Documente Academic
Documente Profesional
Documente Cultură
para el dominio de la
Ingeniera de los
Algoritmos Numricos
ISBN: 978-84-9160-826-4
www.editorialcirculorojo.com
info@editorialcirculorojo.com
Ninguna parte de esta obra puede ser reproducida por algn medio, sin el permiso expreso de
sus autores. Crculo Rojo no se hace responsable del contenido de la obra y/o las opiniones que el
autor manifieste en ella.
Dirjase a CEDRO (Centro Espaol de Derechos Reprogrficos) si necesita fotocopiar o escanear algn fragmento
de esta obra (www.conlicencia.com; 91 702 19 70 / 93 272 04 47).
El papel utilizado para imprimir este libro es 100% libre de cloro y, por tanto,
ecolgico.
A mi familia.
III
IV
ndice
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IX
1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 Espacios vectoriales con estructuras adicionales . . . . . . . . . 9
2.1.1 Espacios normados y espacios mtricos . . . . . . . . 9
2.1.2 Espacios con producto interior . . . . . . . . . . . . 21
2.1.3 Espacios de Hilbert . . . . . . . . . . . . . . . . . . 21
2.1.4 Espacios de Lebesgue y espacios de Sobolev . . . . . 25
3 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1 Normas de matrices . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Matrices interesantes . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Valores propios, valores singulares y formas cuadrticas . . . . 39
3.3.1 Valores propios . . . . . . . . . . . . . . . . . . . . 39
3.3.2 Valores singulares . . . . . . . . . . . . . . . . . . . 45
3.4 Formas cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Funciones, sucesiones y series de funciones . . . . . . . . . . . . . . 51
4.1 Derivada y diferenciabilidad . . . . . . . . . . . . . . . . . . . 53
4.1.1 Subgradiente y subdiferencial . . . . . . . . . . . . . 56
4.2 Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3 Sucesiones de funciones, series funcionales y de potencias. Con-
vergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.1 Convergencia puntual . . . . . . . . . . . . . . . . . 58
4.3.2 Convergencia uniforme . . . . . . . . . . . . . . . . 59
4.3.3 Series funcionales . . . . . . . . . . . . . . . . . . . 61
4.3.4 Series de potencias . . . . . . . . . . . . . . . . . . 61
4.4 Resultados importantes de anlisis funcional . . . . . . . . . . 62
5 Optimizacin y Programacin Matemtica . . . . . . . . . . . . . . 69
5.1 Condiciones necesarias y suficientes de existencia de un punto
mnimo de una funcin . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Conjuntos convexos y geometra de la convexidad . . . . . . . 70
5.2.1 Conos apropiados y desigualdades generalizadas . . . 80
5.2.2 Elementos mnimos y minimales. Cono dual . . . . . 80
5.2.3 Hiperplano separador. Lema de Farkas . . . . . . . . 84
5.3 Caracterizacin de las soluciones del problema de optimizacin
y condiciones que cumple un punto ptimo . . . . . . . . . . . 90
V
VI j ndice
Bibliografa 225
E STE libro tiene que ver con el anlisis numrico, la computacin cientfica e in-
genieril y los elementos de matemticas que yo entiendo son fundamentales para
entender una parte de sus porqus. Los componentes que se presentan se explican de
forma sucinta y directa con el objeto de poder poner en marcha, o analizar, herramien-
tas y mtodos numricos para modelizar y resolver problemas reales que surgen en las
ciencias y la ingeniera.
El contenido del libro complementa el programa de la asignatura Matemticas de
la EspecialidadIngeniera Elctrica, que desde hace varios aos dicto en la Escuela
Tcnica Superior de Ingenieros Industriales, de la Universidad Politcnica de Madrid,
en Espaa.
Todo el material bastante estndar que se expone en las pginas de este libro
es una sntesis muy densa de lo que este autor entiende puede ser una buena base para
consolidar (y consultar) unos fundamentos matemticos slidos de mucho de en lo que se
basan las tcnicas y algoritmos numricos que permiten, mediante el Clculo y Anlisis
Matemtico, y la Ingeniera de sus Mtodos Numricos, modelizar y simular la realidad
con la que ingenieros y cientficos se enfrentan a diario para poner sus conocimientos
al servicio de resolver los diversos problemas prcticos que acucian a la sociedad. La
experiencia del autor se refiere a este respecto a algo tan amplio como la ingeniera
de los sistemas econmico-elctricos, aunque es extensible a otros muchos campos del
conocimiento y la ciencia aplicada. Esos puntos de vista deben ser ampliados en muchas
direcciones si se quieren construir otros edificios de conocimiento matemtico aplicado
a otras reas del saber prctico.
Los aspectos ms generales cubiertos en este libro son el anlisis matemtico y fun-
cional bsico, el lgebra matricial, la optimizacin matemtica de problemas lineales
y no lineales, la convexidad y dualidad de estos, elementos de clculo integral bsico,
campos escalares y vectoriales, los nmeros complejos y el clculo estocstico y la si-
mulacin numrica. Con el fin de hacer mucho ms intuitiva la comprensin de cmo
funcionan las matemticas y los algoritmos detrs de muchos de los procedimientos y
mtodos que hoy en da estn presentes en los desarrollos del Big Data, la simulacin
y la optimizacin matemtica, y otras cada da ms extensas cuestiones de la econo-
ma digital con la que convivimos asiduamente, tambin se presentan el mtodo de los
elementos finitos para resolver ecuaciones en derivadas parciales, el anlisis de compo-
nentes principales, el anlisis y la transformada de Fourier, la transformada del coseno
para compresin de imgenes y vdeo y la transformada de Laplace.
Al final del libro se listan quinientas ochenta y una referencias de las que he sacado
casi todo el conocimiento que utilizo sobre la temtica objeto del libro. Deberan ser
muchas ms pues hay muchos pequeos detalles que expongo que apenas consult unos
IX
X j Prefacio
minutos en algn libro, artculo o en Internet para retener la idea, el resultado, o el efecto
de un figura para resaltarlo. No me qued con el nombre del autor, el departamento o
departamentos universitarios que lo utilizan, o la editorial que lo public. Si omito por
error la resea o el trabajo correspondiente, ruego su clemencia a esos mis inspiradores.
El resultado que es materialmente este libro no habra sido posible sin el concurso,
inconsciente o perfectamente consciente, de muchas personas individuales y colectivas.
Me gustara mencionar aqu las contribuciones concretas de autores a los que he se-
guido fundamentalmente como Stephen Boyd, colega de la Universidad de Stanford,
David Nualart, Ignacio Villanueva, Timothy Sauer, David Luenberger, Francisco Javier
Sayas, David Aledo y Manuel Contreras. Tambin a mis compaeros del Departamento
de Ingeniera Matemtica de la Universidad Politcnica de Madrid. Sobre su esfuerzo me
han permitido aupar mis humildes conocimientos a hombros de los de ellos. Me gustara
tambin agradecer sus materiales e inmateriales aportaciones a todos mis alumnos de la
Escuela Tcnica Superior de Ingenieros Industriales de Madrid, de los que he aprendido
muchsimas cosas en mi tarea como profesor en la cotidianidad de las clases en las que
trato de transmitirles lo que creo es bueno para su formacin, adems del conocimiento
prctico sobre el que baso mis aportaciones.
La elaboracin del libro ha sido posible gracias al editor WinEdt y al software para
preparacin de documentos cientficos y tcnicos denominado LATEX. Este sistema y la
multitud de programas y aplicaciones que lo soportan y potencian es una maravilla de la
expresin tcnica digital moderna de la tipografa de siempre. Tambin quiero mencio-
nar, y agradecer, lo til que me ha sido W IKIPEDIA como fuente de inspiracin, material,
verificacin y conocimiento.
1 | Conjuntos
Naturales
N
l 1: uno
Naturales primos
Enteros
Racionales z 0: Cero
Naturales Compuestos
Complejos
Reales Q Enteros negativos
e R
Fraccionarios
1 Fraccin propia
Fraccin impropia
Irracionales
1 Irracionales algebraicos
Trascendentes
Imaginarios
Como regla general, las funciones que tienen inters en ingeniera, y cualesquiera
aplicaciones de las matemticas, son funciones que tienen algn tipo de buen com-
portamiento que nos permite utilizarlas de forma habitual para modelizar y simular
fenmenos de la vida cotidiana.
La imagen de un elemento x 2 S con la aplicacin f W S ! T es el elemento
f .x/ 2 T . El conjunto imagen f .S / = ff .x/ 2 T; para todo x 2 S g. La imagen de un
subconjunto S 0 S con la aplicacin f sera, por consiguiente, el subconjunto imagen
f .S 0 /. El conjunto S se conoce como origen o dominio de definicin de la aplicacin, o
funcin, y el T como dominio de valores.
Una aplicacin f W S ! T se dice inyectiva si para cualquier par de elementos
x; y 2 S , x y, se cumple que f .x/ f .y/. Ejemplo, la aplicacin f W R ! R,
definida por f .x/ D x 2 , no es inyectiva, pues f .1/ D f . 1/ D 1.
Una aplicacin f W S ! T se dice suprayectiva sobreyectiva, epiyectiva, suryec-
tiva o exhaustiva si el conjunto imagen f .S / es igual a todo el conjunto T ; es decir,
para todo y 2 T existe un x 2 S tal que f .x/ D y.
Una aplicacin se dice biyectiva si es inyectiva y suprayectiva. Ejemplo, si Jn es el
conjunto de los nmeros enteros de 1 a n, Jn D f1; : : : ; ng, y se define una aplicacin
W Jn ! Jn que modifica el orden de disposicin de los elementos de Jn estas
aplicaciones se denominan permutaciones, tal aplicacin es biyectiva.
Un conjunto S se dice numerable si existe una biyeccin entre N y S : a cada unos de
los n elementos k, 1 k n, se le asocia un elemento ak 2 S , esto es: k 7! ak .
Una sucesin de elementos de un conjunto T es una aplicacin de N en T : a cada
elemento n 1 se le hace corresponder un x .n/ 2 T : n 7! x .n/ . Tal sucesin se desig-
na x1 ; x2 ; : : : xn ; : : :, o fx .1/ ; x .2/ ; : : : g. Tambin en algunos casos fx .n/ gn1 e incluso
fxn g1nD1 .
Si fxi g es una sucesin de nmeros reales y existe un nmero real S tal que 1: para
cada " > 0 existe un N tal que para todo n > N se tiene que xn < S C y 2: para
cada " > 0 y M > 0 existe un n > M tal que xn > S ", entonces S se denomina
lmite superior de la sucesin fxn g, escribindose S D lKm supn!1 xn . Si fxn g no est
acotada por arriba mayorada se escribe lKm sup xn D C1. El lmite inferior de la
sucesin fxn g es lKm inf xn D lKm sup. xn /. Si lKm sup xn D lKm inf xn D S , entonces
lKm xn D S.
Los conjuntos dotados de ciertas leyes de composicin o asociacin interna adicin,
multiplicacin, divisin o cualquier otra, se dice que poseen una estructura algebrai-
ca. Alguna estructuras algebraicas fundamentales son el grupo, el anillo (Z por ejemplo),
el cuerpo (R y C, por ejemplo), el espacio vectorial, el lgebra, etc.
4 j 1-Conjuntos
2-Espacios vectoriales j 5
2 | Espacios vectoriales
Definicin 2.1 Un espacio vectorial E es una estructura algebraica creada a partir de
un conjunto no vaco, una ley de composicin interna definida para los elementos del
conjunto, adicin, C, con las siguientes propiedades grupo conmutativo
y una ley de composicin externa, producto por un escalar, , definida entre dicho
conjunto y otro conjunto con estructura de cuerpo, K, con las siguientes propiedades,
1 x D x; 0x D
.x/ D ./x asociativa
. C /x D x C x distributiva
.x C y/ D x C y; distributiva
D ;
Dejamos aqu de momento los ejemplos pues otros que enunciaremos y utilizaremos
en el libro requieren la introduccin de otras estructuras adicionales en los espacios vec-
toriales como son una norma y el producto interior. Seguiremos enunciando ejemplos al
introducir estas estructuras.
Proposicin 2.1 En cualquier espacio vectorial se cumple que:
1. x C y D x C z implica que y D z.
2. x D y con 0 implica x D y.
3. x D x con x implica D .
4. . /x D x x.
5. .x y/ D x y.
6. D .
7. . /x D . x/ D .x/.
8x; y 2 M H) x C y 2 M;
8x 2 M y 8 2 K H) x 2 M:
La interseccin de una familia cualquiera de subespacios de E es un subespacio de
E.
Un conjunto de vectores x1 ; x2 ; : : : ; xk se dicen linealmente dependientes si existen
P
escalares i , no todos cero, tales que kiD1 i xi D 0 ; linealmente independientes, si
X
k
i xi D 0 H) i D 0; 0i k:
iD1
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
x1 1 0 0
6 x2 7 607 617 607
6 : 7 D x1 6 : 7 C x2 6 : 7 C C xn 6 : 7 :
4 :: 5 4 :: 5 4 :: 5 4 :: 5
xn 0 0 1
V
x0
M
where
2.1.1 Espacios normados y espacios
n mtricos
o
(x0 , y0 ) + U = (x0 + u1 , y0 + u2 ) | (u1 , u2 ) U .
La idea detrs de una norma es poder medir vectores y calcular distancias.
First, (x0 , y0 ) + U U , since ax0 + by0 = c and au1 + bu2 = 0 for all
10 j 2-Espacios vectoriales
v
uCv
Figura
Figura 2.2: Representacin grfica de la regla del 3.1: Representacin grfica de la regla
tringulo
Con la introduccin de normas adecuadas, casi todos los ejemplos de espacios vec-
toriales arriba indicados se pueden convertir en espacios vectoriales normados.
Ejemplo 2.7 El espacio vectorial C a; b de funciones continuas en el intervalo de la
recta real a; b junto con la norma kxk D mKaxatb jx.t /j es un espacio vectorial
normado.
Comprobemos si esta norma satisface las propiedades requeridas. Es obvio que kxk
0 y es cero slo si la funcin x.t / es igual a cero. La regla del tringulo se obtiene de la
expresin
mKax jx.t / C y.t /j mKax.jx.t /j C jy.t /j/ mKax jx.t /j C mKax jy.t /j:
Ejemplo 2.8 El espacio vectorial Da; b de todas las funciones continuas en el intervalo
a; b de la recta real, con derivadas continuas de primer orden, junto con la norma defi-
nida as, kxk D mKaxat b jx.t /j C mKaxatb jx.t
P /j, es un espacio vectorial normado.
Ejemplo 2.9 El espacio eucldeo n dimensional, denotado como Rn o E n , es el es-
pacio vectorial
p normado por excelencia con la norma eucldea dada por la expresin
kxk2 D jx1 j2 C C jxn j2 . Sus elementos lo constituyen sucesiones ordenadas de n
elementos cualesquiera de K, o n-uplas x D x1 ; : : : ; xn . Si los elementos son comple-
jos se tendra el espacio Cn .
En el espacio vectorial K n , para 1 p < 1, se tiene la familia de normas
p
p
kxkp D jx1 jp C C jxn jp
Esta norma tambin se conoce como norma infinito o norma del supremo.
Estas normas cumplen, cualquiera que sea x 2 K n , que
Si la bola
Sicerrada unidad
el conjunto fxen2 RR2 es
2
el conjunto
W kxk 1g es fx 2 Rcerrada
la bola
2
W kxkunidad su forma en
1g, en
espacios vectoriales normados por la 1, 2, 1 y p son las que representa la figura 2.3.
R , su forma para las normas vectoriales 1, 2, 1, y p son estas.
2
2
2
i
kxk
x11 D
= |xijx
| ij D1
i=1
iD1
q
q
kxk
x22 D |x11|j22+C|xjx
= jx 2 2
j DxT xx T x D 1
2 | 2=
D mK
kxk1 ax jx
i ij D 1
1i2 1i2
d e f g 9 4 6 5
h i j 10 8 7
2.1.1.2 Convergencia
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.
14 j 2-Espacios vectoriales
Definicin 2.19 Se dice que en un espacio vectorial normado una sucesin infinita de
vectores fxn g converge a un vector x si la sucesin fkx xn kg converge a cero. En
este caso se escribe xn ! x.
Todos los elementos del vector deben converger a cero, lo que hace difcil caracterizar
la convergencia en espacios que no sean Rn .
Proposicin 2.4 Si la sucesin infinita de vectores converge, el lmite es nico.
kx yk D kx xn C xn yk kx xn k C kxn yk ! 0:
dice que si S es un conjunto compacto, de cada sucesin o sucesin infinita fxn gn2N de
elementos de dicho conjunto es posible extraer una subsucesin fx` g`2L ; L N que
converge a un elemento del propio conjunto S .
2-Espacios vectoriales j 15
Si frk g es una sucesin de nmeros reales y sk D sup fri W i kg, entonces fsk g
converge a un nmero real s0 ; a este nmero se le denomina lmite superior de frk g y se
expresa como lKm sup .rk / o lKmk!1 .rk / . El lmite superior de una sucesin de nmeros
reales es el mayor punto de acumulacin de la sucesin. De forma similar se define el
lmite inferior.
Sea E un espacio vectorial normado; se dice que una sucesin fxn g en E converge a
un lmite v 2 E, si para todo " > 0, existe un N 2 N tal que a partir de l, n N , se
cumple que kxn vk < ".
Cuando una sucesin fxn g admite un vector lmite v slo tiene ese vector como
lmite (si existe lmite es nico.) Se escribe lKmn!1 fxn g D v, lo que es equivalente a
lKmn!1 kxn vk D 0. En particular, xn ! 0 si y slo si kxn k ! 0.
Definicin 2.21 Una sucesin fxn g en un espacio vectorial normado por k k se
denomina sucesin de Cauchy, por Augustin Louis Cauchy, Francia 1789-1857, si
kxn xm k ! 0 al tender n; m ! 1. En otras palabras, si para todo " > 0 existe
un N 2 N tal que cualesquiera que sean n; m N , se cumple que kxn xm k < ".
Toda sucesin convergente es una sucesin de Cauchy pero pueden existir espacios
normados con sucesiones de Cauchy que no son convergentes.
y
`1 .N/ D x D fxn g1
nD1 2 C tal que x est acotada :
N
Definicin 2.23 El conjunto L1 a; b, de todas las funciones del cuerpo de los nmeros
reales cuyo valor absoluto es integrable en el intervalo a; b, es un espacio vectorial
funcional. Tambin lo es L2 a; b, el conjunto de todas las funciones reales al cuadrado
integrables en a; b. Es de destacar que en ambos casos estas funciones no tienen por
que ser continuas en ese intervalo.
2-Espacios vectoriales j 17
X
1
jxn jp < 1:
nD1
Es decir ( )
X
1
p
` .N/ D x D fxn g1
nD1 2 C tal que
N p
jxn j < 1 :
nD1
El espacio `1 es `1 .N/ D x D fxn g1
nD1 2 C tal que x est acotada .
N
!1=p
X
1
p
kxkp D jxi j :
i D1
Figura 2.4: Grfica de sucesin de Cauchy que no converge a una funcin continua
Ejemplo 2.11 Tambin es fcil ver que en C 0; 1 la sucesin de funciones cuyas grfi-
cas son las de la figura 2.5 es una sucesin de Cauchy para cualquier norma k kp , pero
no tiene lmite en C 0; 1.
Ejemplo 2.12 El espacio normado C 0; 1 es un espacio de Banach. Para probar que
es completo tendramos que probar que toda sucesin de Cauchy en l tiene lmite.
20 j 2-Espacios vectoriales
1
fn .x/ n
= =
0 1 x
= =
1
n
Figura 2.5
Definicin 2.30 Sea E un espacio vectorial sobre un cuerpo K (R o C); una forma
sesquilineal vez y media lineal sobre E es una aplicacin hji W E E ! K que
verifica (la barra designa complejo conjugado):
de manera que kf .x/k D kxk. Por este motivo a los operadores unitarios tambin se les
denomina operadores isomtricos.
Definicin 2.31 Un espacio de Hilbert es un espacio
p prehilbertiano completo respecto
de la norma asociada al producto escalar kk 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.
El espacio eucldeo n-dimensional, expresado Rn o En , es un espacio de Hilbert de
dimensin finita. Visto as, un espacio de Hilbert sera la generalizacin de un espacio
eucldeo, incluida la dimensin infinita. 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
2-Espacios vectoriales j 23
v D c; d T , su producto escalar viene dado por hu; vi D ac Cbd . que se puede verificar
que es una forma bilineal.
Dos vectores cuyo producto escalar es cero se denominan ortogonales; si sus kk2 son
la unidad se denominan ortonormales. Para dos vectores ortogonales se tiene la identidad
donde
xT y
D
kxkkyk
cumple que 1 1, para cualesquiera x e y.
Dos vectores son ortogonales si x T y D 0 ( D =2; D 0); alineados, si x T y D
kxkkyk ( D 0; D 1); opuestos, si x T y D kxkkyk ( D ; D 1). Forman
un ngulo agudo si x T y > 0 ( < =2; > 0) y un ngulo obtuso si x T y < 0
( > =2; < 0).
Una familia cualquiera de vectores distintos del nulo y ortogonales dos a dos es una
familia libre. Si M es un subespacio de un espacio prehilbertiano E de dimensin finita,
el subespacio ortogonal de M , M ? , es el subespacio formado por todos los vectores
ortogonales a los de M , siendo un subespacio suplementario de M ; es decir M M ? D
E. Cualquier x 2 E, por consiguiente, se puede expresar como x D a C b, con a 2 M
y b 2 M ?.
Como km .i/
! cuando i ! 1, km
xk22 2
! 0 cuando i; j ! 1. Es
.j /
m.i / k22
decir, fm.i/ 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 !
.
El teorema de la proyeccin pone en evidencia que la solucin del problema
minimizar kt x yk
t
0
9 Figura
Conjuntos convexos
2.6: Solucin de minimizar t kt x yk
8 Conjuntos convexos
Un conjunto Un
C conjunto Rn sesi dice
C convexo
Rn se dice convexo
y slo si para si y slo
todo par desi puntos
para todo
x ; xpar2de
C puntos
todas lax
2.1.4 Espacios
Vectors decombinaciones
combinacionesLebesgue y x
de la forma x de
D espacios
la 1forma Ddex
C .1 x /x Sobolev
1 C0.1
2 , con
/x
, conen
1,2estn 0
1 2
1-20estn
C .Esdecir,
1, en C
cuando .
para
cada par
cada par de puntos del de puntosconvexo,
conjunto del conjunto convexo,
todos los todos
puntos de los puntos
la recta de laestn
que los une recta
enque los une
el conjunto
Los espacios de Lebesgue y Sobolev son dos casos importantes de espacios vectoriales
de Hilbert.
Una funcin f W R ! R tiene como derivada la funcin
df .x/ f .x C h/ f .x/
f 0 .x/ D D lKm ;
dx h!0 h
supuesto ese lmite existe. Una funcin
Conjunto f que es derivable en
convexo un punto
Conjunto x D a es continua
no convexo
en a. La derivada es una medida de la rapidez, o tasa (gradiente),
La expresin x D x1 C .1 /x2 , 0 1, define la combinacin con la que cambia
convexa de xel
1 y x2 . S
valor de dicha
0 < funcin segn
< 1, es decir cambie
2 .0; 1/, el
la valor de
combinacin su sevariable
denomina independiente.
estrictamente
La expresin x D x1 C .1 /x2 , 0 1, define la combinacin coconvexa.
Por otro El
lado, si f
concepto
0< C<! seconvexa
1, esC,decir
deW combinacin definesela1/,
2 .0; integral
puede definida
generalizar
la combinacin sede estanmero
a cualquier
denomina funcin
finitoendeelpuntos
estrictamente convede
la siguiente
intervalo a; b, manera:
l b X p
25
xD i xi ;
I.f / D f .x/ dx;
i D1
donde a
X
p
como el lmite de las sumas de Riemann i Dpor
1; iGeorg
0; iFriedrich Bernhard Riemann,
D 1; : : : ; p:
Alemania 1826-1866 i D1
23
P
Rn D niD1 .xi C1 xi /f .ti /; x1 D a; xnC1 D b; xi ti xiC1 ; cuando la particin
en subintervalos se hace muy fina.
La integracin, proceso inverso a la derivacin, se basa en la idea de sumar todas las
partes constituyentes de un todo.
Definicin 2.32 Un espacio de Lebesgue, por Henr Lon Lebesgue, Francia 1875-
1941, es el espacio vectorial de las funciones al cuadrado integrables en Rn , es
26 j 2-Espacios vectoriales
decir, Z
L2 ./ D f W ! R jf j2 < 1 :
El requerir que las funciones sean integrables no supone ninguna limitacin importante
en la prctica ingenieril o cientfica pues como hemos aprendido durante mucho tiempo
toda funcin continua a trozos, es decir con a lo sumo una cantidad finita o nume-
rable de discontinuidades, es integrable. El 99,99 % de las funciones que se utilizan en
ingeniera, economa y ciencias sociales en general son integrables.
2-Espacios vectoriales j 27
R
El espacio vectorial L2 ./ dotado del producto interior hf; gi D f .x/g.x/dx es
un espacio de Hilbert.
En el espacio C 0; 1 de funciones continuas del intervalo 0; 1 en C, son normas las
dadas por
"Z #1=p
1
p
kf kp D jf .t /j dt :
0
Z 1 1=p
p
jx.t /j dt <1
0
son tambin espacios normados. Casos particulares son L1 .a; b/ de funciones cuyo
valor absoluto es integrable en a; b y L2 .a; b/ de funciones al cuadrado integrables
en a; b.
En particular, el conjunto de todas las funciones tales que
Z
f 2 .x/ dx < 1
Definicin 2.33 Un espacio de Sobolev por Sergi Lvvich Sobolv, Rusia 1908-
1989 es un 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
W 1;2 ./ D u 2 L2 ./ ; 2 L2 ./ :
@x1 @x2
El nmero 1 se refiere al orden de las derivadas parciales y el 2 que las mismas deben
pertenecer a L2 ./.
Las funciones que pertenecen a W 1;2 ./ no tienen que ser derivables en todos los
puntos; es suficiente que sean continuas con derivadas parciales continuas por tramos en
el dominio de definicin y que satisfagan las condiciones apuntadas. Esto se explicita
en que las derivadas de este espacio se entienden en un sentido dbil que hagan que el
espacio sea completo si toda sucesin de Cauchy en l tiene lmite y por lo tanto
sea un espacio de Banach. En sentido dbil no es sino una generalizacin del concepto
de derivada a funciones no necesariamente derivables pero si integrables localmente en
el sentido de Lebesgue en un dominio dado de Lp ./.
La norma correspondiente de este espacio completo es
Z Z 1=2 Z Z Z !1=2
@u 2 @u 2
kukW 1;2 ./D 2
jruj C juj2
D C C juj 2
;
@x1 @x2
denominada en ingeniera norma de energa. Las funciones que usan esta forma fini-
ta son funciones de energa finita. Intuitivamente, un espacio de Sobolev es un espacio
de funciones con derivadas de orden suficiente para un dominio de aplicacin determi-
nado y equipado con una norma que mida adecuadamente tamao y regularidad en las
funciones.
El producto escalar (producto interior) en un espacio de Sobolev W 1;2 ./ es
Z Z
u v D hujvi D uv dx C ru rv dx:
3-Matrices j 29
3 | Matrices
Definicin 3.1 Una matriz es una formacin rectangular de numeros reales o comple-
jos ordenados en m filas y n columnas
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 : : : :: 7 :
4 :: ::
: : : 5
am1 am2 amn
contribuy de forma decisiva a que A D .aij / se concibiese como una cantidad alge-
braica nica.
Si en lgebra lineal E y F son dos espacios vectoriales de dimensiones finitas n y
m sobre el mismo cuerpo K. Una aplicacin lineal g W E ! F , g 2 L.E; F /, est
30 j 3-Matrices
X
m
g.ej / D aij fi ; 1 j n:
i D1
X
n
yD xi a i ;
i D1
Dicho de otra forma, la imagen de una matriz es el subespacio generado por los vec-
tores columna de la matriz; los vectores fila 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 :
,QQHU3URGXFW /HQJWK DQG2UWKRJRQDOLW\
De acuerdo con esto, si A 2 Rmn , se cumple que
ker .A/
7KHQH[WWKHRUHPDQG([HUFLVH Im A T D Rn :
YHULI\WKHFODLPVPDGHLQ6HFWLRQ FRQFHUQLQJ
WKHVXEVSDFHVVKRZQLQ)LJ $OVRVHH([HUFLVH LQ6HFWLRQ
En la figura 3.1 se muestran estos subespacios.
0 K e T 0
r A r A
K e
T I m
A
I m A
dim.ker.A// C rango.A/ D n ;
1) kAk D 0 H) A D 0:
2) kAk D jj kAk:
3) kA C Bk kAk C kBk:
4) kABk kAk kBk:
Existen normas sobre el espacio Rmn que no son normas matriciales pues no cum-
plen la propiedad 4). As, si se define
P
donde la traza de una matriz A de orden n es niD1 ai i . La norma de Frobenius cumple
que
kABkF kAkF kBkF :
para A mn y B mn , que configura al espacio de las matrices m n como un espacio
prehilbertiano. El producto escalar en el espacio Sn de las matrices simtricas n n est
dado por
X
n X
n X
n X
hX jY i D traza.X Y / D xij yij D ai i bi i C 2 aij bij :
i D1 j D1 i D1 i <j
Definicin 3.7 Una norma matricial kk sobre Rmn se dice consistente o compatible
con una norma vectorial k k0 sobre Rn cuando para cada matriz A y cada vector x se
cumple que
kAxk0 kAk kxk0 :
Ejemplo 3.1 El efecto que produce aplicar la transformacin lineal basada en la matriz
12
AD
02
[2, 2]T
[0, 1]T
A1 = 4
[1, 0]T
norma
norma11
[1, 0]T
A2 2,9208
norma
norma22
A = 3
norma
norma1
d e f g 9 4 6 5
p p
h i j 10 8 7
denominada norma A o norma de energa pues suele corresponder con la energa fsica
de ciertos sistemas del vector x, para una matriz A simtrica y definida positiva. Al
resultado de hxjyiA D hAxjyi se le denomina producto interior de A o producto
escalar de energa. La matriz A 1=2 es la nica matriz definida positiva solucin de la
ecuacin matricial X 2 D X X D A.
La extensin de las matrices ortogonales al campo complejo son las matrices unita-
rias.
Definicin 3.10 Una matriz U 2 Cnn , cuya inversa es su compleja conjugada,
U H U D U U H D I, es una matriz unitaria
Todos los valores propios de las matrices unitarias tienen mdulo unidad. Como las
ortogonales, una matriz unitaria no modifica ni los ngulos ni las normas, .U x/H .U y/ D
x H U H U y D x H y. Si y D x, jjU xjj2 D jjxjj2 .
Definicin 3.11 Una matriz de permutacin es una matriz cuadrada cuyas columnas
estn formadas por las de la matriz unidad permutadas. Una matriz de permutacin es
una matriz ortogonal.
Definicin 3.12 Una matriz se dice simtrica si se verifica que A D A T . Para una
matriz cualquiera A 2 Rmn , la matriz A T A es simtrica. Si A 2 Cnn es igual a su
traspuesta conjugada, A D B D A H , bij D aNj i , se dice hermtica. El conjunto de las
matrices simtricas n n se designa mediante Sn .
Definicin 3.14 Se dice que una matriz A 2 Cnn de coeficientes aij es de diagonal
dominante por filas cuando cumple que
X
n
jai i j jaij j; i D 1; : : : ; n:
j D1;j i
X
n
jai i j jaj i j; i D 1; : : : ; n:
j D1;j i
Lema 3.1 Para que una matriz simtrica sea definida positiva es necesario que todos
los coeficientes de la diagonal principal sean positivos.
Lema 3.2 Para que una matriz simtrica A sea definida positiva es necesario que el
coeficiente de mayor valor absoluto est en la diagonal principal. Ms concretamente,
mKaxi j jaij j < mKaxk akk :
Lema 3.3 Si en cada fila de una matriz simtrica A el coeficiente de la diagonal prin-
cipal es mayor que la suma de los valores absolutos de todos los dems coeficientes de
la fila, es decir, si
X n
akk > jakj j k D 1; : : : ; n;
j D1
j k
A es definida positiva.
Es importante destacar que este hltimoicriterio define una condicin suficiente, no
322
necesaria. En efecto, la matriz Q D 2 3 2 es definida positiva pues
223
cualquiera que sea x 0, es siempre positiva. Esa matriz, sin embargo, no satisface el
lema 3.2.
38 j 3-Matrices
Definicin 3.15 Una matriz de Vandermonde es una matriz que presenta una progre-
sin geomtrica en cada fila; como esta:
2 3
1 1 12 : : : 1n 1
6 1 2 22 : : : 2n 1 7
6 7
6 2 n 17
V D 6 1 3 3 : : : 3 7 :
6: : : : : 7
4 :: :: :: : : :: 5
1 n n2 : : : nn 1
1 1 n 1 g1 n 2 gn 1
A D A A I:
gn gn gn
A partir del teorema de Cayley-Hamilton tambin es fcil comprobar que existe un po-
linomio
p de grado mximo n 1 tal que A 1 D p.A/. Como ejemplo, la matriz
1 2 tiene como polinomio caracterstico x 2
34 5x 2. El teorema de Cayley-Hamilton
dice que A 2 5A 2I D 0, lo cual se puede comprobar inmediatamente. La inver-
sa de A se puede obtener de esta ecuacin a partir de A .A 5I/ D 2I. En efecto,
A 1 D 12 .A 5I/.
Igual que cualquier matriz tiene asociado un polinomio caracterstico, cualquier po-
linomio tiene asociado una matriz compaera.
Un polinomio a0 C a1 x C a2 x 2 C : : : C an x n se dice que es mnico si an D 1.
La matriz compaera de un polinomio mnico p.t / D c0 C c1 t C C cn 1 t n 1 C t n
es 2 3
0 0 ::: 0 c0
61 0 : : : 0 c1 7
C .p/ D 6 40:: 1:: :: :: : 0:: c2:7
: : : : ::5
0 0 : : : 1 cn 1
Los valores propios de esta matriz C .p/ son las races del polinomio p.t /. El polinomio
mnimo q.t / de una matriz A es el polinomio mnico nico de grado mnimo tal que
q.A/ D 0.
Una matriz real de orden n no tiene necesariamente valores propios reales pero, como
consecuencia del teorema fundamental del lgebra, cualquier matriz compleja tiene al
menos un valor propio complejo. Su nmero mximo de valores propios es n.
Proposicin 3.4 Al aplicrsele a cualquier vector la transformacin que representa A
ese vector tiende a orientarse en la direccin del vector propio dominante de A. Si
aquel vector est en la direccin de alguno de los vectores propios de A, se expande o
contrae por un factor que determina el correspondiente valor propio.
La matriz A D 21 12 tiene como valores propios 3 y 1. Los vectores propios asocia-
dos son 1 1T y 1 1T . El efecto de aplicarla sobre distintos vectores se puede ver en
la figura 3.3: en magenta y azul (en grises con mayor o menor intensidad) los vectores
propios; otros en rojo que si se orientan.
Siendo un valor propio de una matriz A, el conjunto de soluciones del sistema de
ecuaciones
.I A/x D 0
es un subespacio de K n que se denomina subespacio propio asociado al valor propio ,
designndose con E . Si n es la multiplicidad de como raz de la ecuacin caracte-
rstica de A, se cumple que
dim.E / n :
La interseccin de subespacios propios correspondientes a valores propios distintos se
reduce al subespacio nulo; esto es H) E \ E D ;.
42 j 3-Matrices 5
Geometric interpretation of Eigenvectors
AU D U T o U H AU D T :
Teorema 3.6 Para cualquier matriz hermtica A 2 Cnn existe una matriz unitaria U
tal que
U H AU D D;
donde D es una matriz diagonal.
1. Los valores propios de A son nmeros reales.
2. Se pueden obtener vectores propios de A que sean ortonormales.
En este caso se dice que la matriz A es semejante a una matriz diagonal: la matriz A
3-Matrices j 43
Teorema 3.8 Descomposicin de Jordan. Para una matriz A 2 Cnn existe una matriz
regular X 2 Cnn tal que X 1 AX D diag.J 1 ; : : : ; J k / donde
2 3
i 1
6 i 1 0 7
Ji D 6
4 7 2 Cni ni
5
0 1
i
Una matriz simtrica definida positiva tiene todos sus valores propios reales y po-
sitivos; si es semidefinida, alguno es cero. Si la matriz es negativa definida, todos sus
valores propios son negativos.
Si A es hermtica, el producto x H Ax es un nmero real. Los valores propios de
una matriz hermtica, en consecuencia, son nmeros reales. En una matriz hermtica los
vectores propios correspondientes a dos valores propios distintos son ortogonales entre
s.
Un resultado importante para averiguar el orden de magnitud de los valores propios
de una matriz es el que sigue.
44 j 3-Matrices
Teorema 3.9 De Gersgorin. Los valores propios de una matriz A 2 Cnn se encuen-
tran en la unin de los n discos de Gershgorin, cada uno de los cuales est centrado en
akk , k D 1; : : : ; n, y tiene de radio
X
n
rk D jakj j:
j D1
j k
X
n
. akk /xk D akj xj ; k D 1; : : : ; n;
j D1
j k
Teorema 3.10 Sea A una matriz simtrica n n. Las siguientes propiedades de A son
equivalentes.
A 0: A 0:
.A/ 0. .A/ > 0.
A D D T D para alguna D rectan- A D D T D para alguna D rectangular de
gular. rango n.
A D T para alguna nn trian- A D T para alguna nn triangular su-
gular superior. perior no degenerada.
A D B 2 para alguna B simtrica. A D B 2 para alguna B simtrica no dege-
nerada.
A D B para alguna B 0.
2
A D B 2 para alguna B 0.
3-Matrices j 45
Definicin 3.23 Los valores singulares de A son las longitudes de los semiejes del
hiperelipsoide E definido, a partir de la esfera unidad y el operador A, por
E D fy W y D Ax; kxk2 D 1g :
En la figura 3.4 se describe grficamente el caso en que m D n D 2.
2 1
x Ax
Ax
Figura 3.4: Representacin en dos dimensiones de una transformacin lineal de la esfera
unidad
A D U V T ;
h i
donde D r 0 , 2 Rmn y r D diag.1 ; 2 ; : : : ; r /, con 1 2
0 0
r > 0. Si las matrices U y V se escriben como U D u1 ; : : : ; um y V D v1 ; : : : ; vn ,
los ui y vi son los vectores singulares izquierdos y derechos, respectivamente, corres-
pondientes a los valores singulares i , i D 1; : : : ; r.
V D x V 1 2 Rnn y U D y U 1 2 Rmm
(siempre es posible ampliar un conjunto de vectores ortogonales hasta formar una base
ortonormal de Rn ). Como U T1 Ax D U T1 y D 0, la matriz U T AV tiene la siguiente
estructura: T
y wT
A1 D U T AV D A x V 1 D ;
U T1 0 B
donde
h B Di
U T1 AV 1 2 R.m 1/.n 1/
y wT D y T AV 1 . Dado que kA1 w
k2 D
2 CwT w
Bw
2 C wT w, como
2
q
2
kA1 w k2 kA1 k2 k w k2 D kA1 k2 2 C wT w ;
12.4.3 Compression A D V U T ;
donde
Property 4 can also be used to compress the information in a matrix. Note that each term in
D
the rank-one expansion diag.1 41 ;is: :specied
of Property : ; r 1 ; 0;
by:using
: : ; 0/two Rnm :ui , vi and one more
2 vectors
number si . If A is an n n matrix, we can attempt lossy compression of A by throwing
1
Si away
A 2the termses
Rmn de rango
at the completo
end of the y m > 4,n,theAones
sum in Property
DwithA Tsmaller
A sA T
; si term
i . Each m <in n,
the expansion
requires
1 2n + 1 numbers to store or transmit.
A D A AA T T
.
For example, if n = 8, the matrix is specied by 64 numbers, but we could transmit
or store the rst term in the expansion
Para cualquier matriz A 2 Rmn , by la using
matrizonly A+
A 2n es1la=matriz
17 numbers. If most of the
n n de proyeccin
information is captured by the rst termfor example, if the rst singular value is much
ortogonal sobre el subespacio de los vectores fila de A, AA la m m de proyeccin
larger than the restthere may be a 75 percent savings in space by working this way.
ortogonal sobre la imagen de la matriz A (subespacio de sus vectores
As an example, return to the 8 8 pixel block shown in Figure 11.6. After columna) y .I
subtracting
128 la
A A/ to de proyeccin
center ortogonal
the pixel values sobre
around 0, theelmatrix
ncleois de A,inker.A/.
given equation (11.16). The singular
values of this 8 8 matrix are as follows:
387.78
216.74
83.77
62.69
34.75
21.47
48 j 3-Matrices
q.x/ D x T Qx ;
X
p X
pCq
q.x/ D yi2 yi2 :
iD1 i DpC1
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 particu-
lar, la forma cuadrtica asociada a Q es definida 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
Se pueden dar otros casos: 3-Matrices j 49
The Quadratic Form 5
(a) (b)
x2
x1
Q.x/
(c) (d)
; atWhy 1 y1W
2
this
C 8 1 C
d e fdo symmetric
g positive-definite
9 4 6 matrices
5 have nice property? Consider the relationship between
2
n yEquation
j arbitrary point i 10
n
h i some and at8 ther.x/
7 D
solution point . From ; 3 one can show (Appendix C1)
that if is symmetric (be it positive-definite or not), y12 C C yn2
Why go to the trouble of converting the linear system into a tougher-looking problem? The methods
under study Steepest Descent and CG were developed and are intuitively understood in terms of
minimization problems like Figure 2, not in terms of intersecting hyperplanes such as Figure 1.
50 j 3-Matrices
4-Funciones, sucesiones y series de funciones j 51
R
A function f is called strictly convex if
ECORDEMOS que una funcin es un caso particular de aplicacin entre espacios
vectoriales o conjuntos f (x donde )xconjuntos
+ (1 los ) < f (x) +origen
(1 )f (x )
e imagen son conjuntos
(5.5) de
nmeros.whenever x = x .
El grfico de una funcin f W Rn ! R se define como el conjunto f.x; f .x// W
x dom.fIn /g,fact,
donde thedom.f
above /denition
es una can be
forma extended
abreviada deto show that
referirse al elifconjunto
f is a convex
de puntos
function and i 0 with i = 1 then
dominio de definicin de la funcini f . Es un subconjunto de R nC1
. El epigrafo de la
funcin es el conjunto epi.f / D f.x; t / W x 2 dom.f /; f .x/ tg. Tambin es un
0
0
0 0 0 0
0 0
Figura 4.1:
Fig. Grfico
5.2. de una
A convex funcin
function (convexa)
(left) satisesy(5.4);
su epigrafo. Otraregion
the shaded funcin sinusoidal
denotes (no
its epi-
graph.
convexa) y suAepigrafo
nonconvex function (right) does not satisfy (5.4).
df .x/ f .x C h/ f .x/
f 0 .x/ D D lKm ;
dx h!0 h
si ese lmite existe. Una funcin f que es derivable en un punto x D a es continua en
a.
La derivada es una medida de la rapidez, o tasa (gradiente), con la que cambia el
valor de dicha funcin segn cambie el valor de su variable independiente. Representa,
desde el punto de vista geomtrico, la pendiente de la recta tangente a la funcin en el
punto x D a.
En el caso de funciones escalares de varias variables, f W Rn ! R, o funciones
vectoriales, f W Rn ! Rm , definidas en un entorno de x, se introduce el concepto de
diferenciabilidad.
Una funcin de varias variables en general, f , es diferenciable en un entorno de un
punto x si existen todas las derivadas parciales de la funcin, la aplicacin Df .x/ y
adems se verifica que
kf .x C h/ f .x/ Df .x/hk
lKm D D 0:
h!0 khk
T
@f .x/ @f .x/ @f .x/
rf .x/ D ; ;:::; :
@x1 @x2 @xn
y da lugar a la derivada de Frchet. Existe otro que conocemos como derivada direc-
cional, o derivada de Gteaux por Ren Eugne Gteaux, Francia 1889-1914
(muerto en la primera gueera mundial muy joven), que dice que la funcin f es diferen-
ciable Gteaux a lo largo de cualquier vector h de Rn si existe la funcin
f .x C th/ f .x/
g.h/ D lKm :
t!0 t
Si una funcin es Frchet diferenciable en x es tambin Gteaux diferenciable en ese
punto. Lo contrario no siempre es as. Esto es anlogo al hecho de que la existencia de
derivadas en todas las direcciones en un punto no garantiza la total diferenciabilidad (e
incluso la continuidad) en ese punto.
Ejemplo 4.1 La funcin f W R2 ! R definida por
(
x3
2 Cy 2 si .x; y/ .0; 0/
f .x; y/ D x
0 si .x; y/ D .0; 0/
cuya grfica es la de la figura 4.2, es continua y diferenciable Gteaux en el punto .0; 0/,
con derivada ( 3
a
si .a; b/ .0; 0/
g.a; b/ D a2 Cb 2
0 si .a; b/ D .0; 0:/
La funcin g no es un operador lineal y no es diferenciable en el sentido de Frchet.
cuya grfica es la de la figura 4.3, es diferenciable Gteaux en el punto .0; 0/, con deri-
vada g.a; b/ D 0 en todas las direcciones. Sin embargo f no es continua en .0; 0/, lo
que se puede ver acercndose al origen de coordenadas a lo largo de la curva y D x 3 ,
por lo que f no puede ser diferenciable Frchet en el origen.
como la matriz n n
2 3
@2 f .x/ @2 f .x/ @2 f .x/
6 @ 2 x1 @x1 @x2 @x1 @xn 7
6 7
6 @2 f .x/ @2 f .x/ @2 f .x/ 7
6 7
6 7
r 2 f .x/ D 6 @x2 @x1 @ 2 x2 @x2 @xn 7 :
6 7
6 :: :: :: :: 7
6 : : : : 7
4 @2 f .x/ 2
@ f .x/ @ f .x/ 5
2
@xn @x1 @xn @x2 @2 xn
A esta matriz tambin se la puede ver designada como F .x/.
Definicin 4.5 Una funcin f W Rn ! Rm es afn si es la suma de una funcin lineal
y una constante; es decir, tiene la forma f .x/ D Ax Cb, donde A 2 Rmn y b 2 Rm .
f (x )
f (x 1) + g 1T (x x 1)
f (x 2) + g 2T (x x 2)
f (x 2) + g 3T (x x 2)
x1 x2
gFigura 4.4:subgradients
2 , g3 are f .x/ es diferenciable
at x2;eng1x1is. Su derivada, g1 , esatel x
a subgradient nico
1 subgradiente. En x2
la funcin no es diferenciable pero tiene mltiples subgradientes, adems de g2 y g3
Prof. S. Boyd, EE364b, Stanford University 2
Geomtricamente, g es un subgradiente de f en x si el vector g; 1T soporta lo
que se denomina el epigrafo de la funcin f (conjunto de puntos situados en o por
encima de la funcin), epi.f /, en el punto .x; f .x//. Ver figura 4.5
derivative of f at x1 ) is the unique subgradient at x1 . At the point x2 , f is not
differentiable. At this point, f has many subgradients: two subgradients, g2 and g3 ,
T
f (x1 ) + gare x1 )
1 (zshown.
4-Funciones, sucesiones y series de funciones j 57
f (x2 ) + g2T (z x2 )
f (x2 ) + g3T (z x2 )
epi( f )
x1 x2
(g, 1)
Figure 1: At x1 , the convex n function f is differentiable, and g1 (which is the
Figure 2: A vector g R is a subgradient of f at x if and only if (g, 1) defines
Figura 4.5:
derivative ofUn
f vector
a supporting Rntoes
x1 )gis2 the
athyperplane unf subgradiente
unique
epi f (x)). de fat
subgradient
at (x, enxx1 .si At
y slo
thesi point
el vector
x2g; 1Tnot
, f is
define un hiperplano
differentiable. At thissoporte,
point,ofdehas apoyo,
many delsubgradients:
epi.f / en x; ftwo T
.x/subgradients, g2 and g3 ,
are shown.
f (z) = |z| f (x)
Definicin 4.7 Una funcin se denomina subdiferenciable en un punto x si existe al
menos un subgradiente de la funcin en ese punto. El1conjunto de todos los subgra-
dientes de f en el punto x se denomina subdiferencial de f en x y se designa por
f .x/. x
z epi f
La idea del subdiferencial generaliza la diferenciabilidad. 1 La funcin f es diferen-
ciable en un punto x si y slo si f .x/ D frf .x/g. La importancia de los subgradientes,
sobre todo en optimizacin,
Figure 3: The absoluteradica
valueen que el(left),
function mnimo
and de
its una funcin ffen
subdifferential (x) un
as punto
a x se
function of x (right).
da cuando 0 2 f .x/.
(g, 1)
Ejemplo 4.3 La funcin valor absoluto, f .x/ D jxj. Para x < 0 el subgradiente es
nico: f .x/ D 1. Para x > 0, igualmente,2 elofsubgradiente es nico: f .x/ D 1. En
Figure 2: A vector g Rn is a subgradient f at x if and only if (g, 1) defines
0 el subdiferencial
x aDsupporting est definido por la
hyperplane to epi f at (x, f (x)).
desigualdad jzj gz, para todo z, lo que se
satisface siempre y cuando g 2 1; 1. Es decir f .0/ D 1; 1. Ver figura 4.6.
f (x) = |x| f (x )
x
x
1
Figura 4.6:
Figure La funcin
3: The valorvalue
absolute absoluto y su subdiferencial
function (left), and its en funcin def
subdifferential
f .x/ Ejem-
x.(x) as a
plo 4.1.1of x (right).
function
2
58 j 4-Funciones, sucesiones y series de funciones
4.2 Integral
Definicin 4.8 Si f W C ! C, se define la integral definida de esta funcin en el
intervalo a; b,
l b
I.f / D f .x/ dx;
a
P
como el lmite de las sumas de Riemann Rn D niD1 .xi C1 xi /f .ti /; x1 D a; xnC1 D
b; xi ti xiC1 ; cuando la particin en subintervalos se hace muy fina.
La integracin, proceso inverso a la derivacin, se basa en la idea de sumar todas las
partes constituyentes de un todo.
Teorema 4.2 Teorema fundamental del clculo. Supongamos f W R ! R una funcin
continua en el intervalo
Rx a; b.
1. Si g.x/ D a f .t / dt entonces g 0 .x/ D f .x/.
Rb
2. a f .x/ dx D F .b/ F .a/, donde F es la funcin primitiva de f , es decir,
F0 D f .
Ese lmite es un nmero, como el de una sucesin numrica. Todas las funciones de
la sucesin deben estar definidas en el mismo intervalo, as como la funcin lmite. El
lmite de una sucesin de funciones continuas no tiene por qu ser una funcin continua.
Lo mismo ocurre con la derivabilidad y la integrabilidad, que no se mantienen.
4-Funciones, sucesiones y series de funciones j 59
lKm jan aj D 0:
n!1
o, de forma equivalente, si
Demostracin. Sea x0 2 I . Puesto que sabemos por hiptesis que lKmn!1 supx2I f
jfn .x/ f .x/jg D 0; y adems
se sigue que lKmn!1 jfn .x0 / f .x0 /j D 0, lo que implica que lKmn!1 fn .x0 / D
f .x0 /.
La implicacin recproca no es cierta. Una sucesin puede converger puntualmente y
no hacerlo uniformemente.
60 j 4-Funciones, sucesiones y series de funciones
Aunque pueda parecer lo contrario, las relaciones de esta convergencia con las otras
que hemos formulado anteriormente no son sencillas.
Proposicin 4.6 Si I es un intervalo acotado, para toda f W I ! R la norma 2 de f
en I es menor o igual que una constante por la norma del supremo de f en I .
X
1
fn .x/ D f .x/:
nD1
Si adems
P la sucesin fSm g converge uniformemente a f , entonces decimos que la
serie 1 nD1 fn converge uniformemente a f W I ! R.
P
Si n fn converge uniformemente a f en un intervalo a; b y las funciones fn son
continuas (integrables) en ese intervalo, por lo enunciado antes f es continua (integra-
ble) en a; b. Igual se razona para la derivabilidad.
Teorema 4.10 Criterio de Weierstrass. Sea ffn g una sucesin de funciones fn W I !
R y sea fMn g R una sucesin numrica que verifica las dos condiciones siguientes:
1. Para cada n 2 N y para cada x 2 I ,
jfn .x/j Mn :
P
2. La serie Mn converge.
P
n
Entonces existe una funcin f W I ! R tal que, para todo x 2 I la serie n fn .x/
converge absolutamente a f .x/. Adems, dicha serie converge uniformemente a f .
P1
Definicin 4.12 Dada una serie de potencias nD0 an x n , su radio de convergencia
es el nmero
( )
X
1
D sup jx0 j 2 R tales que an xon converge :
nD0
El teorema que sigue fue formulado por Niels Henrik Abel, Noruega 1802-1829. En
su nombre se da anualmente desde 2003, por la La Academia Noruega de Ciencias y
Letras, el Premio Abel, que es considerado como el Premio Nobel de Matemticas. De
hecho, su montante es el mismo que un equivalente Nobel.
P
Teorema 4.11 Teorema de Abel. Sea unaP serie de potencias 1 nD0 an x de modo que
n
1
existe un x0 2 R tal que la serie numrica nD0 an x0n es convergente.P Sea ahora r 2 R
tal que r < jx0 j. Entonces, para todo x 2 R tal que jxj r la serie 1nD0 n x conver-
a n
X
1
f .x/ D an x n
nD0
es derivable y
X
1
0
f .x/ D nan x n 1
;
nD1
Las siete primeras aproximaciones de la funcin sen.x/ por este teorema se pueden
ver en la figura 4.7.
El teorema de Taylor nos dice que el polinomio de Taylor aproxima a la funcin f
tanto mejor cuanto mayor es n y ms cerca estemos de x0 . Tambin, que si conocemos
el valor de una funcin y sus derivadas en un punto x0 , entonces podemos aproximar el
valor de la funcin en un punto x por un polinomio y la aproximacin ser tanto mejor
cuanto ms cerca est el punto y cuantas ms derivadas consideremos.
Resulta natural extender la nocin de polinomio de Taylor, dejando que n tienda a
infinito, a la de serie de Taylor centrada en x0 como
X
1
f .k/ .x0 /
.x x0 /k :
k
kD0
Tambin, preguntarse si, dada una funcin infinitamente derivable f , la serie de Taylor
converge en todo punto a la funcin f .
Existe una clase muy amplia de funciones f , denominadas analticas, que verifican
que su serie de Taylor converge al menos puntualmente a la funcin f . Obviamente
X
1
f .k/ .x0 /
f .x/ D .x x0 /k
k
kD0
64 j 4-Funciones, sucesiones y series de funciones
Figura 4.7: Funcin sen.x/ y, en x D 0, las aproximaciones por Taylor de primer orden,
de orden 3, 5, 7, 9, 11 y 13
f(c)
a c b a c b
c b a c b a c
EXAMPLE 0.7 Show f (x) = x2 3 on the interval (c)[1, 3
(a) (b) del
Figura 4.9: Teorema valorthat
medio
Because f (1) = 2 and f (3) = 6, a
Figure 0.1 Three important theorems 1, must from calculus.
be taken on by fThere
. For exist numbers
example, settin
Teoremaa4.16 and Teorema de Rolle.
b such that: (a) fSi R for
(c)f =W y, R es una
!secondly,
any ffuncin
given y=
(2) 1.continua
between y derivable
f (a) and f (b), by T
en el intervalo
0.4, the b y suponemos
a;Intermediate que Theorem
Value f .a/ D f(b) existe
.b/,the un nmero c,
instantaneous entreofa fy at c eq
slope
b, tal que f 0 .c/ D 0. G ENERALIZACIN Si f es continua y derivable n 1 veces
en a; b (f
y (b) f (a))/(b
la derivada de a) by
orden Theorem
n existe el0.6, the Mean b/,Value Theorem (c) the vertic
THEOREM 0.5en (Continuous
abierto .a;Limits) y existen
Let f nbeintervalos
a continuous fu
a1 < b1 a2 < b2 : : : an < bn en a;lim
region is equal in area to the tales que
horizontally
b, n shaded
xn =f x.ak/ region,
0 . Then
by para
D f .bk/ todo 0.9, th
Theorem
: n, existe
k D 1 : : Value un nmero
Theorem c en .a; b/shown
for Integrals, tal queinlathe
derivada
specialde case
ordeng(x)
n de=f 1.en c es
cero. lim f (x n ) = f
n n
Fue formulado por Michel Rolle, Francia 1652-1719.
REM 0.4 (Intermediate Value Theorem) Let f beInaother
continuous function
words, limits may beonbrought
the inte
ins
f realizes every value between f (a) and f (b). More precisely, if y is a n
THEOREM 0.6 (Mean Value Theorem) Let f be a continuo
f (a) and f (b), then there exists a number c with a c b such that f (c
[a, b]. Then there exists a number c between
(b a).
PLE 0.7 Show that f (x) = x 2 3 on the interval [1, 3] must take on the values 0 2
EXAMPLE 0.8 Apply the Mean Value Theorem to f (x) = x
Because f (1) = 2 and f (3) = 6, all values
between 2 and 6,
The content of the theorem is that be
66 j 4-Funciones, sucesiones y series de funciones
Teorema 4.17 Primer teorema del valor medio de las integrales. Si f W R ! R es una
funcin continua en el intervalo a; b, existe entonces al menos un nmero c entre a y
b tal que
Z b
f .x/ dx D f .c/.b a/:
a
f (c)
a c b a c b
(b) Figura 4.11: Teorema del(c)
valor medio de las integrales
Teorema 4.20 Integracin por partes. Sean u.x/ y v.x/ funciones reales continuas con
Z Entonces
derivadas continuas. Z
u0 .x/v.x/ dx D u.x/v.x/ u.x/v 0 .x/ dx.
xi D i .xmC1 ; xmC2 ; : : : ; xn / ; i D 1; 2; : : : ; m:
A las funciones i W Rn m
! R, si existen, se las denomina funciones implcitas.
Teorema 4.21 Teorema de la funcin implcita. Sea x0 D x01 ; x02 ; : : : ; x0n T un
punto de Rn que satisface:
1. Las m funciones fi 2 C p , i D 1; 2; : : : ; m, en algn entorno de x0 , para alguna
p 1.
2. fi .x0 / D 0; i D 1; 2; : : : ; m: 2 3
@f1 .x0 / @f1 .x0 /
6 @x1 @xm 7
6 :: :: :: 7
3. La matriz Jacobiana de la funcin vectorial, rf .x0 /D6 7,
4 @fm:.x0 / : @fm:.x0 / 5
@x1 @xm
es regular.
Entonces existe un entorno de xO 0 D x0mC1 ; x0mC2 ; : : : ; x0n T 2 Rn m tal que para
xO D xmC1 ; xmC2 ; : : : ; xn T en ese entorno existen funciones i .x/,
O i D 1; 2; : : : ; m
tales que:
1. i 2 C p .
2. x0i D i .xO 0 /; i D 1; 2; : : : ; m.
3. fi .1 .x/;
O 2 .x/;O : : : ; m .x/;
O x/ O D 0; i D 1; 2; : : : ; m.
Este teorema, formulado por Cauchy, sirve para caracterizar puntos ptimos en pro-
gramacin matemtica con y sin condiciones, solucin de ecuaciones lineales y no linea-
les y otras bastantes cosas.
Ejemplo 4.4 Consideremos la ecuacin x12 C x2 D 0. Una solucin de la misma es
x1 D x2 D 0. En un entorno de esta solucin, sin embargo, no hay funcin tal que
x1 D .x2 /. En esta solucin no se cumple la condicin .c/ del teorema de la funcin
68 j 4-Funciones, sucesiones y series de funciones
y = f(x)
y
x
convex
Figura 5.1: Funcin
(a) convexa
puede que no se pueda conseguir nada del problema ni saber si hay uno o varios ptimos.
El anlisis de la convexidad de funciones y de problemas de optimizacin fue funda-
do en la segunda mitad del siglo XX por Moritz Werner Fenchel, Alemania 1905-1988,
Jean Jaques Moreau, Francia 1923-2014, y Ralph Tyrrell Rockafellar, EE.UU. 1935.
X
p
xD i xi ;
i D1
Pp
donde i D1 i D 1, i 0, i D 1; : : : ; p.
Definicin 5.1 El conjunto interseccin de todos los conjuntos convexos que contie-
nen a un subconjunto S Rn se llama envoltura convexa convex hull de S
(figura 5.4) y se designa por conv.S /.
Optimizing a Convex Function Over a
72 j Convex
5-Optimizacin y Programacin and a Non-Convex Set
Matemtica
FiguraFigure
5.4: Envoltura
2.3 The convexa de dos
convex hulls of conjuntos 22
two sets indeRR. .Left.
La deThe
la izquierda de of
convex hull 15 apuntos;
la de la derecha de un conjunto no convexo
set of fifteen points (shown as dots) is the pentagon (shown shaded). Right.
The convex hull of the kidney shaped set in figure 2.2 is the shaded set.
7KH*HRPHWU\RI9HFWRU6SDFHV
afnmente independientes.
v1 v1 v1 v4
v1 v2 v2 v3 v2 v3
S0 S1 S2 S3
Figura 5.5: El simplex
'*(63& S1 es un segmento de recta. El tringulo S2
proviene de seleccio-
nar un punto v3 que no est en la recta que contiene a S 1 y despus formar la envolvente
convexa con S 1 . El tetraedro S 3 se produce al elegir un punto v4 que no est en el plano2
)LJ 7KHWHWUDKHGURQ S3 LVSURGXFHGE\FKRRVLQJDSRLQW Y4 QRWLQWKHSODQHRI S
de S 2 y despus formar la envolvente convexa con S 2
DQGWKHQIRUPLQJWKHFRQYH[KXOOZLWK S 2
%HIRUHFRQWLQXLQJ FRQVLGHUVRPHRIWKHSDWWHUQVWKDWDUHDSSHDULQJ 7KHWULDQJOH
SPara
2 construir un simplex
KDVWKUHHHGJHV k-dimensional o k-simplex se procede
(DFKRIWKHVHHGJHVLVDOLQHVHJPHQWOLNH como sigue (ver
S 1 :KHUHGRWKHVH
figura 5.5):
WKUHHOLQHVHJPHQWVFRPHIURP" 2QHRIWKHPLV S 1 2QHRIWKHPFRPHVE\MRLQLQJWKH
HQGSRLQW Y2 WRWKHQHZSRLQW Y3 7KHWKLUGFRPHVIURPMRLQLQJWKHRWKHUHQGSRLQW Y1 WR
0-simplex S 0 W un solo punto Sfv1 1LVVWUHWFKHGRXWLQWRDOLQHVHJPHQWLQ
Y3 <RXPLJKWVD\WKDWHDFKHQGSRLQWLQ g S 2
3
7KHWHWUDKHGURQ S1 LQ)LJ KDVIRXUWULDQJXODUIDFHV 2QHRIWKHVHLVWKHRULJLQDO
1-simplex S W conv.S 0 [ fv2 g/ con v2 no en aff.S 0 / 2
WULDQJOH S 2 DQGWKHRWKHUWKUHHFRPHIURPVWUHWFKLQJWKHHGJHVRI S RXWWRWKHQHZ
SRLQW Y4 2-simplex S 2 W conv.S 1 [ fv3 g/S 2con
1RWLFHWRRWKDWWKHYHUWLFHVRI v3 no en aff.S 1 /
JHWVWUHWFKHGRXWLQWRHGJHVLQ S 3 7KH
RWKHUHGJHVLQ S 3 FRPHIURPWKHHGJHVLQ
:: S 2
7KLVVXJJHVWVKRZWRYLVXDOL]HWKH
IRXUGLPHQVLRQDO S 4 :
4
7KHFRQVWUXFWLRQRI FDOOHGDSHQWDWRSH LQYROYHVIRUPLQJWKHFRQYH[KXOORI S3
k-simplex S k WSconv.S k 1
[3 fvkC1 g/ con vkC1 no en aff.S k 1 /:
ZLWKDSRLQW Y5 QRWLQWKHVSDFHRI S $ FRPSOHWHSLFWXUHLVLPSRVVLEOH RIFRXUVH
EXW)LJ LVVXJJHVWLYH S 4 KDVYHYHUWLFHV DQGDQ\IRXURIWKHYHUWLFHVGHWHUPLQHD
Un smplex unidad es un subconjunto particular del ortante no negativo que se define
IDFHWLQWKHVKDSHRIDWHWUDKHGURQ )RUH[DPSOH WKHJXUHHPSKDVL]HVWKHIDFHWZLWK
asYHUWLFHV Y Y Y DQG Y DQGWKHIDFHWZLWKYHUWLFHV Y Y Y DQG Y 7KHUHDUHYH
1 2 4 5 2 3 4 5
S D fs j s 0; 1> s 1g RnC :
v5
Es un poliedro convexo acotado con n C 1 vrtices y n C 1 y de dimensin n. En la
figura 2.12.
5.6 seCONVEX
ve uno dePOLYHEDRA
R3 : un tetraedro slido pero no regular. 119
v1 v4
s 0 , 1T s 1}
v2 v3
1
v5 v5
%DU\FHQWULFFRRUGLQDWHVKDYHERWKSK\VLFDODQGJHRPHWULFLQWHUSUHWDWLRQV 7KH\
74 j5-Optimizacin y Programacin Matemtica
ZHUHRULJLQDOO\GHQHGE\$ ) 0RHELXVLQIRUDSRLQW S LQVLGHDWULDQJXODU
UHJLRQZLWKYHUWLFHV D E DQG F +HZURWHWKDWWKHEDU\FHQWULFFRRUGLQDWHVRI S DUH
Sea S D fv1 ; : : : ; vk gm
WKUHHQRQQHJDWLYHQXPEHUV un ;conjunto afnmente independiente. Para cada punto p en
D mE DQG mF VXFKWKDW S LVWKHFHQWHURIPDVVRIDV\VWHP
aff.S/ los coeficientes c1 ; : : : ; ck de la representacin (nica) p D c1 v1 C Cck vk son
FRQVLVWLQJRIWKHWULDQJOHZLWKQRPDVVDQGPDVVHV mD mE DQG mF DWWKHFRUUHVSRQGLQJ
las coordenadas baricntricas de p. Estas coordenadas tienen interpretaciones fsicas y
YHUWLFHV 7KHPDVVHVDUHXQLTXHO\GHWHUPLQHGE\UHTXLULQJWKDWWKHLUVXPEH 7KLV
geomtricas de inters. Fueron originalmente definidas en 1827 por August F. Mbius,
YLHZLVVWLOOXVHIXOLQSK\VLFVWRGD\
Alemania 1790-1868.
)LJXUHJLYHVDJHRPHWULFLQWHUSUHWDWLRQWRWKHEDU\FHQWULFFRRUGLQDWHVLQ([DPSOH
VKRZLQJWKHWULDQJOH "DEF DQGWKUHHVPDOOWULDQJOHV "SEF "DSF DQG "DES 7KH
DUHDVRIWKHVPDOOWULDQJOHVDUHSURSRUWLRQDOWRWKHEDU\FHQWULFFRRUGLQDWHVRI S ,QIDFW
1
DUHD."SEF/ D ! DUHD."DEF/
4
9
Si a D 17 , b D 30 , c DDUHD 3 ." D / 53D, 1
y pDSF el !punto p en
DUHD." DEFel/centro de la figura 5.7 tiene
por coordenadas baricntricas tres nmeros 3 no negativos ma , mb y mc tales que p es el
centro de masa de un sistema que consiste en le tringulo (sin masa) y las masas ma , mb
y mc en los vrtices correspondientes.
5
DUHD."DES/ Las D masas estn
! DUHD unvocamente
."DEF / determinadas al
requerir que su suma sea 1. 12
a
rea = srea(abc )
rea = t rea(abc ) p
c
rea = rrea(abc )
b
'*(63& S D r D C s E C t F +HUH r D1 14 1 5
Figura 5.7: Punto p 5 sb C t c. En este caso r D 4 , s D 3 y t D 12 :
1 D ra C
s D 3 t D 12
7KHIRUPXODVLQ)LJ DUHYHULHGLQ([HUFLVHV
Proposicin 5.5 El conjunto $QDORJRXVHTXDOLWLHVIRU
de soluciones de un sistema de ecuaciones lineales, C D
fx W Ax D b; A 2 Rmn ; b 2 Rm g, es un conjunto
YROXPHVRIWHWUDKHGURQVKROGIRUWKHFDVHZKHQ afn.
S LVDSRLQWLQVLGHDWHWUDKHGURQLQ R3
ZLWKYHUWLFHV D E F DQG G
Demostracin. En efecto, supongamos que x1 ; x2 2 C , es decir, Ax1 D b, Ax2 D b.
Entonces, para cualquier ,
6HH([HUFLVHLQ6HFWLRQ ,QDVWURQRP\ KRZHYHU EDU\FHQWULFFRRUGLQDWHVXVXDOO\UHIHUWRRUGLQDU\
R3 FRRUGLQDWHVRISRLQWVLQZKDWLVQRZFDOOHGWKH
A .x1 C .1 / x2 /,QWHUQDWLRQDO&HOHVWLDO5HIHUHQFH6\VWHP
D Ax1 C .1 / Ax2 D&DUWHVLDQ
FRRUGLQDWHV\VWHPIRURXWHUVSDFH ZLWKWKHRULJLQDWWKHFHQWHURIPDVVWKHEDU\FHQWHURIWKHVRODUV\VWHP
D b C .1 / b
D b;
x1
0
x2
0
Figure 2.4 The pie slice shows all points of the form 1 x1 + 2 x2 , where
1 , 2 0. The0apex of the slice (which corresponds to 1 = 2 =0 0) is at
Not convex 0; its edges (which correspond to 1 = 0 or 2 = 0) pass through the points
x1 and x2 . Not convex Convex
Figura 5.8: Tres conos: el primero y el segundo no son convexos; el tercero si
Fig. B.3 Cones
El conjunto fx 2 Rm W x D A; A 2 Rmn ; 2 Rn ; 0g es un cono convexo
generado por los vectores columna de la matriz A.
El conjunto de todas las combinaciones cnicas de los puntos de un conjunto C ,
1 x1 C C k xk , 1 ; : : : ; k 0, es la envoltura cnica de C , cone.C /.
0 0
FiguraFigure
5.9:2.5
Envoltura cnica de los dos conjuntos de la figura 5.4
The conic hulls (shown shaded) of the two sets of figure 2.3.
P P P
n dicen que si X Rn y x 2 cone.X /, existen x iy , i D 1; : : : ; n, tales que x D
.con 1, cualquier
tales que dicen
x =quedesi Xlacnica
i x . de
Ri y xEs decir, cualquier
x y , i D 1; : :elemento de
Pi xnque i . Es
Dosi resultados
P importantes debido
=decir, a Carathodory 2i cone.X
n
/, existen : ; n,
= tales Es
xDxdecir, x cualquier
n elemento envoltura
i i . Es decir, como expresa la figura 5.10, cualquier elemento de P
elemento de la envoltura cnica
X es combinacin dede,Xlaa loes
cnica
i i
envoltura
sumo,
iD1
i=1 n puntos i=1
iD1 i i
i=1
de X. Igualmente, si X Rn y x 2 conv.X /, existen xi y i , i D 1; : : : ; n C 1, tales que x D nC1
iD1 i xi .
convexa
n cnica de, de X neselementos
a lo sumo, combinacin
de X.convexa de, a lo sumo, n + 1 puntos de
Es decir, cualquier elemento de la envoltura convexa de X es combinacin convexa de, a lo sumo, n C 1 puntos de X. La
figura 8.9 ilustra estos resultados.
HC y H es el espacio Rn . 21
H+
y
x0
H
a H
yp c
H = {y | aT(y y p ) = 0} = N (aT ) + y p
y d
Si un politopo P es un poliedro, cualquier puntoPolytopes
Fig. B.5 se puede expresar como combinacin convexa de
sus puntos extremos.
| aT(y 8.1
H = {yTeorema ySea
p)
C 0}
un conjunto convexo e y un punto exterior a la adherencia de C . Existe un
vector a tal que aT y < Knfx2C aT x.
It is easy to see that half spaces areT convex sets and that the union of H+ and
H is D EMOSTRACIN . Sea
the whole space. N (a ) = {y | aTy = 0}
Figura 5.12: De Dattorro [2016] con suDnotacin:Knf kx ykun
x2C
2 >hiperplano
0: @H, desplazado del origen
y los A
Definition.
una distancia set which can
semiespacios HCbeyexpressed as the
H 26; el ker.a > /intersection
D N .a> /,ofcontenido
a finite number
en H .
La zona
Figure 28:ofsombreada
closed half
Hyperplane es spaces
una is said
pieza
illustrated to beis aaconvex
rectangular
H de polytope.bounding
semiespacio
line partially H con respecto H
al cual
halfspaces el and
in R2a.We
H+vector esShaded
normal, rectangular
saliendo de esa piece
zona, of semiinfinite
hacia H . Los H
see that convex polytopes are the setsCobtained as the family of solutionsvector
is a with
puntos
c y respect
d son to which
equidistantes
a del
is outward-normal
hiperplano
to to bounding
y el vector
a set of linear hyperplane;
c d esofnormal
inequalities the formal mismo vector a is inward-normal with respect
to H+ . Halfspace H contains nullspace N (aT ) (dashed line through origin) because
aTyp > 0. Hyperplane, halfspace, and nullspace a1T x b1are each drawn truncated. Points c and
2 x b2
d are equidistant from hyperplane, and avector T c d is normal to it. is distance from
origin to hyperplane.
2.4.1 Halfspaces H+ and H
78 j 5-Optimizacin y Programacin Matemtica
B.3 kSEPARATING
x1 C .1 /x2 xAND
c k2 D k.x xc / C .1 /.x2 xc /k2
SUPPORTING
1
HYPERPLANES kx1 xc k2 C .1 /kx2 xc k2
The two theorems in this section are perhaps
r the most important results related to
convexity. Geometrically, the first states that given a point outside a convex set, a
hyperplane can be passed through the point that does not touch the convex set. The
second, which is a limiting case of the first, states that given a boundary point of a
5-Optimizacin y Programacin Matemtica j 79
1
t
0.5
0
1
1
0
0
x2 1 1 x1
1
Figura 5.14: Frontera de la norma cono en R3 : f.x1 ; x2 ; t/ j .x12 C x22 / 2 t g
80 j 5-Optimizacin y Programacin Matemtica
En esta expresin x K se refiere a todos los puntos que son comparables con x y
mal element of S with respect to if
menores o iguales que x de acuerdo con K. El nico punto en comn con S es x. El
K
elemento mnimo es un elemento minimal.
y S,Si K yDde
tradicional RC el concepto de elemento mnimo y minimal coinciden en el sentido
K x En
mnimo.
= y=x
la figura 5.15 se describen geomtricamente estos ltimos
conceptos. Tambin, con algn detalle ms general, en 5.16.
R2+)
S2
S1 x2
m element of S1
element of S2 x1
C1 x +K
R2
(a)
x
C2
(b)
y-K
R2 R3
1
0.8
0.6
K (b)
0.4 (a) K
K
0.2 K
0 q
0.2
0.4
0.6
K
0.8
1
0.5 0 0.5 1 1.5
Figura 5.17: De Dattorro [2016]. Cmo se construyen los conos duales de sendos conos
K en R2 a partir de los ngulos rectos de los extremos de K
y K K
z
Figura 5.18: El semiespacio con normal hacia dentro y contiene al cono K por lo que
y 2 K . El semiespacio con normal hacia dentro z no contiene a K por lo que z K
Figure 2.22 Left. The halfspace with inward normal y contains the cone K,
so y K . Right. The halfspace with inward normal z does not contain K,
Si un
so cono
z 6 KK
. es apropiado e induce la desigualdad generalizada K , su dual K es
tambin apropiado e induce por consiguiente una desigualdad generalizada K dual de
K . Algunas de sus propiedades son
q T Y q = tr(qq T Y ) < 0.
element of S iff for all
Hence the positive semidefinite matrix X = qq T
he unique minimizer satisfies tr(XY ) < 0; it follows that
n
Y 6 (S+ ) .
S
n
Pn X, Y S+ . We can express X in terms of its eigenvalue decomposition
Now suppose
x eigenvalues) i 0, i = 1, . . . , n. Then we have
as X = i=1 i qi qiT , where (the
!
ent w.r.t. Figura
K Xn
Xn
5.19: Un elemento mnimo caracterizado mediante
T desigualdades
T duales. El punto
tr(Y X) = tr Y i q i q i = i qi Y qi 0.
T x es el elemento mnimo del conjunto S con respecto a R2C . Esto es equivalente a que
es z overpara
S for some K 0, fzthen
cada 0 el hiperplano
x is minimal
i=1 i=1
j > .z x/ D 0g soporta estrictamente a S en x. Ese
This shows
1 that Y (S n
+ ) .
hiperplano contiene a S en uno de sus lados y lo toca slo en x
inimalx element
minimiza >w.r.t. K z
z para todo 2 S , entonces x es minimal. Esto es lo que expresa la
figura 5.20.
if x minimizes T z over S for some K 0, then x is minimal
1
56 2 Convex sets
x1 S
1 2
x2
x1
Figura 5.20: El conjunto de puntos minimales
S de S R2 con respecto a R2C estn en la
if x is alnea
minimal element
ms oscura inferior delof a convex
borde de S . El queset >
S, then
minimiza2 1 z enthere
S es x1exists a nonzero
y es minimal
>
porque 1 0. El que minimiza 2 z enTS es el punto x2 , otro punto minimal de S pues
x 2
K 0 such that x minimizes z over S
2 0
Figure 2.24 A set S R2 . Its set of minimal points, with respect to R2+ , is
shown as the darker section of its (lower, left) boundary. The minimizer of
>
vex sets Para probarlo, supongamos que 0 y que x minimiza z para todo z 2 S
T1 z over S is x1 , and is minimalK 1 0. The minimizer of T
since 2 z over
222
S is x2 , which is another minimal point of S, since 2 0.
pero x no es minimal, es decir, existe un z 2 S , z x tal que z K x. Entonces
> .x z/ > 0, lo que contradice la suposicin de que x es el que minimiza > z en S
para todo z 2 S .
Lo contrario es en general falso: un punto x puede ser minimal en S pero no el que
minimize > z en S para todo z 2 S . El ejemplo que lo demuestra es el de la figura 5.21.
Este ejemplo pone de manifiesto la importancia de la convexidad. Si S es convexo, se
puede decir que para cualquier elemento minimal x existe un K 0, no cero, tal que
x minimiza > z en S para todo z 2 S .
Demostracin. Sea
D Knf kx yk2 > 0:
2.5 Separating and supporting hyperplanes
x2C 47
Existe un x0 en la frontera de C tal que kx0 yk2 D . Esto es as pues la funcin
continua f .x/ D kx yk2 alcanza su mnimo en cualquier conjunto cerrado y acotado
por lo que slo es necesario considerar x en la interseccin de la adherencia de C y la
bola abierta de centro y y radio 2.
A continuacin probaremos que a D x0 y satisface las condiciones del enunciado
del teorema. En efecto, para cualquier , 0 E2 1, al ser C un conjunto convexo, el
punto x0 C .x x0 / 2 C , por lo que
aT x b aT x b
D
C
Figura 5.22:
Figure 2.19 The hyperplane {x Hiperplano separadorthe
| aT x = b} separates entre C yD
disjoint convex sets
C and D. The affine function aT x b is nonpositive on C and nonnegative
on D.
caracterstico a en el teorema, se denomina hiperplano separador de C e y.
86 j 5-Optimizacin y Programacin Matemtica
Dicho de otra
manera, la funcin
a T
x b es no positiva en C y no negativa en D. El
hiperplano x W aT x D b es un hiperplano separador de los conjuntos C y D como se
ve en la figura 5.22.
Existen H
bastantes principios
C
de dualidad (en especial en la teora y tcnicas de opti-
mizacin) que relacionan un problema en trminos(a)de vectores en un espacio vectorial
con otro en trminos de subespacios en ese espacio. En varios de esos principios est
presente la relacin que se ilustra en la figura 5.23 que indica que la distancia ms corta
de un punto a un conjunto
P x
convexo esH igual al mximo de las distancias desde el punto
C
a los hiperplanos
H + que separan el conjunto convexo del punto. El problema original de
minimizacin sobre vectores se convierte en otro de maximizacin sobre hiperplanos.
PH x
a
(b)
.II / y T A 0T ; bT y > 0;
donde A 2 Rmn .
Se debe a Gyula Farkas, Hungra 1847-1930.
Politopo c
onico S
2 a a3
474 Captulo 8. Dualidad y an a4
alisis de sensibilidad
a1
a5
Semiespacio abierto {y : bT y > 0}
a2
an
a1 Hiperplano
a3
b
/S
y
Cono {y : y T A 0T }
Figura 5.26: Demostracin
Figura 8.2 del lema de Farkas
Captulo 8. Dualidad y an
alisis de sensibilidad
Descripci on geometrica de la existencia de un hiperplano separador
Figura 8.3
El par (P)-(D) se denomina habitualmente, en la literatura especializada, forma simetrica
El sistema (I) del lema de Farkas no tiene soluci
on. La tiene (II)
de la dualidad. Semiespacio abierto {y : bT y > 0}
A continuacion exponemos dos teoremas que caracterizan las soluciones optimas del par de
problemas primal-dual. a a2
2
an
Teorema 8.3 (Complementariedad de Holguras) Sean x e y soluciones factibles
an
del par de
programas aprimal-dual
1 a3
en forma simetrica (P)-(D) de (8.8). Las condiciones necesarias y
sucientes para que sean o
ptimos de sus respectivos
a1 problemas
b son:
b
(cT y T A)x = 0 (8.9)
Semiespacio abierto {y : bT y > 0}
y
y T (Ax b) = 0. (8.10)
a2
an
90 j 5-Optimizacin y Programacin Matemtica
derecha se muestra un ejemplo donde el sistema (II) no tiene solucin. Todo vector
y en la zona que define 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 .
minimizar
n
f .x/
x2R
sujeta a ci .x/ D 0; i 2 E;
cj .x/ 0; j 2 I;
donde las funcin objetivo f y las condiciones ci y cj son, en general, no lineales, conti-
nuas 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, res-
pectivamente. El conjunto de puntos que satisfacen todas las condiciones se denomina
regin factible.
Un punto x que satisfaga todas las condiciones se dice regular si los vectores gra-
diente del conjunto de condiciones activas en ese punto son linealmente independientes.
Teorema 5.9 Condiciones de ptimo de primer orden de Karush-Kuhn-Tucker. Supn-
gase que x es un punto regular y mnimo local del problema general de programacin
matemtica anterior. Existe un vector de multiplicadores de Lagrange, , con coefi-
cientes i , i 2 E [ I, tal que se cumple que
rx L.x ; / D rf .x / T c.x / D 0;
ci .x / D 0; para todo i 2 E;
ci .x / 0; para todo i 2 I;
i 0; para todo i 2 I;
i ci .x / D 0; para todo i 2 E [ I:
Estas condiciones fueron formuladas por Harold William Kuhn, EE.UU., 1925-2014,
y Albert William Tucker, Canad, 1905-1995, en 1951, con el fin de extender la teora
de Lagrange a la caracterizacin de los puntos ptimos de problemas de programacin
lineal y no lineal sometidos a restricciones. Posteriormente se descubri que en 1939
William Karush, EE.UU., 1917-1997, ya haba trabajado sobre estas condiciones, por lo
que desde ese momento
264
se les pas a denominar condiciones de Karush-Kuhn-Tucker.
Richard W. Cottle
P D fx 2 Rn W Ax D b; x 0g :
(c) Que w 0. Este caso se prueba igual que el caso (b) sin ms que sustituir x 0 , 0 y
w por x 00 , 00 y w, respectivamente.
x4
x3
x5
x2
y
x1
En ambos casos, suponiendo que c T vmi n es el menor de los elementos del con-
junto fc T vi W i 2 I g, se tiene que
!
X X
T T T
c x i c vi c vmi n i D c T vmi n :
i2I i 2I
DUALITY
Es decir, el mnimo de c T x se alcanza en un punto extremo de P : vmi n .
A union of points
A union Anofintersection
its points An of hyperplanes
intersection of halfspaces
Los problemas duales,Min-Common/Max-Crossing
Abstract en general, posibilitan acotar los valores alcanzables por los
Theorems
Time domain
primales. Frequency
Permiten poder saber domain
cundo una aproximacin a la solucin de un problema
es suficientemente buena.
La solucin ptima de un problema dual de otro primal, en optimizacin, certifica
que se ha alcanzado o se pude alcanzar la del primal.
5-Optimizacin y Programacin Matemtica j 95
Los multiplicadores de Lagrange del problema primal, que miden las sensibilidades
del problema original a variaciones en los coeficientes que determinan las condiciones
de este problema, determinan una especie de penalizaciones que se introducen en su
funcin objetivo por no utilizar adecuadamente los recursos que fijan esas condiciones.
La funcin de Lagrange incorpora as toda la informacin disponible del problema.
La teora que se expone en este apartado es la base general sobre la que construir
dualidades de tipo local de los diversos problemas lineales y no lineales, incluso sin la
existencia de convexidad. Sirve tambin para comprender mejor los algoritmos de punto
interior especializados en problemas de Programacin Lineal, el dual del Smplex y otros
afines.
De momento vamos a referirnos a problemas de programacin matemtica como
minimizar
n
f .x/
x2R
sujeta a g.x/ 0 (2)
x 2 ;
Se llega a ella dejando que el trmino de la derecha de la inecuacin que definen las con-
diciones pueda tomar valores arbitrarios. Se entiende que (3) est definida en el conjunto
D D fz W g.x/ z; para algunos x 2 g.
Si el problema (2) tiene una solucin x con un valor de la funcin objetivo igual a
f D f .x /, entonces f es el punto de eje vertical de RpC1 donde la funcin primal
se cruza con ese eje. Si (2) no tiene solucin ese punto de cruce es f D Knf ff .x/ W
g.x/ 0; x 2 g.
El principio de dualidad se deduce de la consideracin de todos los hiperplanos que
quedan por debajo de la funcin primal. Como ilustra la figura 5.30, todos los hiperplanos
que se indican se cruzan con el eje vertical por debajo de f , o en f .
Para expresar esta propiedad se define la funcin dual en el cono positivo de Rp ,
p
RC , como
./ D Knf f .x/ C Tg.x/ W x 2 :
En general, puede que no sea finita dentro del ortante el equivalente en n dimen-
siones a un cuadrante en el plano o un octante en tres dimensiones positivo, R pC , pero
la regin donde est definida y es finita es convexa.
Proposicin 5.15 La funcin dual es cncava en la regin donde es finita.
The duality principle is derived from consideration of all hyperplanes that lie
below the primal function. As illustrated in Fig. 14.1 the intercept with the vertical
axis of such a hyperplanes lies below (or at) the value f . y Programacin Matemtica
5-Optimizacin j 97
r
w(z)
f*
Hiperplano
debajo de w(z)
w (z)
f gap de dualidad
hiperplano ms alto
f : z
r
w (z)
f * =
hiperplano ptimo
Figura 5.32: Expresin grfica del teorema de la dualidad fuerte . No hay gap de dualidad
Fig. 14.3 The strong duality theorem. There is no duality gap
100 j 5-Optimizacin y Programacin Matemtica
es L.x; ; / D f .x/ C Th.x/ C Tg.x/. Esta funcin penaliza que g.x/ sea positiva
y que h.x/ no sea cero. La funcin de Lagrange dual es
def
q.; / D Knf L.x; ; /:
x
Esta funcin es cncava por ser afn, aunque no lo sean ni h.x/ y g.x/. Puede ser 1
para algunos valores de y . La funcin de Lagrange dual define una cota inferior
del valor ptimo de la funcin objetivo de (5). Es decir q.; / p si 0. El
problema dual de 5 es este:
maximizar q.; /
sujeta a 0;
que es siempre convexo.
S D f.g.x/; f .x//jx 2 Rn g:
como se puede ver en la figura 5.33, pues es el punto en t ms bajo en la parte de la regin
factible (fijada por los valores a la izquierda del eje t en el conjunto S ). El planteamiento
de este problema sera, por ejemplo, la abstraccin de uno de determinar el coste mnimo
global de una planta de fabricacin de productos diversos con varios tipos de recursos,
el balance global de los cuales a lo largo de un periodo de tiempo debe ser menor o igual
que cero. Es decir, que no se consuman ms de los disponibles.
La funcin de Lagrange de este problema es L.x; / D f .x/ C g.x/. La funcin
de Lagrange dual, o simplemente la funcin dual, es
Segn la figura 5.34, el punto donde corta al eje t en su punto ms bajo posible el hiper-
plano soporte del conjunto S que define t C u D cte. en este caso una lnea recta
ser el valor de la funcin dual.
f = inf {t | (u, t) S, u 0} .
5-Optimizacin y Programacin Matemtica j 101
Dual function
q()
f
S
u+t=cte
u+t=q() q()
u
Figura 5.34: Funcin dual del problema para interpretar geomtricamente la dualidad la-
grangiana Nonlinear optimization
c 2006 Jean-Philippe Vert, (Jean-Philippe.Vert@mines.org) p.34/67
De todos esos hiperplanos soporte, con 0, el que obtiene el ptimo del proble-
ma dual,
lo dar la interseccin con el eje t del que se esquematiza en la figura 5.35 que toca los
dos punto mas bajos de S que se ven. El gap de dualidad en este ejemplo es la diferencia
entre f y d : d f , dualidad dbil.
En el caso de dualidad fuerte, sin gap de dualidad, se daran formas como la de la
figura 5.36.
0
= sup inf {u + t} .
102 j 5-Optimizacin y Programacin Matemtica
0 (u,t)S
t
(,1)
S
(,1)
f
d
Strong duality
u
For convex
Figura problems
5.35: ptimo with
de la funcin dualstrictly feasible
del problema points:geomtricamente
para interpretar
Nonlinear optimization
c 2006 Jean-Philippe la
Vert, (Jean-Philippe.Vert@mines.org) p.35/67
dualidad lagrangiana
d = f
t t
S S
f
d
f
d
u u
Es ligeramente distinta de las anteriores. Se debe a Philip Starr Wolfe, EE.UU. 1927-.
max. L.x; ; /
s. a rx L.x; ; / D 0
0:
5-Optimizacin y Programacin Matemtica j 103
minimizar
n
cT x
x2R
sujeta a Ax D b
x 0;
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:
DUALLa DESCRIPTION
transformacin de Fenchel coincide con la transformacin
OF CONVEX de Legendre, por
FUNCTIONS
Andrien-Marie Legendre, Francia, 1752-1833.
Associate
cuando hyperplanes
se refieren a funciones convexas with crossing
y diferenciables points
en todas (the (existen
direcciones
todas sus derivadas parciales).
conjugate function).
En la figura 5.37 se proporciona una interpretacin geomtrica de esta definicin.
La funcin (convexa en este caso) f .x/ y su epigrafo estn descritos por hiperplanos
(-y,1)
f(x)
Pendiente = y
x 0 x x
inf { f (x ) xTy} = f ( y),
x n
f (x )
xy
e of a function f is
up (y T x f (x))
om f
x
(0,f (y ))
8-6
f (x) = x if y =
f ( y) =
if y =
Slope =
0 x 0 y
f (x ) = |x | (y) 0 if |y| 1
f =
if |y| > 1
0 x 1 0 1 y
0 x 0 y
Ejemplo 5.9 La funcin f .x/ D kxk, una norma en Rn , siendo su norma dual asociada
kxk D supkuk1 u> x, tiene por funcin conjugada
( 7
0 kyk 1
f .y/ D
1 en cualquier otro caso:
Esto se denomina funcin indicador de la norma dual de la esfera unidad. La norma dual
de la norma eucldea es la propia norma eucldea.
PC
semidefinite program
linear program
La programacin
A simple ranksemidefinida es una
reduction algorithm, importante
for construction of a herramienta numrica
primal optimal solution
(693P) satisfying an upper bound on rank governed by Proposition 2.9.3.0.1, is presented
X to para el an-
lisis y resolucin
in 4.3. de problemas
That en sistemas
proposition asserts existence ofy feasible
teorasolutions
de control.
with an Tambin
upper boundse usan cada
on their rank; [27, II.13.1] specifically, it asserts an extreme point (2.6.0.0.1) of primal
da ms en la optimizacin n combinatoria
feasible set A S+ satisfies upper bound
como una tcnica valiosa para obtener lmites
en la solucin de problemas NP-duros (de toma de decisiones). Sus aplicaciones crecen
8m + 1 1
da a da en geometra computacional, rank X diseo de experimentos,
2
(275) teora de informacin
y comunicacin, optimizacin de valores propios en diseo de estructuras, diagnstico
where, given A Rmn(n+1)/2 and b Rm ,
mdico y otros.
A , {X S n | A svec X = b } (696)
+0 P
3
S+
A = H
Figura
Figure 89: 5.41: Visualizacin
Visualizing positivedesemidefinite
un cono semidefinido positivo
cone in high en 3D. Dattorro
dimension: [2016]
Proper polyhedral
cone S+ 3
R3 representing positive semidefinite cone S3+ S3 ; analogizing its intersection
S3+ H with hyperplane. Number of facets is arbitrary (an analogy not inspired by
La aplicacin
eigenvalue lineal se puede
decomposition). representar
The rank-0 mediante
positive m matrices,
semidefinite Ai 2 S n teorema
matrix corresponds to origin
in R3 , rank-1 positive semidefinite matrices correspond to edges of polyhedral cone, rank-2
to facet relative interiors, and rank-3 to polyhedral cone interior. Vertices 1 and 2 are
110 j 5-Optimizacin y Programacin Matemtica
y Maurice Frchet, as
2 3
hA1 ; X i
6 :: 7
hA; X i D 4 : 5:
hAm ; X i
Si el espacio Rm est dotado de un producto escalar, o producto interior, tambin
expresado mediante h; i, y se introduce el operador A W Rm ! S n , adjunto a A y
definido as
8X 2 S n ; 8y 2 Rm W hA.X /; yi D hX ; A .y/i
el problema dual de SDP se plantea as
maximizar hb; yi
.y;S /2Rm S n
sujeta a hA ; yi C S D C
S < 0;
El vector b D 11 19> .
La variable del problema es la matriz simtrica 3 3
2 3
x11 x12 x13
X D 4x21 x22 x23 5 :
x31 x32 x33
Calculemos el producto
2 3
x11 2x12 3x13
C X D 42x21 9x22 0x23 5
3x31 0x32 7x33
5-Optimizacin y Programacin Matemtica j 111
1> C C 1 D x11 C 2x21 C 3x31 C 2x12 C 9x22 C 0x32 C 3x13 C 0x23 C 7x33
D x11 C 4x12 C 6x13 C 9x22 C 0x23 C 7x33 :
Su dual,
maximizar 11y1 C 19y2
2 3 2 3 2 3
101 028 123
sujeta a y1 40 3 75 C y2 42 6 05 C S D 42 9 05
175 804 307
S < 0:
Formulacin que puede tener sus ventajas en muchos casos frente a la del primal.
f0 (x )
jective values
O = {f0(x) | x feasible}
si f0 .x/ es un mnimo de O. En este caso decimos que f0 .x/ en un valor ptimo de
Pareto1 del problema 6. Esto quiere decir que x es un ptimo de Pareto si es factible y
para cualquier otro y factible, el que f0 .y/ K f0 .x/ implica que f0 .y/ D f0 .x/. En
mal if fotras
0 (x) is thecualquier
palabras, minimum valuey que
punto factible of esOmejor que x, es decir f0 .y/ K f0 .x/,
tiene el mismo valor de la funcin objetivo que x. Esto se ilustra en la figura 5.43. El
eto optimal
conjuntoifdefpuntos is a minimal
0 (x) ptimos value
de Pareto del of O
problema de optimizacin vectorial como se
ve en la figura est en la frontera (frontera de Pareto) o borde de O.
f 0 (x op )
La frontera de Pareto puede ser lineal, cncava, convexa, continua o discontinua de-
pendiendo de las funciones objetivo integrantes del problema. Todas las soluciones per-
tenecientes a la frontera son igualmente buenas y no se puede especificar si alguna de
las soluciones es preferible a las otras, excepto en aquellos casos en que se haya definido
una preferencia a priori.
1 En anlisis econmico se denomina ptimo de Pareto a aquel punto de equilibrio en el que ninguno de los
agentes afectados podr mejorar su situacin sin reducir el bienestar de cualquiera de los otros agentes.
114 j 5-Optimizacin y Programacin Matemtica
5.7.2 Escalarizacin
La escalarizacin es una tcnica para encontrar puntos ptimos de Pareto en un problema
de optimizacin vectorial. Se basa en la caracterizacin de puntos mnimos y minimales
va desigualdades generalizadas duales tal como se introdujeron antes en este apndice.
Si se escoge un k 0 que es positivo en las desigualdades duales generalizadas,
consideremos el problema escalar
y en l sea x un punto ptimo. Este punto es ptimo de Pareto del problema 6 de opti-
o optimal points:
mizacin vectorial. seKdeduce
chooseEsto 0 and solve scalar problem
de la caracterizacin mediante desigualdades duales
de los puntos minimales de las desigualdades de la pgina 84, as como de un observa-
T
cin directa.Si
minimize fno lo fuera, existira un y factible, que satisfara f0 .y/ K f0 .x/ y
0 (x)
que adems
subject .x/
to ffi0(x) 0, i =Como
f0 .y/. 1, . . f
. ,0m.x/ f0 .y/ K 0 y no es cero, se tiene que
> .f0 .x/ hfi0(x)
.y//=>0,0, esidecir, > >
= 1, . . . , p.x/ > f0 .y/. Lo que contradice el supues-
f 0
to de que x es ptimo del problema escalar 7. El mtodo de la escalarizacin se puede
O
l for scalar problem,
eto-optimal for vector f 0 (x 1)
problem
f 0 (x 3 )
1
f 0 (x 2 ) 2
Figura 5.44:
ctor optimization Escalarizacin.
problems, El conjunto
can find O de all
(almost) valores alcanzables para un problema de
Pareto
optimizacin vectorial en el cono K D R2C y los valores ptimos de Pareto f0 .x1 /,
s by varying 2
f0 .x 0 3 /. Los primeros dos puntos se pueden obtener mediante escalarizacin:
/ yKf0 .x
f0 .x1 / minimiza > >
1 u para todo u 2 O y f0 .x2 / minimiza 2 u para todo u 2 O, donde
oblems 1 ; 2 0. El valor f0 .x3 / es ptimo de Pareto pero no se 445
puede obtener mediante
escalarizacin
Fi .x / Fi .y/; i D 1; : : : ; q;
minimizar Fj .x/
sujeta a fi .x/ 0; i D 1; : : : ; m
hi .x/ D 0; i D 1; : : : ; p;
con j D 1; : : : ; q. Cuando existe un punto ptimo, decimos que los objetivos son no
competidores, ya que no hay que establecer compromisos o hacer concesiones entre los
objetivos: cada objetivo es tan pequeo como es posible hacerlo, incluso si se ignorasen
los dems.
Un punto ptimo de Pareto x op cumple lo siguiente: si y es factible y Fi .y/
Fi .x po /, para i D 1; : : : ; q, entonces Fi .x po / D Fi .y/, i D 1; : : : ; q. Lo que se puede
expresar de esta manera: un punto en ptimo de Pareto si y slo si es factible y no hay
un punto factible mejor. En particular, si un punto factible no es ptimo de Pareto, al
116 j 5-Optimizacin y Programacin Matemtica
menos existe otro punto factible que es mejor. Todo esto conduce a que para determinar
el ptimo del problema nos podemos limitar a analizar los puntos que son ptimo de
Pareto.
Supongamos pues que x y y son ptimos de Pareto y que
Fi .x/ < Fi .y/; i 2A
Fi .x/ D Fi .y/; i 2B
Fi .x/ > Fi .y/; i 2 C;
donde A [ B [ C D f1; : : : ; qg. Dicho de otra forma, A es el conjunto de ndices de las
funciones objetivo para las cuales x domina a y, B el de aquellas en las que x iguala
a y y C el de las que y bate a x. Si A y C estn vacos, los dos puntos x e y tiene
exactamente los mismos valores de la funcin objetivo. Si no es el caso, A y C deben
ser simultneamente no vacos. Es decir, al comparar dos puntos ptimos de Pareto, u
obtienen las mismas prestaciones en trminos de funcin objetivo, o uno mejora al otro
en al menos uno de los objetivos.
Al comparar los puntos x e y decimos que hemos intercambiado mejores valores
de funciones objetivos de i 2 A por los peores de i 2 C . El anlisis del intercambio
ptimo es el estudio de cunto peor pueden resultar diversas funciones objetivo haciendo
otras mejor, o ms en general, el estudio de qu conjuntos de funciones objetivo son
alcanzables y cules no.
Como ejemplo, consideremos un problema con dos funciones objetivo (dos criterios
de optimizacin). Supongamos que x es un punto ptimo de Pareto con valores de las
funciones objetivo F1 .x/ y F2 .x/. La pregunta que se podra uno hacer es cunto ms
grande debera ser F2 .z/ para determinar un punto factible z tal que F1 .z/ F1 .x/ a,
donde a > 0 es cualquier constante. Grosso modo, nos preguntamos cunto debemos
pagar a la segunda funcin objetivo para obtener una mejora de a en la primera. Si se de-
be admitir un incremento importante en F2 para obtener un pequeo decremento en F1 ,
decimos que existe una contrapartida fuerte entre objetivos cerca de los puntos ptimos
de Pareto de valor .F1 .x/; F2 .x//. Si, por otro lado, se puede conseguir un decremento
grande de F1 con un pequeo incremento de F2 , decimos que la contrapartida entre esos
objetivos es dbil cerca de los puntos ptimos de Pareto de valor .F1 .x/; F2 .x//.
De igual manera se puede considerar el caso de qu contrapartidas negativas se consi-
guen en la primera funcin objetivo mejorando la segunda. Aqu buscamos cunto menor
se puede hacer F2 .z/ para obtener un punto factible z en el que F1 .z/ F1 .x/ C a, con
a > 0 una constante como antes. En este caso se obtiene una mejora (reduccin) en F2
comparada con F2 .x/. Si esa mejora o beneficio es grande (aumentando un poco F1 se
obtiene una reduccin importante de F2 , decimos que los objetivos presentan contra-
partidas fuertes. Si es pequeo, contrapartidas dbiles cerca del valor ptimo de Pareto
.F1 .x/; F2 .x//.
El conjunto de valores ptimos de Pareto de un problema de optimizacin multi-
criterio se denomina superficie ptima de contrapartida, si q > 2, o curva ptima de
contrapartidas cuando q D 2. En general, su anlisis se reduce a los puntos ptimos de
Pareto.
5-Optimizacin y Programacin Matemtica j 117
0.25
F 2 (x ) = ||x || 22
0.2
O
0.15
0.1
0.05
= 100
0
80 85 90 95 100 105 110 115 120
F 1 (x ) = ||Ax b || 22
Figura 5.45: Curva ptima de contrapartidas del problema de mnimos cuadrados regula-
The shaded set is the set of achievable values, while the thick line is the optimal
rizado. La zona sombreada es el conjunto de puntos alcanzables, .kAx bk22 ; kxk22 /, que
trade-off curve formed by Pareto optimal10010 points. 10
considera el problema con A 2 R y b 2 R . La curva de ptimos de Pareto es la
Andre Tkacenkoen(JPL)
destacada la parte EE/ACM 150 - Lecture 10
inferior izquierda May 3, 2012 9 / 11
donde
D 2 =1 . Cualquier
> 0 determina un punto ptimo de Pareto del problema.
Multiple Integrals 6-Elementos de clculo integral, campos escalares y campos vectoriales j 119
In much the same way that our attempt to solve the area problem led to the definition of
V able. OLVIENDO
If f sxd is defined
fx i21
finida
intervals
theselongitud
igual subintervals.
x Then
a lafor
integral
en, xeli g intervalo
a < x definida
of equal width
D .b we a/=n,
form the
de funciones
< b, we start
a xDxb sby se
by dividing
2 divide
Riemann
y de
ste
adyn and
dethe
una
weenchoose
variable,
interval fa, bgsiinto
n subintervalos
sample points
sumde ellos se escogen puntos de muestra
cada uno
est de-
n sub-
f .x/
xi x1*i ; in
xi de
f(x *)
i
0 a xi-1 xi xn-1 b x
FIGURE 1 x* x* x* x i* x n*
Figura 6.1: Integral definida como suma de Riemann. Stewart [2015]
Volumes and Double Integrals
De la misma manera, consideremos ahora la funcin f de dos variables definida en
In a similar manner we consider a function f of two variables defined on a closed rectangle
el rectngulo cerrado
RR D fa, b
a; bg
3c; hsx,
fc,ddg D .x;ydy/[2RR2| jaa<xx<b,b;c c<y y
2
<d jd :
deand
la we
figura 6.2. Supongamos
first suppose that f sx, yd de momento
> 0. The graphque
of ffis.x; y/ with
a surface 0. La grficaz
equation de fla
sx,funcin
yd.
d esLet
la Ssuperficie
be the solid
z that
D flies y/ que
.x;above se ve
R and en esa
under figura.ofLlamemos
the graph f , that is, S al volumen slido
y comprendido entre la superficie R y que toca a f , es decir
S hsx, y, zd [ R 3 | 0 < z < f sx, yd, sx, yd [ R j
S D .x; y; z/ 2 R3 j 0 z f .x; y/; .x; y/ 2 R :
(See Figure 2.) Our goal is to find the volume of S.
The first step is to divide the rectangle R into subrectangles. We accomplish this by
FIGURE 1 x*
R fa, bg 3 f
X
m X
n
V f .xij ; yij /A:
iD1 j D1
Aproximacin que ser tanto mejor cuanto ms se amplen las divisiones m y n, es decir,
X
m X
n
V D lKm f .xij ; yij /A:
m;n!1
i D1 j D1
0 a x i-1(See
x i Figure 5.) This
b double
x sum means that for each sub
FIGURE 3 chosen point and multiply by the area of the subrectang
R into subrectangles x
z z
If we choose a sample point sx ij*, y ij*d in each Rij, then we can approximate the part of
S that lies above each Rij by a thin rectangular box (or column) with base Rij and height
f sx ij*, yij*d as shown in Figure 4. (Compare with Figure 1.) The volume of this box is the
height of the box times the area of the base rectangle:
FIGURE 4 FIGURE 5
Figura 6.3: Divisin o mallado de R. Stewart [2015]
(See Figure 5.) This double sum means that for each subrectangle we evaluate f at the
chosen point and multiply by the area of the subrectangle, and then we add the results.
Copyright 2016 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppre
Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any ti
FIGURE 5
ng. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).
suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
4/10/15 11:45 AM
122 j 6-Elementos de clculo integral, campos escalares y campos vectoriales
We encountered ano
Vector Fields normal vectors N for a
Suppose a region in the plane or in spacecurve r(t) theybymight
is occupied hav
a movin
water. The fluid is made up of a large number of particles, and a
Figurehas
particle 16.7 Streamlines
a velocity v. Atin different
a points of the region at a gi
contractingcan
velocities channel.
vary.The
We water speedsofupa velocity Ifvector
can think we attach
beingthe gra
attach
Figure 16.6 Velocity vectors of a
as therepresenting
fluid channel narrows
the and of a particle level
the velocity
velocity at thatsurface of thea flui
point.Figure
Such fun1
avectors
vectorincrease 16.6 shows a velocityattach
in length.
field. Figure vectorthe velocity
field vecto
obtained f
an airfoil in a wind tunnel. Figure 16.7 shows a vectorvector field offiel
flow around an airfoil in a wind tunnel.
vel
streamlines of water moving through a contracting channel. arrows sho
Vecto
ated with forces such as gravitational attraction (Figure 16.8), and
electric fields, and there are also purely mathematical fields.
Generally, a vector field is a function that assigns a vector to e
A vector field on a three-dimensional domain in space might have y
F(x, y, z) = M(x, y, z)i + N(x, y, z)j + P(x, y,
M16_THOM8960_CH16_pp938-1032.indd 945
s k
y
(x k , yk , z k )
t=a
x
El trabajo es pues la integral de lnea con respecto a la longitud del arco del12
componente
tangencial de la fuerza.
Si la curva se expresa paramtricamente mediate r.t / D x.t / i C y.t / j C z.t / k,
entonces T.t / D r0 .t /=jr0 .t /j por lo que la expresin del trabajo queda
Equation 12 says t
b Z b component of the f
r0 .t /
l
W D F.r.t // 0 jr0 .t /j dt D F.r.t // r0 .t / dt:
jr .t /j a If the curve C
|
a
Tstd r9stdy r9std
Definicin 6.5 Sea F un campo vectorial continuo definido en una curva C dada por
la funcin r.t /, a t b. La integral de lnea de F a lo largo de C es
I l b I W
F dr D F .r.t // r0 .t / dt D F T ds
C a C
Copyright 2016 Cengage Learning. All Rights Reserved. May not be copied, scanned, or d
Editorial review has deemed that any suppressed content does not materially affect the overall l
126 j 6-Elementos de clculo integral, campos escalares y campos vectoriales
Teorema 6.2 Teorema fundamental de las integrales de lnea. Sea C una curva conti-
nua dada por la funcin r.t /, a t b. Sea f una funcin derivable de dos o tres
variables cuyo vector gradiente rf es una funcin continua en C . Entonces
I
rf d r D f .r.b// f .r.a//:
C
Este teorema proporciona la relacin entre la integral de lnea alrededor de una curva
cerrada C y la integral doble, de superficie,
1136 chapterde 16
laregin D contenida en C y adherida
Vector Calculus
a sta. Supondremos que la regin D consiste en todos los puntos interiores a C y los
de esta curva. Tambin que su orientacin es positiva, segn indica la figura 6.7. Este
teorema es la contrapartida del teorema fundamental del clculo para integrales dobles.
Teorema 6.3 Teorema de Green. Sean C , una curva continua por tramos, orientadaD
positivamente y cerrada en el espacio R2 , y D la unin de la regin acotada por C ,
(@D D C ), y la propia C . Si F D .P; Q/ W D ! R2 es un campo vectorial expre- C
sado por F.x; y/ D P .x; y/ i C Q.x; y/ j , en el que las dos funciones P 0y Q tienen x
derivadas parciales continuas en una regin abierta que contiene a D, se tiene que
FIGURE 2 (a) Positive orientation
@Q @P
P dx C Q dy D F dr D dA:
C C @x @xGreens TheoremLet C be a posit
D closed curve in the plane and let D b
continuous partial derivatives on an
Recall that the left side of this equation
is another way of writing y F dr,
6-Elementos de clculo integral, campos escalares y campos vectoriales j 127
De aqu que
rot F D r F:
curl F
Definicin 6.7 La divergencia de un campo vectorial F es el campo escalar de tres
Ps
variables
@P @Q @R Therefore
div F D C C :
@x @y @z
Como r D .@=@x/ i C .@=@y/ j C .@=@z/ k, la divergencia de F se puede escribir as scurl Fd k
div F D r F
Con estos conceptos, la expresin del teorema de Green puede
and adoptar estas rewrite
we can now dos the eq
nuevas formas
y
s
12
F dr D .rot F/ k dA C
C
D
y F n ds y sF
b
C a
et S be the part of the sphere x 2 1 y 2 1 z 2 25 that lies
42. L
above the plane
6-Elementos 4. If campos
z integral,
de clculo S hasescalares
constant density
y campos k, find
vectoriales j 129
(a) the center of mass and (b) the moment of inertia about
6.3 El teorema dethe Stokes
z-axis.
3
Este teorema, debido a 43. A fluid
George has Stokes,
Gabriel 870 kgym
densityIrlanda, and flows with velocity
1819-1903,
2 2
v z i 1 y j 1 x k, where x, y, and z are measured in
metersand the components of v in meters per second. Find
the rate of flow outward through the cylinder x 2 1 y 2 4,
0 < z < 1.
es un versin del de Green para dimensiones superiores a las que se define ste. Relaciona
un integral de superficie en una superficie S con una integral de lnea alrededor de una
curva que acota S .
El caso especial en el que la superficie S sea bidimensional y est en el plano .x; y/,
con orientacin hacia arriba (en el sentido contrario a las agujas del reloj), su vector
unitario normal es k, la integral de superficie es una integral doble y elSince
teorema de Stokes
se convierte en
F dr y
C
F dr D rot F d S D .rot F/ k dA
C
S S
Copyright 2016 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplic
Editorial review has deemed that any suppressed content does not materially affect the overall learnin
130 j 6-Elementos de clculo integral, campos escalares y campos vectoriales
FEA Fundamentals
Despus nos desharemos de alguna manera de la abstraccin empleada y comproba-
remos que realmente
Define estamos tratando con un espacio vectorial de dimensin finita: los
the domain
vectores funcin no son infinitos ni estamos sumando infinitos trminos.
FEA Fundamentals
Discretize the domain
Este proceso es lo que se entiende por discretizacin en las tcnicas de los elementos
finitos. La discretizacin que se utiliza est determinada por una malla o retcula (una
retcula de por ejemplo 20 20 dara como resultado 441 funciones base nicas) mesh
como la de la figura 7.1 y normalmente se emplean dos funciones de base a cada lado
de un elemento de la malla.
Con esas funciones de base la solucin de nuestra ecuacin diferencial se represen-
tara de esta manera
X n
u0 D k k :
kD1
La nica diferencia con la expresin anterior es el lmite superior del sumatorio.
El siguiente paso es hacer que nuestra funcin de prueba sea una funcin de base.
Tambin habr que asegurarse que las funciones base no se superpongan, lo cual ga-
rantiza el que sean ortogonales como pretendamos antes y nos permite aproximar ms
fcilmente la solucin en el dominio de inters. Las funciones de base que se suelen usar
son polinomios (especialmente polinomios lineales o cuadrticos).
Despus de lo que puede parecer que es complicar el problema original agregando
toda esta abstraccin y matemticas para llegar a lo que hemos llegado, qu hemos
conseguido realmente? Pues convertir el problema en una ecuacin algebraica matricial
sencilla para poderlo resolver por medio del lgebra que conocemos. Si el problema
fuese lineal, simplemente tendremos que resolver la ecuacin Ax D b.
Para un problema simple como el de la ecuacin de Poisson
@2 u @2 u
u.x; y/ D 2
C 2 D f .x; y/;
@x @y
por Simon Denis Poisson, Francia, 1781-1840. 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
134 j 7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales
finitos en problemas de elasticidad. Esta matriz muy dispersa (con pocos coeficientes
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 finitos
consta de las siguientes fases u operaciones:
Conversin del problema original de dimensin infinita, mediante las propiedades
de los espacios de Hilbert, en uno similar prximo en un espacio vectorial de
dimensin finita. En ste se estudia 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 definicin 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 disper-
sas.
Las ventajas de este mtodo frente a otros son muchas en bastantes mbitos de la in-
geniera, 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 estu-
dio de un problema preciso habitual. Seguiremos esencialmente el trabajo de Francisco
Javier Sayas [2015].
D
N
We are thus given a polygon in the plane R2 . We call this polygon . Its boundary
is a closed polygonal curve . (There is not much difference if we suppose that there is
Dirichlet por Johann Peter Gustav Lejeune Dirichlet, Alemania 1805-1859
3
@n u D ru n;
Las derivadas de este espacio se entienden en un sentido dbil que hagan que el espa-
cio sea completo si toda sucesin de Cauchy en l tiene lmite y por lo tanto sea
un espacio de Banach. En sentido dbil no es sino una generalizacin del concepto de
derivada a funciones no necesariamente derivables pero si integrables localmente en el
sentido de Lebesgue en un dominio dado de Lp ./.
La norma correspondiente de este espacio completo es
Z Z 1=2 Z Z Z !1=2
@u 2 @u 2
kuk1;D 2
jruj C juj2
D C C juj2
;
@x1 @x2
denominada en ingeniera norma de energa. Las funciones que usan esta forma fini-
ta son funciones de energa finita. Intuitivamente, un espacio de Sobolev es un espacio
de funciones con derivadas de orden suficiente para un dominio de aplicacin determi-
nado y equipado con una norma que mida adecuadamente tamao y regularidad en las
funciones. Un subespacio de inters de ese espacio H 1 ./ es
H1D ./ D v 2 H 1 ./ jv D 0 en D :
Establecido todo este aparato matemtico, la formulacin dbil del problema original
queda as:
Determinar una funcin u 2 H ./ tal que 1
u D g0 en D Z
Z Z Z
ru rv C c uv D fv C g1 v; para todo v 2 H1D ./:
N
lo que quiere decir que v est en el mismo espacio de la funcin que se busca u pero
satisface una versin homognea de la condicin esencial de borde o frontera.
Los datos del problema estn en los siguientes espacios f 2 L2 ./, g1 2 L2 .N /
y g0 2 H 1=2 .D /. El segundo espacio restringe el dominio de las integrales en la l-
nea que marca N en vez de en . Que g0 2 H 1=2 .D / quiere decir que existe al
menos una funcin u0 2 H 1 ./ tal que u0 D g0 en D . De n hecho, todas las dems
o
que cumplen esta condicin pertenecen a u0 C HD ./ D u0 C vjv 2 H1D ./ D
1
w 2 H 1 ./jw D g0 en D . Que g0 pertenezca a H 1=2 .D / significa que no se busca
la solucin en el conjunto vaco.
del espacio H 1 ./ mediante funciones polinomiales sencillas por tramos o trozos. Esto
transformar el espacio original de dimensin infinita en un subespacio de dimensin
finita de funciones admisibles fciles de obtener.
Para conseguirlo se utiliza una particin del dominio de clculo en subdominios,
a los que se denomina mallado. El ms sencillo es aquel en el que es un intervalo de
la recta real, por ejemplo el abierto .0; 1/, en el que se tiene la particin 0 D x0 < x1 <
< xn D 1 dividida en subintervalos Ij D .xj 1 ; xj / de longitud hj D xj xj 1 ,
j D 1; : : : ; n. Si h D mKax hj y Vh es el espacio lineal de funciones v tal que v 2
C 0 .0; 1/, vjxi 1 ;xi es un polinomio lineal, i D 1; : : : ; n, perteneciente por tanto a P1 ,
y v.0/ D 0.
Para cada i D 1; : : : ; n se define la funcin i como una delta de Kronecker,
0
(0.4.3) Denition.
0 n v C ([0, 1]),xithe interpolant vI1 S of v is
Given
determined by vI : = i=1 v(xi )i .
Figura 7.5: Aproximacin mediante vh de una funcin de base lineal por tramos
x
El subespacio Vh de H 1 ./ es ahora 2
Vh D funciones v 2 C./vjK es lineal para todo K 2 Th ; v D 0 en ;
K K
16
12 18
An important result. As you 3 can see,
7
when defining the space Vh we have just glued
together P1 functions 1on triangles. Thanks to the way we have made the triangulation
and to the way we chose the local degrees of freedom, what we obtained was a continuous
8 17
function. One can think, is this4
so important? Could I take something discontinuous? At
this level, the answer is a very load and clear NO!
13 The reason is the following result that
allows us to know whether certain functions
9 are in H 1 () or not.
1
142 j 7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales
8 17
xi
here is certain intuition to be had on why this result is true. If you take a derivative of
piecewise smooth function, you obtain Dirac distributions along the lines where there
re discontinuities. Dirac distributions are not functions and it does not make sense to
e if the are square-integrable or not. Therefore, if there are discontinuities, the function
ils to have a square-integrable gradient.
.4 Dirichlet nodes
Figura 7.9: Soporte de dos funciones de base del dominio
Figure 1.9: Supports of two nodal basis functions
o far we have taken into account the discrete version of the domain but not the partition
Una funcin cualquiera uh 2 Vh se representa entonces como
its boundary into Dirichlet and Neumann sides. We first need some terminology. A
irichlet edge is an edge X M
of a triangle that X M
lies XM
on D . Similarly a Neumann edge is an
uh D uh .xj /j .xi / D uh .xj /j i D uh .xj /j :
dge of a triangle that is contained in N . The vertices of the Dirichlet edges are called
j D1 j D1 j D1
irichlet nodes. The doubt may arise in transitions from the Dirichlet to the Neumann
El conjunto
art of the fi ; iIfDa1;node
boundary. g es una to
: : : ; Mbelongs baseboth
de Vh. N and D , it is a Dirichlet node.
Hasta ahora no hemos tenido en cuenta si los nodos de la frontera estn en el seg-
mento de borde tipo Dirichlet o Neumann. Si tenamos hasta ahora el espacio
15
H1D ./ D v 2 H 1 ./v D 0; en D ;
Figure 1.10: Dirichlet nodes corresponding to the domain as depicted in Figure 1.1
In truth, in parallel to what happens with how the Dirichlet and Neumann boundary
7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales j 143
y uno de VhD as
X
uh D uj j :
j 2Ind
u .x / D g .x / 8j 2 Dir
Obtener una funcin uh 2 Vh
h j 0 j
tal que Z Z Z Z
ruh ri C c uh i D f i C g1 i ; 8i 2 Ind:
N
Para ello:
Hemos convertido el espacio de Sobolev en el que buscamos la funcin solucin
en uno de dimensin finita, Vh . Es decir, hemos reducido el problema a calcular
uh en los vrtices de una triangularizacin los nodos y a un nmero finito de
incgnitas.
Hemos sustituido las condiciones tipo Dirichlet fijando condiciones a los nodos
Dirichlet, lo que reduce an ms el nmero de incgnitas: a los nodos indepen-
dientes.
Hemos reducido el espacio de prueba de H1D ./ a un subespacio discreto VhD ,
lo que reduce un nmero infinito de pruebas en la formulacin dbil a un nmero
finito de ecuaciones lineales.
Para obtener finalmente el sistema de ecuaciones lineales escribimos uh en trminos
de las funciones de base de los nodos:
X X
uh D uj j C uj j :
j 2Ind j 2Dir
144 j 7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales
y reordenando llegamos a
i Z Z Z Z
rj ri C c j j uj D f i C g1 i
N
j 2Ind
i Z Z
rj ri C c j j g0 .xj /:
j 2Dir
y la matriz de masas Z
M ij D j i :
Ambas son simtricas. La Rde masas es
R definida positiva. La de rigideces semidefinida
positiva. Si hacemos bi D f i C N g1 i , i 2 Ind, se llega a
i ! i !
W ij C cM ij uj D bi W ij C cM ij g0 .xj /; i 2 Ind:
j 2Ind 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 ope-
raciones necesarias para resolver los gigantescos sistemas de ecuaciones lineales a que
pueden dar lugar son perfectamente tratables por los ordenadores disponibles actualmen-
te.
7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales j 145
(a) x f y=y(x)=f(x)
FUNCIONES
Input 1: argument x Input 2: function
(independent y=y(x) (primary Functional Output: functional
variable) dependent variable) operator value J (a scalar)
Input 3: derivative
of primary y'=dy/dx
dependent variable
FUNCIONALES
Figure
Figura1.1.7.10:
BlockDiagrama
diagrams that
de illustrate
bloqueskeyquedifferences
ilustra labetween functions
diferencia anden
formal functionals in one dimension.
una dimensin entre
(a) An ordinary function y = y(x) = f (x) of the independent variable x; (b) a functional J [y] = J (x, y) of
una funcin ordinaria y un funcional. (a) Una
funcin ordinaria y D y.x/ D f .x/ de
the function y(x); (c) a functional J [y] = J (x, y, y ) of the function y(x) and its derivative y = dy/d x.
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
1.2.3. Basic 1D Functional
El funcional bsico unidimensional lineal ms tpico tiene la forma
To keep things simple, in this Chapter we focus on one specific type of functional, called the basic
one-dimensional Zfunctional.
b It has theform (1.2), under additional restrictions:
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 :
b a
J [y] = F x, y(x), y (x) , x = [a, b], a b, y(a) = ya , y(b) = yb . (1.3)
En palabras, a la funcin y D y.x/ est definida en el segmento x 2 a; b, a b, de la
recta real. Dado un x, y.x/ se supone real y nico. Adems, y.x/ es continua y derivable
por lo the
In words: y 0 .x/ existe
quefunction y = al igual
f (x) que la over
is defined integral enunciada.
the segment x La[a,funcin
b], a debe
b, ofsatisfacer
the real line.
Given x, y is assumed real and unique; that is, y(x) is single-valued. Furthermore y(x) possesses
2 Fuente: http://www.colorado.edu/engineering/CAS/courses.d/AVMM.d/AVMM.Ch01.d/AVMM.Ch01.pdf.
the appropriate smoothness so that y (x), as well as the integral in (1.3), exist. That function must
satisfy the stated end conditions at x = a and x = b, at which ya = y(a) and yb = y(b) are given.3
Those boundary conditions will be called essential.
146 j 7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales
3 Por ejemplo el de encontrar la curva de longitud ms corta que una dos puntos.
1.2 FUNCTIONALS VERS
7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales j 147
y y y
;;;;;
(a) (b) (c)
Arclength L
;;;;;
A y=y(x) A A
Straight
;;;;;
y(a)=y^a B B Cycloid
1.2 FUNCTIONALS VERSUS
y(b)=y^ b FUNCTIONS
;;;;;
Area A Parabol
B Cycloid B
Example 1.1. Area Under Curve. The area subtented by y(x) and the real axis is given by
b)=y^ b Parabola b
x x=a x=b x x=a A=
x=b x y(x) d x.
a
Figura
one-dimensional functionals 7.11: Ejemplos
used unidimensionales
in the examples de funcionales:
of ?. (a) area (a) rea1.1(b).
underp in Figure debajo de una curva,
R b See Figure 1.2(a). This has the form illustratedRb
urve; (b) curve arclength,
y.x/ (c)
dx; (b) Longitud
brachistochrone. de un arco de curva, 1 C .y 0 .x//2 dx; (c) Curva braquis-
R b q 1C.y
a a
Example
tcrona, 1.2. 0 .x//
Curve
2
dxLength. The length of the curve y(x) between x [a, b] and satisf
a 2gy
The area subtented conditions
by y(x) andisthe
given
realbyaxis is given by b
L= 1 + (y )2 d x.
donde F b
es una funcin conocida con derivadas continuas hasta segundo orden respecto
Aa =
x, y yiny(x) 0 d x.
. El the
ywhich valor de I depender de la trayectoria(1.4)
a
de la funcin entre .x ; y1 / y defi
a + sign of the square root is taken. See Figure 1.2(b). (If this L 1is uniquely
.x2 ; y2 /;theescurve
decir,isdepender de la funcin y.x/ que se escoja.
said to be rectifiable.) This functional has the form illustrated in Figure 1.1(c
m illustrated in Si seisintroduce
no explicitcomo prueba la
onfamilia
y; onlyde
ontrayectorias
Figure 1.1(b).
dependence its slope.
length of the curve y(x) between x [a, b]y.x/ Qand satisfying
D y.x/ Cthe ".x/;
given end
Example 1.3. Brachistochrone. This is illustrated in Figure 1.2(c). A point-mass body is r
b "time.
donde es unItparmetro
is constrained y .x/ una funcin
to move under thederivable
influenceaof laconstant
que se legravity
pide que / D y a
.x1along
g acting
L = 2 1 + (y ) d x.
.x / Dalong
0, resulta
a curve
2 que
y = se pueden
y(x) that generar
ends at una
B, infinidad
which is lowerde
(1.5) trayectorias
than A. (The para
mass unais pictured
.x/ as a
dada
a sinfigure,
ms que butvariar el parmetro
it is actually a sliding ". Todas
point ellasnopasan
rotation poris.xinvolved.)
1 ; y1 / y The
.x 2 ; ycurve
2 /. Consi-
y(x) is call
oot is taken. deremos path.
See Figure 1.2(b). Z xthis
The traversal
(If L time taken by
is uniquely Z
mass
defined to
bygo thisfrom A to B is given by the functional
integral
x2
0
2
This functional has the form IQ Dillustrated F .x;iny;
QFigure
yQ 0 / dx1.1(c),
D except F .x;thatyCthere
b "; y C "
0
/ dx
ly on its slope. x1 x1 T B = 1 + (y )2
A d x.
Q alcanzarn el mismo 2g y
Es evidente que los funcionales I y I
his is illustrated in Figure 1.2(c). A point-mass body is released at A at zero
a valor extremo (valor mximo
o mnimo) cuando
in whch gravity
er the influence of constant " D 0. Desarrollando,
g is the gacceleration
acting along ofy se
gravity.tiene que
This functional
and without friction,fits the form illustrated in Figure 1.1
!an Exercise. An!important feature is to find the trajectory
at B, which is lowerofthanthis A.functional
(The mass is the matter of
is pictured as a rolling
d IQ problem. We disk IQ in the
d 2shall "2
oint no rotation is this is called
involved.) IQ Dthe
The Qcurve
.Ibrachistochrone
/"D0 C y(x) is called C trajectory
"the 2
later
or show C that the solution of this fas
mass to go from A to a cycloid,
B is given colored
by thered in 1.2(c).
functional d" d" 2
"D0 "D0
Q
b que
Para 1 I+sea
Example(y )extremo cuando
2 1.4. Action es analytical
" D 0 In
Integral. necesario dynamics
que (including both Newtonian and qua
=
TAB functional dlike
x. (1.3), with the integral! taken over a(1.6)
time interval t [ta , tb ] is called the a
a 2g y
F is known as the Lagrangian, dwhich IQ is often denoted by L or L.
D 0:
vity. This functional fits the form illustrated in Figure d "1.1(c). The derivation
"D0
1.2.4.
n Exercise. An important featureAdmissible Functions
is to find the trajectory that minimizes T ;
roblem. We shall later show that the solution of this fastest descent time is
Key question: what sort of function can be fed into a functional? The question is
148 j 7-Sobre el Chapter
mtodo de los 1: VARIATIONAL
elementos CALCULUS
finitos de Ritz-Galerkin OVERVIEW
para resolver ecuaciones en derivadas parciales
(a) (b)
1
y B y
2 1
2
3
A A
y(b)=y^b 3
4
y(a)=y^a y(a)=y^ a 4
5
L CALCULUS OVERVIEW 5
admissible. The set of5 such functions is the admissible class with respec
x=b x x
The following generalx=b
consideration.x=a guidelines may be offered.
n of functionFigura
admissibity Function
7.12: Muestrario
concept Smoothness.
as de funciones
regards Admissible
admisibles
(1.3): (a) functions
en un
sample admissible funcional: are
(a) usually
functions Funcioneschosen
conti- to have the
1
nuas, C , con un slo
ontinuity (i.e., unique tangent
which at thevalor
each para cadaover
point), and
integration x y que
essentialthecumplen
BC, and las domain
single
problem condiciones
valuedness; de contorno;
makes sense.(b)For example
unctions that Inadmisibles:
violate one orLamore
form 1(1.2)
y laof3the
tienen
the derivadas
foregoing
presence y means
discontinuas;
conditions:
of lathat
curves 21esand
itdiscontinua
have y admite varios
is3reasonable to ask that y(x) hav
valores4 para
continuous, curve un x; la 4 admite
is multivalued, and curvevarios valores para
5 violates un x essential
the right y la 5 no cumple
BC. las condiciones de
contorno
For this to happen, it is sufficient that y (x) be piecewise continuous. Requ
domain would be overkill but safe.
number. A function that is permissible as input to a functional is called
End Conditions. Prescribed end values, such as y(a) = y , and y(b) = yb i
Es decir
ch functions the admissible class with respect to the functional under a
is que
a priori.ZAs 2previously
noted, this kind of specification is called an essent
ing general guidelines may bexoffered. @F d yQ @F d yQ 0
Single Valuedness. C requirement dx is D 0:
missible functions are usuallyxchosen 1
d "This
@yQ to have@ytheQ 0 dminimal
" optional.
smoothness for
"D0
It is often stipulated
formulation and analysis. But it must be abandoned for certain problems.
the problem
Dado quedomain makes
Qinvolved
d y=d sense. For
0
que d yQcurves
" D ,closed =d "example, 0 if the
y que
Dorspirals. 4 functional
quitar las tildeshas the
de yQ y de yQ 0 en las
y means
derivadas dereasonable
that it is F es lo mismo to askquethat
hacery(x)" Dhave 0 segn se requera
integrable ms arriba, la ecuacin
derivatives.
y (x)
anterior
ficient that beReal
se puede or Complex
reescribir
piecewise as: Values.
continuous. Requiring y(x) C 1isover
If the functional intended
the to model a physi
but safe. should be obvious.
Z x2 Else it is a fielders
choice re generality.
@F @F 0
= yillustrates
a , and C 0in dx D
@y = y@y
d end values, such as Figure
y(a)1.3 y(b)admissible (1.3),
function 0: classes
must for the basicfunctional (1
be satisfied
x1
b
(1) y(x) is real and C 1
ted, this kind of specification is called an essential boundary condition. the function must be
are laid down: [a, b], whence
Integrando por partes el segundo
It is oftentrmino,
continuous first derivatives; (2) satisfy essential BC at both ends; and (3
requirement is optional. stipulated a priori to simplify the
curves drawn in Figure 1.3(a) are admissible in this sense, whereas those
But it must be abandoned Z x2 for certain problems. x2 example,
Z For those that
x2
see figure@Flegend
0
as@Fto why. d @F
spirals.4 dx D dx:
x1
0 @y 0 @y x1 dx 0 @y
x1
If the functional is intended
1.2.5. to model
Variation anda Extrema
physical problem, the choice
of a Function
Cuando D 0 en los extremos la primera expresin del miembro de la derecha de esta
is a fielders choice re generality.
The concept of variation is fundamental since it gives variational calculus it
ssible function classes forwell
of the the known
basicfunctional
concept of(1.3). Three requirements
differential in standard calculus. This is brie
1
7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales j 149
Cualquiera que sea la funcin .x/ entre los puntos extremos, segn la frmula de Euler-
Lagrange se tiene que
d @F @F
D0
dx @y 0 @y
que es la condicin que debe cumplir y.x/ para ser un mximo o un mnimo: un extremo.
Si en esta expresin se sustituye F por su expresin F .x; y; y 0 / resulta una ecuacin
diferencial de segundo orden en y.x/.
Lema 7.1 Lema fundamental del Clculo de Variaciones. Sea M.x/ una funcin con-
tinua definida en el intervalo a x b. Supongamos que para cualquier funcin
continua .x/ se tiene que
Z b
M.x/.x/ dx D 0:
a
Demostracin. Supongamos que M.x/ no es cero en algn punto x0 2 .a; b/. Concre-
tamente que M.x0 / > 0. Por la continuidad de M.x/, existe un > 0 tal que
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 .x/ tal
que, como se ve en la figura 7.13,
0 si a x a1 D mKax.x0 ; a/
.x/ D > 0 si jx x0 j < ; x 2 a; b
0 si mKn.x0 C ; b/ D b1 x b:
M( x0 )
M( x0)
2
.x/
a x 0 x0 x 0 + b
FIGURE 15.17
Figura 7.13: Lema fundamental del Clculo de Variaciones
b b1 b1
1
0= M (x)(x)dx = M (x)(x)dx > M (x0 ) (x)dx > 0,
lo cual es una contradiccin.
a a1 a1 2
Si M.x0 / < 0 el argumento sera idntico sustituyendo M.x/ por M.x/. Si x0 D a
o x0 D b la demostracin sera casi igual con pequeas modificaciones en la lnea
argumental.
Corolario 7.2 El resultado del Lema 7.2.1 sigue siendo aplicable si
.a/ D .b/ D 0:
Lema 7.4 Sea M.x/ una funcin continua en a x b. Supongamos que para
cualquier funcin continua .x/, de derivada continua, se tiene que
Z b
M.x/ 0 .x/ dx D 0
a
Lema 7.5 Sea M.x/ una funcin continua definida en el intervalo a x b. Su-
pongamos que para cualquier funcin continua .x/, de derivadas continuas al menos
7-Sobre el mtodo de los elementos finitos de Ritz-Galerkin para resolver ecuaciones en derivadas parciales j 151
para .a/ D .b/ D 0 y .a/ D 0 .b/ D 0. Se cumple entonces que M.x/ D c0 Cc1 x
0
Sus orgenes se remontan al trabajo sobre ajustes ortogonales por mnimos cuadrados de
Karl Pearson, Reino Unido, 1857-1936.
Como apuntbamos, permite transformar las variables originales de los datos de un pro-
blema, en general correladas, en un nmero menor de nuevas variables incorreladas,
facilitando as la interpretacin de esos datos.
154 j 8-Anlisis de componentes principales
cov.X ; Y / D D U U T ;
Figura 8.2: Valores y vectores propios de un mismo conjunto de datos pero rotado ngulos
distintos
datos =
1.0000 2.0000 3.0000 4.0000 5.0000 6.0000 7.0000 8.0000 9.0000 10.0000
8.7000 14.3000 18.9000 19.0000 20.5000 14.7000 18.8000 37.3000 12.6000 25.7000
0.3000 0.9000 1.8000 0.8000 0.9000 1.1000 2.5000 2.7000 1.3000 3.4000
3.1000 7.4000 9.0000 9.4000 8.3000 7.6000 12.6000 18.1000 5.9000 15.9000
covariance =
56.9685 5.1705 30.4775
5.1705 0.8941 3.6479
30.4775 3.6479 18.7641
signal =
-12.3303 -5.3219 -0.4638 -0.2687 0.5154 -4.8597 1.2482 20.0429 -7.4938 8.9318
0.8063 -0.1713 0.4326 0.5136 2.0809 -0.2107 -2.7532 1.6367 0.0756 -2.4105
-0.0723 0.2971 -0.4540 0.6069 -0.0247 0.1397 0.1627 -0.0000 -0.4252 -0.2302
PC =
0.8714 0.4798 -0.1026
0.0853 -0.3542 -0.9313
0.4832 -0.8027 0.3495
V =
74.3739
2.1580
0.0948
PC =
0.8714 0.4798 -0.1026
0.0853 -0.3542 -0.9313
0.4832 -0.8027 0.3495
V =
74.3739
2.1580
0.0948
>>
Figura 8.4: Sesin de M ATLAB para analizar los datos sobre pisos construidos
9-Nmeros complejos, funciones e integracin j 161
El cociente z=w es
z a C bi
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 :
c Cd
2 2 c2 C d 2
162 j 9-Nmeros complejos, funciones e integracin
En su forma polar un nmero complejo se escribe z D re i' D r cos ' C i sen ' ,
p
donde r D x 2 C y 2 y ' D arctan.y=x/. A e i' D cos ' C i sen ' se la conoce como
identidad de Euler.
La circunferencia de radio unidad en el plano complejo es el lugar geomtrico de los
nmeros complejos con r D 1 figura 9.2. Si se multiplican dos nmeros e i y e i
de esa circunferencia,
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 :
i
e2 = i
i
e4
e i= 1 + 0i e0= 1 + 0i
x
z = a + bi = rei , (10.1)
where r is the complex magnitude |z| = a + b and = arctan b/a.
2 2
The unit circle in the complex plane corresponds to complex numbers of magnitude
r = 1. To multiply together the two numbers ei and ei on the unit circle, we could convert
to trigonometric functions and then multiply:
ei ei = (cos + i sin )(cos + i sin )
= cos
tienen un especial inters cos sin sin
en aplicaciones + i(sin cos + sin cos ).
prcticas:
Recognizing the cos addition formula and the sin addition formula, we can rewrite this as
En la recta de nmeros reales slo hay dos: 1 y 1.
En el plano complejocos(
hay muchos. Por ejemplo,
+ ) + i sin( i es) . una raz cuarta de 1: i 4 D
+ ) = ei(+
p 4
1 Djust
Equivalently, 1/2 the
. add D exponents:
1.
ei ei = ei(+ ) . (10.2)
Equation (10.2) shows that the product of two numbers on the unit circle gives a new
9-Nmeros complejos, funciones e integracin j 163
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 figura 9.3
para n D 5.
)LIWKURRWVRIXQLW\
L
Una raz n-sima de la unidad se denomina primitiva si no es una raz k-sima para
k < n. As, 1 es una raz segunda primitiva de la unidad y cuarta no primitiva de ella.
Visto de otra manera, la raz n-sima de la unidad es primitiva, si slo si sus k-
simas potencias, k D 0; 1; : : : ; n 1 son distintas. Las races cuartas de 1 son: 1, 1,
i, i. En el caso de 1 sus potencias de grado 0, 1, 2 y 3 son iguales; no es raz primitiva.
Para i , se calcula que las potencias de grado 0, 1, 2, 3 son, respectivamente, 1, i , 1, i ,
distintas, luego i es una raz cuarta primitiva de 1.
Lema 9.1 Sea ! una raz primitiva n-sima de la unidad y k un nmero entero. En-
tonces (
X
n 1
n si k=n es un entero;
jk
! D
j D0
0 en cualquier otro caso.
Es fcil ver que, para una n cualquiera, el nmero complejo !n D e i 2=n es una
ILOH''URSER[(VFXHOD$B7UDEDMRB(VFXHOD2QH5RRWVYJ
raz n-sima primitiva de la unidad (tambin lo es !n D e i 2=n ). En la figura 9.4 se ve
la raz cuarta primitiva de la unidad, !4 D e i 2=4 , y las otras tres. Son, en general, las
potencias !4k , k D 0; 1; 2; 3. Las !nk se denominan tambin factores twiddle. Se puede
verificar que la raz n-sima de la unidad, ! D e i 2=n , con n > 1, cumple que
1 C ! C !2 C !3 C C !n 1
D 0;
k or
factors in this context, are then given by n
k
by complejos,
164 j 9-Nmeros n , kfunciones
= 0, ...,n 1
e integracin
i = 3 = 1 4 4
....
...
....
...................
.... ......2/4
... ...
.
42 = 42 = 1 .............................................................................................
.. 1 = 40 = 44
....
....
....
....
..
0 Trigonometric Interpolation and the FFT
..
i = 41 = 43
y
6
4
5 7
4 /4 0 = 8 = 1
x
i2
3 =e 8
Figura 9.4: Raz cuarta primitiva de la unidad !4 D e i 2=4 y las otras tres. Nmeros de
Figure 10.3
Moivre de nRoots
D 8 of unity. The eight 8th roots of unity are shown. They are generated by
= e2/8 , meaning that each is k for some integer k. Although and 3 are primitive
8th roots of unity, 2 is not, because it is also a 4th root of unity.
1 C ! 2 C ! 4 C ! 6 C C ! 2.n 1/ D 0;
Here is a key identity that we
1 will
C !need
3 later
C! 6 to simplify
C ! 9 C our
C !computations
3.n 1/
D 0; of the Discrete
Fourier Transform. Let denote the nth root of unity = ei2/n where n > 1. Then
::
1 + + 2 + 3 + + n1 = 0. : (10.3)
n 1 .n 1/2 .n 1/3 .n 1/.n 1/
1 Cidentity
The proof of this ! Cfollows
! C!
from C C
the telescoping !
sum D 0:
(1 )(1 + + 2 + 3 + + n1 ) = 1 n = 0. (10.4)
Tambin que 1 C ! n C ! 2n C ! 3n C C ! n.n 1/ D 1 C 1 C 1 C 1 C C 1 D n:
Since thesi rst
Adems, k esterm on the left
un nmero is not zero, the second must be. A similar method of proof
entero,
shows that
n 1 1 + 2+ 4 + 6 + + 2(n1) = 0,
X n si k=n es entero,
!1j+
k
D
3 +0 en6
+ + + 3(n1) = 0,
9caso.
otro
j D0 ..
.
1 + n1 + (n1)2 + (n1)3 + + (n1)(n1) = 0. (10.5)
The next one is different:
n 2n 3n n(n1)
9-Nmeros complejos, funciones e integracin j 165
Exterior
y
Interior
x
Nos referiremos en lo que sigue a una curva simple, continua por tramos, como ca-
mino o ruta. Un camino en un conjunto S es un camino cuya trayectoria y grfica queda
We will refer to a simple, piecewise smooth curve as a path. A path in a set S is a path
enteramente
whose graphdentro
lies indeS.S .
Un conjunto de nmeros complejos est conectado si cualesquiera dos puntos de
S son principio y final de un camino de S . En trminos ms coloquiales esto quiere
decir que desde cualquier punto de S podemos llegar a cualquier otro, tambin de S ,
movindonos a travsnumbers
A set S of complex de algniscamino sinifabandonar
connected every two S . Un of
points conjunto abierto yofconectado
S are endpoints a path
se denomina dominio. Por ejemplo, el cuadrante del plano
in S. This means that we can get from any point of S to any other point by0.moving along
x > 0, y >
Un conjunto
some S de
path without nmeros
leaving S. Ancomplejos es simplemente
open, connected set is called aconexo
domain.siFor
cualquier
example, camino
any
cerrado en Sisencierra
open disk a domain, dentro deright
and the l puntos
quarterde S . x > 0, y > 0 is a domain.
plane
Teorema 9.2 Teorema integral de Cauchy. Si la funcin f es derivable en un dominio
simplemente
We encounteredconexo
domainsG,inentonces
connection with potential functions in Chapter 12.
I
f .z/ dz D 0
A set S of complex numbers is simply
connected if every closed path in S encloses only
points of S.
para todo camino cerrado
de G.
Este teorema quiere decir que f .z/ dz D 0 si f es derivable en el camino
y
This
en concept
todos los was also que
puntos discussed in Chapter
encierra
. Las12. Everyoopen
curvas disk issesimply
caminos connected.
suponen However,
orientados en el
let S be an open disk with the center removed (a punctured disk). Then a closed path about the
center in the disk encloses a point not in the set, so this set is not simply connected (although it
is open and connected, hence is a domain).
166 j 9-Nmeros complejos, funciones e integracin
10 | Anlisis de Fourier
L AS series y polinomios de Taylor permiten aproximar funciones mediante polino-
mios, o hallan una serie de potencias que converja a una determinada funcin.
El anlisis de Fourier va en esa misma lnea de intenciones, pero aproximando la
funcin mediante combinaciones de funciones seno y coseno adecuadamente elegidas.
Lo que sigue sale bsicamente de Villanueva [2016] y Contreras [2016].
En muchas ramas de la ingeniera y de la ciencia anlisis de circuitos, tratamiento
digital de seales, compresin de imgenes y archivos digitales, etc. las funciones que
se analizan son peridicas (o van moduladas sobre funciones peridicas), es decir, existe
un perodo T > 0 tal que
f .t C T / D f .t C nT / D f .t / para cualquier t 2 R y n 2 Z:
1 Xn0
f .t / D a0 C an cos.nw0 t / C bn sen.nw0 t /:
2 nD1
Es decir, una combinacin lineal de senos y cosenos que tienen un perodo comn T .
Los coeficientes a0 , an y bn se denominan coeficientes de Fourier del polinomio, w0
es la frecuencia fundamental y el ndice n0 , el grado del polinomio.
168 j 10-Anlisis de Fourier
fue pionero en el anlisis de funciones peridicas para describir fenmenos fsicos. Na-
cido en Auxerre y profesor de la cole Polytechnique, en 1807 formul la ecuacin
de difusin del calor mediante ecuaciones matemticas. Concretamente, la ecuacin en
derivadas parciales (parablica):
@u 1 @2 u
D o u t D Duxx :
@t 2 @x 2
La constante D > 0 se denomina coeficiente de difusin y representa la difusividad
trmica del material del cuerpo que se estudia.
Para resolver el problema de la distribucin de temperaturas en el cuerpo a partir de la
distribucin en un instante inicial necesitaba escribir la funcin que da el dato inicial co-
mo suma de una serie trigonomtrica. Este es el aspecto de sus mltiples contribuciones
al conocimiento cientfico que vamos a considerar aqu brevemente.
Aunque se presenta de varias maneras segn el tipo de problema estudiado, en ge-
neral, para una funcin de periodo T , el problema consiste en, dada una funcin f .x/,
encontrar una serie trigonomtrica de Fourier
a0 X
1
C an cos.nw0 x/ C bn sen.nw0 x/ ;
2 nD1
donde w0 D 2 T
, que converja a aproximar a f .x/ en cada punto x. Para todo w0 > 0
2
las funciones sen.w0 x/ y cos.w0 x/ son peridicas de periodo T D w 0
. Si conocemos
una funcin en un intervalo de longitud T conocemos su valor en todo R.
Para determinar adecuadamente esa serie, lo primero es obtener los coeficientes an y
bn . Para ello hay que usar de nuevo la nocin de ortogonalidad y el ngulo entre vectores.
Recordemos que dos vectores del espacio eucldeo n dimensional son ortogonales si se
cruzan formando un ngulo de 90 grados. Es decir, si su producto interior hji es cero:
f ? g y hf jgi D 0. La ortogonalidad y las bases ortogonales de espacios vectoriales son
el fundamento de mltiples tcnicas numricas, estadsticas y cientficas a las que nos
referimos en este libro.
Para construir el razonamiento necesitamos introducir un producto interior (escalar)
que sea conveniente para espacios de funciones de dimensin infinita. Con ese objetivo
10-Anlisis de Fourier j 169
T
por lo que esa familia es ortogonal sobre 2
; T2 , con T D 2
w0
y para k; l 0.
Z T
0; kl
2
cos.kw0 x/ cos.lw0 x/ dx D 2; kDl D0
T
2
; k D l 0;
Z T
(
2 0; k l
sen.kw0 x/ sen.lw0 x/ dx D
T
2
; k D l 0;
Z T
2
cos.kw0 x/ sen.lw0 x/ dx D 0
T
2
producto
P1interior por cos.lw0 x/, l > 0, en los dos trminos de la ecuacin f .x/ D
a0
2
C nD1 an cos.nw0 x/ C bn sen.nw0 x/ se tiene que
a0
hf j cos.lw0 x/i D h1j cos.lw0 x/iC
2
X
1
C an hcos.nw0 x/j cos.lw0 x/i C bn hsen.nw0 x/j cos.lw0 x/i
nD1
D al hcos.lw0 x/j cos.lw0 x/i D al ;
a0 X1
hf j1i D h1j1i C an hcos.nw0 x/j1i C bn hsen.nw0 x/j1i
2 nD1
a0
D k1k2 D a0 :
2
Esta expresin de a0 explica tambin el por qu de introducir en la formulacin de la
serie el sumando a0 dividido por 2.
En consecuencia, si la serie de Fourier converge a la funcin f .x/, los coeficientes
de la misma resultan de tomar productos interiores con las funciones trigonomtricas
bsicas; es decir, son
Z T
2 2
a0 D f .x/ dx
T T
2
Z T
2 2
ak D hf j cos.lw0 x/i D f .x/ cos.kw0 x/ dx; k D 0; 1; 2;
T T
2
Z T
2 2
bk D hf j sen.lw0 x/i D f .x/ sen.kw0 x/ dx; k D 1; 2; 3;
T T
2
Las integrales deben estar bien definidas y ser finitas. Queda por demostrar que existe
convergencia hacia f .x/.
Ejemplo 10.1 Consideremos la funcin f .x/ D x en 2 ; 2 . Calculemos los coefi-
cientes de Fourier se su aproximacin por series trigonomtricas:
Z
2 2
a0 D x dx D 0
2
Z 2
2 2 2 x sen.kw0 x/ cos.kw0 x/
ak D x cos.kw0 x/ dx D C D0
2
k k2 xD
2
10-Anlisis de Fourier j 171
Z 2
2 2 2 x cos.kw0 x/ sen.kw0 x/
bk D x sen.kw0 x/ dx D C D
2
k k2 xD
2
2
D . 1/kC1 :
k
La serie de Fourier es pues
sen 2x sen 3x sen 4x
f .x/ 2 sen x C C :
2 3 4
Demostrar que es convergente (que lo es) dista mucho de ser evidente y ms de ser trivial
el hacerlo.
Ejemplo 10.2 Otro ejemplo interesante para la aplicabilidad de las series de Fourier lo
constituye la funcin escaln definida as:
(
0; < x < 0;
f .x/ D
h; 0 < x < :
En la figura 10.1 se presenta esta funcin y los cuatro primeros trminos de la serie de
Fourier, lo que esboza el denominado fenmeno de Gibbs.
1.2
0.8
0.6
0.4
f(x)
0.2
0.2
0.4
0.6
0.8
4 3 2 1 0 1 2 3 4
x
Figura 10.1: Cuatro primeros trminos de la serie de Fourier de la funcin escaln, con
Figure 3:
h DFirst four terms
1, y fenmeno of the Fourier series describing a step function with h = 1.
de Gibbs
De la misma se derivan
2.3 Discussion
e i C e i e i e i
cos D
y sen D :
There are a couple of immediate observations
2 to be made here.
2i A Fourier series is a summa
ion of fixed-frequency sine peridica
Si f .t/ es una funcin or cosinedefunctions withdesarrollo
perodo T con argument nx. de
en serie AsFourier
such, the coefficient
describe the amplitude of the component with natural frequency n. For the step func
ion, the series converges very 0
X1
aslowly, which implies X1
that there are significant high-frequency
f .t / D C an cos.nw0 t / C bn sen.nw0 t /;
omponents necessary to accurately 2 nD1describe the function.nD1 This is generally true with any
discontinuous function, or other function with sharp features. A function which is very
sustituyendo los senos y cosenos por la expresiones anteriores se tiene que
ounded and sinusoidal converges quickly in the Fourier series, while something like the step
unction or triangle wave a0 needsX
1
many
e i nwmany X1
0 t C e high-frequency
i nw0 t components.
e i nw 0t e i nw0 t
f .t / D C an C bn :
2 nD1
2 nD1
2i
2.4 Exponential Form
Reordenando un poco
An alternative, more compact X1representation X1 of the Fourier Xseries can be made by usin
C1
Eulers formula f .t / D c0 C cn e i nw0 t C cn e i nw0 t D cn e i nw0 t ;
inx
nD1 e = cosnD
nx1+ i sin nx. nD 1 (6
donde
Using this 0 Da
weccan 0 =2, cn Equation
rewrite as y c
D .an i bn1/=2 n D .an C i bn /=2
Como en el caso de funciones reales definimos ahora un producto escalar de funcio-
X
nes complejas f; g W I R ! C como
f (x) =Z cn einx , (7
hf jgi D n= f .t /g.t / dt
I
4
10-Anlisis de Fourier j 173
p Z 2: 1
kf k2 D hf jf i D f .t /f .t / dt
I
Con este resultado podemos calcular los coeficientes cn para representar una funcin
f W T2 ; T2 ! C de la forma
X
C1
f .t / D cn e i nw0 t :
nD 1
Son
Z T
2
f .t /e i nw0 t dt
T
cn D : 2
T
Muchas seales se representan de manera natural como una funcin con valores reales
por ejemplo una seal sonora mientras que otras, en particular los campos electro-
magnticos, se representan como una funcin de valores complejos.
quien lo analiz en 1899. Este fenmeno ocurre en las proximidades de una disconti-
nuidad importante de la seal. Apunta a que no importa cuntos trminos de la serie de
Fourier se incluyan, siempre se producir un error o salto en esa discontinuidad. Ese salto
es un porcentaje adicional al valor de la seal en ese punto.
R senLa amplitud de la oscilacin
1 t
a cada lado de la grfica de la funcin tiende a ser 2 0 t
dt 1 0;0895 veces el
tamao del salto: en torno al 9 % de ese salto. Consideramos la funcin onda cuadrada
de perodo 2 definida en ; por
(
1 si < t < 0;
f .t / D
1 si 0 < t <
10-Anlisis de Fourier j 175
En la figura 10.2 se ilustra esta seal de onda cuadrada y cmo las series de Fourier se
ajustan bien en todos los puntos pero es muy perceptible el salto aludido. En la figura
max n=9 quiere decir que se han incluido los trminos n D 1; 3; 5; 7 y 9 en la serie de
Fourier.
Para la convergencia en norma 2 consideramos este resultado.
Teorema 10.4 Teorema de la mejor aproximacin y convergencia en media cuadrtica
de la serie de Fourier. Sea f W I ! R una funcin peridica de perodo T que satisface
las condiciones de Dirichlet. Sea la serie de Fourier de f
1 X1 X1
f .t / a0 C an cos.nw0 t / C bn sen.nw0 t / D cn e i nw0 t
2 nD1 nD 1
1 Xm Xm
fm .t / D a0 C an cos.nw0 t / C bn sen.nw0 t / D cn e i nw0 t :
2 nD1 nD m
R T
y, adems, lKmm!1 2
T jf .t / fm .t /2 dt D 0.
2
X
1 X
1
i nw0 t
f .t / D cn e y g.t / D dn e i nw0 t ;
nD 1 nD 1
siendo w0 D 2=T .
We illustrate with the example. of the square wave sq(t). The Fourier
series of sq(t) ts it well at points of continuity. But there is always an
176 j 10-Anlisis de Fourier
overshoot of about .18 (9% of the jump of 2) near the points of discontinuity.
1.18 1.18
1 1
t t
1 1 1 1
1 1
1.18 1.18
1.18 1.18
1 1
t t
1 1 1 1
1 1
1.18 1.18
X
1
pf .t / C qg.t / D .pcn C qdn /e i nw0 t :
nD 1
X
1 X
1
i nw0 t i nw0 t
f .t t0 / D cn e e D cn e i nw0 .t t0 /
:
nD 1 nD 1
10-Anlisis de Fourier j 177
10.1.3.4 Derivacin
La regla de la cadena muestra que la derivada de una funcin peridica es peridica
y tiene el mismo perodo. Si f es una funcin continua y peridica de perodo T y
su derivada f 0 verifica las condiciones de Dirichlet, entonces, la serie de Fourier de f
puede derivarse trmino a trmino de manera que si
1 X1
f .t / D a0 C an cos.nw0 t / C bn sen.nw0 t /;
2 nD1
entonces
X
1
f 0 .t / nbn w0 cos.nw0 t / nan w0 sen.nw0 t /
nD1
para cada t 2 R.
10.1.3.5 Integracin
A diferencia de la derivacin, la integral de una funcin no necesariamente vuelve a ser
peridica. Sea f una funcin peridica con perodo T y consideremos la funcin F .t / D
Rt RT
t0 f . / d . La funcin F es T -peridica si y slo si a0 D 2=T 0 f .t / dt D 0. En
Rt
caso contrario, se tiene que la funcin t0 f . / d 1=2a0 .t t0 / es T -peridica. Si la
funcin f verifica las condiciones de Dirichlet, entonces la serie de Fourier de f puede
integrarse trmino a trmino de manera que si
1 X1
f .t / D a0 C an cos.nw0 t / C bn sen.nw0 t /
2 nD1
10.1.3.6 Convolucin
P1
Los coeficientes complejos de Fourier de la convolucin f .t /g.t / D nD 1 hn e i nw0 t
son
X1 X1
hn D ck dn k D cn k dk :
kD 1 kD 1
10.1.3.7 Multiplicacin
Se verifica que
Z T
X
1
1 2
f .t /g.t / dt D cn dn :
T T
2 nD 1
Fsicamente se puede leer como que la energa de una seal peridica es igual a la suma
de las energas de sus componentes. Geomtricamente se puede interpretar como una
consecuencia de una versin infinito dimensional del Teorema de Pitgoras.
Proposicin 10.5 Sean f1 ; f2 2 L2 . T
2
; T2 / y .cn1 /n2Z , .cn2 /n2Z sus respectivos
coeficientes de Fourier. Entonces
Z T
X
1 2
f1 .t /f2 .t / dt D cn1 cn2 ;
T T
2 n2Z
La idea, ms o menos intuitiva, que utiliz Fourier fue considerar una funcin no
peridica como una funcin peridica de perodo infinito, lo que le llev a representarla
no como una serie cuyos trminos corresponden a mltiplos de la frecuencia fundamental
0; w; 2w; 3w; : : : ; sino como una integral cuya variable de integracin es una frecuencia
que se mueve de manera continua.
CuandoP hablbamos del espectro de una funcin peridica, representada por una serie
de Fourier n cn e i nw0 t , con la frecuencia fundamental w0 D 2=T , apuntbamos que
los coeficientes cn podan ser entendidos como una funcin c.w/ W R ! C( R/ que
toma valores distintos de 0 slo en los puntos w D nw0 , con n 2 Z , en los que vale cn .
180 j 10-Anlisis de Fourier
X
1
f .t / D cn e i nw0 t ;
nD 1
donde
Z T
1 2
i nw0 t 2
cn D f .t /e dt y w0 D :
T T
2
T
Sustituyendo estas dos expresiones en la serie
Z !
X
1
1
T
2
i nw0 x
f .t / D f .x/e dx e i nw0 t D
nD 1
T T
!
2
X
1 Z T
1 2
i nw0 x
D f .x/e dx w0 e i nw0 t :
nD 1
2 T
2
X
k Z b
lKm h.a C nw0 /w0 D h.t / dt:
w0 !0 a
nD1
Haciendo el paso a una integral impropia tenemos que, cuando w0 tiende a 0 o cuando
T tiende a infinito
Z 1 Z C1
1 iwx
f .t / D f .x/e dx e iw t dw:
2 1 1
entonces Z 1
1
f .t / D F.w/e iwx dt:
2 1
dada por Z 1
1
F 1
.F/.t / D F.w/e iw t dt:
2 1
10.2.1.1 Linealidad
Si f; g 2 L2 .R/ y ; 2 R, entonces F.f C g/ D F.f / C F.g/.
1 w
F.g/.w/ D F.f / :
jaj a
182 j 10-Anlisis de Fourier
indica que, para cualquier seal, la amplitud de sus componentes en frecuencia tiende a
0 cuando la frecuencia tiende a infinito.
Teorema 10.10 Inversin. Si f 2 L2 .R/ entonces F.f / 2 L2 .R/ y adems la fun-
cin Z 1
1
g.t / D F.f /.w/e iw t dw;
2 1
la transformada inversa de la transformada de f , verifica que f .t / D g.t / en casi todo
punto.
La expresin en casi todo punto tiene un significado matemtico muy preciso.
Quiere decir que f .t / D g.t / excepto en, a lo sumo, un conjunto de medida cero.
Aunque esto habra que desarrollarlo un poco ms, la idea intuitiva es que cualquier in-
tervalo no vaco no es de medida cero, mientras que un slo punto, o una cantidad finita,
o incluso numerable, de puntos, s forman un conjunto de medida cero. Por tanto, el teo-
rema de inversin nos dice que si tomo una funcin f 2 L2 .R/, hallo su transformada
de Fourier F.f / y a continuacin hallo la transformada inversa de F.f /, entonces re-
cupero f salvo quizs en unos pocos puntos, que no van a tener ninguna importancia en
la gran mayora de las aplicaciones. Esto es lo que nos permite decir que no perdemos
informacin al considerar F.f / en lugar de f , puesto que podemos recuperar f (salvo
quizs en unos pocos puntos) a partir de F.f /.
10-Anlisis de Fourier j 183
Definicin
688 TH E F10.5 Sean f; g W R ! R. Se define su convolucin f g como
O URI E R T RA N SF O RM
Z 1
.f g/.x/ D f .x
|F( j)| of a band-limited signal y/g.y/
f (t); that dy;whose spectrum is zero for | | m.
is, a signal
Figures 8.26(b e) show 1 the amplitude spectrum |Fs( j)| of the sampled version for
increasing values of the sampling interval T. Clearly, as T increases, the spectrum of
siempre y cuando la integral impropia
F( j), as observed exista.
using |Fs( j)| in m m, becomes more and more misleading
because of interaction from neighbouring copies.
Teorema 10.11 Sean f;Asgwe2 saw L2 .R/. Entonces
in Section 8.6.2, the g existe,
f periodicity in the
f amplitude 2
g 2 Lspectrum |Fs( j)| of fs(t)
.R/ y adems
is inevitable as a consequence of the sampling process, and ways have to be found to
1. F.f g/.w/ D F.f /.w/
minimize F.g/.w/
the problems paraThe
it causes. todo w 2 R.observed in Figure 8.26 between the
interaction
2. F.f g/.w/ Dperiodic repeatsisF.g/.w/
F.f /.w/ para todo
known as aliasing 2 R.
w and
error, it is clearly essential to minimize this
effect. This can be achieved in an obvious way if the original unsampled signal f (t) is
Estos ltimos resultados tienen
band-limited as inuna importancia
Figure 8.26(a). It is fundamental
apparent that wepara must la realizacin
arrange de
that the periodic
filtros en frecuencia, que permitan,
repeats of |F( j)|dada
be faruna
enoughseal,
apartquedarnos con sus between
to prevent interaction componentes enThis
the copies.
cierto rango de frecuencias y desechar
implies that we have las dems. Junto con el teorema de Nyquist, o
teorema de muestreo, que proporciona
0 2 m informacin esencial para el paso de una seal
analgica, o continua,ataanuna seal digital, conforman
absolute (and impractical!) la base
minimum. Sincepara
0 = el
2 estudio y procesado
/T, the constraint implies that
digital de seales DSP, digital signal processing.
T / m
where T is the interval between samples. The minimum time interval allowed is
10.2.2 La Transformada
Tmin = de
/ m Fourier discreta
La Transformada de Fourier
which is known discreta se refiere
as the Nyquist al tratamiento
interval de funciones
and we have discretas
in fact deduced a formen of the
NyquistShannon sampling theorem. If T Tmin then the copies of F( j) are
el tiempo y frecuencia. Su objetivo es transformar una sucesin discreta de valores, fn ,
isolated from each other, and we can focus on just one copy, either for the purpose of
n D 0; : : : ; N 1, ensignal
otra F k , k D 0; : or
reconstruction, : : for
; Nthe purposes
1. of the estimation of F( j) itself. Here we are
Las sucesiones objeto de anlisis
concerned only with pueden
the latterserproblem.
el resultado de un
Basically, we registro de una aseal
have established condition
propiamente dicha, con valores
under whichperidicos,
the spectrumoofelthe resultado
samples de unaband-limited
of the seal continua
signal que
f (t), se
thathais the
spectrum of fs(t), can be used to estimate F( j).
digitalizado. Esto ltimo consiste en muestrearla, o samplearla, es decir, no quedarse
Suppose we have drawn N samples from a continuous signal f (t) at intervals T, in
con toda la seal sinoaccordance
con la sucesin de valores
with the Nyquist de la
criterion, seal
as in Figuretomados
8.27. We cada T segundos
then consider
(este es el caso del muestreo uniforme N1
en el tiempo), aunque para ciertas seales puede
ser ms interesante un muestreo
f s ( t ) = no uniforme.
f ( kT ) ( t En
kT )la figura 10.3 se ve una muestra de esta
idea. k=0
Figure 8.27
Sampling of a
continuous-time signal.
N-1)T
0 T 2T 3T 4T 5T (N-1)T
Figura 10.3
184 j 10-Anlisis de Fourier
donde ! D e i2=n
.
De acuerdo con el Lemap 9, de la pgina 163, la transformada de Fourier discreta de
x D 1, 1, : : : ; 1T es y D n, 0, : : : ; 0T .
En forma matricial, la definicin dice que
2 3 2 3 2 32 3
y0 a0 C ib0 !0 !0 !0 !0 x0
6 y 7 6 a C ib 7 6! 0 1 !2 ! n 1 76 x 7
6 1 7 6 1 1 7 6 ! 76 1 7
6 7 6 7 6 0 2 !4 ! 2.n 1/ 7 6 7
6 y2 7 D 6 a2 C ib2 7 D p1 6! ! 7 6 x2 7.
6 : 7 6 7 n6 : 7 6 7
6 : 7 6 :: 7 6 : :: :: :: 7 6 :: 7
4 : 5 4 : 5 4 : : : : 54 : 5
2
yn 1 an 1 C ibn 1 !0 ! n 1 ! 2.n 1/ ! .n 1/ xn 1
A la matriz simtrica
2 3
!0 !0 !0 !0
6! 0 1 !2 ! n 1 7
6 ! 7
6! 0 2 !4 2.n 1/ 7
Fn D p1n 6
6 :
! ! 7
7
6 : :: :: :: 7
4 : : : : 5
!0 ! n 1 ! 2.n 1/ ! .n 1/2
se la denomina matriz de Fourier. Todas sus filas y columnas, excepto las primeras,
suman cero. La inversa de la matriz de Fourier es
2 0 3
! !0 !0 !0
6! 0 ! 1 ! 2 ! .n 1/ 7
6 7
6 0 2 ! 4 ! 2.n 1/ 7
Fn 1 D p1n 6!
6 :
! 7
7
6 : :: :: :: 7
4 : : : : 5
2
! 0 ! .n 1/ ! 2.n 1/ ! .n 1/
Este teorema es fruto del trabajo de Harry Nyquist, Suecia 1889-EE.UU. 1976 y
186 j 10-Anlisis de Fourier
X
1
sen !M .t nT /
f .t / D f .nT / ;
nD 1
!M .t nT /
Figura 10.4
El Teorema de Nyquist indica que la frecuencia de muestreo mnima que tenemos que
utilizar debe ser mayor que 2fM (frecuencia crtica de Nyquist), donde fM es la frecuen-
cia mxima de la seal compleja. Si utilizamos esa frecuencia de muestreo, podremos
10-Anlisis de Fourier j 187
1 X2 h i
N
yk D x0 C . 1/k xN 1 C xn cos nk ; k D 0; : : : ; N 1:
2 nD1
N 1
190 j 11-La Transformada del coseno discreta
DCT-II
X1
N
1
yk D xn cos nC k ; k D 0; : : : ; N 1:
nD0
N 2
DCT-III
X1
N
1 1
yk D x0 C xn cos n kC ; k D 0; : : : ; N 1:
2 nD1
N 2
DCT-IV
X1
N
1 1
yk D xn cos nC kC ; k D 0; : : : ; N 1:
nD0
N 2 2
y D C x:
Para que la matriz C sea una matriz ortonormal (y por tanto su inversa coincida con
su transpuesta) se han de multiplicar las ecuaciones anteriores por unos coeficientes de
escalado y normalizacin que pueden depender de k y n. Para la DCT-II son
( 1
1 p si j D 0
ck n D w.k/ cos k nC ; con w.k/ D N
2
N 2 p si j 0:
N
Se pueden componer dos (o ms) grupos de funciones bsicas para crear transfor-
madas de dos (o ms) dimensiones. La DCT bidimensional (DCT-2D) es una funcin
lineal invertible de RN N ! RN N que descompone el bloque de imagen en una suma
de frecuencias espaciales. Los coeficientes ykl de la DCT para bloques xij de 8 8 se
expresan como:
c.k/c.l/ X X
7 7
.2i C 1/k .2j C 1/l
ykl D xij cos cos ;
4 16 16
i D0 j D0
(
1
si x D 0
donde k; l D 0; 1; : : : ; 7 y c.x/ D 2 : Su inversa, IDCT-2D,
1 si x 0
X
7 X
7
c.k/c.l/ .2i C 1/k .2j C 1/l
xij D ykl cos cos :
4 16 16
kD0 lD0
Figura 11.1
La ventaja que tiene la DCT frente a la DFT para la compresin de imgenes, a parte
de solo utilizar nmeros reales, es que produce una mejor compactacin de la energa
(consigue concentrar la mayor parte de la informacin en pocos coeficientes) y un menor
efecto de bloque. Este efecto se esquematiza en la figura 11.2.
El efecto de bloque se produce cuando se divide la imagen en bloques de 88 pxeles
o macrobloques de 16 16 pxeles para poder ejecutar los algoritmos de transformacin.
Cuando se lleva a cabo la DFT del bloque, se asume la periodicidad del mismo (que se
repite a lo largo de todo el plano bidimensional que contiene la imagen). En la trans-
formada de Fourier el pxel B del borde derecho ser tratado por el algoritmo como si
estuviera seguido por el pxel A. Si los niveles de gris en cada pxel difieren considera-
blemente cualquier reconstruccin del bloque a partir de nicamente un nmero limitado
de coeficientes de Fourier dar lugar a valores errneos en A y B. Este fenmeno es lo
que se conoce como efecto de bloque, que tiende a hacer muy visibles los lmites de los
bloques en la compresin, especialmente cuando la proporcin de compresin es eleva-
da. Sin embargo, mientras que la teora de Fourier implica la repeticin de los bloques
LxL, la teora de la DCT impone esta repeticin sobre bloques 2Lx2L, que estn relacio-
nados con los bloques originales LxL a travs de simetras especulares. La consecuencia
192 j 11-La Transformada del coseno discreta
Figura 11.2: Compactacin de la energa de una TCD comparada con una TFD
de esta simetra
Introduccin yespecular
estado del arte es que despus del pxel B, le sigue otro pxel 25
B, eliminando
as la discontinuidad, esto provoca una reduccin considerable del efecto de bloque. En
pxel B, le sigue otro pxel B, eliminando as la discontinuidad, esto provoca una
la figurareduccin
11.3 seconsiderable
muestra la del periodicidad
efecto de bloque. de un bloque 4 4 en la TFD y la TCD.
(a)
2L
L
A B B A
2L
(b)
Figura 11.3:
FiguraPeriodicidad supuesta
15. Periodicidad supuesta de un de un4x4bloque
bloque 4yde
4 DFT
por (a) una unaDCT.
(b) una TFD (a) y una TCD (b)
La transformacin lineal ptima que minimiza el error cuadrtico medio entre la
La transformacin
imagen original y lalineal
imagen ptima
recuperadaque minimiza
(despus el error
de transformar cuadrtico
y comprimir la medio entre la
imagen) es la transformada de Karhunen-Love (KLT). La KLT realiza una descom-
imagen original
posicin deycomponentes
la imagenprincipales
recuperada (PCA)(despus de de
de los bloques transformar
la imagen, porylocomprimir
que la imagen)
es la transformada de Karhunen-Love
las funciones bases (KLT). La
(y la matriz de la transformacin) KLTderealiza
dependen una descomposicin de
las propiedades
estadsticas de la imagen. Las funciones base (y su matriz de transformacin) de la
componentes principales
DCT dependen (PCA)
nicamente de los
del orden bloques
N. Por de selamencion
lo que como imagen, porfijado
antes, lo que las funciones
bases (yellanmero
matriz de laestas
de puntos transformacin)
son siempre igualesdependen
sea cual sea de las propiedades
la imagen. Una de las estadsticas de
ventajas de la DCT es que siendo fija la transformacin su eficiencia de compresin
la imagen. Las funciones
se aproxima a la de la KLT base (y supara
(la ptima) matriz decon
imgenes transformacin) de la DCT dependen
alto grado de correlacin
espacial.
11-La Transformada del coseno discreta j 193
nicamente del orden N. Por lo que como se mencion antes, fijado el nmero de puntos
estas son siempre iguales sea cual sea la imagen. Una de las ventajas de la DCT es que
siendo fija la transformacin su eficiencia de compresin se aproxima a la de la KLT (la
ptima) para imgenes con alto grado de correlacin espacial.
194 j 11-La Transformada del coseno discreta
12-La Transformada de Laplace j 195
12 | La Transformada de Laplace
E NUNCIADA por Pierre-Simon Laplace, Francia, 1749-1827,
esta transformada integral es similar a la de Fourier. Mientras sta es una funcin com-
pleja de una variable real, la frecuencia, la de Laplace es una funcin compleja de una
variable compleja.
Definicin 12.1 Dada una funcin f .t / definida en 0; 1/, su Transformada de La-
place es la funcin Z 1
st
F .s/ D Lff g D e f .t / dt:
0
Su transformada de Laplace es
Z 1
at st
Lff .t /g D Ae e dt
Z
0
1
.sCa/t
D Ae dt
0
1
e .sCa/t A
A D ;
.s C a/ sCa
0
196 j 12-La Transformada de Laplace
at A
Ae .t 0/ , :
sCa
f .t /; t 2 0; 1/ Lff g
1
1 s
1
e at ; a 2 R s a
n
t n; n 2 N s nC1
w
sen wt; w 2 R s 2 Cw 2
s
cos wt; w 2 R s 2 Cw 2
w
senh wt; w 2 R s2 w 2
s
cosh wt; w 2 R s2 w 2
w
e at sen wt; a; w 2 R .s a/2 Cw 2
s a
e at cos wt; a; w 2 R .s a/2 Cw 2
2ws
t sen wt; w 2 R .s 2 Cw 2 /2
s2 w 2
t cos wt; w 2 R .s 2 Cw 2 /2
Cuadro 12.1
198 j 12-La Transformada de Laplace
13-Clculo estocstico y simulacin j 199
para k D 0; 1; : : : ; n.
202 j 13-Clculo estocstico y simulacin
FX .x/ D P .X x/ D PX .. 1; x/:
X
n
E.X / D i P .Ai /:
i D1
Ejemplo 13.7 Si X es una variable aleatoria con ley normal N.0; 2 / y es un nmero
real,
1
1 x2
E.e X / D p e x e 2 2 dx
2 2 1
1
.x 2 /2
1 2 2
Dp e 2 e 2 2 dx
2
2 1
2 2
De 2 :
X m
P .m 1;96 X m C 1;96 / D P . 1;96 1;96/
.1;96/ . 1;96/ D 0;95;
Se dice que un vector aleatorio n-dimensional X tiene una ley normal N.m; /,
donde m 2 Rn y es una matriz simtrica y definida positiva, si
P .ai Xi bi ; i D 1; : : : m/ D
Z bn Z b1 Pn
1
n
i;j D1 .xi mi /.xj mj /ij 1
D .2 det / 2 e 2 dx1 dxn :
an a1
Existen tambin leyes normales degeneradas en las que la matriz es singular. En este
caso no existe la densidad de probabilidad y la ley de X queda determinada por su
funcin caracterstica: 0
E e i t X D e .i t m 2 t t / ;
0 1 0
Lp .; F; P /:
Sea X una variable aleatoria con funcin caracterstica 'X .t / D E.e i tX /. Los mo-
mentos de la variable aleatoria pueden calcularse a partir de las derivadas de la funcin
caracterstica en el origen
1
mn D n 'X.n/ .t / :
i tD0
Un concepto fundamental en probabilidades en el de la independencia.
Definicin 13.11 Dos sucesos A; B 2 F se dicen independientes si
P .A \ B/ D P .A/P .B/:
13-Clculo estocstico y simulacin j 205
Si se tiene una sucesin finita o infinita de sucesos fAi ; i 2 I g, se dice que los sucesos
de la coleccin son independientes si
P .A \ B/
P .AjB/ D :
P .B/
X(t) 0
5
4
3 100
50
Muestra nmero 2 t
1 0
Figura 13.1
Figure 4.1. Four samples of a stochastic process.
Si fijamos un conjunto finito de instantes f0 t1 < < tn g tendremos un vector
aleatorio .X t1 ; : : : ; X tn / W ! Rn . Las distribuciones de probabilidad P t1 ;:::;tn D
P .X t1 ; : : : ; X tn / 1 se denominan distribuciones en dimensin finita del proceso.
La media (muestral) y la autocovarianza de un proceso estocstico se definen as:
mX .t / D E.X t /
X .s; t / D Cov.Xs :X t /
1 D E..Xs mX .s//.X t mX .t //: Sample 1
Sample 2
La varianza (muestral) del proceso X se define por X2 .t / D Var.X
D X .t; t /Sample 3 t /.
Se dice que un proceso estocstico fX t ; t 0g es gaussiano o normal si sus distri-
bucionesX(t)
en dimensin
0 finita son leyes normales multidimensionales. En el caso de un
proceso estocstico gaussiano, la media mX .t / y la autocovarianza X .s; t / determinan
las distribuciones de dimensin finita del proceso.
La media1mX .t / y la varianza X2 .t / nos permiten conocer dnde se concentran los
valores de la variable
0 X t as0.25
como su grado de 0.5 dispersin, para
0.75 cada instante1t fijo. Por
ejemplo, en el caso de un proceso gaussiano, t
E.jX t Xs jp / cT jt sj
para todo 0 s < t T , donde a > 1 y p > 0. Entonces existe una versin del
proceso estocstico X t que tiene trayectorias continuas.
Toma su nombre
5 de Andri Nikolyevich Kolmogrov, Rusia 1903-1987.
X(t) 0
5
4
3 100
2 50
1 0
Sample # t
1 Muestra 1
Muestra 2
Muestra 3
X(t) 0
1
0 0.25 0.5 0.75 1
t
Figura 13.2
Figure 4.2. Three samples of stochastic process X(t) =
A cos (10t).
208 j 13-Clculo estocstico y simulacin
2 of 11
orresponds to a (different) frozen , -6
13-Clculo estocstico y simulacin j 209
We will define the simple random walk later. For
follows. It starts at x = 0 for t = 0. After that a fair
wo vari- 6 6
4 4
t t = 1, 2, . . . and the position at t + 1 is determined
point of
= k, x = k + 2, .. . , x = k 2, x =k). ,
tions are 5 10 15 20
5 10 15
20
above, Figure -22. on the right shows two
-2
later. For
that a fair Figura 13.3: Paseos aleatorios tpicos
NONICAL PROBABILITY SPACE
6 Figure 1: Two (truncated) trajec-
= 1 is we
tories
de 10ofpasos
a random walk.
4 % Movimiento browniano
etermined
it sounds too abstract. When one deals
%
with
t=10; w=0;
position at
chastic processes, the construction of the
2 for i=1:t
0.30
if rand>1/2
o support a given
model
5
is usually
10
quite
else
15
w=w+1;
20
0.25
be implemented
ime t is on a special probability
end 0.15
bles X15 :
ple-space -4 0.10
Cuadro 13.1
unctions.
0.05
-6
SPACE LaFigure
will be a sequence esperanza 1: =Two
(0(truncated)
matemtica
, 1 ,de
2cada trajec-
, . . .paso
) i del0.25 paseo aleatorio S es E. / D .0;5/.1/C
t i
.0;5/. 1/
tories D of0. aSu
n N0 we define the mapping n : varianza
random Var./
walk. D E. i
0.20 0/ 2
D .0;5/.1/ 2
C .0;5/. 1/2 D 1.
La esperanza matemtica del paseo aleatorio0.15despus de t pasos es E.S t / D E.1 C
healsn-th
withcoordinate :
C t / D E.1 / C C E. t / D 0 y la varianza Var.S t / D Var.1 C C t / D
on of the Var.0.30 1 / C C Var. t / D t, pues la
0.10
varianza es aditiva sobre las variables aleatorias
n (
lly )=
quite n . 0.25
independientes.
0.05
m
2variable
, . . . ) with0.25 the uniform distribution on .S t1 Es /2 C C .S tn Es /2
S .t; t / D Var.S t / D
n : 0.20 n 1
0.10
0.05
210 j 13-Clculo estocstico y simulacin
X
kt X
kt
E.S tk / D E.Sik / D 0 D 0:
i D1 i D1
La varianza ser
" #
X
kt X kt
1 2 1 2 kt
Var.S tk / D Var.Sik / D p .0;5/ C p .0;5/ D D t:
k k k
i D1 i D1
La figura 13.4 muestra un paseo aleatorio discreto con 10 pasos y otro con k D 25, es
decir con and
andom Numbers 250.Applications
y y
5 5
x x
5 10 5 10
5 5
(a) (b)
Figura 13.4
Figure 9.10 Discrete Brownian motion. (a) Random walk Wt of 10 steps. (b) Random walk Wt25
using 25 times more steps than (a), but with step height 1/ 25. The mean and variance of the
El lmite
height at timedet =esta subdivisin
10 are identical (0deand cuando
S t 10, k!1
respectively) forda lugar al(a)movimiento
processes and (b). browniano
continuo en el que t es una variable real y W t D S t1 es una variable aleatoria para cada
t 0. Se conoce ms concretamente como Proceso de Wiener, kpor Norbert Wiener,
Therefore,
EE.UU. Wtk is dened
1894-1964, que fueto be the random walk that takes a step s of horizontal length
quien estableci en los aos 20 del isiglo XX el modelo
1/k, and with step height 1/ k with equal probability. Then the expected value at time t
is still
13-Clculo estocstico y simulacin j 211
E.W t / D 0
E.Ws W t / D E.Ws .W t Ws C Ws //
D E.Ws .W t Ws // C E.Ws2 / D s D mi n.s; t /
Cuadro 13.2
212 j 13-Clculo estocstico y simulacin
X
1 2
.t s/k
.t s/ k
E.N t Ns /2 D e
k
kD1
s!t
D .t s/ C .t s/2 ! 0:
Definicin 13.17 Un proceso estocstico fXn ; n og, en el que las variables alea-
torias estn definidas en un espacio medible, es un proceso o cadena de Markov si
para cualquier n y cualquier conjunto A se cumple que P .XnC1 2 AjX0 ; : : : ; Xn / D
13-Clculo estocstico y simulacin j 213
P .XnC1 2 AjXn /. A los procesos que se comportan de esta manera se dicen, en gene-
ral, que cumplen la propiedad de Markov.
Lo que quiere decir que dado el presente cualquier otra informacin del pasado es re-
dundante o irrelevante para predecir el futuro. La definicin es equivalente a la identidad
E.f .XnC1 /jX1 ; : : : ; Xn / D E.f .XnC1 /jXn /.
Los procesos de Bernoulli, Wiener, brownianos y de Poisson son procesos que cum-
plen esta propiedad.
13.3 Simulacin
Los modelos matemticos, para ser crebles y robustos ante distintos escenarios de ac-
tuacin, necesitan simular sus prestaciones a partir de patrones de situaciones ya dadas
o de datos imaginados. Esto permite analizarlos para conocer sus debilidades numricas
o tericas y as mejorarlos. Si se alimentan con datos que fijen un punto de partida ade-
cuado y unas condiciones de contorno previsibles, pueden permitir, con el resultado de
su operacin, tomar decisiones con un grado de certeza o riesgo ms o menos aceptable
de acuerdo con el grado de dificultad o entidad de la decisin.
Los modelos de procesos estocsticos se basan en situaciones probables, aunque in-
ciertas, dentro de unos determinados mrgenes de actuacin. Su evolucin es aleatoria y
dotada de ruido por lo que para simular su comportamiento es necesario generar nmeros
aleatorios que imiten o reproduzcan hasta donde sea posible ese ruido o aleatoriedad. En
los apartados anteriores hemos presentado unos ejemplos muy sencillos de cmo hacer
unas modestas simulaciones con la ayuda de M ATLAB para generar paseos aleatorios,
procesos de Wiener, etc.
Aunque todos disponemos intuitivamente de una cierta nocin de un nmero aleato-
rio, no es nada fcil definirlo con precisin. Tampoco en fcil imaginar cmo generarlos
mediante una mquina y que su patrn de ocurrencia responda a una distribucin con-
creta como la normal, la exponencial, la gaussiana, etc.
Ejemplo 13.8 Vamos a utilizar este generador de nmeros aleatorios para, siguiendo a
Sauer [2012], y adelantndonos a la introduccin de la tcnica Monte Carlo, calcular el
rea del conjunto de puntos .x; y/ que satisfacen
La idea es generar 10.000 pares de puntos .x; y/ de tal manera que los que cumplan esta
inecuacin se registran. Al final del proceso se cuentan cuntos de estos hay en total,
y esa cantidad dividida por 10.000 nos dar el rea ms probable que encierra a ese
conjunto de puntos. En la figura 13.5 se puede ver el resultado de la simulacin que
numricamente es 0;547 y el rea cubierta por los puntos que cumplen la inecuacin.
0.8
0.6
y
0.4
0.2
0
0 0.5 1
x
Figure 9.2 Monte Carlo calculation of area. From 10,000 random pairs in [0, 1] [0, 1], the
Figura 13.5
ones that satisfy the inequality in Example 9.2 are plotted. The proportion of plotted random
pairs is an approximation to the area.
function x=MoCa_1(n)
xy=rand(n,2); k=0;
for i=1:n
EXAMPLE 9.2 Find theifarea of the set of points (x, y) that satisfy
4*(xy(i,1)*2-1)^4+8*(2*xy(i,2)-1)^8<1+2*(2*xy(i,2)-1)^3*(3*xy(i,1)-2)^2
k=k+1;
end 4(2x 1)4 + 8(2y 1)8 < 1 + 2(2y 1)3 (3x 2)2 .
end
x=k/n;
We will call this a Monte Carlo Type 2 problem. There is no clear way to describe
thisend
area as the average value of a function of one variable, since we cannot solve for
y. However, given a candidate (x, y), we can easily check whether or not it belongs to
the set. We will equate the desired area with 13.3
Cuadro the probability that a given random pair
(x, y) = (ui , ui+1 ) belongs to the set and try to approximate that probability.
Figure 9.2 shows this idea carried out with 10,000 random pairs generated by the
Minimal Standardaleatorias
13.3.2.1 Variables LCG. The proportion
discretas of pairs in the unit square 0 x, y 1 that satisfy
the inequality, and are plotted in the gure, is 0.547, which we will take as an approximation
Si X to
tiene una distribucin de probabilidad discreta dada por los pares suceso-probabi-
the area.
lidad de la matriz que sigue
Although we have made a distinction between twotypes of Monte Carlo problems,
there is no rm boundary between them.xWhat x
x2 they have
n in common is that they are both
X DThis1is explicit
computing the average of a function. ;
p1 p2 pn the previous type 1 example. In
in
the type 2 example, we are trying to compute the average of the characteristic function
se definen
of the unos nmeros
set, the 0 < q1 < < qn D 1 tales que
D qtakes
function0that the value 1 for points inside the set and 0 for points
outside. The main difference here is that unlike the function f (x) = x 2 in Example 9.1, the
q0 D 0;
characteristic q1 D of
function q2isD
p1a;set p1 C p2 ; : : : ; qnisDanpabrupt
discontinuousthere 1Cp 2 C at
transition pntheDboundary
1:
of the set. We can also easily imagine combinations of types 1 and 2. (See Computer
Para simular la variable aleatoria discreta X se utiliza el generador rand y se hace igual
Problem 8.)
a x1 si 0 One
rand< q1 , infamous
of the most x2 si q1random
rand< q2 ,generators
number y as sucesivamente. Si la distribucin
is the randu generator, used on de
many early
probabilidad esIBM
muycomputers
extensa,and ported from
se puede thereatoun
truncar many
valorothers.
de nTraces of it can be easily
suficientemente grande.
found on the Internet with a search engine, so it is apparently still in use.
The randu generator
13.3.2.2 El mtodo de las funciones inversas
xi = ax
Se basa en que si X es una variable i1 (mod
aleatoria conm)una funcin de distribucin FX , la
xi
variable aleatoria Y D FX .X / est
ui =uniformemente
, distribuida en 0; 1. Invirtiendo
(9.4) la
m
funcin de distribucin FX y aplicndola a Y se puede recuperar X.
where a = 65539 = 216 + 3 and m = 231 .
216 j 13-Clculo estocstico y simulacin
Si se quiere simular una variable aleatoria con una funcin de distribucin invertible
F , primero se simula una variable aleatoria uniforme en 0; 1 y luego se le aplica al
resultado la funcin F 1 . El mtodo falla, por supuesto, si no se puede explicitar F 1 .
Ejemplo 13.9 Apliquemos este mtodo para simular una variable aleatoria X con dis-
tribucin exponencial y parmetro . Recordemos que la funcin de densidad de proba-
bilidad en este caso es fX .x/ D e x , x > 0, por lo que FX D 1 e x , x > 0,
y
1
FX 1 .y/ D log.1 y/:
Como 1-rand tiene la misma distribucin en 0; 1 que rand, se deduce que log.rand)
= tiene la distribucin exponencial con parmetro que se desea obtener.
2. Hacer Y D X1 C X2 C X12 6.
La distribucin de la variable aleatoria Y es muy prxima a una normal pero no exacta-
mente (pues P .Y > 6/ D 0 pero P .Z > 6/ 0 para una autntica normal). Esto es as
como consecuencia de este resultado.
Teorema 13.3 Sea X1 ; X2 ; : : : una sucesin de variables aleatorias independientes que
tienen la misma distribucin. Sea D E.X1 / D E.X2 / D y 2 D Var.X1 / D
Var.X2 / D . La sucesin de variables aleatorias normales
.X1 C X2 C Xn / n
p
n
converge a una variable aleatoria normal.
El que se escojan 12 u otro nmero de variables depende de la experiencia y de la
bondad de los resultados con la que se simulen los datos que se requieran.
Von Neumann es, como deca Newton, uno de los grandes gigantes que ha dado la
naturaleza humana. Sus contribuciones en los 53 aos de su vida a mltiples disciplinas
relacionadas con las matemticas son absolutamnte portentosas. No cabe duda de que a
218 j 13-Clculo estocstico y simulacin
hombros de l los avances de muchas reas a las que dedicamos este libro han permitido
ver e ir mucho ms lejos de lo que l comenz.
El mtodo Montecarlo est basado en este interesante resultado.
Teorema 13.4 Ley de los grandes nmeros. Sea X1 ; X2 ; : : : una sucesin de variables
aleatorias independientes que tienen la misma distribucin y la funcin g W R ! R tal
que D Eg.X1 / D Eg.X2 / D . Se cumple que
l 1
g.X1 / C g.X2 / C C g.Xn /
!D g.x/fX1 .x/ dx al n ! 1:
n
1
dy D f .t; y/ dt C g.t; y/ dB t
@f @f 1 @2 f
dy D .t; x/ dt C .t; x/ dx C .t; x/ dx dx;
@t @x 2 @x 2
donde dx dx se puede interpretar en trminos de dt dt D 0, dt dB t D dB t , dt D 0 y
dB t dB t D dt .
La frmula de Ito permite resolver explcitamente algunas ecuaciones diferenciales
estocsticas.
Ejemplo 13.10 Comprobemos si la ecuacin de movimiento browniano geomtrico
1 2
y.t / D y0 e .r 2 /t CB t
dy D ry dt C y dB t :
220 j 13-Clculo estocstico y simulacin
1 2
Hagamos y D f .t; x/ D y0 e x , donde x D .r 2
/t C B t . Mediante la frmula
1
dy D y0 e x C y0 e x dx dx;
2
donde dx D .r 1=2 2 /dt C dB t . Haciendo uso de los valores diferenciales de la
frmula de Ito, se tiene que dx dx D 2 dt . En consecuencia,
1 2 1
dy D y0 e x r dt C y0 e x dB t C y0 2 e x dt
2 2
D y0 e x r dt C y0 e x dB t
D ry dt C y dB t :
El error que comete este procedimiento al aproximar y.T / por w.T /, en funcin del
t escogido es
e D Ejy.T / w.T /j2 c.t /1=2 :
El mtodo de Euler-Maruyama puede mejorarse mediante una correccin adicional
como la que introduce el mtodo de Grigori N. Milstein. Su idea es incorporar ms infor-
macin de segundas derivadas a los procesos f .t; y/ y g.t; y/ de la ecuacin diferencial
estocstica, con el concurso de la frmula de Ito. La frmula de recurrencia que utiliza
es esta:
1 @g
wiC1 D wi C f .ti ; wi /ti C g.ti ; wi /Bi C g.ti ; wi / .ti ; wi /..Bi /2 ti /:
2 @y
riesgos en otras operaciones. Todo esto conforma todo un entramado hoy en da dif-
cilmente controlable y entendible por sus infinidad de ramificaciones e interpretaciones.
Ni qu decir tiene que los clculos para valorar opciones y los datos en qu basarlos no
estn al alcance de cualquiera, por lo que son las grandes corporaciones o los analistas y
gestores especializados los que saben cmo usarlos y cundo.
En estas breves lneas simplemente esbozamos cmo se puede calcular el precio de
esas opciones y el modelo de Black y Scholes, por Fischer Sheffey Black, EE.UU. 1938-
1995, y Myron Samuel Scholes, EE.UU. 1941,
dX D mX dt C X dB t ;
dX D rX dt C X dB t :
[1] A ASEN , J.O. 1971. On the Reduction of a Symmetric Matrix to Tridiagonal Form. BIT 11,
pp. 233-242.
[2] A BADIE , J. ED . 1970. Integer and Nonlinear Programming. North-Holland.
[3] A BERTH , O. 2007. Introduction to Precise Numerical Methods. Elsevier.
[4] A BELL , M.L. Y B RASELTON , J.P. 2004. Mathematica by Example. Elsevier.
[5] ACTON , F.S. 1990. Numerical Methods that Work. The Mathematical Association of Ame-
rica.
[6] A DAMS , J.C., B RAINERD , W.S., M ARTIN , J.T., S MITH , B.T. Y WAGENER , J.L. 1992.
Fortran 90 Handbook. Complete ANSI/ISO Reference. McGraw-Hill.
[7] A DOBE S YSTEMS I NCORPORATED . 1986. PostScript Language. Tutorial and Cookbook.
Addison-Wesley.
[8] A DOBE S YSTEMS I NCORPORATED . 1990. PostScript Language. Reference Manual.
Addison-Wesley.
[9] A HUJA , R.K., M AGNATI , T.L. Y O RLIN , J.B. 1989. Network Flows. En Handbooks in
Operations Research and Management Science. Volume 1: Optimization. Nemhauser, G.L.,
Rinnooy Kan, A.H.G. y Todd, M.J. eds. North-Holland.
[10] A LJ , A. Y FAURE , R. 1988. Investigacin operativa. Elementos fundamentales. Vol. 1.
Masson.
[11] A LVARADO , F.L. 1979. A Note on Sorting Sparse Matrices. Proceedings of the IEEE 67,
pp. 1362-1363.
[12] A LVARADO , F.L. 1990. Manipulation and Visualization of Sparse Matrices. ORSA J. Com-
puting 2, pp. 186-207.
[13] A LLAIRE , G. Y K ABER , S.M. 2008. Numerical Linear Algebra. Springer.
[14] A NDERS , G.J. 1990. Probability Concepts in Electric Power Systems. Wiley.
[15] A NDERSON , E., BAI , Z., B ISCHOF, C., D EMMEL , J., D ONGARRA , J., D U C ROZ , J.,
G REENBAUM , A., H AMMARLING S., M C K ENNEY, A., O STROUCHOV, S. Y S ORENSEN ,
D. 1992. LAPACK Users Guide. SIAM.
[16] A NDERSON , E., BAI , Z., B ISCHOF, C., D EMMEL , J., D ONGARRA , J., D U C ROZ , J.,
G REENBAUM , A., H AMMARLING S., M C K ENNEY, A., O STROUCHOV, S. Y S ORENSEN ,
D. 1995. LAPACK Users Guide. Second Edition. SIAM.
[17] A NTONIOU , A. Y L U , W-S. 2007. Practical Optimization. Algorithms and Engineering
Applications. Springer.
226 j Bibliografa
[18] A RBEL , A. 1993. Exploring Interior-Point Linear Programming. Algorithms and Software.
MIT Press.
[19] A RMIJO , L. 1966. Minimization of Functions Having Lipschitz Continuos First Partial
Derivatives. Pacific J. Math. 16, pp. 1-3.
[20] A RRILLAGA , J. Y A RNOLD , C.P. 1990. Computer Analysis of Power Systems. Wiley.
[21] A SCHER , U.M. Y G REIF, C. 2011. A First Course in Numerical Methods. SIAM.
[22] ATKINSON , K. 1993. Elementary Numerical Analysis. Wiley.
[23] ATKINSON , K. Y H AN , W. 2009. Theoretical Numerical Analysis. A Functional Analysis
Framework. Third Edition, Springer.
[24] ATKINSON , K., H AN , W. Y S TEWART, D.E. 2009. Numerical Solution of Ordinary Diffe-
rential Equations. Wiley.
[25] ATKINSON , L.V., H ARLEY, P.J. Y H UDSON , J.D. 1989. Numerical Methods with Fortran
77. A Practical Introduction. Addison-Wesley.
[26] ATTAWAY, S. 2012. MATLAB. A Practical Introduction to Programming and Problem Sol-
ving. Elsevier.
[27] ATTEIA , M. Y P RADEL , M. 1990. lments dAnalyse Numrique. Cepadues-Editions.
[28] AUZINGER , W. 2013. Iterative Solution of Large Linear Systems. TU Wien, Institute for
Analysis and Scientific Computing.
http://www.asc.tuwien.ac.at/~winfried/teaching/101.403/SS2012/downloads/iter.pdf
[29] AVRIEL , M. 1976. Nonlinear Programming. Analysis and Methods. Prentice Hall.
[30] A XELSSON , O. 1996. Iterative Solution Methods. Cambridge.
[31] BARRETT, R., B ERRY, M., C HAN , T.F., D EMMEL , J., D ONATO , J.M., D ONGARRA , J.,
E IJKHOUT, V., P OZO , R., ROMINE , C. Y VAN DER VORST, H. 1994. Templates for the
Solution of Linear Systems: Building Blocks for Iterative Methods. Secon Edition. SIAM.
[32] BRSOV, A.S. 1988. Qu es la Programacin Lineal. Editorial Mir.
[33] BARTELS , R.H. Y G OLUB , G.H. 1969. The Simplex Method of Linear Programming Using
LU Decomposition. Communications of the ACM 12, pp. 266-268.
[34] BASHIROV, A.E. 2014. Mathematical Analysis Fundamentals. Elsevier.
[35] BAZARAA , M.S. Y JARVIS , J.J. 1977. Linear Programming and Network Flows. Wiley.
[36] BAZARAA , M.S., JARVIS , J.J. Y S HERALI , H.D. 1990. Linear Programming and Network
Flows. Wiley.
[37] BAZARAA , M.S. Y S HETTY, C.M. 1979. Nonlinear Programming. Theory and Algorithms.
Wiley.
[38] BAZARAA , M.S., S HERALY, H.D. Y S HETTY, C.M. 1994. Nonlinear Programming.
Theory and Algorithms. Second Edition. Wiley.
[39] B EALE , E.M.L. 1954. An Alternative Method for Linear Programming. Proceedings of the
Cambridge Philosophical Society 50, pp. 513-523.
[40] B EASLEY, J.E. 1996. Advances in Linear and Integer Programming. Oxford University
Press.
[41] B ECKMANN , M.J. 1968. Dynamic Programming of Economic Decisions. Springer.
[42] B ELLMAN , R. Y D REYFUS , S.E. 1962. Applied Dynamic Programming. Princeton Uni-
versity Press.
[43] B ELLMAN , R. 1970. Introduction to Matrix Analysis. SIAM.
Bibliografa j 227
[70] B OT, R.I., G RAD , S.M. Y WANKA , G. 2009. Duality in Vector Optimization. Springer.
[71] B OYCE , W.E. Y D I P RIMA , R.C. 2009. Elementary Differential Equations and Boundary
Value Problems. Ninth Edition. Wiley.
[72] B OYD , S. Y VANDENBERGHE , L. 2004. Convex Optimization. Cambridge.
[73] B ONNANS , J.F., G ILBERT, J.C., L EMARCHAL , C. Y S AGASTIZBAL , C.A. 2006. Nu-
merical Optimization. Theoretical and Practical Aspects. Second Edition. Springer.
[74] B RADLEY, G.H., B ROWN , G.G. Y G RAVES , G.W. 1977. Design and Implementation of
Large Scale Transshipment Algorithms. Management Science 24, pp. 1-34.
[75] B RAINERD , W.S., G OLDBERG , C.H. Y A DAMS , J.C. 1990. Programmers Guide to For-
tran 90. McGraw-Hill.
[76] B RAINERD , W.S., G OLDBERG , C.H. Y A DAMS , J.C. 1996. Programmers Guide to For-
tran 90. Springer.
[77] B RAESS , D. 2007. Finite Elements. Theory, Fast Solvers, and Applications in Elasticity
Theory. Cambridge.
[78] B RANDIMARTE , P. 2006. Numerical Methods in Finance and Economics. A MATLAB-
Based Introduction. Wiley.
[79] B RENNER , S.C. Y S COTT, L.R. 2008. The Mathematical Theory of Finite Element Meth-
ods. Springer.
[80] B RIGGS , W.L. Y H ENSON , V.E. 1995. The DFT. An owners manual for the Discrete
Fourier Transform. SIAM.
[81] B RIGHAM , E.O. 1988. The Fast Fourier Transform and its Applications. Prentice Hall.
[82] B ROOKE , A., K ENDRICK , D. Y M EERAUS , A. 1988. GAMS. A Users Guide. The Scien-
tific Press.
[83] B ROWN , H.E. 1975. Solution of Large Networks by Matrix Methods. Wiley.
[84] B ROYDEN , C.G. 1965. A Class of Methods for Solving Nonlinear Simultaneous Equations.
Mathematics of Computation 19, pp. 577-593.
[85] B UNCH , J.R. Y K AUFMAN , L. 1977. Some Stable Methods for Calculating Inertia and
Solving Symmetric Linear Systems. Mathematics of Computation 31, pp. 163-179.
[86] B UNCH , J.R. Y PARLETT, B.N. 1971. Direct Methods for Solving Symmetric Indefinite
Systems of Linear Equations. SIAM J. Numer. Anal. 8, pp.639-655.
[87] B UNCH , J.R. Y ROSE , D.J. EDS . 1976. Sparse Matrix Computations. Academic Press.
[88] B UNCH , J.R., K AUFMAN , L. Y PARLETT, B.N. 1976. Decomposition of a Symetric Ma-
trix. Numerische Mathematik 27, pp. 95-109.
[89] B UNCH , J.R. 1971. Analysis of the Diagonal Pivoting Method. SIAM J. Numer. Anal. 8,
pp. 656-680.
[90] B UNCH , J.R. 1974. Partial Pivoting Strategies for Symmetric Matrices. SIAM J. Numer.
Anal. 11, pp. 521-528.
[91] B URDEN , R.L. Y FAIRES , J.D. 1985. Anlisis numrico. Grupo Editorial Iberoamrica.
[92] B URDEN , R.L. Y FAIRES , J.D. 2011. Numerical Analysis. Ninth Edition. Brooks/Cole.
[93] B UTCHER , J.C. 2008. Ordinary Differential Equations. Wiley.
[94] B UTT, R. 2010. Introduction to Numerical Analysis using MATLAB. Jones and Barlett.
[95] B UZZI -F ERRARIS , G. 1993. Scientific C++. Building Numerical Libraries the Object-
Oriented Way. Addison-Wesley.
Bibliografa j 229
[96] B YRD , R.H., G ILBERT, J.C. Y N OCEDAL , J. 1996. A Trust Region Method Based on
Interior Point Techniques for Nonlinear Programming. INRIA.
[97] C AJORI , F. 1991. A History of Mathematics. Fifth Edition. Chelsea Publishing Company.
[98] C ANUTO , C. Y TABACCO , A. 2015. Mathematical Analysis Vols I y II. Second Edition.
Springer.
[99] C ARREIRA -P ERPIAN , M.A. 2016. Lecture Notes on Optimization-EECS260. University
of California Merced, Electrical Engineering and Computer Science Dpt.
[100] C HAITIN -C HATELIN , F. Y F RAYSS , V. 1996. Lectures on Finite Precision Computations.
SIAM.
[101] C HAMBERLAND , L. 1995. Fortran 90. A Reference Guide. Prentice Hall.
[102] C HAN , T.F. 1982. Algorithm 581: An Improved Algorithm for Computing the Singular
Value Decomposition. ACM Trans. on Mathematical Software 8, pp. 84-88.
[103] C HAN , T.F. 1982. An Improved Algorithm for Computing the Singular Value Decomposi-
tion. ACM Trans. on Mathematical Software 8, pp. 72-83.
[104] C HAPRA , S.C. 2012. Applied Numerical Methods with MATLAB for Engineers and Scien-
tists. McGraw-Hill.
[105] C HAPRA , S.C. Y C ANALE , R.P. 2002. Numerical Metthods for Engineers with Applica-
tions and Programming Applications. Fourth Edition. McGraw-Hill.
[106] C HENEY, W. Y K INCAID , D. 1985. Numerical Mathematics and Computing. Brooks/Cole.
[107] C HIVERS , I. Y S LEIGHTHOLME , J. 1995. Introducing Fortran 90. Springer.
[108] C HONG , E.K.P. Y Z AK , S.H. 2001. An Introduction to Optimization. Second Edition. Wi-
ley.
[109] C HU , E., G EORGE , A., L IU , J, Y N G , E. 1984. SPARSPAK: Waterloo Sparse Matrix Pac-
kage. Users Guide for SPARSPAK-A. Research Report CS-84-36, Department of Computer
Science, University of Waterloo, Waterloo, Ontario, Canad.
[110] C HVTAL , V. 1983. Linear Programming. W.H. Freeman and Company.
[111] C IARLET, P.G. Y L IONS , J.L. EDS . 1990. Handbook of Numerical Analysis. Volume 1:
Finite Difference Methods (Part 1); Solution of Equations in Rn (Part 1). North-Holland.
[112] C IARLET, P.G. 1988. Introduction LAnalyse Numrique Matricielle et LOptimisation.
Masson, S.A.
[113] C IARLET, P.G. 1989. Introduction to Numerical Linear Algebra and Optimisation. Cam-
bridge.
[114] C IARLET, P.G. 2002. The Finite Element Method for Elliptic Problems. SIAM.
[115] C IRIANI , T.A. Y L EACHMAN , R.C. 1993. Optimization in Industry. Mathematical Pro-
gramming and Modeling Techniques in Practice. Wiley.
[116] C LINE , A.K., M OLER , C.B., S TEWART, G.W. Y W ILKINSON , J.H. 1979. An Estimate
for the Condition Number of a Matrix. SIAM J. Numer. Anal. 16, pp. 368-375.
[117] C ODDINGTON , E.A. Y C ARLSON , R. 1997. Linear Ordinary Differential Equations.
SIAM.
[118] C OLEMAN , T.F. Y L I , Y. EDS . 1990. Large-Scale Numerical Optimization. SIAM.
[119] C OLEMAN , T.F. Y VAN L OAN , C. 1988. Handbook for Matrix Computations. SIAM.
[120] C OLEMAN , T.F., E DENBRANDT, A. Y G ILBERT, J.R. 1986. Predicing Fill for Sparse
Orthogonal Factorization. Journal ACM 33, pp. 517-532.
230 j Bibliografa
[121] C ONTE , S.D. Y DE B OOR , C. 1987. Elementary Numerical Analysis. An Algorithmic Ap-
proach. McGraw-Hill.
[122] C ONTRERAS , M. 2016. Anlisis de Fourier. Universidad de Sevilla.
http://personal.us.es/contreras/
[123] C OOK , T.M. Y RUSSELL , R.A. 1977. Introduction to Management Science. Prentice Hall.
[124] C ORDENO , A., H UESO , J., M ARTNEZ . E. Y T ORREGOSA , J.R. 2006. Problemas resuel-
tos de mtodos numricos. Thomson.
[125] C ORMEN , T.H., L EISERSON , C.E. Y R IVEST, R.L. 1992. Introduction to Algorithms. The
MIT Press.
[126] C OWELL , W.R. ED . 1984. Sources and Development of Mathematical Software. Prentice
Hall.
[127] C OURANT, R. 1943. Variational Methods for the Solutions of Problems of Equilibrium and
Vibrations. Bulletin of the American Mathematical Society, Vol. 49, No. 1, pp. 1-23.
[128] C UTHILL , E. Y M C K EE , J. 1969. Reducing the bandwidth of Sparse Symmetric Matrices.
Proceedings of the 24th Nationeal Conference of the Association for Computing Machinery
(ACM), pp. 157-172. Brandon Systems Press.
[129] DAHLQUIST, G. Y B JRK , A. V 1974. Numerical Methods. Prentice Hall.
[130] DACOROGNA , B. 2004. Introduction to the Calculus of Variations. Imperial College Press.
[131] DAKIN , R.J. 1965. A Tree-Search Algorithm for Mixed Integer Programming Problems.
Computer Journal 8, pp. 250-255.
[132] DANAILA , I., J OLY, P., K ABER , S.M. Y P OSTEL , M. 2007. A, Introduction to Scientific
Computing. Twelve Computational Projects Solved with MATLAB. Springer.
[133] DANILINA , N.I., D UBROVSKAYA , N.S., K VASHA , O.P. Y S MIRNOV, G.L. 1988. Compu-
tational Mathematics. Mir Publishers.
[134] DANTZIG , G.B. 1963. Linear Programming and Extensions. Princeton University Press.
[135] DANTZIG , G.B. 1987. Origins of the Simplex Method. Technical Report SOL 87-5. Sys-
tems Optimization Laboratory, Department of Operations Research, Stanford University.
[136] DANTZIG , G.B. Y W OLFE , P H . 1960. Decomposition Principle for Linear Programming.
Operations Research 8, pp. 101-111.
[137] DARST, R.B. 1991. Introduction to Linear Programming: Applications and Extensions.
Marcel Dekker.
[138] DATTA , B.N. 1995. Numerical Linear Algebra and Applications. Brooks/Cole.
[139] DATTORRO , J. 2016. Convex Optimization Euclidean Distance Geometry 2". M"oo
Publishing.
[140] DAVENPORT, J.H. S IRET, Y. Y T OURNIER , E. 1993. Computer Algebra. Systems and Al-
gorithms for Algebraic Computation. Academic Press.
[141] DAVIS , T.A. 2006. Direct Methods for Sparse Linear Systems. SIAM.
[142] DAVIS , P.J. Y R ABINOWITZ , P. 1984. Methods of Numerical Integration. Second Edition.
Academic Press.
[143] DAVIS , T.A. Y S IGMAN , K. 2005. MATLAB Primer. Seventh Edition. Chapman and Ha-
ll/CRC.
[144] DE LA F UENTE , J.L. Y L UMBRERAS , J. 1987. A New Implementation of an Optimal Power
Flow System Based on a General Purpose Nonlinear Programming Program. Proc. IEEE
PICA, pp. 422-428.
Bibliografa j 231
[145] DE LA F UENTE , J.L. 1986. Programacin en redes no lineales. El problema de redes elc-
tricas. Actas Optimizacin de Flujos en Redes86.
[146] DE LA F UENTE , J.L. 1987. Programacin no lineal: Aplicaciones en anlisis, gestin
y planificacin de sistemas elctricos. Actas I Seminario Internacional de Investigacin
Operativa-Programacin Matemtica86. J.P. Vilaplana y L.F. Escudero eds., pp. 255-278.
[147] DE LA F UENTE , J.L. 1988. Application of Nonlinear Network Optimization Techniques to
Large Scale Power Schedulling Problems. TIMS/ORSA National Meeting.
[148] DE LA F UENTE , J.L. 1989. La programacin matemtica y la planificacin de redes elc-
tricas. Actas Programacin Matemtica89.
[149] DE LA F UENTE , J.L. 1998. Tcnicas de clculo para sistemas de ecuaciones, programa-
cin lineal y programacin entera. Segunda edicin. Revert.
[150] DE LA F UENTE , J.L. 2016. Matemticas y algoritmos numricos. Definiciones, notacin y
proposiciones esenciales para un curso avanzado. Cculo Rojo.
[151] DE LA F UENTE , J.L. 2017. Ingeneira de los algoritmos y mtodos numricos. Un acerca-
miento prctico y avanzado a la computacin cientfica e ingenieril con MATLAB. Cculo
Rojo.
[152] D EMBO , A. 2013. Stochastic Processes. Department of Statistics. Stanford University.
http://statweb.stanford.edu/~adembo/math-136/nnotes.pdf
[153] D EMMEL , J.W. 1997. Applied Numerical Linear Algebra. SIAM.
[154] D EMIDOVICH , B.P. Y M ARON , I.A. 1985. Clculo Numrico Fundamental. Paraninfo.
[155] D ENNIS , J.E. Y S CHNABEL , R.B. 1983. Numerical Methods for Unconstrained Optimiza-
tion and Nonlinear Equations. Prentice Hall.
[156] D ENNIS , J.E. Y S CHNABEL , R.B. 1996. Numerical Methods for Unconstrained Optimiza-
tion and Nonlinear Equations. SIAM.
[157] D OMMEL , H.W. Y T INNEY, W.F. 1968. Optimal Power Flow Solutions. IEEE Trans. on
Power Apparatus and Systems PAS-87, pp. 1866-1876.
[158] D ONGARRA , J.J., B UNCH , J.R., M OLER , C.B. Y S TEWART, G.W. 1979. LINPACK
Users Guide. SIAM.
[159] D ONGARRA , J.J., D UFF , I.S., S ORENSEN , D.C. Y VAN DER VORST, H.A. 1991. Solving
Linear Systems on Vector and Shared Memory Computers. SIAM.
[160] D ORFMAN , R., S AMUELSON , P. Y S OLOW, R. 1958. Linear Programming and Economic
Analysis. McGraw-Hill.
[161] D UBIN , D. 2003. Numerical and Analytical Methods for Scientists ans Engineers Using
Mathematica. Wiley.
[162] D UFF , I.S. 1981. MA32 - A Package for Solving Sparse Unsymmetric Systems Using the
Frontal Method. AERE Harwell Report AERE-R 10079. Computer Science & Systems
Division, AERE Harwell.
[163] D UFF , I.S., E RISMAN , A.M. Y R EID , J.K. 1986. Direct Methods for Sparse Matrices.
Oxford University Press.
[164] D UFF , I.S., G RIMES , G. Y L EWIS , J.G. 1989. Sparse Matrix Test Problems. ACM Trans.
on Mathematical Software 15, pp. 1-14.
[165] D UFF , I.S. Y R EID , J.K. 1979. Some Design Features of a Sparse Matrix Code. ACM
Trans. on Mathematical Software 5, pp.18-35.
[166] D UFF , I.S. Y S TEWART, G.W. EDS . 1979. Sparse Matrix Proceedings 1978. SIAM.
232 j Bibliografa
[167] D UOANDIKOETXEA , J. 2007. 200 aos de convergencia de las series de Fourier. La Gaceta
de la RSME, Vol. 10, No. 3.
[168] E ISELT, H.A. Y S ANDBLOM , C.L. 2007. Linear Programming and its Applications. Sprin-
ger.
[169] E ISENTAT, S.C., S CHULTZ , M.H. Y S HERMAN , A.H. 1981. Algorithms and Data Struc-
tures for Sparse Symmetric Gaussian Elimination. SIAM J. Sci. and Statist. Comput. 2, pp.
225-237.
[170] E LDN , L., W ITTMEYER -KOCH , L. Y B RUUN N IELSEN , H. 2004. Introduction to Nume-
rical Computation. Analysis and MATLAB Illustrations. Studentlitteratur AB.
[171] E LGERD , O.I. 1983. Electric Energy Systems Theory: An Introduction. McGraw-Hill.
[172] E L -H AWARY, M.E. Y C HRISTENSEN , G.S. 1979. Optimal Economic Operation of Electric
Power Systems. Academic Press.
[173] E LLIS , T.M.R., P HILIPS , I.R. Y L AHEY, T.M. 1994. Fortran 90 Programming. Addison-
Wesley.
[174] E NGELN -M LLGES , G. Y U HLIG , F. 1996. Numerical Algorithms with Fortran. Springer.
[175] E NGELN -M LLGES , G. Y U HLIG , F. 1996. Numerical Algorithms with C. Springer.
[176] E PPERSON , J.F. 2013. An Introducton to Numerical Methods and Analysis. Second Edition.
Wiley.
[177] E RISMAN , A.M., N EVES , K.W. Y DWARAKANATH , M.H. EDS . 1980. Electric Power
Problems: The Mathematical Challenge. SIAM.
[178] E VANS , L.C. 1997. Partial Differential Equations. American Mathematical Society.
[179] E VANS , J.R. Y M INIEKA , E. 1992. Optimization Algorithms for Network and Graphs.
Marcel Dekker.
[180] FAIRES , J.D. Y B URDEN , R.L. 1993. Numerical Methods. PWS.
[181] FANG , S.C., P UTHENPURA , S. 1993. Linear Optimization and Extensions. Theory and
Algorithms. Prentice Hall.
[182] FARIN , G. 1988. Curves and Surfaces for Computer Aided Geometric Design. Acaddemic
Press.
[183] FARKAS , J. 1902. Theorie der Einfachen Ungleichungen. Journal fr die Reine und Ange-
wandte Mathematik 124, pp. 1-27.
[184] F ERRIS , M.C., M ANGASARIAN , O.L. Y W RIGHT, S.J. 2007. Linear Programming with
MATLAB. SIAM.
[185] F IACCO , A.V. Y M C C ORMICK , G.P. 1968. Nonlinear Programming: Sequential Uncons-
trained Minimization Techniques. Wiley.
[186] F IACCO , A.V. Y M C C ORMICK , G.P. 1990. Nonlinear Programming: Sequential Uncons-
trained Minimization Techniques. SIAM.
[187] F IELD , R.V. 2008. Stochastic Models: Theory and Simulation. Sandia National Laborato-
ries.
http://prod.sandia.gov/techlib/access-control.cgi/2008/081365.pdf
[188] F ILBERT, F. 2009. Analyse numrique. Algorithme et tude mathmatique Dunod.
[189] F LETCHER , R. 1987. Practical methods of optimization. Wiley.
[190] F LOWERS , B.H. 1995. An Introduction to Numerical Methods in C++. Clarendon Press.
[191] F ORD , L.R. Y F ULKERSON , D.R. 1962. Flows in Networks. Princeton University Press.
Bibliografa j 233
[192] F ORREST, J.H. Y T OMLIN , J.A. 1972. Updated Triangular Factors of the Basis to Main-
tain Sparsity in the Product Form Simplex Method. Mathematical Programming 2, pp. 263-
278.
[193] F ORSGREN , A., G ILL , P.E. Y W RIGHT, M.H. 2002. Interior Methods for Nonlinear Op-
timization. SIAM Review, Vol. 44, No. 4, pp. 525-597.
[194] F ORSYTHE , G.E., M ALCOLM , M.A. Y M OLER , C.B. 1977. Computer Methods for Mat-
hematical Computations. Prentice Hall.
[195] F ORTIN , A. 2011. Analyse numrique pour ingnieurs. Presses internationales Polytechni-
que.
[196] F OURER , R., G AY, D.M. Y K ERNIGHAM , B.W. 1993. AMPL. A Modeling Language for
Mathematical Programming. Boyd and Fraser.
[197] F RANDSEN , P.E., J ONASSON , K., N IELSEN , H.B. Y T INGLEFF , O. 2004. Unconstrained
Optimization. Technical University of Denmark, Informatics.
[198] F REUND , R.M. 2009. Introduction to Semidefinite Programming (SDP). MIT Open Course
Ware.
https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-251j-
introduction-to-mathematical-programming-fall-2009/readings/MIT6_251JF09_SDP.pdf
[199] G AL , T. 1979. Postoptimal Analysis, Parametric Programming, and Related Topics.
McGraw-Hill.
[200] G ANDER , W. Y H REB
CEK , J. 1993. Solving Problems in Scientific Computing Using Ma-
ple and MATLAB. Springer.
[201] G ANDER , W. Y H REB
CEK , J. 1997. Solving Problems in Scientific Computing Using Ma-
ple and MATLAB. Third Edition. Springer.
[202] G ANDER , W., G ANDER , M.J. Y K WOK , F. 2014. Scientific Computing. An Introduction
using Maple and MATLAB. Springer.
[203] G ANDER , M.J. Y WANNER , G. 2012. From Euler, Ritz, and Galerkin to Modern Compu-
ting. SIAM Review, Vol. 54, No. 4. SIAM.
[204] G ARBOW, B.S., B OYLE , J.M., D ONGARRA , J.J. Y M OLER , C.B. 1977. Matrix Eigensys-
tem Routines-EISPACK Guide Extension. Springer.
[205] G ARCA , C.B. Y Z ANGWILL , W.I. 1981. Pathways to Solutions, Fixed Points, and Equili-
bria. Prentice Hall.
[206] G ARFINKEL , R.S. Y N EMHAUSER , G.L. 1972. Integer Programming. Wiley.
[207] G AUTSCHI , W. 2012. Numerical Analysis. Second Edition. Springer
[208] G ENTLE , J.E. 2007. Matrix Algebra. Springer
[209] G ENTLE , J.E. 2007. Matrix Algebra. Theory, Computations, and Applications in Statistics.
Springer
[210] G EORGE , A. Y H EATH , M.T. 1980. Solution of Sparse Linear Least Squares Problems
Using Givens Rotations. Linear Algebra and its Applications 34, pp. 69-83.
[211] G EORGE , A. Y L IU , J.W. 1979. An Implementation of a Pseudoperipherial Node Finder.
ACM Trans. on Mathematical Software 5, pp. 284-295.
[212] G EORGE , A. Y L IU , J.W. 1979. The Design of a User Interface for a Sparse Matrix Pac-
kage. ACM Trans. on Mathematical Software 5, pp. 139-162.
[213] G EORGE , A. Y L IU , J.W. 1981. Computer Solution of Large Sparse Positive Definite Sys-
tems. Prentice Hall.
234 j Bibliografa
[214] G EORGE , A. Y N G , E. 1984. SPARSPAK: Waterloo Sparse Matrix Package. Users Guide
for SPARSPAKB. Research Report CS-84-37, Department of Computer Science, University
of Waterloo, Waterloo, Ontario, Canad.
[215] G EORGE , A. Y N G , E. 1985. An Implementation of Gaussian Elimination with Partial
Pivoting for Sparse Systems. SIAM J. Sci. and Statist. Comput. 6, pp. 390-409.
[216] G EORGE , A. 1971. Computer Implementation of the Finite Element Method. Ph.D. Disser-
tation, Computer Science Department Report STAN-CS-71208, Stanford University.
[217] G EORGE , A. 1980. An Automatic One-way Disecction Algorithm for Irregular Finite Ele-
ment Problems. SIAM J. Numer. Anal. 17, pp. 740-751.
[218] G ERALD , C.F. Y W HEATLEY, P.O. 1994. Applied Numerical Analysis. Addison-Wesley.
[219] G IBBS , N.E., P OOLE , W.G. Y S TOCKMEYER , P.K. 1976. An Algorithm for Reducing the
Bandwidth and profile of a Sparse Matrix. SIAM J. Numer. Anal. 13, pp. 236-250.
[220] G ILL , P.E. Y M URRAY, W. 1974. Numerical Methods for Constrained Optimization. Aca-
demic Press.
[221] G ILL , P.E., M URRAY, W. Y W RIGHT, M.H. 1981. Practical Optimization. Academic
Press.
[222] G ILL , P.E., M URRAY, W. Y W RIGHT, M.H. 1991. Numerical Linear Algebra and Optimi-
zation. Volume 1. Addison-Wesley.
[223] G ILL , P.E., M URRAY, W., S AUNDERS , M.A. Y W RIGHT, M.H. 1986. Maintaining LU
Factors of a General Sparse Matrix. Technical Report SOL 86-8. Systems Optimization
Laboratory, Department of Operations Research, Stanford University.
[224] G ILL , P.E., M URRAY, W., S AUNDERS , M.A., T OMLIN , J.A. Y W RIGHT, M.H. 1986. On
Projected Newton Barrier Methods for Linear Programming and an Equivalence to Kar-
markars Projective Method. Technical Report SOL 85-11R, revision of May 1986. Systems
Optimization Laboratory, Department of Operations Research, Stanford University.
[225] G ILLETT, B.E. 1976. Introduction to Operations Research: A Computer Oriented Algo-
rithmic Approach. McGraw-Hill.
[226] G OLDBERG , S. 1958. Introduction to Difference Equations. Wiley.
[227] G OLDFARB , D. Y T ODD , M.J. 1989. Linear Programming. En Handbooks in Operations
Research and Management Science. Volume 1: Optimization. Nemhauser, G.L., Rinnooy
Kan, A.H.G. y Todd, M.J. eds. North-Holland.
[228] G OLDSTEIN , A.A. 1965. On Steepest Descent. SIAM J. Control 3, pp. 147-151.
[229] G OLOVINA , L.I. 1974. Algebra lineal y algunas de sus aplicaciones. Editorial Mir.
[230] G OLUB , G.H. Y M EURANT, G.A. 1983. Rsolution Numrique des Grands Systemes
Linaires. Editions Eyrolles.
[231] G OLUB , G.H. Y OL EARY, D.P. 1989. Some History of the Conjugate Gradient and Lan-
czos Algorithms: 1948-1976. SIAM Review 31, pp.50-102.
[232] G OLUB , G.H. Y O RTEGA , J.M. 1992. Scientific Computing and Differential Equations.
An Introduction to Numerical Methods. Academic Press.
[233] G OLUB , G.H. Y R EINSCH , C. 1970. Singular Value Decomposition and Least Squares
Solutions. Numerische Mathematik 14, pp. 403-20.
[234] G OLUB , G.H. Y VAN L OAN , C.F. 1983. Matrix Computations. The Johns Hopkins Uni-
versity Press.
Bibliografa j 235
[235] G OLUB , G.H. Y VAN L OAN , C.F. 1989. Matrix Computations. Second Edition. The Johns
Hopkins University Press.
[236] G OLUB , G.H. Y VAN L OAN , C.F. 1996. Matrix Computations. Third Edition. The Johns
Hopkins University Press.
[237] G OLUB , G.H. Y VAN L OAN , C.F. 2013. Matrix Computations. Fourth Edition. The Johns
Hopkins University Press.
[238] G OMORY, R.E. 1960. An Algorithm for the Mixed Integer Problem. RAND Corporation
paper RM-2597.
[239] G OMORY, R.E. 1963. An Algorithm for Integer Solutions to Linear Programs. Recent Ad-
vances in Mathematical Programming. Graves, R. y Wolfe, Ph. eds. McGraw-Hill.
[240] G ONDRAN , M. Y M INOUX , M. 1979. Graphes et Algorithmes. Editions Eyrolles.
[241] G ONIN , R. Y M ONEY, A.H. 1989. Nonlinear Lp Estimation. Marcel Dekker.
[242] G OOSSENS , M., M ITTELBACH , F. Y S AMARIN , A. 1994. The LATEX Companion. Addison-
Wesley.
[243] G OOSSENS , M., M ITTELBACH , F. Y S AMARIN , A. 2004. The LATEX Companion. Second
Edition. Addison-Wesley.
[244] G OOSSENS , M., R AHTZ , S. Y M ITTELBACH , F. 1997. The LATEX Graphics Companion.
Illustrating Documents with TEX and PostScript. Addison-Wesley.
[245] G RAINGER , J.J. Y S TEVENSON J R ., W.D. 1994. Power Systems Analysis. McGraw-Hill.
[246] G RAN , A. Anlisis de Componentes Principales. Departamento de Estadstica, Universi-
dad Carlos III de Madrid.
[247] G REENBAUM , A. 1997. Iterative Methods for Solving Linear Systema. SIAM.
[248] G REENBERG , H. 1971. Integer Programming. Academic Press.
[249] G RIFFITHS , D.F. Y H IGHAM , D.J. 2010. Numerical Methods for Ordinary Differential
Equations. Initial Vaue Problems. Springer.
[250] G RIGORIADIS , M.D. 1986. An Efficient Implementation of the Network Simplex Method.
Mathematical Programming Study 26, pp. 83-111.
[251] G RIVA , I., NASH , S.G. Y S OFER , A. 2009. Linear and Nonlinear Optimization. SIAM.
[252] G RTSCHEL , M., L OVSZ , L. Y S CHRIJVER , A. 1988. Geometric Algorithms and Com-
binatorial Optimization. Springer.
[253] G UTKNECHT, M.H. 2008. Iterative Methods. ETH Zurich, Seminar for Applied MAthe-
matics.
http://www.sam.math.ethz.ch/~mhg/unt/SWNLA/itmethSWNLA08.pdf
[254] H FELE , W. Y K IRCHMAYER , L.K. EDS . 1981. Modeling of Large-Scale Energy Systems.
Pergamon Press.
[255] H ABERMAN , R. 2013. Applied Partial Differential Equations with Fourier Series and
Boundary Value Problems. Pearson.
[256] H AGER , W.W. 1984. Condition Estimates. SIAM J. Sci. and Statist. Comput. 5, pp. 311-
316.
[257] H AGER , W.W. 1988. Applied Numerical Linear Algebra. Prentice Hall.
[258] H AHN , B. Y VALENTINE , D.T. 2007. Essential MATLAB for Engineers and Scientists.
Third Edition. Elsevier.
[259] H EATH , M.T. 2002. Scientific Computing. An Introductory Survey. Second Edition.
McGraw-Hill.
236 j Bibliografa
[260] H ALL , M. 1956. An Algorithm for Distinct Representatives. Amer. Math. Monthly 63, pp.
716-717.
[261] H ALMOS , P.R. 1974. Finite-Dimensional Vector Spaces. Springer.
[262] H AMMER , P.L., J OHNSON , E.L. Y KORTE , B.H. EDS . 1979. Discrete Optimization III.
North-Holland.
[263] H MMERLIN , G. Y H OFFMANN , K. H. 1991. Numerical Mathematics. Springer.
[264] H AMMING , R.W. 1986. Numerical Methods for Scientists and Engineers. Dover Publica-
tions.
[265] H ANSELMAN , D. Y L ITTLEFIELD , B. 1998. Mastering MATLAB 5. A Comprehensive Tu-
torial abd Reference. Prencite Hall.
[266] H ARMAN , T.L., DABNEY. J. Y R ICHERT, N. 2000. Advanced Enginerring Mathematics
with MATLAB. Second Edition. Brooks/Cole.
[267] H ARWELL L ABORATORY 1987. HARWELL Subroutine Library: A Catalogue of Subrouti-
nes (1987). Computer Science and Systems Division, AERE Harwell.
[268] H EATH , M.T. 2002. Scientific Computing. An Introductory Survey. Second Edition.
McGraw-Hill.
[269] H ELLERMAN , E, Y R ARICK , D. 1971. Reinversion with the Preassigned Pivot Procedure.
Mathematical Programming 1, pp. 195-216.
[270] H ELLERMAN , E, Y R ARICK , D. 1972. The Partitioned Preassigned Pivot Procedure (P4 ).
En Sparse Matrices and their Applications. Rose, D.J. y Willoughby, R.A. eds. Plenum
Press.
[271] H ERDRIX , E.M.T. Y T TH , B.G. 2010. Introduction to Nonlinear and Global Optimiza-
tion. Springer.
[272] H ENRICI , P. 1982. Essentials of Numerical Analysis with Pocket Calculator Demonstra-
tions. Wiley.
[273] H RON , B., I SSARD -ROCH , F. Y P ICARD , C. 2005. Analyse numrique. Exercices et pro-
blmes corrigs. Dunod.
[274] H ESTENES , M. 1980. Conjugate Direction Methods in Optimization. Springer.
[275] H IAI , F. Y P ETZ , D. 2014. Introduction to Matrix Analysis and Applications. Springer.
[276] H IGHAM , N.J. 1995. The Test Matrix Toolbox for MATLAB. Numerical Analysis Report
No. 276. The University of Manchester.
http://www.ma.man.ac.uk/MCMM.
[277] H IGHAM , N.J. 1996. Accuracy and Stability of Numerical Algorithms. SIAM.
[278] H IGHAM , N.J. 2002. Accuracy and Stability of Numerical Algorithms. Second Edition.
SIAM.
[279] H IGHAM , N.J. 2002. The Matrix Computation Toolbox for MATLAB. Numerical Analysis
Report No. 410. The University of Manchester.
http://www.ma.man.ac.uk/MCMM.
[280] H IGHAM , D.J. Y H IGHAM , N.J. 2000. MATLAB Guide. SIAM.
[281] H IGHAM , D.J. Y H IGHAM , N.J. 2005. MATLAB Guide. Second Edition. SIAM.
[282] H ILDEBRAND , F.B. 1987. Introduction to Numerical Analysis. Dover Publications.
[283] H ILLIER , F.S. Y L IEBERMAN , G.J. 1974. Introduction to Operations Research. Holden-
Day.
Bibliografa j 237
[313] K ELLEY, C.T. 1995. Iterative Methods for Linear and Nonlinear Equations. SIAM.
[314] K ELLEY, C.T. 1999. Iterative Methods for Optimization. SIAM.
[315] K ENNINGTON , J.L. Y H ELGASON , R.V. 1980. Algorithms for Network Programming. Wi-
ley.
[316] K ERN , M. 2005. lments finis aspects mathmatiques. INRIA.
http://mms2.ensmp.fr/ef_paris/formulation/transparents/f_MathMef.pdf
[317] K HARAB , A. Y G UENTHER , R.B. 2012. An Introduction to Numerical Methods. A
MATLAB Approach. CRC Press.
[318] K INCAID , D.R. Y H AYES , L.J. EDS . 1990. Iterative Methods for Large Linear Systems.
Academic Press.
[319] K IUSALAAS , J. 2010. Numerical Methods in Engineering with MATLAB. Cambridge.
[320] K LEE , V. Y M INTY, G.J. 1972. How good is the Simplex Algorithm? En Inequalities III.
Shisha, O. ed. Academic Press.
[321] K LINGMAN , D., NAPIER , A. Y S TUTZ , J. 1974. NETGEN-A Program for Generating
Large-scale (Un)Capacitated Assigment, Transportation and Minimum Cost Flow Network
Problems. Management Science 20, pp. 814-821.
[322] K NIGHT, A. 2000. Basics of MATLAB and Beyond. Chapman and Hall/CRC.
[323] KOLMAN , B. Y B ECK , R.E. 1995. Elementary Linear Programming with Applications.
Academic Press.
[324] KOLMOGOROV, A.M. Y F OMIN , S.V. 1972. Elementos de la teora de funciones y del
anlisis funcional. Editorial Mir.
[325] KOLMOGOROV, A.M. Y F OMIN , S.V. 1975. Introductory Real Analysis. Dover Publica-
tions.
[326] KOPCHENOVA , N.V. Y M ARON , I.A. 1975. Computational Mathematics. Worked Exam-
ples and Problems with Elements of Theory. Mir Publishers.
[327] KOPKA , H. Y DALY, P.W. 1995. A Guide to LATEX 2" . Document Preparation for Beginners
and Advanced Users. Addison Wesley.
[328] KOROVKIN , P.P. 1976. Desigualdades. Editorial Mir.
[329] K RANTZ , S.G. Y PARKS , H.R. 2003. The Implicit Function Theorem. History, Theory, and
Applications. Birkhuser.
[330] K RESSNER , D. 2005. Numerical Methods for General and Structured Eigenvalue Pro-
blems. Springer.
[331] K REYSZIG , E. 2011. Advanced Engineering Mathematics. Wiley.
[332] K UESTER , J.L. Y M IZE , J.H. 1973. Optimization Techniques with Fortran. McGraw-Hill.
[333] K UHN , H.W. Y T UCKER , A.W. 1951. Nonlinear Programming. En Proceedings of the
Second Berkeley Symposium on Mathematical Statistics an Probability. University of Ca-
lifornia Press.
[334] K NZI , H.P. Y K RELLE , W. 1969. La Programmation Non Linaire. Gauthier-Villars.
[335] L AMPORT, L. 1994. LATEX. A Document Preparation System. Users Guide and Reference
Manual. Addison-Wesley.
[336] L AND , A. Y P OWELL , S. 1973. Fortran Codes for Mathematical Programming. Wiley.
[337] L ANG , S. 1968. Analysis. Vols. I y II. Addison-Wesley.
[338] L ANG , S. 1983. Linear Algebra. Addison-Wesley.
Bibliografa j 239
[339] L ARSON , R.E. 1968. State Increment Dynamic Programming. American Elsevier.
[340] L ARSSON , S. Y T HOME , V. 2009. Partial Differential Equations with Numerical Meth-
ods. Springer.
[341] L ASCAUX , P. Y T HODOR , R. 1986. Analyse Numrique Matricielle Applique a lArt de
lIngnieur. Vols. I y II. Masson, S.A.
[342] L ASDON , L.S. 1970. Optimization Theory for Large Systems. Macmillan Publishing Com-
pany.
[343] L AWLER , E.L. 1976. Combinatorial Optimization: Networks and Matroids. Holt, Rinehart
and Winston.
[344] L AWSON , C.L. Y H ANSON , R.J. 1974. Solving Least Squares Problems. Prentice Hall.
[345] L AWSON , C.L. Y H ANSON , R.J. 1995. Solving Least Squares Problems. SIAM.
[346] L AY, D.C. 2012. lgebra lineal y sus aplicaciones. Cuarta edicin. Pearson educacin.
[347] L AY, D.C. 2015. Linear Algebra and its Applications. Fourth Edition. Addison-Wesley.
[348] L AY, D.C. Y L AY, S.R. 2015. Linear Algebra and its Applications. Fifth Edition. Pearson.
[349] L EIFMAN , L.J. ED . 1990. Functional Analysis, Optimization, and Mathematical Econo-
mics. Oxford University Press.
[350] L EBOUCQ , R.B., S ORENSEN , D.C. Y YANG , C. 1998, ARPACK Users Guide: Solution
of Large-Scale Eigenvalue Problems with Implicitly Restarted Arnoldi Methods. SIAM.
[351] L EMKE , C.E. 1954. The Dual Method of Solving the Linear Programming Problem. Naval
Research Logistics Quarterly 1, pp. 36-47.
[352] L ERMAN , S.R. 1993. Problem Solving and Computation for Scientists and Engineers. An
Introduction Using C. Prentice Hall.
[353] L EW, A. Y M AUCH , H. 2007. Dynamic Programming. A Computational Tool. Springer.
[354] L EYFFER , S. Y M AHAJAN , A. 2010. Software for Nonlinear Constrained Optimization.
Argonne National Laboratory, Mathematics and Computer Science Division.
[355] L EVENBERG , K. 1944. A Method for the Solution of Certain Problems in Least Squares.
Quart. Appl. Math. 2, pp. 164-168.
[356] L IEBMAN , J., L ASDON , L., S CHRAGE , L. Y WAREN , A. 1986. Modeling and Optimiza-
tion with GINO. The Scientific Press.
[357] L INDFIELD , G. Y P ENNY, J. 1995. Numerical Methods Using MATLAB. Ellis Horwood.
[358] L OEHR , N 2014. Advanced Linear Algebra. CRC Press.
[359] L ONGLEY, J.W. 1984. Least Squares Computations Using Orthogonalization Methods.
Marcel Dekker.
[360] L UENBERGER , D.G. 1969. Optimization by Vector Space Methods. Wiley.
[361] L UENBERGER , D.G. 1984. Linear and Nonlinear Programming. Addison-Wesley.
[362] L UENBERGER , D.G. 1989. Programacin lineal y no lineal. Addison-Wesley Iberoameri-
cana.
[363] L UENBERGER , D.G. Y Y E , Y. 2016. Linear and Nonlinear Programming. Fourth Edition.
Springer.
[364] L USTIG , I.J., M ARSTEN , R.E. Y S HANNO , D.F. 1992. On Implementing Mehrotras
Predictor-Corrector Interior-Point Method for Linear Programming. SIAM J. Optimiza-
tion, Vol. 2, No. 3, pp. 435-449.
240 j Bibliografa
[365] M ADDEN , N. 2012. Numerical Solution to Differential Equations using MATLAB: Part 2.
Finite Element Methods. National University of Ireland Galway, School of Mathematics,
Statistics and Applied Mathematics.
http://www.maths.nuigalway.ie/~niall/teaching/Archive/1112/Finite-V02.pdf
[366] M ADDEN , N. 2012. Numerical Solution to Differential Equations using MATLAB: Part
3. A finite element implementation for 2D elliptic problem. National University of Ireland
Galway, School of Mathematics, Statistics and Applied Mathematics.
http://www.maths.nuigalway.ie/~niall/teaching/Archive/1112/Finite-V01.pdf
[367] M ADSEN , K. Y N IELSEN , H.B. 2010. Introduction to Optimization and Data Fitting. Tech-
nical University of Denmark, Informatics.
[368] M ADSEN , K., N IELSEN , H.B. Y T INGLEFF , O. 2004. Methods for Nonlinear Least Squa-
res Problems. Technical University of Denmark, Informatics.
[369] M ADSEN , K., N IELSEN , H.B. Y T INGLEFF , O. 2004. Optimization with Constraints.
Technical University of Denmark, Informatics.
[370] M ANDL , C. 1979. Applied Network Optimization. Academic Press.
[371] M ANASSAH , J.T. 2001. Elementary Mathematical and Computational Tools for Electrical
and Computer Engineers Using MATLAB. CRC Press.
[372] M ANGASARIAN , O.L. 1994. Nonlinear Programming. SIAM.
[373] M ANNEBACK , P. 1985. On Some Numerical Methods for Solving Large Sparse Linear
Least Squares Problems. Ph.D. Dissertation, Facults Iniversitaires Notre-Dame de la Paix,
Namur, Blgica.
[374] M ARCHUK , G.I. Y DYMNIKOV, V.P. 1985. Problems of Computational Mathematics and
Mathematical Modelling. Mir Publishers.
[375] M ARCUS , M. Y M ING , H. 1964. A Survey of Matrix Theory and Matrix Inequalities. Allyn
and Bacon.
[376] M ARTINEZ , W.L. Y M ARTNEZ , A.R. 2002. Computational Statistics Handbook with
MATLAB. Chapman and Hall/CRC.
[377] M ARKOWITZ , H.M. 1957. The Elimination Form of the Inverse and its Application to
Linear Programming. Management Science 3, pp. 255-269.
[378] M ARQUARDT, D. 1963. An Algorithm for Least Squares Estimation of Nonlinear Parame-
ters. SIAM J. Appl. Math. 11, pp. 431-441.
[379] M ATHEWS , J.H. 1992. Numerical Methods for Mathematics, Science, and Engineering.
Prentice Hall.
[380] M ATHEWS , J.H. Y F INK , K.D. 2000. Mtodos numricos con MATLAB. Prentice Hall.
[381] M C M AHON , D. Y T OPA , D.M. 2006. A Beginnerss Guide to Mathematica. Chapman and
Hall/CRC.
[382] M C C ORMICK , G.P. 1983. Nonlinear Programming. Wiley.
[383] M EHROTRA , S. 1992. On the Implementation of a Primal-Dual Interior Point Method.
SIAM J. Optimization, Vol. 2, No. 4, pp. 575-601.
[384] M ESIROV, J.P. ED . 1991. Very Large Scale Computation in the 21st Century. SIAM.
[385] M ETCALF, M. Y R EID , J. 1990. Fortran 90 Explained. Oxford University Press.
[386] M ETCALF, M. Y R EID , J. 1996. Fortran 90/95 Explained. Oxford University Press.
[387] M EYER , C.D. 2000. Matrix Analysis and Applied Linear Algebra. SIAM.
Bibliografa j 241
[440] P HILLIPS , G.M. Y TAYLOR , P.J. 1996. Theory and Applications of Numerical Anaylis.
Second Edition. Academic Press.
[441] P IERRE , D.A. Y L OWE , M.J. 1975. Mathematical Programming Via Augmented Lagran-
gians. An Introduction with Computer Programs. Addison-Wesley.
[442] P IERRE , D.A. 1986. Optimization Theory with Applications. Dover Publications.
[443] P IKE , R.W. 1986. Optimization for Engineering Systems. Van Nostrand Reinhold Com-
pany.
[444] P ISSANETZKY, S. 1984. Sparse Matrix Technology. Academic Press.
[445] P LATO , R. 2003. Concise Numerical Mathematics. American Mathematical Society.
[446] P LYBON , B.F. 1992. An Introduction to Applied Numerical Analysis. PWS-Kent Publishing
Company.
[447] P OWELL , M.J.D. ED . 1982. Nonlinear Optimization. Academic Press.
[448] P RESS , W.H., F LANNERY, B.P., T EUKOLSKY, S.A. Y V ETTERLING , W.T. 1986. Nume-
rical Recipes in Fortran. The Art of Scientific Computing. Cambridge.
[449] P RESS , W.H., T EUKOLSKY, S.A., V ETTERLING , W.T. Y F LANNERY, B.P. 1992. Nume-
rical Recipes in C. The Art of Scientific Computing. Second Edition. Cambridge.
[450] P RESS , W.H., T EUKOLSKY, S.A., V ETTERLING , W.T. Y F LANNERY, B.P. 1996. Nume-
rical Recipes in Fortran 90. The Art of Parallel Scientific Computing. Cambridge.
[451] P RESS , W.H., T EUKOLSKY, S.A., V ETTERLING , W.T. Y F LANNERY, B.P. 2007. Nume-
rical Recipes. The Art of Scientific Computing. Third Edition. Cambridge.
[452] P YTLAK , R. 2009. Conjugate Gradient Algorithms in Nonconvex Optimization. Springer.
[453] Q UARTERONI , A., S ACCO , R. Y S ALERI , F. 2000. Numerical Mathematics. Springer.
[454] Q UARTERONI , A., S ALERI , F. Y G ERVASIO , P. 2010. Scientific Computing with MATLAB
and Octave. Springer.
[455] R AO , S.S. 2002. Applied Numerical Methods for Engineers and Scientists. Prentice Hall.
[456] R AO , K.R., K IM , D.N. Y H WANG , J.J. 2010. Fast Fourier Transform: Algorithms and
Applications. Springer.
[457] R AVINDRA , A., R AGSDELL , K.M. Y R EKLAITIS , G.V. 2006. Engineering Optimization.
Methods and Applications. Second Edition. Wiley.
[458] R EDFERN , D. Y C AMPBELL , C. 1998. The MATLAB 5 Handbook. Springer.
[459] R ECKTENWALD , G. 2000. Numerical Methods with MATLAB. Implementation Applica-
tion. Prentice Hall.
[460] R EDWINE , C. 1995. Upgrading to Fortran 90. Springer.
[461] R EGISTER , A.H. 2007. A Guide to MATLAB Object Oriented Programming. Chapman and
Hall/CRC.
[462] R EID , J.K. ED . 1971. Large Sparse Sets of Linear Equations. Academic Press.
[463] R EID , J.K. 1982. A Sparsity-Exploiting Variant of the Bartels-Golub Decomposition for
Linear Programming Bases. Mathematical Programming 24, pp. 55-69.
[464] R EKLAITIS , G.V., R AVINDRAN , A. Y R AGSDELL , K.M. 1983. Engineering Optimization.
Methods and Applications. Wiley.
[465] R HEINBOLDT, W.C. 1988. Methods for Solving Systems of Nonlinear Equations. SIAM.
[466] R IAZA , R. Y LVAREZ , M. 1996. Clculo infinitesimal. Vols. I y II. Sociedad de Amigos
de la Escuela Tcnica Superior de Ingenieros Industriales de Madrid.
244 j Bibliografa
[495] S CHITTKOWSKI , K. 2009. Test Examples for Nonlinear Programming Codes. All Problems
from the Hock-Schittkowski-Collection. Department of Computer Science, University of
Bayreuth.
[496] S CHRAGE , L. 1989. Users Manual for Linear, Integer, and Quadratic Programming with
LINDO. The Scientific Press.
[497] S CHRAGE , L. 1991. LINDO. An Optimization Modeling System. Boyd and Fraser Publis-
hing Company.
[498] S CHRIJVER , A. 1986. Theory of Linear and Integer Programming. Wiley.
[499] S COTT, L.R. 2011. Numerical Analysis. Princeton University Press.
[500] S EDGEWICK , R. 1992. Algorithms in C++. Addison-Wesley.
[501] S EN , R. 2013. A First Course in Functional analysis. Theroy and Applications. Anthem
Press.
[502] S ENIOR , T.B.A. 1986. Mathematical Methods in Electrical Engineering. Cambridge.
[503] S HAMPINE , L.F., G LADWELL , I. Y T HOMPSON , S. 2003. Solvin ODEs with MATLAB.
Cambridge.
[504] S HAPIRO , J.F. 1979. Mathematical Programming. Structures and Algorithms. Wiley.
[505] S HEWCHUK , J.R. 1994. An Introduction to Conjugate Gradient Method without the Ago-
nizing Pain. School Of Computer Science, Carnegie Mellon University.
[506] S IDDALL , J.N. 1982. Optimal Engineering Design. Principles and Applications. Marcel
Dekker.
[507] S IERKSMA G. 1996. Linear and Integer Programming: Theory and Practice. Marcel Dek-
ker.
[508] S IMONNARD , M. 1972. Programmation Linaire. Technique du Calcul conomique. Fon-
dements. Dunod.
[509] S IMONNARD , M. 1973. Programmation Linaire. Technique du Calcul conomique. Ex-
tensions. Dunod.
[510] S KORNIAKOV, L.A. 1988. Sistemas de Ecuaciones Lineales. Editorial Mir.
[511] S MITH , B.T., B OYLE , J.M., D ONGARRA , J.J., G ARBOW, B.S., I KEBE , Y., K LEMA , V.C.
Y M OLER , C.B. 1976. Matrix Eigensystem Routines-EISPACK Guide. Springer.
[512] S BOL , I.M. 1983. Mtodo de Montecarlo. Editorial Mir.
[513] S OLODVNIKOV, A.S. 1980. Sistemas de Desigualdades Lineales. Editorial Mir.
[514] S ORDET, J. 1970. La Programmation Linaire Applique lEntreprise. Dunod.
[515] S ORENSEN , D.C. 2015. CAAM 454 Lecture Notes: Iterative Methods for Linear Systems.
Rice University, Department of Computational and Applied Mathematics
http://www.caam.rice.edu/~caam551/NOTES/Notes454.pdf
[516] S PEDICATO , E. ED . 1991. Computer Algorithms for Solving Linear Algebraic Equations.
The State of the Art. Springer, NATO Scientific Affairs.
[517] S TAGG , G.W. Y E L -A BIAD , A.H. 1968. Computer Methods in Power Systems Analysis.
McGraw-Hill.
[518] S TAHEL , A. 2012. Numerical Methods.
[519] S TEVENSON , W. D. 1984. Elements of Power System Analysis. McGraw-Hill.
[520] S TEWART, G.W. 1973. Introduction to Matrix Computations. Academic Press.
[521] S TEWART, G.W. 1996. Afternotes on Numerical Analysis. SIAM.
246 j Bibliografa
[522] S TEWART, G.W. 1998. Matrix Computations. Vol 1: Basic Decompositions. SIAM.
[523] S TEWART, J. 2015. Calculus. Eighth Edition. Brooks/Cole.
[524] S TOER , J. Y B ULIRSCH , R. 1980. Introduction to Numerical Analysis. Springer.
[525] S TOTT, B. Y A LSAC , O. 1974. Fast Decoupled Load Flow. IEEE Trans. on Power Appa-
ratus and Systems PAS-93, pp. 859-869.
[526] S TRANG , G. 1976. Linear Algebra and its Applications. Academic Press.
[527] S TRANG , G. 1988. Linear Algebra and its Applications. Harcourt Brace Jovanovich.
[528] S TRAUSS , W.A. 2008. Partial Differential Equations. An Introduction. Second Edition.
Wiley.
[529] S LI , E. Y M AYERS , D. 2003. An Introduction to Numerical Analysis. Cambridge.
[530] S ULTAN , A. 1993. Linear Programming. An Introduction with Applications. Academic
Press.
[531] S LLI , E. 2012. Lecture Notes on Finite Element Methods for Partial Differential Equa-
tions. Mathematical Institute University of Oxford.
http://people.maths.ox.ac.uk/suli/fem.pdf
[532] S UN , W. Y Y UAN , Y-X. 2006. Optimization Theory and Methods. Nonlinear Program-
ming. Springer.
[533] TARJAN , R. 1972. Depth-First Search and Linear Graph Algorithms. SIAM J. Computing
1, pp. 146-160.
[534] T EWARSON , R.P. 1973. Sparse Matrices. Academic Press.
[535] T HOMAS , B.J. 1996. The Internet for Scientists and Engineers. Oxford University Press.
[536] T HOMAS , G.B. 2014. Thomas Calculus. Thirteenth Edition. Pearson.
[537] T INNEY, W.F. Y WALKER , J.W. 1967. Direct Solution of Sparse Network Equations by
Optimally Ordered Triangular Factorizations. Proceedings of the IEEE 55, pp.1801-1809.
[538] T ITS , A.L., WCHTE , A., BAKHTIARI , S., U RBAN , T.J. Y L AWRENCE , G.T. 2003. A
Primal-Dual Interior-Point Method for Nonlinear Programming with Strong and Local
Convergence Properties. SIAM J. Optimizaton, Vol. 14, No. 1, pp. 173-199.
[539] T OMLIN , J.A. 1970. Branch-and-Bound Methods for Integer and Non-Convex Program-
ming. En Integer and Nonlinear Programming. Abadie, J. ed. North-Holland.
[540] T OMLIN , J.A. 1972. Pivoting for Size and Sparsity in Linear Programming. J. Inst. Maths.
Applics. 10, pp. 289-295.
[541] T REFETHEN , L.N. Y BAU , D. 1997. Numerical Linear Algebra. SIAM.
[542] T REFETHEN , L.N. 2005. Who invented the great numerical algorithms? Oxford University
Mathematical Institute, Oxford University.
http://www.maths.ox.ac.uk/~trefethen
[543] T YRRELL ROCKAFELLAR , R. 1972. Convex Analysis. Princeton University Press.
[544] T YRRELL ROCKAFELLAR , R. Y W ETS , R.J-B. 1997. Variatonal Analysis. Springer.
[545] U EBERHUBER , C.W. 1995. Numerical Computation. Methods, Software, and Analysis.
Vols I y II. Springer.
[546] VAN DE PANNE , C. 1976. Linear Programming and Related Techniques. North-Holland.
[547] VAN DER VORST, H.A. 2003. Iterative Krylov Methods for Large Linear Systems. Cam-
bridge.
Bibliografa j 247
[548] VAN L OAN , C.F. 1997. Introduction to Scientific Computing. A Matrix-Vector Approach
Using MATLAB. Prentice Hall.
[549] VANDERBEI , R.J. 2001. Linear Programming. Foundations and Extensions. Princeton Uni-
versity, Operations Research and Financial Engineering Dept.
[550] VANDERBEI , R.J. 1999. LOQO: An Interior Point Code for Quadratic Programming. Jour-
nal on Optimization Methods and Software, Vol. 11, pp. 451-484
[551] VARGA , R.S. 1962. Matrix Iterative Analysis. Prentice Hall.
[552] V ENKATARAMAN , P. 2002. Applied Optimization with MATLAB Programming. Wiley.
[553] V ILENKIN , N.YA . 1984. Mtodo de Aproximaciones Sucesivas. Editorial Mir.
[554] V ILLANUEVA , I. 2016. Apuntes de Ampliacin de Clculo. Universidad Complutense de
Madrid.
http://www.mat.ucm.es/~cruizb/Informatica-2/Apuntes-i/Otros-Grupos/AC-Fourier.pdf
[555] WCHTER , A. Y B IEGLER , L.T. 2006. On the Implementation of a Primal-Dual Interior
Point Filter Line Search Algorithm for Large-Scale Nonlinear Programming. Mathematical
Programming 106, pp. 25-57.
[556] WALSH , G.R. 1975. Methods of Optimization. Wiley.
[557] WATKINS , D.S. 1991. Fundamentals of Matrix Computations. Wiley.
[558] WATKINS , D.S. 2002. Fundamentals of Matrix Computations. Second Edition. Wiley.
[559] WATKINS , D.S. 2007. The Matrix Eigenvalue Problem. GR and Krylov Subspace Methods.
SIAM.
[560] W ELLIN , P., K AMIN , S. Y G AYLORD , R. 2005. An Introduction to programming with
Mathematica. Cambridge.
[561] W ENTZEL , E.S. 1983. Operations Research. A Methodological Approach. Mir Publishers.
[562] W HEEDEN , R.L. Y Z YGMUND , A. 2015. Measure ans Integral. An Introduction to Real
Analysis. Second Edition. CRC Press.
[563] W HITE , R.E. 1985. An Introduction to Finite Element Method with Applications to Nonli-
near Problems. Wiley.
[564] W HITEHOUSE , G.E. Y W ECHSLER , B. 1976. Applied Operations Research: A Survey.
Wiley.
[565] W ILKINSON , J.H. 1965. The Algebraic Eigenvalue Problem. Oxford University Press.
[566] W ILKINSON , J.H. 1994. Rounding Errors in Algebraic Processes. Dover Publications.
[567] W ILSON , D.I. 2015. Numerical Methods with MATLAB for Engineers. Auckland Univer-
sity of Technology.
[568] W ILSON , H.B., T URCOTTE , L.H. Y H ALPERN , D. 2003. Advanced Mathematics and
Mechanics Applications Using MATLAB. Third Edition. Chapman and Hall/CRC.
[569] W INSTON , W.L. 1994. Operations Research. Applications and Algorithms. Duxbury Press.
[570] W OLFE , M.A. 1978. Numerical Methods for Unconstrained Optimization. An Introduction.
Van Nostrand Reinhold Company.
[571] W OLFE , P. 1961. A Duality Theorem for Non-Linear Programming. Quart. Appl. Math. 19,
N 3.
[572] W OLFE , P. 1967. Methods of Nonlinear Programming. En Nonlinear Programming. Abadie
J. ed. North-Holland.
248 j Bibliografa
[573] W ONNACOTT, T.H. Y W ONNACOTT, R.J. 1972. Introductory Statistics for Business and
Economics. Wiley.
[574] W OOD , A.J. Y W OLLENBERG , B.F. 1984.cc Power Generation Operation and Control.
Wiley.
[575] W RIGHT, M.H. 2004. The Interior-Point Revolution in Optimization: History, Recent De-
velopments, and lasting Consequences. Bulletin of The American Mathematical Society,
Vol. 42, No. 1, pp. 39-56.
[576] W RIGHT, M.H. 1991. Interior Methods for Constrained Optimization. ATT Bell Laborato-
ries. Acta Numerica.
[577] W RIGHT, S.J. 1997. Primal-Dual Interior Point Methods. SIAM.
[578] YANG , W.Y., C AO , W., C HUNG , T.-S. Y M ORRIS , J. 2005. Applied Numerical Methods
Using MATLAB. Wiley.
[579] YOUNG , D.M. Y G REGORY, R.T. 1988. A Survey of Numerical Mathematics. Vols. I y II.
Dover Publications.
[580] Z IENKIEWICZ , O.C., TAYLOR , R.L. Y Z HU , J.Z. 2005. The Finite Element Method: Its
Basis and Fundamentals. Second Edition. Elsevier.
[581] ZL ITKOVI C , G. 2017. Introduction to Stochastic Processes. Lecture notes. Department of
Mathematics. The University of Texas at Austin.
https://www.ma.utexas.edu/users/gordanz/notes/introduction_to_stochastic_processes.pdf
ndice de materias y autores
Condiciones, convexo, 75
necesarias y suficientes de primer y dual, 81
segundo orden de un mnimo, 69 norma, 79
Conjugada de Fenchel, 103 puntiagudo 79
Conjunto(s), 1 verdadero o apropiado, 79
N, 1 Continuidad, 51
Z, 1
de Lipschitz, 52
R, 1 Convergencia, de una sucesin en espacio
C, 1 vectorial normado, 13
Q, 1 Convergencia puntual, 58
abierto, subconjunto de un espacio Convergencia uniforme, 58
normado, 13 Convexo,
entorno, 12 conjunto, 70, 71
afn, 72 cono, 75
aplicacin, funcin, trasnformacin o Convolucin, de dos funciones, 183
mapeo entre conjuntos, 1 Cooley, J.W. 185
imagen, cionjunto imagen, 3 Coordenadas baricntricas, 73
origen o dominio de definicin, 3 Correlacin, 154
dominio de valores, 3 coeficiente, matriz, 154
inyectiva, 3 Cota
suprayectiva, 3 inferior mxima, o nfimo, 2
biyectiva, 3 superior mnima, o supremo, 2
cerrado, 13 Criterio o regla
compacto, 14 de Weierstrass, 61
complemento, de un subconjunto, 2 de Nyquist, 186
convexo, 70, 71 Cuadrtica, forma, 48
cota superior mnima o supremo, 1
cota inferior mxima o nfimo, 1 D
elemento o miembro, 1 Definida positiva,
elemento mnimo, 80 forma cuadrtica, 48
elemento mximo, 80 matriz, 36
elemento minimal, 80 Desnsidad de probabilidad, 201
estructura algebraica en conjuntos, 3 Dependencia lineal, vectores de espacio
grupo, 3 vectorial, 7
anillo, 3 Derivada de una funcin, 53
cuerpo, 3 Derivada de Frchet, 54
espacio vecctorial, 3 Derivada de Gteaux, 54
frontera o borde de, 13 Descomposicin,
interior de, 13 o triangularizacin de Schur, 42
interseccin, 1 de Jordan, 42
numerable, 3 en valores singulares, 45
sucesin de elementos, 3 espectral, 42
lmite superior de la sucesin, 3 Desigualdad,
lmite inferior de la sucesin, 3 de Cauchy-Schwarz, 22
unin, 1 de Fenchel-Young, 105
vaco, 1 Desigualdades generalizadas, 80
Cono, 75 Diagonal dominante, matriz de, 37
ndice de Materias y Autores j 251
Sylvester, J.J. 29 U
Ulam, S.M. 217
Unidad imaginaria, 161
T Unin, de conjuntos, 1
Taylor, B. 63
teorema de, 63 V
desarrollo en serie de, 63 Valor(es) propio(s), 39
polinomio de, 63 defectuoso, 39
resto de, 63 dominante, 41
serie de, 63 multiplicidad algebraica, 39
Teorema, multiplicidad geomtrica, 39
central del lmite, 217 Valor(es) singular(es), 43
de Abel, 62 descomposicin en, 45
de Cayley-Hamilton, 39 Vandermonde, A.T. 38
de Fermat, 70 Vandermonde, matriz de, 38
de Fubini, 120 Variable aleatoria, 201
de Green, 127 desnsidad de probabilidad, 201
de Nyquist-Shannon, 186 esperanza matemtica, 202
de Parseval, 178 funcin de distribucin, 202
de Riesz-Frchet, 110 varianza, 202
de Rolle, 65 Variedad afn, variedad lineal, 72
de Stokes, 129 Variedad lineal, hiperplano, 76
de Taylor, 63 separador, 85
de la divergencia, 136 teorema de existencia, 84
de la dualidad fuerte, 99 soporte, 78, 87
de la funcin implcita, 67 teorema de existencia, 86
del valor intermedio, 64 vector caracterstico, 76
Vector(es), 3
del valor medio, 64
aleatorio, 203
espectral, 42
alineados, 23
fundamental del lgebra, 39
caracterstico, de un hiperplano o variedad
fundamental del clculo, 58
lineal, 76
fundamental de la Programacin Lineal, 93
formado ngulo obtuso, 23
fundamental de las integrales en lnea, 125
formado ngulo agudo, 23
Weierstrass, 52 gradiente, 53
Transformacin, linealmente dependientes, 7
de Fenchel, 103 linealmente independientes, 7
Transformada de Fourier, 181 opuestos, 23
Transformada de Fourier discreta, 183 ortogonales, 22
Transformada de Karhunen-Love, 192 ortonormales, 22
Transformada de Laplace, 195 Vector propio, 41
Transformada del coseno discreta, 189 Vrtice de una regin factible, 75
Transformada inversa de Fourier, 181 de un politopo, 78
Transformada rpida de Fourier, 185 Von Neumann, J. 217
Tringulo, regla, 10
Tucker, A.W. 90 W
Tukey, J. 185 Weierstra, K.T.W. 14
ndice de Materias y Autores j 257
criterio de, 61
teorema de, 52
Wiener, N. 210
Wiener, Proceso de, 210
Wolfe, P.S. 102
Z
Z, conjunto (anillo) de los nmeros enteros, 1