluto menor estrictamente que 1.
rra
Teorema 5.2 El metodo iterativo converge si y solo si (B) < 1.
(B) = 0.
Es decir, hay convergencia en una unica iteracion. Esta iteracion consiste en resolver
directamente el sistema de ecuaciones.
En general, uno asegura la convergencia cuando M recoge la informacion mas impor-
tante de A, de forma que N = M A tenga un tamano pequeno comparado con M . Por
otro lado, se debe tener en cuenta la definicion del metodo (5.1) y que por tanto en cada
r
iteracion hay que resolver un sistema de ecuaciones. As, interesa que M sea sencilla desde
el punto de vista de la resolucion del sistema lineal (por ejemplo, diagonal, triangular,...)
y que simultaneamente recoja la mayor informacion posible de A.
7
Esta propiedad se pierde cuando se resuelven ecuaciones y sistemas no lineales. En este caso, los
metodos numericos convergen solo si se arranca suficientemente cerca de la solucion.
8
Si es valor propio de B, 2 lo es de A2 .
79
5.2 Metodos iterativos para sistemas lineales LECCION II
entonces
(m+1) 1h X (m)
i
xi = bi aij xj , i = 1, . . . , n.
aii j6=i
do
Para algunos tipos especiales de matrices se sabe que el metodo converge e incluso se
dispone de informacion sobre la velocidad de convergencia.
Una matriz es estrictamente diagonal dominante por filas si
X
|aii | > |aij |, i
j6=i
y por columnas si X
|ajj | > |aij |, j.
i6=j
r
Teorema 5.3 Si la matriz es estrictamente diagonal dominante por filas o columnas el meto-
do de Jacobi converge.
Ejercicio 5.1 (matematico) Probar el teorema anterior. Cuando convergera mas rapido?
(Ayuda. Construir la matriz B = D1 (L + U ). Probar que kBk < 1 si es dominante por filas
o kBk1 < 1 si es dominante por columnas. Aplicando el Teorema 5.2, se deduce el resultado.)
80
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
y tomamos como criterio de parada la norma eucldea de la diferencia entre dos iteraciones
sucesivas del metodo. La eleccion de la norma es libre, queda a eleccion del programador
Bo
(podamos tomar por ejemplo la norma 2 o la norma infinito).
Una primera version de nuestro algoritmo es la siguiente
Jacobi
01 for m=1:mmax
02 error=0; y=x
03 for i=1:n
n
X
04 x i = bi aij yj /aii
j=1
j6=i
05 end
rra
06 if kx yk2 <eps1+eps2*norm(x)
07 return
08 end
09 end
10 disp(numero maximo de iteraciones alcanzado)
11 return
01 % JACOBI
02 %
03 % X = JACOBI(A,B) aplica el metodo de Jacobi para la
04 % resolucion del sistema AX=B
05 %
06 %[X,IT]= JACOBI(A,B) devuelve en IT el numero de
r
07 % iteraciones calculadas
08 %
09 %[X,IT]= JACOBI(A,B,ITMAX) ITMAX es el numero max. de iteraciones
10 %
11 %[X,IT]= JACOBI(A,B,ITMAX,... EPS1,EPS2 son las tolerancias
12 % EPS1,EPS2 absoluta y relativa
81
5.2 Metodos iterativos para sistemas lineales LECCION II
13 %
14 %[X,IT]= JACOBI(A,B,ITMAX,...
15 % EPS1,EPS2,X0) arranca el metodo con X0
16 %
17 function [x, varargout]=jacobi(a,b,varargin)
18
Bo
19 % valores por defecto
20 n=length(a); mmax=100;
21 eps1=1e-4; % tolerancia absoluta
22 eps2=1e-4; % tolerancia relativa
23 x=zeros(n,1);
24 if nargin>2
25 mmax=varargin{1};
26 end
27 if nargin>3
28 eps1=varargin{2};
29 end
30 if nargin>4
rra
31 eps2=varargin{3};
32 end
33 if nargin>5
34 x(:)=varargin{4}; %x es un vector columna
35 end
36
37 % Metodo de Jacobi
38
39 for m=1:mmax
40 error=0;
41 y=x;
42 for i=1:n
do
43 v=[1:i-1 i+1:n];
44 x(i)=(b(i)-a(i,v)*y(v))/a(i,i);
45 end
46 error=norm(x-y); % otras normas con norm(x-y,1),norm(x-y,inf)
47 if (error<eps1+eps2*norm(x))
48 break
49 end
50 end
51 if (m==mmax)
52 disp(numero maximo de iteraciones sobrepasado)
r
53 end
54
55 %salida
56
57 if (nargout>1)
58 varargout{1}=m;
82
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
59 end
60 return
Ejercicio 5.3 Programa una nueva opcion de salida que devuelva un vector error de lon-
gitud m 1 de forma que error(m) sea la diferencia entre xm y xm+1 .
Observa que el codigo realmente dedicado al metodo de Jacobi se reduce a apenas diez
lneas (39-50) con el resto de la subrutina dedicada al control del algoritmo y a la salida
y entrada de datos. Se observa ademas que la lnea 43 permite implementar en una unica
lnea (44) el producto de la lnea 04 del pseudocodigo.
El codigo anterior, sin embargo, es optimizable. El ejercicio siguiente ahonda en un
aspecto en particular
Ejercicio 5.4 Otra forma alternativa de implementar el metodo es reemplazar las lneas
rra
42-45 por el producto
x=(b-a*y+d.*y)./d
o bien
x=y+(b-a*y)./d
donde d es un vector columna que contiene la diagonal de la matriz. Observa que realizamos
operaciones de mas (multiplicamos por la diagonal para luego restar su contribucion), pero
el costo es despreciable y la operacion es ahora puramente matricial. Implementa esta nueva
forma y comprueba el resultado. Obtienes mejoras en el redimiento del metodo9 ?
do
El metodo de GaussSeidel10 consiste en tomar M = D L y N = U , es decir
(D L)xm+1 = U xm + b. (5.2)
Para calcular xm+1 hay que resolver un sistema, en este caso triangular. Repasando con
cuidado las operaciones, observamos que
i1 n
(m+1) 1h X (m+1)
X (m)
i
xi = bi aij xj aij xj , i = 1, . . . , n.
aii j=1 j=i+1
9
r
Deberas probar con matrices grandes. La orden rand te puede servir para ese fin. Una forma de
asegurar la convergencia es generar matrices estrictamente diagonal dominantes. Como se puede hacer
esto?.
10
El nombre de este algorimo es muy curioso. Segun diversos autores (ej. George E. Forsythe o Gerard
Meurant), Carl Friedrich Gauss no diseno exactamente este metodo y Philipp Ludwig von Seidel, que lo
estudio a finales del siglo XIX, desaconsejaba su uso. Gauss desarrollo un metodo muy similar cuando
trataba de resolver un problema de geodesia que llevaba a un sistema lineal que no era compatible
determinado.
83
5.2 Metodos iterativos para sistemas lineales LECCION II
01 for m=1:mmax
02 error=0; y=x
Bo
03 for i=1:n
i1
X n
X
04 x i = bi aij xj aij yj /aii
j=1 j=i+1
05 end
06 if kx yk<eps1+eps2*norm(x)
07 return
08 end
09 end
10 disp(numero maximo de iteraciones alcanzado)
11 return
rra
As pues, la unica diferencia con el metodo de Jacobi es que GaussSeidel procede a
utilizar la nueva componente calculada xi tan pronto es posible mientras que Jacobi solo
la utiliza en la nueva iteracion. Es por ello que GaussSeidel es (casi siempre) superior a
Jacobi. No hay razones matematicas que permitan apoyar esta impresion. De hecho existen
matrices para las que Jacobi converge y GaussSeidel diverge, aunque hace falta construir
un ejemplo ad hoc, no es facil encontrar tal ejemplo, para comprobar esta afirmacion.
Desde un punto de vista practico, si Jacobi converge es altamente probable que lo haga
tambien GaussSeidel y generalmente, este lo hara en menos iteraciones.
Ejercicio 5.6 De manera similar a lo que se propuso en el Ejercicio 5.4, podemos implementar
la parte central del metodo de GaussSeidel mediante
r
x=l\(b-u*y)
x=y+l\(b-a*y)
donde
84
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
l=tril(a,0); u=triu(a,1);
85
5.2 Metodos iterativos para sistemas lineales LECCION II
Por ultimo, aunque no sea inmediato, se puede comprobar que este metodo encaja en
el marco anterior, sin mas que tomar
1 1
M= D L, N= D+U
Ejercicio 5.9 Implementa el metodo de relajacion de Young a partir del metodo de Gauss
Bo
Seidel. Incluye como nuevo argumento de entrada el parametro . Un posible valor por defecto
podra ser = 1 con lo que tendramos el metodo de GaussSeidel.
Ejercicio 5.10 De nuevo, la parte central del metodo de relajacion se puede implementar
en la forma
x=y+m\(b-a*y)
x> In y = x> y
xy x> y = 0
y diremos en este caso que x e y son ortogonales. La misma notacion se puede extender
al producto definido por A, de forma que
r
x A y x> Ay = 0
86
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
Todas las normas son equivalentes en Rn , pero para esta norma se tiene ademas la esti-
macion
Bo
n kxk2 kxkA 1 kxk2
donde 1 2 .... n > 0 son los valores propios, todos reales por ser A simetrica y
positivos por ser definida positiva. La cantidad
1
(A) = ,
n
que sera relevante en lo que sigue, es el condicionamiento de la matriz12 . Obviamente,
(A) 1.
Construimos la funcion
F (x) = 12 x> Ax x> b
conocida como funcional de energa. Tras unos simples calculos, se comprueba que
rra
F = Ax b.
xm+1 = xm + m dm .
12
El condicionamiento se define tambien para matrices arbitrarias reemplazando los valores propios por
los denominados valores singulares, o mas en general, definiendolo como el producto de la norma de A
por la norma de su inversa. En general el condicionamiento de la matriz mide la sensibilidad del sistema
de ecuaciones lineales asociado a variaciones del termino independiente.
87
5.2 Metodos iterativos para sistemas lineales LECCION II
F (xm+1 ) = mn F (xm + dm )
Bo
R
g 0 () = d> >
m Adm dm (b Axm )
| {z }
rm
Metodo de descenso
01 x0 inicial, r0 = b0 Ax0
02 for m=0:mmax
03 Escoger dm
r > dm
04 m := >m
dm Adm
05 xm+1 = xm + m dm
r
06 rm+1 = rm m Adm
07 end
88
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
01 x0 inicial; r0 = b Ax0 ;
02 for m=0:mmax
03 pm = Arm
r>m rm
04 m = >
r m pm
05 xm+1 = xm + m rm
06 rm+1 = rm m pm
07 if krm+1 k epskbk
08 break
09 end
rra
10 end
89
5.2 Metodos iterativos para sistemas lineales LECCION II
16
17 %[X,IT,R]= GRADIENTE(A,B,ITMAX) R es un historial del metodo:
18 % EPS,XO) R(i) es el residuo en el paso i
19
20 function [x,varargout]= gradiente(a,b,varargin);
21
Bo
22 n=length(a); x=zeros(n,1); mmax=40;
23 tol=1e-6;
24
25 if nargin>2
26 mmax=varargin{1};
27 end
28 if nargin>3
29 tol=varargin{2};
30 end
31 if (nargin>4)
32 x=varargin{4};
33 end
rra
34
35 r=b-a*x; res(1)=dot(r,r); aux=norm(b);
36 for m=1:mmax
37 p=a*r;
38 xi=res(m)/dot(r,p);
39 x=x+xi*r;
40 r=r-xi*p;
41 res(m+1)=dot(r,r); % guardamos los residuos
42 if (sqrt(res(m+1))<tol*aux);
43 break
44 end
45 end
do
46
47 if (m==mmax)
48 disp(numero maximo de iteraciones sobrepasado)
49 end
50 if nargout>1
51 varargout{1}=m;
52 end
53 if nargout>2
54 varargout{2}=sqrt(res(:));
55 end
r
56 return
El vector res guarda el residuo en cada iteracion para as tener un historial de como
ha ido la convergencia.
Prueba el metodo con un sistema donde la matriz sea simetrica definida positiva (nota:
para toda matriz B, B > B es simetrica (semi) definida positiva.)
90
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
La grafica mostrada en la Figura 5.3 se ha construido utilizando las instrucciones
Hemos utilizado una escala logartmica para medir la norma del residuo. Observa su fuerte
comportamiento oscilatorio.
4 Residuo
10
3
10
2
10
1
rra
10
0
10
1
10
2
10
0 10 20 30 40 50 60 70
Iteraciones
>> x=gradiente(a,b,[],1e-5)
91
5.2 Metodos iterativos para sistemas lineales LECCION II
kem+1 kA kem kA
luego en cada iteracion hay una reduccion del error en la norma de energa. Sin embargo,
Bo
en ningun caso implica que el residuo se reduzca en cada iteracion, como bien podemos
comprobar en la Figura 5.3. Aun es mas, de la eleccion hecha de m se sigue que
F (xm+1 ) := mn F (xm + rm )
R
y por tanto
h i
kem+1 kA mn kx xm rm kA = mn kem Aem kA mn kI AkA kem kA .
R R R
Observa que hemos utilizado la cota kM xkA kM kA kxkA , caracterstica de toda norma
vectorial y su norma matricial inducida.
rra
Proposicion 5.5 Sean 1 y n el mayor y menor valor propio de A. Entonces
1 n
mn kI AkA = mn kI Ak2 = < 1.
R R 1 + n
(A) 1
kem+1 kA kem kA .
(A) + 1
Ejercicio 5.13 (puramente matematico) Se puede probar que dada A simetrica definida
positiva existe B simetrica definida positiva tal que BB > = B 2 = A, conocida como raz
cuadrada de A. Utilizando este resultado prueba la identidad
kI AkA = kI Ak2
r
utilizada en la Proposicion 5.5.
(Ayuda: Observa que kxkA = kBxk2 . Utiliza ahora que
y completa la demostracion).
92
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
1 n
kI Ak2 = .
1 + n
(Ayuda: al dibujar gc () para diferentes valores de c obtendras obtendras algo similar a esto
rra
1
0.5
0
0 1 2 3 4 5
por lo que rm+1 dm . Esto es, en un metodo de descenso el residuo del paso m + 1 es
r
ortogonal a la direccion de descenso anterior.
Sin embargo, en general ya no es cierto que
93
5.2 Metodos iterativos para sistemas lineales LECCION II
Una forma de evitar, o de mitigar, el aspecto oscilante del metodo del Gradiente, es
exigir que la direccion de descenso dm satisfaga (5.4). Es decir, tomamos
rm+1 = rm m Adm ,
y concluimos que
Bo
d>
m1 rm+1 = 0 dm1 Adm dm1 A dm .
En vista de lo anterior optamos por tomar como direccion de descenso una perturbacion
de la direccion natural rm (el residuo) en la direccion del descenso anterior (dm1 ) que
satisfaga la propiedad de ortogonalidad anterior. Es decir, tomamos
dm = rm + m dm1
r>
m Adm1
dm A dm1 r> >
m Adm1 + m dm1 Adm1 = 0 m = >
.
dm1 Adm1
rra
Como eleccion inicial de la direccion de descenso tomamos simplemente r0 , el residuo
de la aproximacion inicial. Con todo esto, la primera version del metodo del Gradiente
Conjugado es la que sigue
01 x0 inicial; r0 = b Ax0 ; d0 = r0 ;
02 for m=0:mmax
03 pm = Adm
r>
m dm
04 m =
do
d>
m pm
05 xm+1 = xm + m dm
06 rm+1 = rm m pm
07 if krm+1 k epskbk
08 break
09 end
r > pm
10 m+1 = m+1
d>m pm
11 dm+1 = rm+1 + m+1 dm
12 end
r
13 disp(Numero maximo de iteraciones alcanzado)
Como puede verse, las modificaciones sobre el metodo del Gradiente son mnimas
y estan concentradas en las lneas 04, 10 y 11. En cuanto al numero de operaciones,
94
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
coincide con las del metodo del Gradiente: en cada paso es necesario calcular un producto
matrizvector (lnea 03) y tres productos escalares (04 y 10).
Listaremos a continuacion algunas propiedades entre los residuos y las direcciones de
descenso que permiten dar una expresion distinta del metodo, y deducir alguna de las
propiedades de convergencia.
Bo
Lema 5.6 Para todo m 0
r> >
m dm = r m r m .
Por tanto
r>
m rm
m = .
d>
m Adm
95
5.2 Metodos iterativos para sistemas lineales LECCION II
Ejercicio 5.15 Modifica el algoritmo del Gradiente Conjugado con las nuevas expresiones
de m y m . Observa que podemos evitar en esta version un producto escalar por iteracion.
El resultado sorprendente, y que descubre parte de las buenas propiedades del Gradien-
te Conjugado, es que estas propiedades de ortogonalidad se extienden a todo el conjunto
de residuos y direcciones generados en los pasos anteriores.
Bo
Lema 5.9 Para todo m n
i) dm A d` , ` m 1;
ii) rm+1 d` , ` m;
iii) rm+1 r` , ` m.
4
Residuo
10
do
3
10
2
10
1
10
0
10
1
10
2
10
0 2 4 6 8 10 12 14
r
Iteraciones
Figura 5.4: Historial del residuo para el metodo del Gradiente Conjugado
96
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
0 r0 + 1 Ar1 + . . . + m Am r0 , i R.
3. Si Km (A, r0 ) = Km+1 (A, r0 ), entonces Km (A, r0 ) = Km+1 (A, r0 ) = Km+2 (A, r0 ) = ...
ii) rm+1 d` , ` m.
i) dm+1 A d` , ` m:
97
5.2 Metodos iterativos para sistemas lineales LECCION II
rm+1 A r` , dm A d` .
Bo
El segundo es ya conocido (hipotesis de induccion). Por otro lado
Como Ar` K`+1 (A, r0 ) y una base de este subespacio es {r0 , r1 , . . . , r`+1 } ,
concluimos que
Ar` = 0 r0 + 1 r1 + . . . + `+1 r`+1
con j R adecuados. El resultado se sigue ahora de iii) puesto que rm+1 rk ,
para todo k m.
Por ultimo si dm+1 6= 0 entonces {d0 , . . . , dm+1 } es una base de Km+1 (A, r0 ) por
ser Aortogonales y por tanto linealmente independientes.
rra
ii) rm+2 d` , ` m + 1
Por induccion, rm+1 d` , mientras que para el otro termino observamos que
(Adm+1 ) d` dm+1 A d` ,
do
y esto es lo que acabamos de probar en el apartado anterior.
iii) rm+2 r` , ` m + 1.
Tomemos ` m. Entonces
98
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
Ahora bien esto sucede si y solo si ha habido convergencia en el paso m (si dm+1 = 0 y
Bo
por tanto rm = 0) o en el paso m + 1 (si rm+1 = 0). Esto es, si la direccion de descenso es
la nula simplemente es porque ya hemos alcanzado la solucion, y viceversa, si el residuo
es nulo, la direccion de descenso para la siguiente iteracion es la nula.
Notas finales
El Gradiente Conjugado fue propuesto por Magnus R. Hestenes y Eduard Stiefel en
1952. Lo mas curioso es que el metodo fue desarrollado de forma independiente por estos
dos autores. Segun cuenta Marvin Stein13 , un estudiante postdoctoral en aquellos anos que
programo el algoritmo por primera vez para Hestenes, Stiefel coincidio con Hestenes en
una conferencia en UCLA (University of California, Los Angeles) y le comento a grandes
trazos el metodo en el que estaba trabajando. Stiefel estaba impresionado sobre las buenas
rra
propiedades que mostraba este metodo hasta que revisando las tarjetas perforadas que
contenan el programa implementado cayo en la cuenta de que se trataba del mismo
metodo sobre el que independiente el estaba trabajando14 .
Hemos visto que el metodo del Gradiente Conjugado es un metodo directo, en tanto
en cuanto da la solucion en un numero finito de pasos, concretamente n, el numero de filas
de la matriz. Sin embargo, se programa como un metodo iterativo, de forma que se busca
la convergencia en muchas menos iteraciones. En cada iteracion se tiene la estimacion
p !m
(A) 1
kem+1 kA 2 p ke0 kA
(A) + 1
99
5.2 Metodos iterativos para sistemas lineales LECCION II
situacion se prolongo durante casi 20 anos hasta que las ideas del precondicionamien-
to cambiaron radicalmente esta situacion y encumbraron al Gradiente Conjugado a su
posicion actual16 .
El precondicionamiento consiste, a grandes rasgos, en cambiar el sistema por uno
equivalente17
Bo
1 > 1
Ax = b, L
| AL {z } y = L
| {z b}, x = L> y
B c
100
LECCION II Captulo 5. Matrices sparse en Matematicas. Metodos iterativos
3
10
4
10
Residuo
5
10
6
10
7
10
8
10
0 50 100 150 200 250
Iteraciones
rra
Figura 5.5: Efecto del en el Gradiente Conjugado.
dominio en forma de L. La matriz tiene aproximadamente 2100 filas con 14500 elementos no
nulos18 .
Con el comando spy se puede ver la forma de a, su tamano y el numero de entradas
no nulas. Aplica el comando pcg que contiene implementado el Gradiente Conjugado. Por
ejemplo, con
>>[x,flag, relres,iter,resvec] = pcg(a,b,1e-7,100);
aplicas el metodo con una tolerancia relativa de 107 y un numero maximo de 100 iteraciones.
En relres se recoge el residuo relativo de la solucion calculada (kb Axk/kbk), en resvec
do
un historial del residuo en cada paso y en flag una variable que informa sobre que ha sucedido
en la aplicacion del metodo. As flag==1 indica que se ha alcanzado el numero maximo de
iteraciones sin convergencia, mientras que si flag==0 entonces ha habido convergencia. Para
ver el historial de la convergencia del metodo se puede ejecutar
>> semilogy(resvec);
Observa que es necesario o aumentar el numero de iteraciones maximas o disminuir la tolerancia
para obtener convergencia.
A continuacion vamos a utilizar un precondicionador muy sencillo basado en la descompo-
sicion de Cholesky incompleta. Teclea
r
>> R=cholinc(a,0);
De nuevo, con los comandos habituales puedes ver tanto la forma como el numero de entradas
no nulas de R.
Modificando las instrucciones anteriores con
18
Por cierto, el logo de Matlab es la solucion de un problema de este tipo.
101
5.2 Metodos iterativos para sistemas lineales LECCION II
estas aplicando el metodo del Gradiente Conjugado precondicionado con R> R. Disminuye el
numero de iteraciones? (ver iter2). Y el tiempo de calculo?. Puedes ser ahora mas exigente
con la tolerancia?.
Bo
Ejercicio 5.18 Con la orden helpwin lee la ayuda que proporciona Matlab para pcg. Que otros
metodos iterativos estan implementados?. Consulta tambien la ayuda de cholinc y luinc.
rra
do
r
102
Bo
Leccion III
rra
Funciones como argumento. Recursividad
Formulas de cuadratura. FFT
do
r
103
Introduccion
Bo
Hobbes clearly proves that every creature
Lives in a state of war by nature;
So naturalists observe a flea
Has smaller fleas that on him prey,
And these have smaller still to biteem,
And so proceed ad infinitum.
>> f=inline(exp(-x)*sin(x),x);
>> f(2)
ans =
do
0.1231
A efectos practicos, inline es equivalente a editar una funcion con nombre f y a escribir
el correspondiente codigo. La definicion queda en memoria pero una vez cerrada la sesion
de Matlab (esto es, al salir del programa) la funcion se pierde. Esta es pues una importante
desventaja frente la funciones basada en m-files1 . Sin embargo puede resultar util para
tareas sencillas tanto en el modo comando como en el codigo de una subrutina.
Nada impide definir funciones con mas argumentos,
>> g=inline(x*cos(y)-y*cos(x),x,y);
r
Los ultimos argumentos del comando inline definen las variables de la funcion. Si no se
especifican, Matlab trata de reconocer cuales son las variables y las ordena alfabeticamente:
1
En el menu, seleccionando File Save workspace as se pueden grabar las variables y funciones
utilizadas en la sesion actual de Matlab. Otra posibilidad es utilizar la orden save indicando que queremos
grabar f . En cualquier caso, ambas opciones no son muy naturales.
107
6.1 Funciones inline LECCION III
>> g=inline(x^2*cos(y)-y*cos(x)*z);
>> g
g =
Inline function:
Bo
g(x,y,z) = x^2*cos(y)-y*cos(x)*z
De todas formas, expresar todas las variables explcitamente puede aclarar y facilitar la
lectura, ademas de especificar el orden de las variables en la definicion de la funcion:
>> f=inline(x*cos(k*x))
f =
Inline function:
f(k,x) = x*cos(k*x)
rra
>> f=inline(x*cos(k*x),x,k)
f =
Inline function:
f(x,k) = x*cos(k*x)
>> g = inline(x.^2.*cos(y)-y.*cos(x).*z);
>> g([0 pi 0],[pi 0 0], [0 0 pi]) % funcion vectorizada
do
ans =
0 9.8696 0
Otra forma, mas sencilla, es introducir la funcion de la forma habitual y pedir luego a
Matlab que la prepare para su aplicacion a vectores. El comando dedicado a esta tarea es
vectorize:
g =
r
Inline function:
g(x,y,z) = x^2*cos(y)-y*cos(x)*z
>> g= vectorize(g)
108
LECCION III Captulo 6. Matlab: Funciones como argumentos. Recursividad
g =
Inline function:
g(x,y,z) = x.^2.*cos(y)-y.*cos(x).*z
Observa que tras la aplicacion de este comando, Matlab redefine la funcion anadiendo .
Bo
en los sitios adecuados.
109
6.2 Funciones como argumentos LECCION III
>> fun=vectorize(inline(exp(-x)*cos(4*x)));
>> miplot(fun,0,2*pi,200)
Nota. La funcion plot dibuja el vector y versus x. Concretamente, por defecto construye
el polgono con vertices(x(i),y(i)). Si se toma un numero suficiente de puntos esto basta
para obtener una buena grafica. Este comando es una de las salidas graficas mas simples de
Matlab y admite una amplia variedad de argumentos opcionales que controlan el aspecto
rra
final del dibujo. En una leccion posterior (Leccion V) veremos este comando y otros
relacionados con las salidas graficas.
Ejercicio 6.1 Modificar el programa miplot para que en caso de no recibir los argumentos
a y b los pida por pantalla.
(Ayuda. La orden input lee datos por pantalla tras mostrar un mensaje. Necesitaras que ahora a
y b pasen a ser argumentos opcionales.)
Ejercicio 6.2 Lee la ayuda de Matlab sobre plot. Ensaya diferentes variantes, observa como
se puede cambiar de forma sencilla tanto la forma de la grafica (lnea continua, lnea a trozos,
raya-punto, solo puntos,...), el color,...
do
6.2.1. Recursividad
Un aspecto ya habitual en muchos lenguajes de programacion es la recursividad, es
decir, la habilidad de que una funcion se llame a s misma. Es habitual su utilizacion
cuando se programan estrategias de tipo divide y venceras, que consiste, a grandes trazos,
en dividir un problema en problemas iguales pero de menores dimensiones.
Quizas el ejemplo mas sencillo (y clasico) se basa en la funcion factorial.
n! = n (n 1) 1.
110
LECCION III Captulo 6. Matlab: Funciones como argumentos. Recursividad
01 % FACT
02 %
03 % FACT(N) devuelve n!
04 %
05
06 function f=fact(n)
Bo
07
08 if (n<0)
09 disp(error. Argumento inapropiado);
10 f=[]; % devolvemos el vacio
11 elseif (n==0)
12 f=1;
13 else
14 f=fact(n-1)*n; % llamada a fact con n-1
15 end
16 return
111
Captulo 7
Bo
Formulas de cuadratura.
Transformada rapida de Fourier
cuyo calculo no se puede llevar a cabo por medios analticos o bien porque conlleva un
costo elevado. Este tipo de problemas se ha planteado desde la antiguedad, con algunas
referencias que se remontan a las Matematicas clasicas en el calculo de areas y volumenes
de figuras curvas. Quizas este sea el origen de la denominacion de formula de cuadratura
a cualquier expresion que aproxime una integral definida.
La propia definicion de integral1 se formula actualmente en terminos del lmite de
formulas de cuadratura, concretamente formulas del rectangulo. El Analisis Numerico
trata de analizar no solo la convergencia de estas formulas y otras que se puedan plantear,
do
sino especialmente la calidad de estas aproximaciones estimando el error que comenten.
En ultima medida, el uso local de estimaciones del error permiten dilucidar que zonas
del intervalo de integracion concentran el error cometido por nuestra formula y por tanto
donde debemos concentrar nuestro esfuerzo para reducir el error cometido. Obtenemos
as un metodo adaptativo, no rgido, que reconoce las dificultades del problema y se adapta
a el.
En esta seccion esbozaremos estas ideas recurriendo siempre a casos sencillos e ideas
intuitivas y dejando la teora en el mnimo imprescindible.
113
7.1 Formulas de cuadratura LECCION III
conoce como reglas del rectangulo. Queda por elegir el punto que al evaluar define la
altura de cada rectangulo. Las elecciones mas sencillas son tomar el extremo inferior de
cada subintervalo, el extremo superior o, la a priori mas logica, tomar el punto medio.
Bo
0.6
0.5
0.4
0.3
0.2
0.1
-0.1
-0.2
0 0.5 1 1.5 2 2.5
0.6 0.6
particin Particion
0.5 Regla del punto medio 0.5 Regla del trapecio
0.4 0.4
rra
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-0.1 -0.1
-0.2 -0.2
0 0.5 1 1.5 2 2.5 0 0.5 1 1.5 2 2.5
Si, por simplicidad, nos limitamos a trabajar con particiones uniformes, es decir, a
do
construir rectangulos con igual base, las formulas anteriores se pueden exponer de forma
simple: en primer lugar introducimos la malla
ba
n N, h = , xj = a + hj, xj+1/2 = a + h(j + 1/2)
n
o particion asociada. Las reglas quedan ahora de la siguiente forma
n1
X
Q1 (f, h) := h f (xj ) (Punto inferior),
j=0
n
r
X
Q2 (f, h) := h f (xj ), (Punto superior)
j=1
n1
X
Qpm (f, h) := h f (xj+1/2 ), (Punto medio)
j=0
Es difcil escapar a la sensacion de que la regla del punto medio goza de mejores
114
LECCION III Captulo 7. Formulas de cuadratura. FFT
propiedades que las que definen el resto de elecciones3 . Esta impresion es correcta, como
veremos mas adelante.
Un analisis algo mas profundo nos descubre la regla del trapecio como una mejor
manera de aproximar la integral (ver de nuevo la Figura 7.1). En este caso la integral se
aproxima como suma del area de trapecios, como su propio nombre indica. Es un simple
ejercicio comprobar que la regla obedece a la siguiente formula
Bo
h1 n1
X 1 i
Qtr (f, h) := h f (x0 ) + f (xj ) + f (xn ) , (Regla del trapecio).
2 j=1
2
Parecera evidente que esta aproximacion es mejor que la de las formulas de rectangulo
que hemos visto. Esta impresion es solo parcialmente correcta: de hecho la regla del punto
medio es ligeramente mejor que la regla del trapecio, como veremos mas adelante.
En cualquier caso, la regla del trapecio sugiere que podemos desarrollar formulas mas
complejas sobre cada subintervalo [xi , xi+1 ] para luego construir con ellas, simplemen-
te sumandolas, una formula en todo el intervalo [a, b]. Es por ello que a las reglas del
rectangulo y trapecio se les llama reglas compuestas, mientras reglas que no impli-
can subdividir el intervalo de integracion en intervalos mas pequenos se las conoce como
rra
reglas simples.
Funcion a integrar f.
Una vez ledos estos datos podemos calcular h, la distancia entre dos puntos consecu-
do
tivos, construir un vector con los puntos donde hay que evaluar f , evaluar la funcion en
esos puntos (un nuevo vector de valores), sumar el vector y multiplicar por h.
El programa podra ser as
01 % PUNTOMEDIO
02 %
03 % PUNTOMEDIO(F,A,B,N) devuelve el valor aproximado de la
04 % integral de F entre A y B con la
05 % regla del punto medio con N puntos
06 % F debe estar vectorizada
r
07
08 function s=puntomedio(f,a,b,n)
09
3
Quizas por razones de simetra. La intuicion es una arma poderosa en todas las Ciencias y en las
Matematicas en particular. Sin embargo en el Analisis Numerico puede llevar a confusiones e impresiones
erroneas. En ocasiones los metodos numericos funcionan o fallan por razones que escapan a la pura
intuicion. De todos modos, no por ello se debe desdenar, sino manejarla con algo de cuidado.
115
7.1 Formulas de cuadratura LECCION III
10 h=(b-a)/n;
11 x=linspace(a+h/2,b-h/2,n); % calculamos puntos por evaluar
12 y=feval(f,x); % evaluamos f en esos puntos
13 s=h*sum(y); % aplicamos regla
Bo
Ejercicio 7.2 Implementa en Matlab la regla del trapecio.
Ejercicio 7.3 Tomando un numero de puntos suficientemente alto y siempre que la funcion
sea regular (sea derivable un numero suficiente de veces) puedes tomar ese valor como el
resultado exacto de la integral. Con un ejemplo arbitrario compara los resultados de la regla
del punto medio y la regla del trapecio.
Nota. Existe una cuestion, algo tonta, sobre el parametro n. Lo habitual es tomar n de
forma que h = (b a)/n sea la distancia entre los puntos que se evaluan para construir
la regla de cuadratura. Esta eleccion hace que en la regla del punto medio la funcion se
evalue en n puntos mientras que en la regla del trapecio, se haga en n + 1 puntos. En
rra
cualquier caso, y adelantandonos a lo que sigue, el parametro relevante es precisamente
h.
El estudio del error de las formulas anteriores queda as reducido a las propiedades de
aproximacion de los polinomios de grado 0 y 1 correspondientes.
r
Proposicion 7.1 Existen 1 , 2 [a, b] tales que
Z b
1 00
f (s) ds (b a)f (c) = f (1 )(b a)3 ,
a 24
Z b
ba 1
f (s) ds f (a) + f (b) = f 00 (2 )(b a)3 .
a 2 12
116
LECCION III Captulo 7. Formulas de cuadratura. FFT
Obviamente, nada se dice sobre cuales son los puntos 1 , 2 , puesto que conocer esos
puntos en cada caso sera equivalente a conocer la integral para cualquier funcion arbitra-
ria. Es remarcable que ambas formulas son exactas para polinomios de grado 1 (porque
en tal caso f 00 = 0) y que el error que se puede esperar de la formula del punto medio es
la mitad que el de la formula del trapecio y ademas con signo opuesto4 .
Siguiendo con estas ideas, podemos avanzar un paso mas trabajando con polinomios
Bo
de grado dos. Denotando por Pn (x) los polinomios de grado n, procedemos como sigue
Esta regla de cuadratura recibe el nombre de regla de Simpson y es una de las mas
utilizadas en la practica. A primera vista se puede esperar que de el valor exacto de la
integral para polinomios de grado de 2, puesto que as se ha impuesto en la definicion.
r
Sin embargo tiene un grado de precision adicional fruto de la disposicion simetrica de los
puntos de evaluacion (es decir, del hecho de que c sea el punto medio de [a, b]), lo que lleva
a que la formula sea exacta para polinomios de grado 3. Esto es, la regla de Simpson
tiene precision 3:
4
Salvando el hecho de que en principio 1 6= 2 . Un analisis mas elaborado permite probar que esta
conclusion es esencialmente cierta.
117
7.1 Formulas de cuadratura LECCION III
pj (xj ) = f (xj ).
Aproximar Z b Z b
f (s) ds pn (s) ds.
a a
Ejercicio 7.5 Otra forma equivalente de definir y calcular las formulas de Newton-Cotes es
exigir que la formula de cuadratura integre a los polinomios de maximo grado. En el caso de
la formula de Simpson, bastara con partir de
ba
xj = a + jh, j = 0, 1, 2, con h = ,
2
definir
b
r
Z
f (s) ds 0 f (x0 ) + 1 f (x1 ) + 2 f (x2 ).
a
y exigir que la formula sea exacta para f = 1, s, s2 . Calcula as los pesos de la formula de
Simpson.
5
El hecho de que Isaac Newton aparezca ligado a estas ideas da una pista sobre la fecha a la que se
remontan estas tecnicas.
118
LECCION III Captulo 7. Formulas de cuadratura. FFT
Ejercicio 7.6 Siguiendo las ideas del ejercicio anterior, podemos deducir las formulas con
mas puntos. Para facilitar el estudio realizamos el cambio de variables
Z b
ba n
Z
f (s) ds = f (a + ht) dt
a n 0
Bo
Se introduce a continuacion la regla de cuadratura en [0, n]
Z n
g(t) dt n 0 g(0) + 1 g(1) + . . . + n g(n) .
0
Los pesos se determinan sin mas que exigir que sea exacta para polinomios6 , de grado n en t.
Llegamos por tanto a las condiciones
Z n
g(t) dt = n(0 g(0) + 1 g(1) + . . . + n g(n)), g {1, t, . . . , tn }.
0
Implementa una funcion que reciba como argumento n y devuelva los pesos de la formula de
Newton-Cotes cerrada de n + 1 puntos7 .
Solucion. Recordemos en primer lugar que los vectores en Matlab se numeran a partir
de 1, lo que exige desplazar todos los ndices una unidad. Dicho esto, una implementacion
de la solucion de este ejercicio es como sigue
do
01 % PESOSNEWTONCOTES
02 %
03 % V=PESONEWTONCOTES(N) devuelve en V los pesos de la
04 % formula de Newton-Cotes cerrada
05 % de N+1 puntos.
06 %
07 % Esto es, la integral de f en [a,b] se aproxima por
08 %
09 % (b-a)*(w(1)*f(x(1))+w(2)*f(x(2))+...+w(n+1)*f(x(n+1)))
r
10 %
11 % donde x(i)=a+(i-1)*(b-a)/n i=1,...,n+1,
12
6
observa que el cambio de variable lleva polinomios de grado n a polinomios de grado n
7
La matriz del sistema recibe el nombre de Matriz de Vandermonde. Desafortunadamente es una
matriz muy mal condicionada que da problemas en su resolucion para n moderado. Ello es consecuencia
de que la base de monomios no es buena eleccion como base de los polinomios.
119
7.1 Formulas de cuadratura LECCION III
13 function w=pesosnewtoncotes(n)
14
15 r=0:n;
16 c=1; m=ones(1,n+1);
17 for i=1:n
18 m=[m; r.^i]; % construimos matriz del sistema
Bo
19 c=[c; n^(i)/(i+1)]; % construimos el termino independiente
20 end
21
22 w=m\c;
23 return
Con diferentes valores de n hemos obtenido los siguientes resultados
1 2 3 4 5 6 7 8 9 10
1/2 1/6 1/8 7/90 19/288 41/840 322/7409 248/7109 177/5551 94/3503
1/2 2/3 3/8 16/45 25/96 9/35 337/1628 578/2783 458/2607 2431/13693
rra
1/6 3/8 2/15 25/144 9/28 49/64 111/3391 27/224 410/5059
1/8 16/45 25/144 34/105 585/3382 97/262 451/2089 722/1587
7/90 25/96 9/28 585/3382 454/2835 282/4373 406/933
19/288 9/35 49/64 97/262 282/4373 783/1097
41/84 337/1628 111/3391 451/2089 406/933
429/9871 578/2783 27/224 722/1587
248/7109 458/2607 351/4331
177/5551 2284/12865
94/3503
Se puede comprobar que aparecen pesos negativos a partir de n = 8. Es decir, la formula
de cuadratura puede dar valores negativos para una funcion positiva. Esta inestabilidad se
vuelve mas acusada conforme n . De hecho es muy probable que a partir de n 10
do
la resolucion del sistema lineal de Vandermonde de resultados muy poco fiables dado el
mal condicionamiento de la matriz8 . En cuanto a los pesos, estos se pueden calcular de
forma mas estable sin mas que elegir una base adecuada de los polinomios de n.
La formula para n = 3 se suele denominar en la literatura, por razones obvias, regla
de 3/8. El grado de precision de estas reglas (es decir, el grado de los polinomios para
los que las formulas dan la integral exacta) es n o n + 1 dependiendo si n es impar o par
respectivamente.
Ejercicio 7.7 Implementa una funcion que devuelva los pesos para las formulas de Newton-
Cotes abiertas.
r
7.1.3. Retorno a las reglas compuestas
En la seccion precedente indicamos que el uso de formulas de cuadratura simple con
un numero de puntos elevados equidistribuidos no es recomendable dado que exhiben
8
Se puede atenuar este mal condicionamiento utilizando la descomposicion QR (ver Leccion IV) para
resolver el sistema lineal
120
LECCION III Captulo 7. Formulas de cuadratura. FFT
una gran inestabilidad numerica. Este hecho esta ntimamente con la inestabilidad de la
interpolacion numerica en estos nodos, tema al que volveremos mas adelante (Leccion V).
Una alternativa que proporciona mejores resultados, y que es muy sencilla de imple-
mentar, es volver a las formulas de cuadratura compuestas, dividiendo el intervalo original
en varios subintervalos y aplicar en cada uno de ellos una formula de cuadratura simple.
Por ejemplo la regla del trapecio es la formula de cuadratura compuesta obtenida al divi-
Bo
dir el intervalo de integracion en n subintervalos y aplicar en cada uno de ellos la formula
de Newton-Cotes cerrada de dos puntos:
Z b
ba
f (s) ds (f (a) + f (b)).
a 2
Deduciremos a continuacion la regla compuesta de Simpson. Tomemos en primer lugar
n subintervalos, con lo que habremos de evaluar en 2n + 1 puntos. Definiendo h = (b
a)/(2n), xi = a+ih (i = 0, . . . , 2n) aplicaremos la regla de Simpson simple sobre [x2i , x2i+2 ]
(longitud 2h). Aparecen as tres terminos diferentes:
Los puntos x0 (= a) y x2n (= b) son extremos de un unico subintervalo.
Los puntos x2j , j = 1, . . . , n 1, que son extremo superior de un subintervalo e
rra
inferior del siguiente ([x2j2 , x2j ] y [x2j , x2j+2 ]).
Los puntos x2j1 que son puntos interiores de los subintervalos ([x2j2 , x2j ]).
La formula que obtenemos es
h1 n n1
4X 2X 1 i
Qsp (f, h) := h f (x0 ) + f (x2j1 ) + f (x2j ) + f (x2n ) . (7.2)
3 3 j=1 3 j=1 3
121
7.1 Formulas de cuadratura LECCION III
Ejercicio 7.8 Deducir que la formula compuesta de Simpson viene efectivamente dada por
(7.2). Programar en una funcion la regla de Simpson compuesta, siguiendo las directrices
marcadas en el Ejercicio 7.1.
La integral exacta se puede calcular tomando un numero muy elevado de puntos (por ejem-
plo n = 10000) con la regla de Simpson, que es la de mayor precision. Mide el error pa-
ra diferentes valores de n y observa como decrece el error. Una buena eleccion podra ser
n = 10, 20, 40, 80, ..., esto es, multiplicando por 2 el numero de puntos. Deberas observar que
para funciones suaves el error se divide por 4 o por 16, segun la regla que se aplique.
Testa los programas con los siguientes ejemplos
rra
i) f1 (x) = x cos(x) en [0, ]
Un fichero script te puede venir bien para este ejercicio. Que observas con las reglas del
trapecio y del punto medio en el ultimo caso?.
do
Nota. En esta serie de experimentos se observa que la regla de Simpson no alcanza el
orden que la teora predice en el ejemplo iii) sobre el intervalo [0, 2]. Ello es debido a que
las derivadas de la funcion tienen una singularidad en el origen.
Menos simple de explicar
R 2 es la superconvergencia (convergencia mejor de lo esperado)
2
que se observa para 0 cos (x) (punto iv)).Esto es consecuencia de que el integrando,
ademas de regular, es periodico y se esta integrando en un multiplo de su intervalo
de periodicidad. En una seccion posterior daremos una explicacion a este fenomeno tan
sorprendente.
r
Ejercicio 7.10 Implementa la regla compuesta de 3/8, la siguiente a la regla de Simpson, que
apareca en el Ejercicio 7.6. Compara los resultados con la regla de Simpson. Que observas?
9
En este caso, evaluar en 0 es una singularidad de tipo 0 . En realidad el lmite cuando x 0 es
cero, que se puede tomar como valor de f (0). Una forma de evitar este problema es aplicar la formula en
[, 2] con << 1, por ejemplo, = 1016 . Esta breve discrepancia en el extremo de integracion no afecta
al resultado.
122
LECCION III Captulo 7. Formulas de cuadratura. FFT
1 , 2 , 1 , 2 R
Z 1
1 p(1 ) + 2 p(2 ) = p(s) ds, p {1, s, s2 , s3 }
1
1 12 + 2 22 = 23 ,
1 13 + 2 23 = 0.
123
7.1 Formulas de cuadratura LECCION III
La teora va mas alla puesto que es constructiva: da una forma de calcular la formula
(nodos y pesos) mucho mas eficiente. En concreto, los nodos de la formula de cuadratura
son las races de una familia de polinomios, los polinomios de Legendre, que se encuentra
tabulada en multitud de textos cientficos. Los pesos i se pueden calcular a continuacion
resolviendo un simple sistema lineal. En la Tabla 7.1 se pueden ver los coeficientes de
las primeras reglas gaussianas. Observa que la disposicion simetrica de los nodos en el
Bo
intervalo [1, 1] y de los pesos asociados.
n i i
n=1
0 2
n=2
3/3 1
3/3 1
n=3
0.774596669 0.555555556
0.0 0.888888889
rra
0.774596669 0.555555556
n=4
0.861136312 0.347854845
0.339981044 0.652145155
0.339981044 0.652145155
0.861136312 0.34785484
n=5
0.906179846 0.236926885
0.538469310 0.478628670
0.0 0.568888889
0.538469310 0.478628670
0.906179846 0.236926885
do
Cuadro 7.1: Primeras formulas gaussianas
124
LECCION III Captulo 7. Formulas de cuadratura. FFT
Proposicion 7.4 Existe una sucesion de numeros (b2j )j tales que para f suficientemente
regular
Z b m
X h i
2j (2j1) (2j1)
f (s) ds Qtr (f, h) = b2j h f (b) f (a) + O(h2m+2 ).
a j=1
Bo
El smbolo de Landau O(hM ) indica una cantidad que es menor que una constante
multiplicada por hM y con dicha constante independiente de h. En otras palabras, es
equivalente a escribir
Z b m
X h i
2j (2j1) (2j1)
f (s) ds Qtr (f, h) b2j h f (b) f (a) Cm h2m+2
a j=1
(1)
En particular observamos que c2 = 0, esto es hemos cancelado el primer termino del
desarrollo, por lo que
m
X (1)
I = 1 (h) + c2j h2j + O(h2m+2 ). (7.3)
j=2
Como consecuencia
Por tanto 1 (h) es una aproximacion de la integral con orden 4. Es mas, 1 (h) cumple de
r
nuevo un resultado similar al de la proposicion anterior (ver (7.3)), por lo que podemos
repetir el mismo argumento y definir12
161 (h/2) 1 (h)
2 (h) = .
15
12
1 (h/2) se ha obtenido igual partiendo de 0 (h/2) y 0 (h/4)
125
7.1 Formulas de cuadratura LECCION III
Es facil ver que nuevamente I 2 (h) tiene un desarrollo del error que comienza con
rra
h6 puesto que este combinacion ha cancelado el primer termino que apareca con 1 (h).
Como consecuencia, 2 (h) da una aproximacion de la integral de orden 6. En general se
pueden definir
22j j (h/2) j (h)
j+1 (h) = .
22j 1
Cada una ellas satisfaciendo
|I j (h)| Cj h2j+2 ,
donde Cj es independiente de h pero de j o de f . Observa que la convergencia solo se
asegura para j fijo y h 0.
Su ventaja mas palpable es que unicamente requiere aproximaciones de la integral
obtenidas con una formula de cuadratura sencilla. Combinando resultados para valores
do
distintos de h se obtiene una mejora sustancial en la aproximacion de la integral. Aqu nos
hemos centrado en la formula del trapecio, pero se pueden adaptar a la formula del punto
medio o a la de Simpson. Es mas, estrategias de este tipo se aplican en diversa areas del
Analisis Numerico. Para ello, es esencial contar con un resultado del tipo enunciado en la
Proposicion 7.4. La extrapolacion sigue el sencillo diagrama de la Figura 7.3
Nota. Los resultados expuestos en esta seccion, y en concreto la Proposicion 7.4, expli-
can por que la formula del trapecio converge mejor de lo esperado para funciones regulares
y periodicas cuando se integra en un intervalo de periodicidad. Observa que en este caso
f (2j1) (b) = f (2j1) (a) y por tanto no hay terminos en hm para ningun m. Esto es, el
r
orden de convergencia es m para cualquier m, o lo que es lo mismo
Z b
f (s)ds Qtr (f, h) Cm hm , m N
a
126
LECCION III Captulo 7. Formulas de cuadratura. FFT
Ejercicio 7.12 Comprueba que si aplicas un paso de extrapolacion a la formula del trapecio
compuesta obtienes el metodo de Simpson.
01 % RICHARDSON
02 %
03 % V= RICHARDSON(F,A,B,N,M) Aplica la formula del trapecio con
rra
04 N, 2*N,4*N,..., 2^(M-1)*N puntos
05 Construye la matriz de extrapolacion
06 V M x M donde V(:,i) es el resultado
07 de aplicar el paso i-1 de Richardson.
Ejercicio 7.14 Existe una forma mas general de definir la extrapolacion. Para ello precisamos
que las sucesivas h decrezcan de una forma proporcional
127
7.1 Formulas de cuadratura LECCION III
Bo
Zona regular Zona Irregular Zona regular
donde h = (b a), c es el punto medio de (a, b), d y e, los puntos medios de (a, c) y (c, b).
(1)
El termino dominante del error, para h suficientemente pequeno, es c2 h4 de forma que
Z b
(1)
f (s) ds Q1 (f ) c2j h4 .
a
A priori este termino no puede ser calculado, pero puede ser despejado de (7.4) y (7.5),
sin mas que sustraer a la primera identidad la segunda. As obtenemos
r
1
(1) 4
Q2 (f ) Q1 (f ) 1 16 c2j h
y por tanto Z b
16 (1)
(Q2 (f ) Q1 (f )) c2j h4 f (s) ds Q1 (f ) .
15 a
| {z }
error
128
LECCION III Captulo 7. Formulas de cuadratura. FFT
La idea de nuestro esquema adaptativo es la que sigue: dado un intervalo [a, b] y una
tolerancia
Si est > se aplica el argumento anterior en los subintervalos [a, c] y en [c, b] con
una tolerancia de /2 y se devuelve como integral la que calculada en [a, c] y en [c, b]
Hay por lo tanto un proceso de subdivision de los intervalos, de manera que la unica
forma, en este estado inicial, de que un subintervalo no se divida es que la integral se
calcule dentro de la tolerancia prefijada. Obviamente el algoritmo anterior se programa
de forma natural de manera recursiva.
El papel fundamental lo juega una funcion, que podra seguir el siguiente prototipo
rra
simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol)
2. Se calcula
do
integ21 = h/12*(fa + 4fd + fc) integ22 = h/12*(fc + 4fe + fb)
integ2 = integ21 + integ22
3. Se calcula el estimador
16
est = (integ integ2)
15
129
7.1 Formulas de cuadratura LECCION III
Si hemos seguido el esquema anterior y nos vemos forzados a dividir en dos subinter-
valos, habremos evaluado ya f en a, c y en su punto medio d y en c, b y el correspondiente
punto medio e. Tambien se habra calculado la regla de Simpson en estos intervalos. Es por
ello que enviamos todos estos valores en las llamadas de la funcion simpsonadaptativo,
dado que generalmente la operacion mas costosa es precisamente evaluar la funcion.
Notemos que se ha optado por devolver como aproximacion de la integral Q2 (f ), en
Bo
lugar de Q1 (f )14 . Otra variante es devolver
16Q2 (f ) Q1 (f )
15
que es el primer paso de extrapolacion de Simpson (o el segundo del trapecio, de acuerdo
al problema 7.2).
La forma mas simple de implementar el proceso anterior es introduciendo una funcion
de cabecera que prepare los datos iniciales: recibe la funcion, el intervalo de integracion y
la tolerancia solicitada, y calcula para arrancar la subrutina simpsonadaptativo el punto
medio c, los valores de f en a, b y c y el resultado de aplicar la regla de Simpson simple
en [a, b]. Por ejemplo
rra
01 % SIMPSONRECURSIVO
02 %
03 % INTEG= SIMPSONRECURSIVO (F,A,B,TOL)
04 %
05 % Devuelve una aproximacion de la integral mediante
06 % una integracion adaptativa basada en la regla de Simpson
07 % con tolerancia TOL
08
09 function integ=simpsonrecursivo(f,a,b,tol)
10
11 c=(a+b)/2;
12 fa=feval(f,a);
13 fb=feval(f,b);
do
14 fc=feval(f,c);
15 integ=(b-a)*(fa+4*fb+fc)/6; %regla de Simpson
16 integ=simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol);
17 return
Resta por programar la funcion simpsonadaptativo, trabajo que proponemos al lec-
tor.
Ejercicio 7.15 Implementa la regla de Simpson adaptativa.
Ejercicio 7.16 El metodo tal como esta programado puede entrar en un bucle infinito si no
r
se consigue integrar con la tolerancia exigida en las sucesivas subdivisiones de un intervalo.
Para evitar este problema hacemos que el programa lleve control del numero de veces que ha
subdividido un intervalo. La funcion puede seguir la siguiente sintaxis
14
Casi nadie dudara en esta eleccion. Es decir, es esperable que Q2 (f ) sea mejor que Q1 (f ), as que por
que no devolver lo mejor que se tiene?. Matematicamente, sin embargo, el estimador del error controla
el error de Q1 (f ) y no de Q2 (f ).
130
LECCION III Captulo 7. Formulas de cuadratura. FFT
1.5
Bo
1
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
rra
Figura 7.5: Integracion adaptativa de x
[integ,subd2]=simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol,subd)
Ejercicio 7.17 Por ultimo podemos llevar un control sobre los puntos que hemos evaluado.
do
Para ello basta utilizar
[integ,subd2,x2]=simpsonadaptativo(f,a,c,b,fa,fc,fb,integ,tol,subd,x)
con x2=[x d e] donde d y e son los puntos medios de [a,c] y [c,b] respectivamente.
Implementa el metodo resultante.
(Ayuda: si al final se desea que los puntos x2 esten ordenados se puede aplicar la instruccion
sort(x2) que devuelve el vector con sus componentes ordenadas de menor a mayor.)
Nota final
r
De un estimador se suele hablar de dos conceptos bien importantes: confiabilidad y
eficiencia. Un estimador es confiable si efectivamente el error esta por debajo de lo que el
estimador calcula. Por contra, es eficiente si el estimador aproxima bien el error cometido.
Nuestro estimador, en general, es poco eficiente: el error real suele estar muy por debajo de
la cantidad que nos devuelve elestimador, especialmente si el intervalo de integracion es
grande. Por ejemplo, para f = x e integrando en [0, 2], se observa que con una tolerancia
131
7.2 Transformada rapida de Fourier LECCION III
R2
Cuadro 7.2: Resultados numericos para 0 x dx. Tolerancia exigida (tol), numero de
evaluaciones (neval) y error cometido (Error). Comparativa con las reglas del punto medio,
del trapecio y de Simpson con h fijo y el mismo numero de evaluaciones
rra
de 105 el error real cometido por el metodo adaptativo es 8.48 109 , un error 1000 veces
menor en magnitud. Una forma de corregir este problema es, una vez que se ha decidido
dividir el intervalo de integracion en dos subintervalos, no exigir una tolerancia tol/2 en
cada uno de ellos, sino utilizar r tol con r [1/2, 1]. Matlab utiliza de hecho r = 1.
Matlab cuenta con algunas funciones encargadas de la integracion numerica:
Las dos ultimas aplican reglas de cuadratura para integrales dobles y triples respectiva-
mente.
El comando quad implementa esencialmente el metodo de Simpson recursivo que he-
mos visto en esta seccion. Por otro lado, quadl utiliza una regla de orden mayor que da
mejores resultados si el integrando es mas regular.
do
El codigo de estas funciones esta abierto, luego se puede editar para ver los detalles
de su implementacion.
132
LECCION III Captulo 7. Formulas de cuadratura. FFT
es una funcion 1/m-periodica, o dicho de otra forma, su periodo es 1/m (ver la Figura
7.6).
Ademas se tiene la relacion
Z 1
X
2
|f ()| d = |fb(m)|2 (7.7)
0 m=
r
que se interpreta como que la energa de funcion original f es igual a la energa del vector
infinito (. . . , fb(2), fb(1), fb(0), fb(1), fb(2), . . .)> .
16
Mucho se ha escrito sobre esto. En cualquier caso hay que especificar en que sentido converge la
serie. El sitio mas adecuado, matematicamente hablando, es el espacio de las funciones cuyo cuadrado
es integrable, que se denota por L2 (0, 1). Fsicamente se interpreta como el espacio de las senales cuya
energa es finita.
133
7.2 Transformada rapida de Fourier LECCION III
0.5
-0.5
-1
La expresion (7.8) puede resultar mas atractiva que (7.6), especialmente si la funcion es
real puesto que implica trabajar unicamente con cantidades reales, sin parte imaginaria.
Sin embargo, tanto el analisis como una notacion mas compacta animan a utilizar la
exponencial compleja. Aun es mas, en lo que sigue podemos suponer que las funciones
son complejas (devuelven valores en C) y por tanto se cubre este caso de forma muy
natural.
Desde un punto de vista practico, es poco habitual que se pueda (o que se proceda a)
r
evaluar la funcion en cualquier punto. En lugar de ello se dispone de un muestreo es decir,
del valor de la funcion en una serie de puntos uniformemente distribuidos. As definimos
j
xj = N
, j = 0, . . . , N 1,
se evalua
yj := f (xj ) , j = 0, . . . , N 1
134
LECCION III Captulo 7. Formulas de cuadratura. FFT
y se construye el vector
y0
y1
y= .
..
.
yN 1
Bo
La primera cuestion es
Es posible recuperar los coeficientes de Fourier de f a partir de y?
La respuesta obvia es no: si tomamos una cantidad finita de informacion es imposible
recuperar (salvo en casos triviales) los coeficientes de Fourier, que en ultima media son la
funcion y, por tanto, conllevan una cantidad infinita de informacion.
Ahora bien, la situacion es muy diferente si disponemos de informacion a priori sobre
la funcion f . Si una funcion periodica f es regular podemos probar que
fb(k) 0, |k|
y de hecho de una forma muy rapida (ver Ejercicio 7.18), por lo que unos pocos coeficientes
pueden ser suficientes para reconstruir la funcion de forma muy aproximada.
rra
Para calcular estos coeficientes utilizamos la regla del trapecio, que como hemos visto
en la seccion anterior converge muy rapidos para funciones regulares y periodicas. Todo
lo anterior nos conduce a
Z 1
f (k) :=
b f ()exp(2ik) d
0
f (1) = f (0) = y0
1 h1
N
X 1
1 i
f (0) + f ( Nj ) exp( 2ijk
N
) + f (1) =
N 2 j=1
2
N 1
1 X
= yj jk
N j=0
do
donde
:= exp 2i
N
.
Lo anterior sugiere construir
N 1
1 X
Yk := yj jk
N j=0
135
7.2 Transformada rapida de Fourier LECCION III
17
Manipulaciones que deben siempre justificarse y que son validas si, por ejemplo, la funcion tiene
derivada primera continua.
136
LECCION III Captulo 7. Formulas de cuadratura. FFT
por lo que
Bo
1 Xb
Yk = f (k + mN ).
N mZ
De esta forma, Yk recoge no solo el coeficiente kesimo de Fourier, sino contribuciones en
frecuencias mas altas, cuya distancia al coeficiente k dista un multiplo de N .
Llegado a este punto, conviene recordar que el decreciemiento rapido a cero de los
coeficientes de Fourier cuando |k| sugiere que Yk aproxima bien al coeficiente
de Fourier mas proximo a cero y la aproximacion mejora muy rapidamente cuando
N . Es decir,
X
f
b (k)+ fb(k + mN ), si 0 k N2
m6=0
| {z }
rra
pequeno
Yk = X (7.9)
N
f (k N )+ f (k + mN ), si 2 < k < N .
b b
m6 = 0
| {z }
pequeno
F 1 Y = y.
137
7.2 Transformada rapida de Fourier LECCION III
Ejercicio 7.20 Dado que vamos a calcular aproximaciones de los coeficientes centrales de
Fourier, podramos plantearnos definir
N
X 1
Yek = yj jk , N/2 < k N/2
j=0
Bo
Sabras ver que relacion hay entre Yek e Yk ?.
138
LECCION III Captulo 7. Formulas de cuadratura. FFT
Notas finales
Si f es real,
Re fb(k) = Re fb(k), Im fb(k) = Im fb(k).
Esta simetra se extiende a la transformada discreta: si y es real
do
Im y0 = 0, Re yk = Re yN k , Im yk = Im yN k , k = 1, . . . , N 1.
De esta forma, si ignoramos la primera componente, la parte real de Y, respectivamente
imaginaria, es simetrico, respectivamente antisimetrico, respecto al punto N/2. Este punto
se conoce como el punto de Nyquist.
Otra analoga con el marco continuo es que la transformada discreta de Fourier preser-
va, salvo constante multiplicativa, la norma k k2 del vector original, esto es, su energa.
Concretamente (comparar con (7.7))
1 1 1 1
kYk22 = Y Y = (W y) (W y) = 2 y W W y = y y = kyk22 . (7.10)
r
N 2 N N N
Hay una falta de consenso en la definicion de Transformada de Fourier discreta. Noso-
tros hemos tomado como definicion de la transformada y de su inversa las dadas por
N 1 N 1
1 X X
Yk := yj jk , yk := Yj jk , = exp( 2i
N
).
N j=0 j=0
139
7.2 Transformada rapida de Fourier LECCION III
En la Figura 7.7 se muestra la funcion y sus coeficientes de Fourier, que decrecen rapida-
do
mente a cero. Tambien se muestra una evaluacion en 64 puntos (un muestreo) uniforme-
mente distribuidos y la transformada de Fourier discreta resultante. Observese la relacion
entre transformada discreta de Fourier y los coeficientes de Fourier mostrada en (7.7).
En el campo discreto, tenemos un ruido r y el vector transformada de Fourier discreta
R = F r. Visto en el campo transformado, esta perturbacion tiene un tamano, relacionado
con la amplitud del ruido y con el numero de puntos que se han tomado de muestra. Dado
el comportamiento altamente irregular, es esperable que las contribuciones en todas las
frecuencias sean similares. Pero
1
kRk22 = krk22 max |rj |.
N j=0,...,N 1
r
Por tanto, si el ruido tiene un valor maximo controlado, las componentes del vector trans-
formado tienden a cero cuando N . De hecho es esperable que este decrecimiento
sea uniforme en todas las componentes, es decir,
1
Rj
N
140
LECCION III Captulo 7. Formulas de cuadratura. FFT
0.5 0.5
Bo
0 0
-0.5 -0.5
-1 -1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
0.3
0.3
0.2 0.2
rra
0.1 0.1
0 0
-40 -20 0 20 40 0 10 20 30 40 50 60
Ahora, si consideramos la influencia de este ruido sobre una senal y, tenemos la senal
perturbada y e = y + r. Se trata ahora de eliminar ese ruido observando la transformada
Y.
e
La estrategia que planteamos es la siguiente. En el caso de que Yej sea grande, pode-
do
mos aceptar este coeficiente dado que el error relativo es pequeno. Por contra, si Yej es
pequeno, el error relativo que hemos introducido es tal que la informacion ha quedado
irremediablemente contaminada y por tanto debemos desecharla.
Lo anterior sugiere una forma de depurar la senala, partiendo de un nuevo vector Z
(
0 si |Yek | es pequeno,
Zk = (7.11)
Yek en otro caso.
Con la informacion que nos queda, reconstruimos la senal discreta original y mediante
F 1 Z. As tenemos el siguiente diagrama
r
+ ruido F (7.11) F 1
y y
e Y
e Z z.
141
7.2 Transformada rapida de Fourier LECCION III
0.08 0.015
0.06
0.01
Bo
0.04
0.005
0.02
0 0
10 20 30 40 10 20 30 40
-3
x 10
0.08 8
0.06 6
0.04 4
rra
0.02 2
0 0
50 100 150 50 100 150
Figura 7.8: Ruido en un conjunto de puntos (40 arriba, 160 abajo) y su transformada
discreta
142
LECCION III Captulo 7. Formulas de cuadratura. FFT
0.35
0.5
0.3
Bo
0.25
0 0.2
0.15
-0.5 0.1
0.05
-1 0
0 0.2 0.4 0.6 0.8 1 0 10 20 30 40 50 60
0.35
0.5
0.3
0.25
0
rra
0.2
0.15
0.1 -0.5
0.05
0 -1
0 10 20 30 40 50 60 0 0.2 0.4 0.6 0.8 1
0.35
0.5
0.3
0.25
0 0.2
do
0.15
-0.5 0.1
0.05
-1 0
0 0.2 0.4 0.6 0.8 1 0 50 100 150 200 250
0.35
0.5
0.3
0.25
0.2 0
0.15
r
0.1 -0.5
0.05
0 -1
0 50 100 150 200 250 0 0.2 0.4 0.6 0.8 1
143
7.2 Transformada rapida de Fourier LECCION III
Dado que
M = exp(i) = 1, 1M = 1;
se deduce que
1 (0)
Y Y(1) .
Yk = (7.13)
2
v
Denotando por w el vector resultado de enlazar los vectores v y w, las identidades
(7.12) y (7.13) se puede escribir en notacion vectorial
r
1 Y(0) + . Y(1)
Y= (7.14)
2 Y(0) . Y(1)
donde Y(0) e Y(1) son las transformadas de Fourier de los vectores (y0 , y2 , . . . , y2M 2 )> y
(y1 , y3 , . . . , y2M 1 )> ,
= ( 0 , 1 , . . . , M 1 )> , := exp( 2i
N
), (7.15)
144
LECCION III Captulo 7. Formulas de cuadratura. FFT
f (N ) = 2f (N/2) + N.
Bo
Nada nos impide aplicar de forma reiterada el algoritmo anterior para calcular Y(0) e
Y(1) si M es divisible por 2 (o lo que es lo mismo, que N sea divisible por 4). De forma
natural, se puede programar el metodo de forma recursiva.
El caso optimo del algoritmo en la version anterior se da cuando N = 2p . El algoritmo
queda de la siguiente forma
FFT
N =length(y)
if N==1
rra
Y=y
else
Y(0) := FFT(y(0 : 2 : N 2)) % Parte par
Y(1) := FFT(y(1 : 2 : N 1)) % Parte impar
= exp(2i/N )
:= [ 0 , 1 , . . . , N/21 ]>
Y(0 : N/2 1) = (Y(0) + . Y(1) )/2
Y(N/2 : N 1) = (Y(0) . Y(1) )/2
end
Ayuda. No utilices fft como nombre de esta funcion, dado que este es el comando de
Matlab para el calculo de la transformada rapida de Fourier. Entrando ya en programa, en
r
primer lugar podemos plantearnos como se va a devolver el resultado, si como un vector
fila o como un vector columna. Para ello, la primera instruccion de nuestra subrutina
podra ser
y=y(:); Y=y;
145
7.2 Transformada rapida de Fourier LECCION III
y=y(:).; Y=y;
si se desea implementar para filas. Fjate que ya hemos introducido el vector que va a
guardar la transformada de Fourier y que sus dimensiones coinciden con las del vector y.
Llegado a este punto, hay que tener cuidado al programar el producto
. Y(1)
Bo
para que los vectores implicados, e Y(1) tengan igual dimension.
Si el vector tiene un numero par de elementos, la transformada se calcula a partir de
la transformada de los vectores
y(1 : 2 : n) (y0 , y2 , . . . , yn2 )> , (Y(0) )
y(2 : 2 : n) (y1 , y3 , . . . , yn1 )> , (Y(1) )
de acuerdo con el algoritmo (vease tambien (7.14) y (7.15)).
Cuando el numero de entradas de y no sea una potencia de 2 se puede utilizar el primer
algoritmo que dimos (ejercicio 7.22). De esta manera tendramos la siguiente estructura
y=y(:); n=length(y);
rra
if mod(n,2)==0
...... % expresion RECURSIVA en terminos de dos transformadas
......
else % no es divisible por 2
...... % Algoritmo del ejercicio 7.22
end
En las lneas anteriores, mod(m,n) devuelve el resto de la division de m entre n y sirve
para comprobar si el numero de entradas es par o impar.
Ejercicio 7.25 Implementa una funcion recursiva que devuelva el numero de operaciones
para el calculo de la FFT. Utilzala para obtener una tabla con el numero de operaciones para
algunos valores altos de N . Compara con el numero de operaciones requerido en la version
do
inicial del algoritmo dada antes.
146
LECCION III Captulo 7. Formulas de cuadratura. FFT
Hemos testado la funcion con 219 y 219 1 que es primo. Este es el resultado
10485760
>> operacionesfft(2^19-1)
ans =
274876858369
147
7.2 Transformada rapida de Fourier LECCION III
148
LECCION III Captulo 7. Formulas de cuadratura. FFT
Ejercicio 7.28 Implementa una funcion que calcule el producto de dos numeros enteros con
la transformada de Fourier de acuerdo al siguiente prototipo
% MULTIPLICACION
%
%
Bo
% P=MULTIPLICACION(A,B) Devuelve el producto de A por B
%
% A,B deben ser arrays de caracteres
% P es un array de caracteres con el
% producto A*B
%
Ayuda. Para que el metodo sea realmente eficiente necesitamos que los vectores sobre los
que se va a aplicar la transformada de Fourier tengan longitud una potencia de 2. Para
ello podemos insertar mas ceros de los inicialmente previstos de forma que N sea una
potencia20 de 2.
Para disponer de una precision en principio ilimitada, introduciremos los numeros
que deseamos multiplicar en una cadena de caracteres y haremos la salida en el mismo
rra
formato. Para su implementacion necesitaremos manejarnos con la conversion entre los
diversos formatos de datos.
Una cadena o string es simplemente un vector de caracteres y as lo maneja Matlab:
>> p=esto es una prueba
ans=
>> p(3)
do
ans=
>> p(6:9)
ans =
es u
Hara falta transformar un vector de caracteres a un vector de numeros y viceversa. Para
r
ello se puede utilizar los comandos str2num, num2str(STRing-to-NUMeric y NUMeric-
to-STRing).
Una vez que tengamos el vector de numeros hay que darle la vuelta al vector, de forma
que
1234 [4 3 2 1].
20
Que hace log2(ceil(r+s))?
149
7.2 Transformada rapida de Fourier LECCION III
Por ultimo una vez multiplicados hay un paso de acarreo, es decir, un resultado de forma
que
Nota. Para que preocuparse en multiplicar numeros enteros? Es decir, no parece haber
una necesidad acuciente de disenar algorimos para multiplicar numeros de centenares o
miles de cifras. Una aplicacion sorprendente proviene del mundo de cifrado de mensajes.
El sistema de cifrado mas popular actualmente es el RSA, propuesto por los ma-
tematicos21 Ron Rivest, Adin Shamir y Len Adleman en 1977, esta basado en el conocido
Teorema Pequeno de Fermat22 . Este teorema, muy simple, tiene que ver con los restos
de la division por numeros primos. El mensaje que se desea enviar se convierte en un
numero entero, mas o menos largo. El cifrado y descifrado del mensaje se basa en calcular
restos de divisiones por el producto de dos numeros primos muy grandes. La seguridad
rra
del sistema depende directamente del tamano de estos primos: mayor tamano es mayor
seguridad. Ello hace que se requiera calcular productos y divisiones de numeros enteros
enormes de forma rapida y eficiente23 .
150