Documente Academic
Documente Profesional
Documente Cultură
numricos
Deniciones, notacin y proposiciones
esenciales para un curso avanzado
0DWHPiWLFDV\$OJRULWPRV1XPpULFRV'HILQLFLRQHVQRWDFLyQ\SURSRVLFLRQHV
HVHQFLDOHVSDUDXQFXUVRDYDQ]DGR
3ULPHUDHGLFLyQDJRVWR
'HUHFKRVGHHGLFLyQUHVHUYDGRV
(GLWRULDO&tUFXOR5RMR
ZZZHGLWRULDOFLUFXORURMRFRP
LQIR#HGLWRULDOFLUFXORURMRFRP
&ROHFFLyQ,QYHVWLJDFLyQ
(GLFLyQ(GLWRULDO&tUFXOR5RMR
0DTXHWDFLyQ-/)2
)RWRJUDItDGHFXELHUWD)RWROLDFRP
'LVHxRGHSRUWDGD1LHYHV0ROLQD
3URGXFLGRSRU(GLWRULDO&tUFXOR5RMR
,6%1
'(36,72/(*$/$/
1LQJXQDSDUWHGHHVWDSXEOLFDFLyQLQFOXLGRHOGLVHxRGHFXELHUWDSXHGHVHUUHSURGXFLGD
DOPDFHQDGDRWUDQVPLWLGDHQPDQHUDDOJXQD\SRUQLQJ~QPHGLR\DVHDHOHFWUyQLFRTXtPLFR
PHFiQLFRySWLFRGHJUDEDFLyQHQ,QWHUQHWRGHIRWRFRSLDVLQSHUPLVRSUHYLRGHOHGLWRURGHO
DXWRU7RGRVORVGHUHFKRVUHVHUYDGRV(GLWRULDO&tUFXOR5RMRQRWLHQHSRUTXpHVWDUGHDFXHUGR
FRQODVRSLQLRQHVGHODXWRURFRQHOWH[WRGHODSXEOLFDFLyQUHFRUGDQGRVLHPSUHTXHODREUD
TXHWLHQHHQVXVPDQRVSXHGHVHUXQDQRYHODGHILFFLyQRXQHQVD\RHQHOTXHHODXWRUKDJD
YDORUDFLRQHVSHUVRQDOHV\VXEMHWLYDV
&XDOTXLHUIRUPDGHUHSURGXFFLyQGLVWULEXFLyQFRPXQLFDFLyQS~EOLFDRWUDQVIRUPDFLyQGH
HVWDREUDVyORSXHGHVHUUHDOL]DGDFRQODDXWRUL]DFLyQGHVXVWLWXODUHVVDOYRH[FHSFLyQSUHYLVWD
SRUODOH\'LUtMDVHD&('52&HQWUR(VSDxROGH'HUHFKRV5HSURJUiILFRVVLQHFHVLWD
IRWRFRSLDURHVFDQHDUDOJ~QIUDJPHQWRGHHVWDREUDZZZFRQOLFHQFLDFRP
,035(62(1(63$f$81,1(8523($
A mi familia
II
ndice
Prefacio
Conjuntos
Espacios vectoriales
2.1 Espacios normados, espacios mtricos . . . . . . . . . . . . . . .
2.2 Espacios con producto interior . . . . . . . . . . . . . . . . . . .
2.3 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . .
2
6
10
12
Topologa
13
Matrices
4.1 Normas de matrices . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Matrices ortogonales, unitarias, simtricas, Hessenberg, de permutacin y de proyeccin . . . . . . . . . . . . . . . . . . . . . . .
4.3 Valores propios, valores singulares y formas cuadrticas . . . . . .
4.3.1 Valores propios . . . . . . . . . . . . . . . . . . . . . . .
4.3.2 Valores singulares . . . . . . . . . . . . . . . . . . . . .
4.3.3 Formas cuadrticas . . . . . . . . . . . . . . . . . . . . .
15
18
Teorema de la proyeccin
33
Funciones
6.1 Condiciones necesarias y sucientes de punto mnimo . . . . . . .
6.2 Teorema de la funcin implcita . . . . . . . . . . . . . . . . . .
34
40
41
42
43
. . . . . . . . .
condiciones de
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
21
24
24
28
31
54
58
63
64
64
65
69
70
8.1.2
8.1.3
Espacios de trabajo . . . . . . . . . . . . . . . . . . . . .
Discretizacin del problema en un subespacio de elementos nitos lineales . . . . . . . . . . . . . . . . . . . . . .
8.1.4 Reformulacin del problema como un sistema de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . .
Algo sobre funcionales y clculo de variaciones . . . . . . . . . .
8.2.1 Proposiciones esenciales . . . . . . . . . . . . . . . . . .
72
85
86
88
8.2
74
78
79
83
10 Nmeros complejos
93
11 Bibliografa
96
IV
Prefacio
VI
1 Conjuntos
1 Conjuntos
AS matemticas modernas tienen mucho que ver con los conjuntos. Un conjunto es una coleccin de objetos: los nmeros naturales, las soluciones de
un problema determinado, los municipios de una provincia, etc. Se identica por
una letra mayscula: el conjunto S, el conjunto de los nmeros naturales N, el de
los enteros Z, el de los reales R, complejos C, racionales Q, etc.
Cada uno de los objetos en la coleccin es un elemento o miembro del conjunto.
Si un elemento a pertenece a un conjunto se indica a 2 S. Los conjuntos se
denen mediante la enumeracin entre llaves de sus elementos, S D fa; b; : : : g,
o especicando, tambin entre llaves, la propiedad que los caracteriza, S D fx W
x 2 R; x 2g: nmeros reales menores o iguales que dos.
El conjunto sin elementos se denomina vaco, designndose ;. Ejemplo: el
conjunto S de los nmeros reales x que son mayores que 1 y menores que 0: esto
es, S D fx 2 R W x > 1; x < 0g.
Si S y S 0 son dos conjuntos y todos los elementos del conjunto S 0 lo son de
S, se dice que S 0 es un subconjunto del conjunto S , o que est contenido en S 0 ,
expresndose S 0 S o S S 0 .
La unin de dos conjuntos S y T , expresada S [ T , es el conjunto formado
por los elementos que pertenecen a S o a T .
La interseccin de S y T , expresada S \ T , es el conjunto formado por los
elementos que pertenecen a S y a T .
Si S 0 es un subconjunto de S, el complemento de S 0 en S es el conjunto formado por los elementos de S que no pertenecen a S 0 .
Si a y b son nmeros reales, y a b, el conjunto de nmeros x de la recta real
tales que a x b se indica a; b. El formado por los x tales que a < x b,
por .a; b. El de los x que verican que a < x < b, por .a; b/.
Si S es un conjunto no vaco de nmeros reales acotados superiormente
mayorados, existe un nmero real mnimo y tal que x y para todo x 2 S. Al
nmero y se le denomina cota superior mnima o supremo de S; se expresa as:
sup .x/ o
sup fx W x 2 Sg :
x2S
x2S
Knf fx W x 2 Sg :
2 Espacios vectoriales
2 Espacios vectoriales
2 Espacios vectoriales
conjunto y otro conjunto, K, con estructura de cuerpo, con las siguientes propiedades,
1x Dx
.x/ D ./x
. C /x D x C x
.x C y/ D x C y;
vlidas cualesquiera que sean x; y; z en E y ; en K. A se le denomina elemento neutro y a x el opuesto de x. Es usual denominar vectores a los elementos
de E y escalares a los de K. En las aplicaciones que se estudian habitualmente
los casos ms importantes ocurren cuando K D R o K D C. Con la notacin K
designaremos a cualquiera de los cuerpos R o C y por x un vector cualquiera de
un espacio vectorial.
El paradigma de espacio vectorial lo constituye el formado por sucesiones ordenadas de n elementos cualesquiera de K, o n-uplas x D x1 ; : : : ; xn , deniendo
la suma de vectores mediante
x1 ; : : : ; xn C y1 ; : : : ; yn D x1 C y1 ; : : : ; xn C yn
y el producto por un escalar mediante
x1 ; : : : ; xn D x1 ; : : : ; xn :
Si los elementos estn denidos en R, el espacio vectorial se denomina Rn , si lo
estn en C, el espacio vectorial es C n . Si Rn es un conjunto abierto de Rn , el
3
2 Espacios vectoriales
2 Espacios vectoriales
Una parte X de un espacio vectorial E se dice que es una familia libre si los
vectores de cualquier subconjunto nito de X son linealmente independientes.
La dimensin de un subespacio es el mximo nmero de vectores linealmente
independientes en el subespacio.
Una base de un espacio vectorial E es cualquier subconjunto B de E que sea,
simultneamente, una parte libre y generadora de E; dicho de otra forma, una
base de un espacio vectorial es un conjunto normalmente se supone ordenado
(numerado) de vectores linealmente independientes que generan (o engendran)
dicho espacio. Se demuestra que cualquier espacio vectorial tiene una base y que
todas las bases de un mismo espacio tienen la misma cardinalidad se pueden
poner en biyeccin. Cuando el cardinal de las bases es un nmero natural, n 2
N, se dice que el espacio es de dimensin nita n. En un espacio vectorial K n ,
2 3
2 3
2 3
1
0
0
607
617
607
7
7
6
6
6
;
e1 D 4 :: 5 ; e2 D 4 :: 5 ; : : : ; en D 4 :: 7
:
:
:5
0
0
1
forman una base en dicho espacio; ste, por tanto, tiene dimensin n. Esta base se
denomina base cannica o base estndar de K n . En esta base, cualquier vector
x T D x1 ; x2 ; : : : ; xn se puede expresar de la siguiente forma:
2 3
2 3
2 3
2 3
1
0
0
x1
6 7
6 7
6 7
6 x2 7
6 : 7 D x1 60:7 C x2 61:7 C C xn 60:7 :
4 :: 5
4 :: 5
4 :: 5
4 :: 5
xn
0
0
1
5
2 Espacios vectoriales
para 2 K y v 2 E;
uCv
u
2 Espacios vectoriales
n
X
jxi j
iD1
kxk2 D
jx1 j2 C C jxn j2 :
Esta ltima se denomina en Rn norma eucldea, por Euclides de Alejandra, Grecia, 325-265 a.C. Tambin en Kn es una norma la dada por
kxk1 D mKax jxi j :
1in
jf .t/jp dt
kf kp D
0
f .x/ dx;
a
2 Espacios vectoriales
x11 D
=
kxk
2
i
2
i=1
|xijx
| ij
D1
iD1
x22 D
=
kxk
q
2 2
|x11|j22+C|xjx
2 | 2=
jx
j
q
DxT xx T x
D1
kxk1
ax jx
D mK
i ij D 1
1i2
1i2
.1 p < 1/
1=p
1
p
kxk D
jx.t/j dt
1=p
jx.t/jp dt
<1
2 Espacios vectoriales
fn .x/ 6
=
=
1
n
2 Espacios vectoriales
5 Tambin
10
2 Espacios vectoriales
p
k k D h; i . Dicho de otra forma, un espacio prehilbertiano que con esta norma
da un espacio de Banach. Todo espacio de Hilbert es un espacio de Banach, pero
el recproco no es cierto.
R
El espacio vectorial L2 ./ dotado de la norma hf; gi D f .x/g.x/dx es
un espacio de Hilbert.
El espacio eucldeo n-dimensional, expresado Rn o En , es un espacio de Hilbert de dimensin nita. Visto as, un espacio de Hilbert sera la generalizacin
de un espacio eucldeo, incluida la dimensin innita. El producto escalar en un
espacio eucldeo es una forma bilineal. En particular, dados dos vectores en R2
de la forma u D a; bT y v D c; d T , su producto escalar viene dado por
hu; vi D ac C bd . que se puede vericar que es una forma bilineal.
Dos vectores cuyo producto escalar es cero se denominan ortogonales; si sus
k k2 son la unidad se denominan ortonormales. Para dos vectores ortogonales se
tiene la identidad
ku C vk2 D kuk2 C kvk2 ;
que es una generalizacin del teorema de Pitgoras. En un espacio prehilbertiano
el nico vector ortogonal a todos los vectores del espacio es el vector nulo; si este
espacio es de dimensin nita es posible construir una base ortonormalizada.
En un espacio eucldeo n-dimensional el ngulo entre dos vectores x e y es
T
x y
;
D arc cos
kxkkyk
donde
D
xT y
kxkkyk
11
2 Espacios vectoriales
3 Topologa
3 Topologa
N un espacio vectorial normado se dene una bola abierta, S.x0 ; r/, de centro x0 y radio r, como el conjunto de puntos x que verican kx x0 k < r.
Es decir:
S.x0 ; r/ D fx 2 Rn W kx x0 k < rg:
N 0 ; r/, se dene, por el contrario, como el conjunto de
Una bola cerrada, S.x
puntos x que verican kx x0 k r. Es decir:
N 0 ; r/ D fx 2 Rn W kx x0 k rg:
S.x
Consideraremos en lo que sigue de este apartado un subconjunto S del espacio
vectorial mtrico hasta ahora estudiado (puede ser, por ejemplo, Rn ).
Un punto y 2 S es un punto interior del conjunto S si existe un " tal que
kx yk < " ) x 2 S :
En otras palabras, existe una bola abierta S.y; "/ de centro y y radio " contenida
ntegramente en S.
13
4 Matrices
El conjunto de todos los puntos interiores del conjunto S se denomina interior de S. Este conjunto puede, evidentemente, ser vaco. Ejemplo: un plano del
espacio R3 .
Un subconjunto de S se dice abierto si coincide con su interior; es decir, si
alrededor de todo punto de S existe una bola abierta contenida ntegramente en S.
Dos ejemplos: la bola abierta unidad, S.x; 1/ D fx W kxk < 1g y el espacio Rn
en su totalidad. En general los subconjuntos o conjuntos abiertos se caracterizan
por no tener lmites denidos o ser disjuntos de su frontera (ver ms adelante la
denicin del concepto frontera).
Un entorno de un punto x, E.x/, es un conjunto abierto que contiene a x. En
otras palabras, E.x/ es un entorno de x si contiene una bola abierta de centro x.
Se dice que un punto x es un punto de acumulacin del subconjunto S si en
todo entorno de x existen un nmero innito de puntos de S.
Un punto x se denomina punto de adherencia del subconjunto S cuando todo
entorno de dicho punto x contiene al menos un punto de S; es decir, para todo "
existe un y 2 S tal que kxyk < ". El conjunto de todos los puntos de adherencia
se denomina adherencia en la literatura anglosajona y latinoamericana, clausura
cl.S/. La adherencia de la bola abierta S.x; 1/ D fx W kxk < 1g es la cerrada
N
S.x;
1/ D fx W kxk 1g.
Se denomina frontera de un conjunto a la parte de la adherencia que no est en
el interior.
Un conjunto, o subconjunto, se dice cerrado si coincide con su adherencia.
La adherencia de cualquier conjunto S es el conjunto cerrado ms pequeo que
contiene a S. Se puede demostrar que un conjunto es cerrado si y slo si toda
sucesin convergente de elementos de S tiene un lmite en ese conjunto.
Un conjunto, o subconjunto, se dice compacto si es cerrado y acotado (contenido en una bola de radio r < 1). Un importante resultado, debido a Weierstrass, dice que si S es un conjunto compacto, de cada sucesin o sucesin innita
fx .n/ gn2N de elementos de dicho conjunto es posible extraer una subsucesin
n
o
x .`/
LN
`2L
El lmite superior de una sucesin de nmeros reales es el mayor punto de acumulacin de la sucesin. De forma similar se dene el lmite inferior.
14
4 Matrices
4 Matrices
a11 a12
6 a21 a22
6 :
::
4 ::
:
am1 am2
3
a1n
a2n 7
:
: : :: 7
: : 5
amn
El conjunto de todas las matrices de nmeros reales o complejos se designa, respectivamente, Rmn y C mn . Si m D n la matriz es cuadrada y de orden n. Un
vector columna es tambin una matriz Rm1 , que se escribe Rm .
Las matrices de m las y n columnas con coecientes en el cuerpo R o C
forman un espacio vectorial, Rmn o C mn , sobre dichos cuerpos.
El primero en usar el trmino matriz en matemticas fue James Joseph Sylvester, Reino Unido 1814-1897. Arthur Cayley, Reino Unido, 1821-1895, contribuy
de forma decisiva a que A D .aij / se concibiese como una cantidad algebraica
nica.
Si en lgebra lineal E y F son dos espacios vectoriales de dimensiones nitas n y m sobre el mismo cuerpo K. Una aplicacin lineal g W E ! F ,
g 2 L.E; F /, est caracterizada o representada en dos bases fe1 ; e2 ; : : : ; en g de
E y ff1 ; f2 ; : : : ; fm g de F por una tabla de coecientes, matriz asociada, de m
las y n columnas:
3
2
a11 a1n
A D 4 ::: : : : ::: 5 2 K mn :
am1 amn
Los coecientes aij estn denidos por
g.ej / D
m
X
aij fi ;
1 j n:
iD1
3
a1j
6 a2j 7
4 :: 5
:
amj
2
representa el vector g.ej / en la base .fi /. A partir de la matriz A se pueden calcular los coecientes y1 ; y2 ; : : : ; ym del vector y D g.x/ en la base .fi /, cono15
4 Matrices
n
X
xi ai ;
i D1
donde ai es el vector columna i-simo de la matriz A. As pues, si se jan dos bases en E y F , cada aplicacin lineal, g W E ! F , queda unvocamente representada por una matriz. Recprocamente, toda matriz en K mn dene unvocamente
una aplicacin lineal entre dos espacios E y F de dimensiones n y m en los que
se han jado dos bases. En particular, se pueden identicar las matrices m n con
las aplicaciones lineales de K n en K m .
Las matrices de m las y n columnas con coecientes en el cuerpo K forman
un espacio vectorial, K mn , sobre dicho cuerpo K.
Si E y F son dos espacios de dimensin nita dotados de un producto escalar y
la aplicacin 2 L.E; F / se representa en dos bases ortonormalizadas mediante
una matriz A, la aplicacin T 2 L.F; E/, traspuesta de , viene representada
por la matriz A T , traspuesta de A.
El ncleo y la imagen de una matriz A 2 K mn , ker.A/ y Im.A/, respectivamente, se denen como los subespacios de K n y K m que son el ncleo y la imagen
de la aplicacin lineal asociada:
7
7
ker.A/ D fx 2 K n W Ax D 0g
7
5
:
m
n
Im.A/ D fy 2 K W y D Ax; x 2 K g
mn
A2K
Dicho de otra forma, la imagen de una matriz es el subespacio generado por los
vectores columna de la matriz; los vectores la tambin generan un subespacio
que no es otro que la imagen de A T .
Para una matriz A 2 Rmn se cumple que:
ker A T D .Im.A//?
Im A T D .ker.A//?
?
ker.A/ D Im A T
?
Im.A/ D ker A T
:
16
4 Matrices
ker .A/ Im A T D Rn :
En la gura 4.4 se muestran estos subespacios.
A
Im
Ke
rA
Ke
rA
0
Im
17
4 Matrices
h i
se satisfacen 1), 2) y 3); sin embargo, tomando A D B D 11 11 , es fcil ver que
kABk D 2 > kAk kBk D 1, por lo que no se cumple 4).
Un ejemplo importante de norma matricial es la norma de Frobenius, denida
como:
X
2
kAk2F D
aij
D traza.A T A/;
1i;j n
P
donde la traza de una matriz A de orden n es niD1 ai i . Es fcil ver que esta norma
deriva del producto escalar hAjBi D traza.A T B/, que congura al espacio de
las matrices cuadradas como un espacio prehilbertiano. La norma de Frobenius
cumple que
kABkF kAkF kBkF :
Una norma matricial k k sobre Rmn se dice consistente con una norma vectorial k k0 sobre Rn cuando para cada matriz A y cada vector x se cumple que
kAxk0 kAk kxk0 :
Por ejemplo, la norma de Frobenius y la norma eucldea de Rn son consistentes
pues
kAxk2 kAkF kxk2 :
18
4 Matrices
Se demuestra que para toda norma matricial es posible construir una norma vectorial consistente. Recprocamente, a toda norma vectorial sobre Rn se le puede
asociar una norma matricial consistente. Una norma matricial consistente con una
cierta norma vectorial k k se construye mediante la denicin
kAk D
sup
0x2Rn
kAxk
:
kxk
Esta norma matricial se dice inducida por la norma vectorial. Ejemplo: la norma
matricial inducida por la norma eucldea de Rn es la norma espectral:
"
#1=2 q
x T A T Ax
D max .A T A/ D max .A/;
kAk2 D sup
Tx
x
n
0x2R
donde designa un valor propio de A y un valor singular. Si k k es la norma
inducida por una cierta norma vectorial y k k0 es una norma matricial cualquiera
consistente con esa norma vectorial, se cumple, para toda matriz A, que kAk
kAk0 . En particular, para la norma espectral y la norma de Frobenius, se cumple
que
p
kAk2 kAkF nkAk2 :
Tambin que kABkF kAkF kBk2 y kABkF kAk2 kBkF . Como casos
particulares, kIk2 D 1 y para una matriz diagonal, kDk2 D mKaxi jdi j.
Las normas matriciales inducidas ms usadas son
kAk1 D mKax
1j n
kAk1 D mKax
1im
m
X
i D1
n
X
jaij j y
jaij j :
j D1
4 Matrices
[2, 2]T
[0, 1]T
norma11
norma
A1 = 4
[1, 0]T
[1, 0]T
A2 2,9208
norma22
norma
A = 3
norma1
norma
Figura 4.5: Efecto de una aplicacin lineal sobre la bola unidad para diferentes
normas
Con la norma 2, el vector unitario que ms se amplica es el que se representa
en la gura con una recta discontinua. El factor de amplicacin es 2,9208.
Para la norma 1, igualmente, el vector unitario que ms se amplica es el que
se representa tambin con la recta discontinua: 1; 1T , que pasa a transformarse
en 3; 2T . El factor de amplicacin correspondiente es en este caso 3 ya que
1; 1T D 1
1
T
3; 2 D 3:
1
20
4 Matrices
denominada norma A o norma de energa7 del vector x, para una matriz A simtrica y denida positiva. A hxjyiA D hAxjyi se le denomina producto interior
de A o producto escalar de energa. La matriz A 1=2 es la nica matriz denida
positiva solucin de la ecuacin matricial X 2 D X X D A.
4 Matrices
y negativo para otros. Tambin A 2 C nn se dice denida positiva si para todo
x 2 C n ; x 0, se cumple que x H Ax > 0.
Si A 2 Rnn es simtrica y denida positiva se puede descomponer de la
formaA D QDQT donde Q es una matriz ortogonal y D, diagonal, tiene to1
1
dos sus coecientes positivos por lo que A 2 D QD 2 QT satisfacindose que
1
1
A 2 A 2 D A.
Se dice que una matriz A 2 C nn de coecientes aij es de diagonal dominante
por las cuando cumple que
n
X
jai i j
jaij j;
i D 1; : : : ; n:
j D1;j i
jai i j
jaj i j;
i D 1; : : : ; n:
j D1;j i
Lema 4.3 Si en cada la de una matriz simtrica A el coeciente de la diagonal principal es mayor que la suma de los valores absolutos de todos los dems
coecientes de la la, es decir, si
akk >
n
X
jakj j
k D 1; : : : ; n;
j D1
j k
A es denida positiva.
Es importante destacar que este ltimo
i dene una condicin suciente,
h 3 criterio
22
no necesaria. En efecto, la matriz Q D 2 3 2 es denida positiva pues
223
4 Matrices
cualquiera que sea x 0, es siempre positiva. Esa matriz, sin embargo, no satisface el lema 4.3.
Una matriz de Vandermonde por Alexandre-Thophile Vandermonde, Francia 1735-1796 es una matriz que presenta una progresin geomtrica en cada
la; como esta:
3
2
1 1 12 : : : 1n1
6 1 2 22 : : : 2n1 7
7
6
2
n1 7
6
V D 6 1 3 3 : : : 3 7 :
6: : : :
: 7
4 :: :: :: : : :: 5
1 n n2 : : : nn1
Una matriz de Hankel por Hermann Hankel, Alemania 1839-1873 es una
matriz cuadrada con todas sus diagonales de derecha a izquierda paralelas numricamente. Es decir, tiene la forma
2
3
a b c d e
6b c d e f 7
6
7
H D 6c d e f g 7 :
4d e f g h 5
e f g h i
Una matriz de Hessenberg por Karl Adolf Hessenberg, Alemania 19041959 es una matriz triangular excepto por una subdiagonal adyacente a la diagonal principal.
Cualquier matriz se puede reducir a la forma de
Hessenberg mediante transformaciones ortogonales
de Householder o Givens. Si la matriz original es si@
@
mtrica, al reducirla a la forma de Hessenberg se ob@
tendr una tridiagonal.
@
Se denomina proyector o matriz de proyeccin a
@
@
una matriz P 2 Rnn que verica que P 2 D P. Si P
@
adems es simtrica, se denomina proyector ortogonal
@
o matriz de proyeccin ortogonal. Si, en este ltimo
@
caso, F es el subespacio imagen de la matriz P (el
mismo que el de la matriz P T ), Px dene la proyeccin ortogonal del vector x
sobre F .
Se denomina proyector suplementario de P al proyector S D I P. Si F D
Im.P/ y G D ker.P/, entonces F D ker.S / y G D Im.S /.
En el caso de un proyector ortogonal P en el que F D Im.P/, se tiene que
Rn D F F ? , vericndose que kPxk2 kxk2 y que
kx Pxk2 D
mKn
y2Im.P /DF
23
kx yk2 :
4 Matrices
4 Matrices
1 n1 g1 n2
gn1
A
A
I:
gn
gn
gn
4 Matrices
4 Matrices
4 Matrices
n
X
jakj j
j D1
j k
n
X
akj xj ;
k D 1; : : : ; n;
j D1
j k
n
X
jxj j X
jaij j:
jxi j
n
jaij j
j D1
j D1
j i
j i
28
4 Matrices
con D kAk2 :
U D y U 1 2 Rmm
k2 kA1 k2 k w
k2 D kA1 k2
kA1 w
2
2 C wT w ;
se cumple que kA1 k2 . 2 C wT w/1=2 . Como las matrices U y V son ortogonales, kA1 k2 D kAk2 D y por consiguiente w D 0. La argumentacin de la
demostracin se completa por induccin.
La matriz A mn D U V T , de rango r, se puede escribir como la suma de r
matrices de rango uno as
r
X
i ui viT ;
AD
i D1
4 Matrices
0;7223
0;0780
0;6507
0;2212
0;7223
0;0780
0;6507
4 Matrices
Ax
Ax
1 T
Si A 2 Rmn es de rango completo y m > n, A D A T A
A ; si m < n,
T
T 1
.
A D A AA
Para cualquier matriz A 2 Rmn , la matriz A A es la matriz n n de proyeccin ortogonal sobre el subespacio de los vectores la de A, AA la m m de
proyeccin ortogonal sobre la imagen de la matriz A (subespacio de sus vectores
columna) y .I A A/ la de proyeccin ortogonal sobre el ncleo de A, ker.A/.
4 Matrices
p
X
yi2
pCq
X
yi2 :
i DpC1
iD1
i D det 6
4 ::: ::: : : : ::: 5 ;
qi1 qi2 qi i
la forma cuadrtica asociada a Q es denida positiva si y slo si todos los menores
i son positivos.
Sean 1 ; : : : ; n los valores propios que sabemos son reales de la matriz
Q. Por el teorema espectral, existe una matriz ortogonal P tal que P T QP D
diag.1 ; : : : ; n /. Haciendo en la forma cuadrtica q.x/ D x T Qx el cambio de
variables x D Py, se tiene que
q.x/ D y T P T QPy D 1 y12 C C n yn2 ;
por lo que el rango de la forma cuadrtica es el nmero total teniendo en cuenta
las multiplicidades de valores propios no nulos de Q, mientras que la signatura
coincide con la diferencia entre los nmeros de valores propios positivos y negativos. En particular, la forma cuadrtica asociada a Q es denida positiva si y slo
si todos los valores propios de Q son positivos.
En ciertos casos es importante acotar el cociente de una forma cuadrtica al
cuadrado de la norma eucldea, es decir, el cociente
r.x/ D
x T Qx
;
xT x
x 0:
1 y12 C C n yn2
;
y12 C C yn2
32
5 Teorema de la proyeccin
x T Qx
max .Q/ :
xT x
vT Qv
vT v
D .
5 Teorema de la proyeccin
6 Funciones
Para todo i; j , el vector .m.i / Cm.j / /=2 est en M pues ste es un espacio vectorial
(lineal). De la denicin de se deduce que kx .m.i / C m.j / /=2k2 , por lo
que
2
2
2
.j /
m m.i / 2 m.j / x C 2 x m.i / 4 2 :
2
Como km
! cuando i ! 1, km
! 0 cuando i; j ! 1.
Es decir, fm g es una sucesin de Cauchy; como M es un subespacio cerrado, la
sucesin fm.i/ g tiene un lmite m0 en M y, debido a la continuidad de la norma,
kx m0 k2 ! .
.i/
xk22
.i/
.j /
m.i / k22
6 Funciones
34
6 Funciones
x
tx
y
0
Figura 5.9: Solucin de minimizar t kt x yk
converge a x (expresado x .k/ ! x), se cumple que f .x .k/ / ! f .x/. De forma
equivalente, f se dice continua en x si dado un " > 0, existe un > 0 tal que
ky xk < H) kf .y/ f .x/k < " :
Una funcin f W R ! R tiene como derivada la funcin
f 0 .x/ D
f .x C h/ f .x/
df .x/
D lKm
;
dx
h
h!0
6 Funciones
@f .x/ @f .x/
@f .x/
rf .x/ D
;
;:::;
@x1
@x2
@xn
T
:
6 Funciones
2 f 000 .x0 /
kC1
f .k/ .x0 /
x x0 C
x x0
C C
:
k
.k C 1/
Las aproximaciones por este teorema para una funcin concreta, sen.x/, se
pueden ver en la gura 6.10.
6 Funciones
a c
6 Funciones
f (c)
39
6 Funciones
f (c)
f .x/g.x/ dx D f .c/
a
g.x/ dx:
a
40
6 Funciones
vectorial,
rf .x0 /
orgenes estn asociados a Newton, Leibnitz y Lagrange, aunque fue formulado por Cauchy
41
i D 1; 2; : : : ; m:
sujeta a
ci .x/ D 0;
cj .x/ 0;
i 2 E;
j 2 I:
Las funcin objetivo f y las condiciones ci y cj son, en general, no lineales, continuas y tienen derivadas parciales continuas hasta al menos primer orden. Los
conjuntos E y I contienen los ndices de las condiciones que son de igualdad y
de desigualdad, respectivamente. El conjunto de puntos que satisfacen todas las
condiciones se denomina regin factible.
Para caracterizar las soluciones de estos problemas y denir sus algoritmos y
procedimientos de resolucin la optimizacin presta una atencin fundamental a
los conjunto convexos.
42
p
X
i xi ;
iD1
donde
Pp
iD1
i D 1, i 0, i D 1; : : : ; p.
f(x,y) = - x - y
ptimo local
ptimo global
::
:
k-simplex S k W conv.S k1 [ fvkC1 g/ con vkC1 no en aff.S k1 /:
v1
v1
v1
S0
v2
S1
v1
v2
v3
v4
v2
S2
v3
S3
45
a
rea = srea(abc )
rea = t rea(abc )
rea = rrea(abc )
5
Figura 7.20: Punto p D ra C sb C t c. En este caso r D 14 , s D 13 y t D 12
:
lo que prueba que la combinacin afn x1 C.1 /x2 est tambin en el conjunto
C . El subespacio asociado con el conjunto afn C en este caso es el espacio nulo
de A, ker.A/.
Un conjunto C Rn se dice un cono si para todo x 2 C , x 2 C , para
cg. Semiespacios abiertos de borde H a HV C D x 2 Rn W aT x > c y HV D
x 2 Rn W aT x < c . Los semiespacios de borde H son convexos; la unin de HC
y H es el espacio Rn . En la gura 7.24 se representa el hiperplano x1 C 4x2 D
47
y
H
Figura 7.24: Hiperplano x1 C 4x2 D 11 y los semiespacios en los que divide
R2
En un hiperplano aT x D c la constante c determina el desplazamiento del
hiperplano del origen. Un hiperplano se puede expresar de la forma fx W aT .x
x0 / D 0g, donde x0 es cualquier punto del hiperplano (aT x0 D c). Esa ltima
expresin se puede trabajar un poco ms pues fx W aT .x x0 / D 0g D x0 C a? ,
donde a? es el complemento ortogonal de a, es decir fv W aT v D 0g. Lo que
lleva a que un hiperplano consiste en un desplazamiento x0 ms todos los vectores
ortogonales al vector caracterstico a: el conjunto de soluciones de aT x D c:
x0 C ker.a/, recordemos.
Un politopo es un conjunto formado por la interseccin de un nmero nito de
semiespacios cerrados. Un politopo cnico es un conjunto formado por la interseccin de un nmero nito de semiespacios cerrados que pasan por un punto.
Un poliedro es un politopo acotado y no vaco: ver gura 7.25. Es fcil comprobar que la interseccin de conjuntos convexos es convexa y que, por lo tanto,
los politopos y los poliedros son conjuntos convexos. Si un politopo P es un poliedro, cualquier punto se puede expresar como combinacin convexa de sus puntos
extremos o vrtices.
Teorema 7.2 Sea C un conjunto convexo e y un punto exterior a la adherencia
de C . Existe un vector a tal que aT y < Knfx2C aT x.
D EMOSTRACIN . Sea
D Knf kx yk2 > 0:
x2C
T
El hiperplano x W a x D b es un hiperplano separador de los conjuntos C y D
como se ve en la gura 7.26.
49
aT x b
aT x b
D
C
a
a.k/
T
y .k/ < Knf a.k/ x:
x2C
k2H
a
x0
C
51
H
H
H
H S es bidimensional
H S es unidimensional
H S es de dimensin 0
Figura 7.29: H \ S es una cara cuadrada bidimensional del cubo, una arista unidimensional del cubo o un vrtice de dimensin 0 del cubo
Lema 7.4 (Farkas) El sistema de ecuaciones
.I /
Ax D b;
x 0;
y T A 0T ;
bT y > 0;
donde A 2 Rmn .
D EMOSTRACIN . El lema por Farkas Bolyai, Hungra 1775-1856 se puede
reformular de la siguiente manera. Si existe un x 0 tal que Ax D b, no existe
ningn y tal que y T A 0T y bT y > 0. Recprocamente, si no existe ningn
x 0 tal que Ax D b, existe un y tal que y T A 0T y bT y > 0.
Supongamos que el sistema (I) tiene una solucin x tal que Ax D b y x 0.
Sea y un punto tal que y T A 0T . En este caso bT y D x T A T y 0 pues x 0
y y T A 0T . Esto demuestra que bT y no puede ser positivo y, por lo tanto, el
sistema (II) no tiene solucin.
Supongamos ahora que el sistema (I) no tiene solucin. Esto quiere decir que
b S D fv D Ax W x 0g; es decir que b no pertenece al politopo cnico S.
Observando la gura 7.30, est claro que si b S, existe un hiperplano separador
denido por un y, que separa S y b, y para el cual y T ai 0, i D 1; : : : ; n
y y T b > 0, es decir, y forma un ngulo de ms de 90 grados con cada uno de
los vectores columna de A y de menos de 90 grados con12 b. Esto verica que el
sistema (II) tiene solucin.
12 El hiperplano separador del politopo cnico S de la gura debera casi tocar a ste a lo largo de
a5 . El hiperplano de apoyo correspondiente, s tocara a a5 .
52
Politopo c
onico S
a3
a2
a1
a4
a5
Hiperplano
b
/S
y
a2
a2
a1
an
an
a3
b
a1
Cono {y : y T A 0T }
Cono {y : y T A 0 T }
Figura 7.31: Izquierda: El sistema (I) del lema de Farkas no tiene solucin; si (II).
Derecha: El sistema (II) no tiene solucin; la tiene (I)
el semiespacio abierto fy W bT y > 0g es el conjunto vaco. En la gura 7.31 a
la derecha se muestra un ejemplo donde el sistema (II) no tiene solucin. Todo
vector y en la zona que dene el cono indicado forma un ngulo mayor de 90
con b. La tiene sin embargo (I) pues b pertenece al cono generado por a1 , a2 y
an .
sujeta a
ci .x/ D 0;
cj .x/ 0;
i 2 E;
j 2 I;
Un punto x que satisfaga todas las condiciones se dice regular si los vectores
gradiente del conjunto de condiciones activas en ese punto son linealmente independientes.
Un caso particular del problema de programacin matemtica enunciado es
uno de Programacin Lineal:
min. c T x
s. a
Ax D b
x 0:
N wN
estn, por consiguiente, en P . Adems, dado que x D .y 0 C y 00 /=2,
y 00 D x"
0
x no puede ser un punto extremo de P . Como consecuencia de esto, si x es un
N son linealmente dependientes.
punto extremo, las columnas de la matriz A
Probemos ahora la suciencia. Supongamos que x no es un punto extremo de
P . Esto quiere decir que x D y 0 C .1 /y 00 , donde y 0 ; y 00 2 P; y 0 y 00 y 0 <
< 1. Como x e y 0 estn en P , A.x y 0 / D Ax Ay 0 D b b D 0. Adems,
dado que y 1 son estrictamente positivos, los ltimos np coecientes de y 0
y, por consiguiente, de x y 0 , han de ser cero pues lo son los de x. Las columnas
N en consecuencia, son linealmente dependientes. De aqu que, si las
de la matriz A,
N son linealmente independientes, x es un punto extremo.
columnas de A
Una direccin del politopo P D fx 2 Rn W Ax D b; x 0g es un vector no
nulo, d 2 Rn , tal que para todo x0 2 P el rayo fx 2 Rn W x D x0 C d; 0g
pertenece a P .
Una direccin d de un politopo P se dice extrema si no puede ponerse como
combinacin lineal no negativa de dos direcciones diferentes de P . Es decir, no
existen dos direcciones d1 y d2 en P , d1 d2 , y unos 1 ; 2 > 0, tales que
d D 1 d1 C 2 d2 .
Cualquier direccin de un politopo se puede expresar como combinacin lineal no negativa de las direcciones extremas del politopo. Si P es un poliedro,
obviamente, no tiene direcciones.
Teorema 7.7 Teorema de la representacin Todo punto del politopo P D fx 2
Rn W Ax D b; x 0g se puede expresar de la forma
X
i vi C d;
xD
i 2I
P
i2I
i D
D EMOSTRACIN . La haremos por induccin en p, nmero de coecientes positivos de x. Si p D 0, el teorema es obvio, pues x D 0 es un punto extremo.
Supongamos que se cumple lo enunciado para puntos con menos de p coecientes
positivos y que x tiene p coecientes positivos.
Si x es un punto extremo, como x D vi para algn i 2 I , el teorema es
obvio. Supongamos por tanto que x no es un punto extremo. En este caso existe
un vector w 0, con wi D 0 si xi D 0, tal que Aw D 0. Se pueden dar los tres
casos siguientes:
(a) Que w tenga coecientes positivos y negativos. Consideremos los puntos
x. / D x C w en la recta que pasa por x que determina w, y sean 0 y 00
56
0i vi C d 0
donde D 00 =. 0 00 /
!
X
00i vi C d 00
C .1 /
i 2I
i2I
X
00
0i C .1 /i vi C d 0 C .1 /d 00 :
D
i2I
P
P
Como 0 < < 1, 0i 0 y 00i 0 para todo i 2 I , i2I 0i D i 2I 00i D
1 y Ad 0 D Ad 00 D 0, d 0 0 y d 00 0. Se deduce entonces que
X
00
i D 0i C .1 /i 0 para todo i 2 I;
i D 1;
i 2I
d D d 0 C .1 /d 00 0
y Ad D 0;
x4
x3
x
x5
x2
y
x1
Figura 7.32: Representacin de un punto de un politopo (poliedro) como combinacin convexa de puntos extremos
D EMOSTRACIN . Sea V D fvi W i 2 I g el conjunto de puntos extremos de P .
Como P es no vaco, al menos tiene un punto extremo vi 2 V . De acuerdo con
el teorema de la representacin, o el politopo P posee una direccin d tal que
c T d < 0, o tal direccin no existe. Consideremos estos dos casos.
(a) El politopo P tiene una direccin d tal que c T d < 0. En este caso P no
est acotado y el valor de la funcin objetivo tiende a 1 en la direccin d.
(b) El politopo P no tiene una direccin d tal que c T d < 0. En este caso
cualquier x 2 P se puede expresar de una de las dos maneras siguientes:
X
X
xD
i v i
donde
i D 1; i 0 o
i 2I
i2I
xD
i vi C dN
donde
i D 1;
i 0 y
c T dN 0:
i 2I
i2I
X
cT x
i c T vi c T vmi n
i D c T vmi n :
i 2I
i2I
T
7.3 Dualidad
La Dualidad juega un papel destacado en Programacin Lineal y no lineal.
Sirve para caracterizar y vericar la optimalidad de un proceso iterativo y las con58
sujeta a
g.x/ 0
x 2 ;
(1)
59
(2)
w(z)
f*
Hiperplano
debajo de w(z)
(3)
./ D Knf f .x/ C Tg.x/ W x 2 :
p
En general,
puede que no sea nita dentro del ortante positivo, RC
, pero la
regin donde est denida es convexa.
60
w (z)
gap de dualidad
hiperplano ms alto
z
sujeta a
h.x/ D 0
g.x/ 0
x 2 ;
(4)
(5)
w (z)
f * =
hiperplano ptimo
Figura 7.35: Expresin grca del teorema de la dualidad fuerte . No hay gap de
dualidad.
torno a 0 en cualquier direccin. Esta condicin es similar a la denicin de punto
regular en el contexto de las condiciones de ptimo de primer orden.
Teorema 7.13 Teorema de la dualidad fuerte Supongamos que en el problema
(4) h es regular con respecto a y que existe un punto x 2 en el que h.x/ D 0
y g.x/ 0.
Supongamos que el problema tiene como solucin x con un valor de la funcin
objetivo f .x / D f . Entonces, para todo y todo 0 se cumple que
f :
Adems, existen unos y 0 tales que
.; / D f y por lo tanto
D
f . Los vectores y son los multiplicadores de Lagrange del problema.
7.3.1 Dualidad Lagrangiana
Es una forma de denominar lo que acabamos de exponer. La funcin de Lagrange del problema (4) escrito
minimizar
f .x/
n
x2R
sujeta a h.x/ D 0
g.x/ 0
x 2 ;
63
(6)
Ax D b
x 0;
sujeta a
T
L.x; ; / D T b C c A T x:
Su problema dual
n
T o
max. q.; / D Knf fL.x; ; /g D T b C Knfx c A T x
(
T b si c A T D 0
D
1 si c A T 0
s. a 0:
64
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
c A T D 0;
0:
c T x T b D c T x T Ax D x T c A T D x T :
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
1
X
k k ;
kD1
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
u D
MESH
n
X
k k :
kD1
retcula de por ejemplo 20 20 dara como resultado 441 funciones base nicas.
67
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
u.x; y/ D
@2 u
@2 u
C
D f .x; y/
@x 2
@y 2
la matriz A es muy fcil de calcular y se denomina la matriz de rigidez en homenaje a los principios de las tcnicas de elementos nitos en problemas de elasticidad.
Esta matriz muy dispersa (con pocos coecientes distintos de cero) y diagonal
dominante est formada por el producto interior de las funciones de base con
ellas mismas, multiplicadas si es el caso por la constante que aparezca en la ecuacin original. El vector solucin de ese sistema se multiplica por el de las funciones
de base y se obtiene la del problema original, o una que se aproxima mucho a la
misma.
Resumiendo, el procedimiento de resolucin del mtodo de los elementos nitos consta de las siguientes fases u operaciones:
Conversin del problema original de dimensin innita, mediante las propiedades de los espacios de Hilbert, en uno similar prximo en un espacio
vectorial de dimensin nita de cara a estudiar la existencia y unicidad de la
solucin.
Creacin de una formulacin dbil del problema original con la que podamos usar las herramientas de producto interior y medida.
Discretizacin del dominio de denicin del problema y eleccin de una
base de funciones que sean ortogonales entre si.
Conversin de los productos interiores entre funciones de base en sistemas
lineales de ecuaciones.
Resolucin de ese sistema lineal resultante mediante tcnicas de matrices
dispersas.
Las ventajas de este mtodo frente a otros son muchas en bastantes mbitos de
la ingeniera, la ciencia y la investigacin por lo que su extensin y precisin,
as como los algoritmos que emplea, cada vez son ms amplios, ambiciosos y
potentes.
Para concretar con cierto detalle los pasos del mtodo, vamos a desarrollar el
estudio de un problema preciso habitual. Seguiremos esencialmente el trabajo de
Francisco Javier Sayas, [2015], de la Universidad de Delaware, EE.UU.
68
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
u.x; y/ C cu.x; y/ D f .x; y/
u.x; y/ D g0 .x; y/
@n u.x; y/ D g1 .x; y/
dentro de
en la frontera D
en la frontera N :
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
La funcin f .x; y/ est denida en y se puede considerar como una densidad supercial de fuerzas.
Las dos funciones que expresan las condiciones de contorno, g0 .x; y/ y
g1 .x; y/, estn denidas en dos partes diferentes de la frontera. La funcin
g0 deber ser continua; la g1 puede ser discontinua.
El smbolo @n designa la derivada normal hacia afuera, es decir
@n u D ru n;
donde n es el vector unidad hacia afuera en puntos de la frontera y ru es
el gradiente de u. Supondremos que existe.
8.1.1 El problema en forma dbil o variacional
Siguiendo cada uno de los pasos de la estrategia enunciada para resolver este
problema, vamos a formularlo de una forma diferente de la original denominada
forma dbil o forma variacional.
Para ello utilizaremos el teorema de Green por George Green, Reino Unido
1793-1841, a menudo denominado primera frmula o identidad de Green, derivada del teorema de la divergencia, que no es sino una forma de integracin por
partes. Aplicado a nuestro caso dice que
Z
Z
Z
.
u/ v C
.@n u/ v:
ru rv D
.r F/ d V D
.F n/ dS:
V
S
70
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
c rf dV C
V
f .r c/ dV D
V
.cf / d S;
S
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
En esta formulacin la condicin de Dirichlet desplazamientos dados se impone como una condicin aparte que ha de cumplir la funcin de prueba v. Se
denomina condicin esencial de borde o frontera. La condicin de Neumann
fuerzas normales aparece como una condicin de frontera natural dentro de la
formulacin del problema.
Como indicbamos anteriormente, la funcin de prueba v chequea la ecuacin
que satisface u. Juega un papel de funcin de ponderacin para comprobar el comportamiento medio de la ecuacin. En alguna referencia interesante se la denomina
desplazamiento virtual para enfatizar que no es una incognita sino algo utilizado
para formular el problema de esta manera: mediante desplazamientos virtuales de
la realidad, si se llega a conocer.
8.1.2 Espacios de trabajo
Hasta ahora hemos dado por hecho que el contexto matemtico donde se desenvuelve este problema y las formulaciones que estamos utilizando cumplen una
serie de requisitos matemticos que permiten su existencia y solucin. Vamos a
formalizarlo un poco. El primer espacio que estamos utilizando14 es el espacio
vectorial de las funciones al cuadrado integrables en , es decir,
Z
L2 ./ D f W ! R jf j2 < 1 :
Su estricta denicin requerira la introduccin de la integral de Lebesgue15 , la mtrica o medida de Lebesgue y el espacio de Lebesgue
por Henr Lon Lebesgue,
R
Francia 1875-1941. Simplicadamente, si f .x/ dx es la integral de LebesR
gue de f .x/ y se dene la norma kf kLp ./ D . f p dx/1=p , para 1 p < 1,
los espacios de Lebesgue son
Lp ./ D f .x/ W kf kLp ./ < 1 :
El segundo es el espacio de Sobolev por Sergi Lvvich Sobolv, Rusia
1908-1989. Es une espacio vectorial de funciones dotado de una norma que es
combinacin de normas Lp de la funcin y de sus derivadas hasta un orden dado.
Formalmente para dos dimensiones es
@u @u
1
2
2
H ./ D u 2 L ./
;
2 L ./ :
@x1 @x2
14 Ya
15 Que generaliza la nocin de la integral de Riemann extendiendo el concepto de rea bajo una curva
72
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
Las derivadas de este espacio se entienden en un sentido dbil16 que hagan que
el espacio sea completo17 y por lo tanto sea un espacio de Banach. La norma
correspondiente de este espacio es
1=2 Z
Z
Z
@u
2
2
juj
D
kuk1;D
jruj C
@x
2 Z
@u
@x
!1=2
2 Z
C juj2
;
denominada en ingeniera norma de energa. Las funciones que usan esta forma
nita son funciones de energa nita. Intuitivamente, un espacio de Sobolev es un
espacio de funciones con derivadas de orden suciente para un dominio de aplicacin determinado y equipado con una norma que mida adecuadamente tamao y
regularidad en las funciones. Un subespacio de inters de ese espacio H 1 ./ es
H 1D ./ D v 2 H 1 ./ jv D 0 en D :
Establecido todo este aparato matemtico, la formulacin dbil del problema
original queda as:
u D g0 en D Z
Z
Z
Z
ru rv C c
uv D
fv C
73
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
xi
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
Vh
xi
Figura 8.40: Aproximacin mediante vh de una funcin de base lineal por tramos.
Vh D funciones v 2 C./vjK es lineal para todo K 2 Th ; v D 0 en ;
donde vjK 2 P1 se reere a la funcin v restringida a K. Recordemos que P1 es el
espacio de polinomios lineales del tipo a0 C a1 x1 C a2 x2 , donde los coecientes
a0 , a1 y a2 seran los parmetros de cada tringulo.
Los parmetros que denirn la funcin v 2 Vh sern los valores v.Ni / de v en
los nodos Ni ; i D 1; : : : ; M de Th excluyendo aquellos en los bordes pues v D 0
en . Los valores de los nodos de la triangularizacin del dominio son los grados
75
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
10
5
15
11
16
12
18
1
8
17
13
9
xi
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
M
X
uh .xj / j .xi / D
j D1
M
X
uh .xj /j i D
j D1
M
X
uh .xj / j :
j D1
H 1D ./ D v 2 H 1 ./v D 0; en D ;
ahora nos interesa
Vh D D Vh \ H 1D ./ D vk 2 Vh vh D 0; en D :
La idea es llevar constancia de qu nodos son Dirichlet Dir y cules no, independientes, Ind. En el caso del ejemplo que tratamos,
Dir D f9; 13; 14; 15; 17; 18g
Ind D f1; 2; 3; 4; 5; 6; 7; 8; 10; 11; 12; 16g :
Entonces, un elemento de Vh se podra escribir como
X
X
uh D
uj D uh .xj /
uj
j C
uj
j ;
j 2Ind
j 2Dir
y uno de Vh D as
uh D
X
j 2Ind
77
uj j :
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
h 2 Vh tal que
uh .xj / D g0 .xj / 8j 2 Dir
Z
Z
Z
Z
ruh r
i C c
uh
i D
f
i C
g1 i ; 8i 2 Ind:
Para ello:
Hemos convertido el espacio de Sobolev en el que buscamos la funcin solucin en uno de dimensin nita, Vh . Es decir, hemos reducido el problema
a calcular uh en los vrtices de una triangularizacin los nodos y a un
nmero nito de incgnitas.
Hemos sustituido las condiciones tipo Dirichlet jando condiciones a los
nodos Dirichlet, lo que reduce an ms el nmero de incgnitas: a los nodos
independientes.
Hemos reducido el espacio de prueba de H 1D ./ a un subespacio discreto
Vh D , lo que reduce un nmero innito de pruebas en la formulacin dbil a
un nmero nito de ecuaciones lineales.
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
y reordenando llegamos a
i Z
Z
r
j r
i C c
Z
Z
j
j uj D
f
i C
j 2Ind
i Z
j
j g0 .xj /:
r
j r
i C c
g1 i
j 2Dir
y la matriz de masas
Z
M ij D
j
i :
W ij C cM ij uj D bi
j 2Ind
W ij C cM ij g0 .xj /;
i 2 Ind:
j 2Dir
Estas matrices poseen patrones de dispersidad muy pronunciados pues slo interactan nodos que estn unidos entre si por lados de tringulos. Ello las hacen propicias para ordenaciones en torno a la diagonal principal. Su manipulacin es sencilla
y las operaciones necesarias para resolver los gigantescos sistemas de ecuaciones
lineales a que pueden dar lugar son perfectamente tratables por los ordenadores
disponibles actualmente.
79
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
Input: argument x
(independent
variable)
Function
operator
Output: function
value y (dependent
variable)
y=y(x)=f(x)
(a)
FUNCIONES
Input 1: argument x
(independent
variable)
(b)
Functional
operator
Output: functional
value J (a scalar)
y=f(x)
J(y)=J(x,y)
Input 1: argument x
(independent
variable)
(c)
Input 2: function
y=y(x) (primary
dependent variable)
Input 2: function
y=y(x) (primary
dependent variable)
Functional
operator
y=f(x)
Input 3: derivative
of primary
dependent variable
y'=dy/dx
Output: functional
value J (a scalar)
J(y)=J(x,y,y')
FUNCIONALES
Figura 8.45: Diagrama de bloques que ilustra la diferencia formal en una dimensin entre una funcin ordinaria y un funcional. (a) Una funcin ordinaria y D
y.x/ D f .x/ de una variable independiente x; (b) Un funcional J.y/ D J.x; y/
de la funcin y.x/; Un funcional J.y/ D J.x; y; y 0 / de la funcin y.x/ y su
derivada y 0 D dy=dx.
El funcional bsico unidimensional lineal ms tpico tiene la forma
Z b
J.y/ D F x; y.x/; y 0 .x/ dx; x D a; b; a b; y.a/ D yOa ; y.b/ D yOb :
a
80
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
(a)
y=y(x)
A
y(a)=y^
(b)
Arclength L
A
B
Area A
x=a
A
B
Constant
gravity g
Straight line
Cycloid
y(b)=y^ b
x=b
(c)
Parabola
x=b
x=a
x=a
x=b
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
(a)
y
(b)
1
2
1
2
y(b)=y^b
y(a)=y^a
x=b
x=a
y(a)=y^a
y(b)=y^b
4
5
x=b
x=a
x1
"D0
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
Es decir que
Z
x2
x1
@F d yQ 0
@F d yQ
C 0
@yQ d "
@yQ d "
D 0:
dx
"D0
0
@y 0
dx @y 0
x1 @y
x1
x1
M.x/.x/ dx D 0:
a
8 Sobre el mtodo de los elementos nitos para resolver ecuaciones en derivadas parciales
M.x0 /
M.x0 /
< M.x/ M.x0 / <
para jx x0 j < con x 2 a; b:
2
2
En consecuencia, M.x/ > M.x0 /=2 en ese intervalo. Escojamos una funcin
M( x0 )
M( x0)
2
.x/
x 0 b
x0
x 0 +b
0
.x/ D
si a x a1 D mKax.x0 ; a/
> 0 si jx x0 j < ; x 2 a; b
0
si mKn.x0 C ; b/ D b1 x b:
M.x/.x/ dx D
0D
a
b1
M.x/.x/ dx >
ai
1
M.x0 /
2
b1
.x/ dx > 0;
a1
M.x/ 0 .x/ dx D 0
M.x/ 00 .x/ dx D 0
articiales independientes entre s, perdindose la menor cantidad de informacin original posible. Comporta el clculo de la descomposicin en valores propios de la matriz de covarianza de los datos, una vez centrados en la media de cada
atributo. La PCA Es una extensin inmediata de lo apuntado en la seccin 4.3.2
dedicada a valores singulares de este documento, en la pgina 28.
El anlisis de componentes principales fue formulado por Harold Hotelling,
EE.UU. 1895-1973. Sus orgenes se remontan al trabajo sobre ajustes ortogonales
por mnimos cuadrados de Karl Pearson, Reino Unido, 1857-1936. Permite transformar las variables originales de los datos de un problema, en general correladas,
en un nmero menor de nuevas variables incorreladas, facilitando as la interpretacin de esos datos.
i D1 X i X
:
.X / D
n
La varianza, medida de la dispersidad de la muestra, es la desviacin tpica al
cuadrado, esto es,
2
Pn
iD1 X i X
var.X / D
:
n
El grado de asociacin lineal ms simple de cada variable con las dems, dos a
dos, es lo que congura la matriz de covarianzas, de dimensin p p,
2
Pn
Yi Y
i D1 X i X
cov.X ; Y / D
D :
n
Si la covarianza entre dos variables es positiva, cuando una de ellas se incrementa
la otra hace lo mismo. Si es negativa, cuando una de ellas se incrementa, la otra
decrece. Si es cero, las dos variables son independientes entre si. Los coecientes
de la diagonal principal de la matriz de covarianzas son las varianzas de cada
variable individual. La matriz de covarianzas es simtrica. La varianza total de los
datos es la suma de cada varianza individual por lo que la traza de la matriz de
covarianzas es precisamente esa varianza total. En la gura 9.49 se ilustran unos
patrones de datos y las matrices de covarianzas correspondientes.
86
Figura 9.49: La matriz de covarianzas expresa la forma de los datos. La variabilidad en torno a la diagonal la determina la covarianza mientras que alrededor de
los ejes la dene la varianza
La matriz de covarianzas es semidenida positiva, es decir, x Tcov.X ; Y /x 0
para cualquier vector x 0.
La covarianza como medida de asociacin tiene el inconveniente de que depende de las unidades de medida de las variables. Si por ejemplo la covarianza entre la
estatura de una persona, medida en centmetros, y su peso, en gramos, es 200, si se
expresa el peso en kilogramos, la covarianza ser 0;002. Para construir una media
adimensional se divide la covarianza por un trmino con sus mismas dimensiones.
Se dene as el coeciente de correlacin y a partir de l la matriz de correlacin,
de dimensin tambin p p, es
corr.X ; Y / D
cov.X ; Y /
D R:
.X / .Y /
donde D es una matriz diagonal construida con las desviaciones tpicas de las
variables.
Una medida global escalar de la variabilidad conjunta de k variables es la varianza generalizada, que es el determinante de la matriz de covarianzas. Mide
aproximadamente el rea, volumen o hipervolumen ocupado por el conjunto de
datos.
La matriz de covarianzas o la matriz de correlacin determinar si existen
altas correlaciones entre las variables y por tanto existe informacin redundante entre ellas, es decir, una misma informacin vista desde varios perspectivas.
Cuanto mayor sea la variabilidad de los datos (varianza), ms rica la informacin
disponible.
Si
1
M D .X 1 C C X n /
n
O k D X k M , la matriz de covarianzas es
yX
2
OT
X
6 1T
O2
i6X
1hO O
On 6
cov.X ; Y / D
X 1X 2 X
6 :
6 ::
n
4
O Tn
X
3
7
7
1
7
7 D BB T :
7
n
5
88
El subespacio generado por los k primeros vectores propios es, de todos los posibles del espacio de dimensin p, el que mejor representa en trminos de mnimos
cuadrados lineales los datos originales.
Si la matriz de covarianzas de los datos es diagonal las varianzas son iguales
a los valores propios de esa matriz y los vectores propios coinciden con los ejes
x e y las covarianzas son cero. Si la matriz de covarianzas no es diagonal,
la covarianzas no son cero pero los valores propios siguen indicando la magnitud
de la varianza en las direcciones ortogonales de los vectores propios, de mayor a
menor, que ya no coinciden con x e y. Esto se ilustra en la gura 9.5020 donde
un mismo conjunto de datos est rotado diversos ngulos para visualizar en qu
consiste la matriz de covarianzas.
Figura 9.50: Valores y vectores propios de un mismo conjunto de datos pero rotado ngulos distintos
La matriz de covarianzas, desde el punto de vista del lgebra lineal, representa
una transformacin lineal. El utilizarla en estos algoritmos es como tratar de des20 Fuente:
http://www.visiondummy.com/2014/04/geometric-interpretation-covariance-matrix/.
89
correlar los datos originales para encontrar sus componentes subyacentes o principales llevar los datos a unos ejes donde se perciba el menor ruido posible.
Para proceder numricamente con este mtodo y obtener esta transformacin
primero se adaptan los datos originales para tratarlos segn convenga. Luego de
construye la matriz de covarianzas. A continuacin, como esquematiza21 el diagrama de bloques numricos de la gura 9.51, se puede proceder de dos maneras:
Se calculan los valores propios y los correspondientes vectores propios de
la matriz de covarianzas. Luego se proyectan en esos vectores propios los
datos. Una versin de esta forma de actuar en Matlab sera el programa
pca1 de la gura 9.52.
Se calcula la descomposicin en valores singulares de
varianzas. El programa pca2 materializa esta variante.
B
p
n
y se obtiene las
Como ejemplo de introduccin a este anlisis por componentes principales estudiamos los datos del cuadro 1.
$POTUSVDDJO
X1 =Duraci
on media
hipoteca (a
nos)
X2 =Precio medio
(millones euros)
1
2
3
4
5
6
7
8
9
10
8,7
14,3
18,9
19,0
20,5
14,7
18
8
37,3
12,6
25,7
0,3
0,9
1,8
0,8
0,9
1,1
2,5
2,7
1,3
3,4
X3 =Supercie media
(m2 ) de cocina
3,1
7,4
9,0
9,4
8,3
7,6
12,6
18,1
5,9
15,9
http://mengnote.blogspot.com/2013/05/an-intuitive-explanation-of-pca.html.
90
100 D 97;06 %;
2;1580
76;6267
100 D 2;82 % y
0;0948
76;6267
100 D 0;12 %:
Con el primer componente, y por supuesto con los dos primeros, sera suciente
para representar casi perfectamente este conjunto de datos.
91
end
end
Figura 9.52: Dos programas de Matlab para llevar a cabo un anlisis PCA
2.0000
14.3000
0.9000
7.4000
3.0000
18.9000
1.8000
9.0000
4.0000
19.0000
0.8000
9.4000
5.0000
20.5000
0.9000
8.3000
6.0000
14.7000
1.1000
7.6000
7.0000
18.8000
2.5000
12.6000
8.0000
37.3000
2.7000
18.1000
9.0000
12.6000
1.3000
5.9000
10.0000
25.7000
3.4000
15.9000
0.5154
2.0809
-0.0247
-4.8597
-0.2107
0.1397
1.2482
-2.7532
0.1627
20.0429
1.6367
-0.0000
-7.4938
0.0756
-0.4252
8.9318
-2.4105
-0.2302
0.5154
2.0809
-0.0247
-4.8597
-0.2107
0.1397
1.2482
-2.7532
0.1627
20.0429
1.6367
-0.0000
-7.4938
0.0756
-0.4252
8.9318
-2.4105
-0.2302
V =
0.8714
0.0853
0.4832
5.1705
0.8941
3.6479
30.4775
3.6479
18.7641
-5.3219
-0.1713
0.2971
-0.4638
0.4326
-0.4540
0.4798
-0.3542
-0.8027
-0.1026
-0.9313
0.3495
-0.2687
0.5136
0.6069
74.3739
2.1580
0.0948
V =
0.8714
0.0853
0.4832
-5.3219
-0.1713
0.2971
-0.4638
0.4326
-0.4540
0.4798
-0.3542
-0.8027
-0.1026
-0.9313
0.3495
-0.2687
0.5136
0.6069
74.3739
2.1580
0.0948
Figura 9.53: Sesin de Matlab para analizar los datos sobre pisos construidos
92
10 Nmeros complejos
10 Nmeros complejos
Los nmeros delpcuerpo C dep
lo complejos surgen para dar sentido a races de
nmeros negativos, a2 D a 1 pues as se usan para representar modelos y
problemas en muchas
p reas de la ciencia e ingeniera. Para ello se utiliza la unidad
imaginaria i D 1.
Cualquier nmero complejo z D x C yi , donde x es la parte real e y la imaginaria (ambas reales), se representa geomtricamente
p en el plano complejo como
se ve en la gura 10.54. El mdulo de z, jzj D r D x 2 C y 2 .
Z
f .t/g.t/ d t D
f .t / g.t/ dt:
El cociente z=w es
a C bi
z
D
w
c C di
a C bi c d i
D
c C di c di
.a C bi /.c d i /
.ac C bd / C .bc ad /i
D
D
:
2
2
c Cd
c2 C d 2
93
10 Nmeros complejos
e2 = i
e4
e0= 1 + 0i
e i= 1 + 0i
e i
e i D cos C i sen cos C i sen
D cos cos sen sen C i sen cos C sen cos :
Reordenando,23 e i.
C / D cos. C / C i sen. C /. Por tanto, el producto de
dos nmeros complejos en la circunferencia de radio unidad es otro nmero de la
misma circunferencia cuyo ngulo es la suma de los dos precedentes.
Los nmeros Moivre, z tales que z n 1 D 0, races n-simas de la unidad, por
Abraham de Moivre, Francia, 1667-1754 , tienen inters:
En la recta de nmeros reales slo hay dos: 1 y 1.
En el plano complejo hay muchos. Por ejemplo, i es una raz cuarta de 1:
p 4
i4 D
1 D .1/2 D 1.
Estn localizados en la circunferencia del plano complejo de radio la unidad: forman los vrtices de un polgono regular de n lados con un vrtice en 1 como se ve
en la gura 10.56 para n D 5.
22 A
23 Es
e i Ce i
2
y sen
D i e
94
i e i
10 Nmeros complejos
+i
+1
95
11 Bibliografa
i = 43 = 41
...
42 = 42 =
....
..
.............
... ...... 2/4
...
..
..
..
..................................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
....
..
...
..
...
..
...
..
6
5
= 40 = 44
/4
i = 41 = 43
0 = 8 = 1
x
=e
i2
8
Figura 10.57: Raz cuarta primitiva de la unidad !4 D e i 2=4 y las otras tres; los
nmeros de Moivre para n D 8
Tambin que
1 C ! n C ! 2n C ! 3n C C ! n.n1/ D 1 C 1 C 1 C 1 C C 1 D n:
Adems, si k es un nmero entero,
n1
X
j D0
jk
n si k=n es entero,
0 en otro caso.
11 Bibliografa
B ERTSEKAS , D.P. 2003. Convex Analysis and Optimization. Athena Scientic.
B OYD , S. Y VANDENBERGHE , L. 2004. Convex Optimization. Cambridge University Press.
DE LA F UENTE , J.L. 1998. Tcnicas de clculo para sistemas de ecuaciones,
programacin lineal y programacin entera. Segunda edicin. Revert.
11 Bibliografa
97