1.

Errores de redondeo y aritmética de computadora

2. Sistema de ecuaciones lineales

Definición 1 (Norma) Sea K = R ó C. A una función k · k: Kn → R se le
llama norma de vectores si se cumple:
1. k x k≥ 0 para todo x ∈ Kn , y k x k= 0 si y sólo si x = 0
2. k αx k=| α |k x k, ∀α ∈ K y x ∈ Kn
3. k x + y k≤k x k + k y k, ∀x, y ∈ Kn (desigualdad triangular)
Teorema 1 Sea k · k una norma en Rn . Entonces se cumple:
1. Con respecto a al continuidad de una norma
a) |k x k − k y k|≤k x − y k, ∀x, y ∈ Rn ;
b) Existe C > 0 constante tal que |k x k − k y k|≤ C k x − y k∞ ,
∀x, y ∈ Rn
2. Para cada par de normas k · kA y k · kB en Kn existen constantes C y D
tales que
C k x kA ≤k x kB ≤ D k x kA , ∀x ∈ Rn
Definición 2 (Normas equivalentes) Si k · kA y k · kB satisfacen Teorema
1.2 son llamadas equivalentes.
Algunas normas usuales sobre Kn :

n n
!1/2
X X
k x k1 = |xi | ; k x k2 = x2i ; k x k∞ = máx |xi|
i=1,...n
i=1 i=1
la segunda de estas es conocida como norma euclidiana.
Norma de Hölder: !1/p
Xn
k x kp = |x1|p
i=1
Donde p ∈ R y p ≥ 1
Definición 3 (Norma matricial subordinada) Sea k · k una norma en Kn .
La norma matricial subordinada o norma asociada a esta norma (o norma in-
ducida) se define como
 
k Ax k k Ax k
k A k:= sup /x ∈ Kn \{0} = sup
kxk x6=0 k x k

1
Teorema 2 Si k · k es una norma en Kn , entonces se cumple:
1. k A k= sup k Ax k
kxk=1

k Ax k
2. k A k= sup , para toda A ∈ Kn×n , define una norma sobre el espacio
x6=0 k x k
vectorial de las matrices en Kn×n
3. k Ax k≤k A kk x k, ∀x ∈ Kn , A ∈ Kn×n
4. k AB k≤k A kk B k, ∀A, B ∈ Kn×n

Teorema 3 Para toda matriz A = (aij ) ∈ Kn×n , se cumple que:

n
X
1. k A k∞ = sup k Ax k∞ = máx |aij |
kxk∞ =1 i=1,...n
j=1
n
X
2. k A k1= sup k Ax k1= máx |aij |
kxk1 =1 j=1,...,n
i=1

Definición 4 Sea una matriz A = (aij ):

1. A es hermitiana si A∗ = A, donde A∗ = (aji ) es la traspuesta conju-
gada de A.
2. A es definida positiva si hAx, xi > 0, ∀x 6= 0.

Lema 1 Sean λ1 ≥ λ2 ≥ · · · ≥ λn los valores propios de la matriz hermitiana

A ∈ Kn×n. Entonces se cumple

λn k x k22≤ x∗Ax ≤ λ1 k x k22, ∀x ∈ Kn×n

Definición 5 (Radio espectral de una Matriz) Sea A ∈ Kn×n, al conjunto

ξ de valores propios de A se le llama espectro de A y al número

ρ(A) = máx |λi |

λi ∈ξ

se le llama radio espectral de la matriz de A.

Lema 2 Se cumple k A k2 = ρ(A∗A)1/2, para toda A ∈ Kn×n

Teorema 4 Se cumple:
1. Sea k · k una norma en Kn . Entonces ρ(A) ≤k A k, para toda matriz
A ∈ Kn×n.

2
 2. Si A ∈ Kn×n es hermitiana se cumple ρ(A) =k A k2 .
3. Para toda matriz A ∈ Kn×n y ε > 0, existe una norma en Kn×n con k A k<
ρ(A) + ε, esto es
ρ(A) = ı́nf k A k
k·k

donde el ı́nfimo se toma sobre todas las normas subordinadas de Kn×n.

Definición 6 (Condición de una matriz) El valor k A−1 kk A k es denom-

inado el número de condición de la matriz A y se denota por cond(A), esto
es
cond(A) :=k A−1 kk A k ó condk·k(A) :=k A−1 kk A k
La sondiciónd euna matriz depende de la norma.

Teorema 5 En el caso de la norma k · k2 se obtiene

s
|λmáx |
cond2 (A) = ρ(A)ρ(A−1) =
|λmı́n |

Donde λmáx es el mayor valor propio en valor absoluto de A y λmı́n es el menor

valor propio en valor absoluto de A.

Lema 3 (De perturbación) Sea A ∈ Kn×n regular. Si S ∈ Kn×n es una per-

turbación de A con k A−1 kk S k< 1, entonces A + S es regular y

−1 k A−1 k
k (A + S) k≤
1− k A−1 kk S k
Teorema 6 Sea A ∈ Kn×n una matriz regular, ∆A ∈ Kn×n una matriz con
k A−1 kk ∆A k< 1, b ∈ Kn {0}, ∆b ∈ Kn y x, ∆x definimos por Ax = b y
(A + ∆A)(x + ∆x) = b + ∆b. Entonces se cumple
condk·k(A)
 
k ∆x k k ∆A k k ∆b k
≤ +
kxk 1 − condk·k (A) k∆Ak
kAk
kAk kbk

3. Factorización LU
La factorización LU consiste en descomponer una matriz A cuadrada en dos
matrices, una triangular inferior L y otra triangular superior U .
Observación:

3
 1. Cuando L es una matriz triangular inferior unitaria la descompisición se
llama Factorización Doolitle
2. Cuando U es una matriz triangular superior unitaria la descomposición se
lllama Factorización Crout

Teorema 7 Si los menores principales de una matriz A son no singulares, en-

tonces A admite la factorización LU sin cambios de filas

4. Transformación de HouseHolder
La notación de un vetor v ∈ Kn es:
 
v1
v 
 2 
v =  ..  donde vi ∈ K ∀i = 1, 2, . . . , n
 . 
vn
es decir, es un vector columna de n filas.
Definición 7 Dado un vector v ∈ Kn , (en general Rn o Cn ), se define la trans-
formacón H de Householder asociada a un vetor v como la transformación defini-
da por la matriz
I ∈ Kn×n si v = 0

H=
I − v2∗ v vv ∗ si v 6= 0
Propiedades:
1. H es hermitiana, es decir H ∗ = H.
2. H es unitaria, es decir H ∗ H = HH ∗ = I.
3. H 2 = H, es decir H −1 = H

5. Interpolación
Teorema 8 SI x0, x1, . . . , xn son números reales distintos, entonces para valores
arbitrarios y0, y1, . . . , yn existe un polinomio único pn de a lo sumo grado n, de
manera que:
pn (xi) = yi (0 ≤ i ≤ n)

En lo sucesivo se tomarán en cuenta los n + 1 puntos

(x0, f (x0)), (x1, f (x1)), . . . , (xn, f (xn))

4
5.1. Interpolación de Lagrange
Definición 8 (n-ésimo polinomio interpolante de Lagrange)
El n-ésimo polinomio interpolante de Lagrange es
(x − x0 ) · · · (x − xk−1)(x − xk+1) · · · (x − xn )
Ln,k (x) =
(xk − x0 ) · · · (xk − xk−1)(xk − xk+1) · · · (xk − xn )
o también n
Y (x − xi)
Ln,k =
i=0
(xk − xi)
i6=k

Teorema 9 Si x0, x1, · · · , xn son n + 1 números distintos y si f es una función

cuyos valores están dados en esos números, entonces existe un único polinomio
P (x) de grado a lo más n, con la propiedad de que

f (xk ) = P (xk ) para cada k = 0, 1, . . . , n

Este polinomio está dado por

n
X
P (x) = f (x0)Ln,0(x) + · · · + f (xn)Ln,n(x) = f (xk )Ln,k (x)
k=0

Cuando no hay lugar a equivocaiones Ln,k se puede escribir como Lk .

Teorema 10 Supongamos que x0, x1, . . . , xn son números distintos en el inter-
valo [a, b] y que f ∈ C n+1[a, b]. Entonces, para cada x ∈ [a, b] existe un número
ξ(x) ∈ (a, b) con
f (n+1)(ξ(x))
f (x) = P (x) + (x − x0)(x − x1) · · · (x − xn )
(n + 1)!
donde P (x) es el polinomio interpolante del teorema anterior.

5.2. Diferencias divididas

Teorema 11 Las diferencias divididas satisfacen al ecuación:
f [x1, x2, . . . , xn] − f [x0, x1, . . . , xn−1]
f [x0, x1, . . . , xn] =
xn − x0
Teorema 12 La diferencia dividida es una función simétrica de sus argumentos.
Es decir, si (z0, z1 , . . . , zn) es ua permutación de (x0, x1, . . . , xn), entonces

f [z0 , z1, . . . , zn ] = f [x0, x1, . . . , xn]

5
Teorema 13 Sea p el polinomio de a los más grado n que interpola a la función
f en un conjunto de n+1 nodos disitintos x0, x1, . . . , xn. Si t es un punto diferente
de los nodos, entonces
n
Y
f (t) − p(t) = f [x0, x1, . . . , xn, t] (t − xj )
j=0

Teorema 14 Si f es n veces continuamente diferenciable en [a, b] y x0, x1, . . . , xn

son puntos distintos de [a, b], entonces hay puntos ξ en (a, b), tal que
1 (n)
f [x0, x1, . . . , xn] = f (ξ)
n!

5.3. Interpolación Spline

Definición 9 (Spline) Sean n + 1 puntos t0 < t1 < · · · < tn , estos se llaman
nodos y fijemos un k ≥ 0. Una funció spline de grado k con nudos en
t0 < t1 < · · · < tn es una función S que satisface las siguientes condiciones:
i) En cada intervalo [ti−1, ti ), S es un polinomio de grado ≤ K.
ii) S tiene una derivada de orden (k − 1) continua en [t0 , tn]

Es decir S es un polinomio continuo por pedazos de a lo más grado k, que tiene

derivadas continuas de orden hasta (k − 1).

Teorema 15 Sea f ′′ continua en [a, b] y tomemos a = t0 < t1 < . . . < tn = bn .

Si S es el spline cúbico natural que interpola a f en los nudos ti , para 0 ≤ i ≤ n,
entonces: Z b Z b
′′ 2
[S (x)] dx ≤ [f ′′(x)]2dx
a a