Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
OptimizaciónRepaso de Cálculo Numérico
Departamento de Matemática, FCEyN, Universidad de Buenos Aires
14/04/2020
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Big-O
I Sea T (n) una función definida en los naturales.I T (n) usualmente es el tiempo de ejecución en el
peor caso de un algoritmo, n es el tamaño del input.
Definición(D. Knuth) T (n) = O(f (n)) si y solo si ∃c > 0,n0 ∈ N talque T (n) ≤ c · f (n) para n ≥ n0.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Big-O II
EjemploSea T (n) = aknk + · · ·+ a1n + a0 donde k ∈ N y ai sonreales. Entonces T (n) = O(nk ).
I Sea c = |ak |+ · · ·+ |a1|+ |a0|.I T (n) = aknk + · · ·+ a1n + a0
I T (n) ≤ |ak |nk + · · ·+ |a1|n + |a0|I T (n) ≤ (|ak |+ · · ·+ |a1|+ |a0|)nk = cnk .I Luego n0 = 1 y c = |ak |+ · · ·+ |a1|+ |a0| funcionan.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Big-O III
EjemploSea T (n) = nk , entonces T (n) no es O(nk−1).
I Si lo fuera entonces ∃c > 0,n0 ∈ N tal quenk ≤ c · nk−1 para n ≥ n0.
I Luego n ≤ c para n ≥ n0. Absurdo.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Big-O IV
EjemploSea T (n) = n!, entonces T (n) no es O(kn) para ningúnk ∈ N.
I Si lo fuera entonces ∃c > 0,n0 ∈ N tal quen! ≤ c · kn para n ≥ n0.
I Luego ln(n!) ≤ ln(c · kn) = ln(c) + n ln(k) si n ≥ n0.
I Pero ln(n!) =n∑
i=1ln(i) ≥ n
2 ln(n2 ).
I Como ln(n2 ) no es acotado llegamos a un absurdo.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Big-O V
EjercicioDadas funciones no negativas, probar quef (n) + g(n) = O(max{f (n),g(n)}) ymax{f (n),g(n)} = O(f (n) + g(n)).
Proof.Hacer.
DefiniciónSi f (n) = O(g(n)) y g(n) = O(f (n)) decimos quef (n) = Θ(g(n)).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Little-O
DefiniciónDadas funciones f ,g : Rn → R y x0 ∈ Rn decimos quef (x) = o(g(x)) cuando x → x0 si para todo ε > 0 existeδ > 0 tal que |f (x)| ≤ ε|g(x)| cuando ‖x − x0‖ < δ.Es decir lim
x→x0
|f (x)||g(x)| = 0.
ObservaciónLa definición aplica a funciones a valores naturales conx0 = +∞.
EjemploSea f : Rn → R, x0 ∈ Rn y sea R(x) el resto del polinomiode Taylor de orden k , entonces R(x) = o(‖x − x0‖k )cuando x → x0.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Complejidad via Flops
I El costo de un algoritmo de algebra lineal se expresausualmente en el número total de operaciones depunto flotante (flops) , en función del tamaño de laentrada.
I Un flop es una suma, multiplicación, resta o divisiónde dos números de punto flotante (usualmente endoble precisión, 64-bits).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Costo de operaciones básicas I
EjemploDados x , y ∈ Rn queremos saber el costo de calcular elproducto interno xT y .
I xT y =n∑
i=1xiyi .
I Tenemos que hacer n productos, y luego n − 1sumas.
I En total T (n) = 2n − 1, aproximadamente 2n flops.I Luego T (n) = O(n).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Costo de operaciones básicas II
EjemploDada A ∈ Rm×n y x ∈ Rn queremos saber el costo decalcular el producto y = Ax .
I Tenemos que hacer m operaciones de productointerno aix donde ai denota el i-ésimo vector fila deA.
I Cada uno cuesta 2n flops.I En total T (m,n) = 2mn flops.I Luego T (m,n) = O(mn).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Costo de operaciones básicas III
EjemploDada A = UV ∈ Rm×n y x ∈ Rn queremos saber el costode calcular el producto y = Ax . Pero ahora V ∈ Rp×n,U ∈ Rm×p con p << min{m,n}.
I Hacemos primero z = Vx , costo 2pn flops.I Luego hacemos y = Uz, costo 2mp flops.I Total T (n) = 2p(n + m) que es mucho menor que
2mn.I Por ejemplo si n,m = 1000 y p = 10 entonces
2p(n + m) = 4.104 mientras que 2mn = 2.106.
EjercicioDadas A ∈ Rm×n y B ∈ Rp×m calcular el costo decomputar C = BA ∈ Rp×n en la forma usual.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Eliminación Gaussiana
Empecemos por la parte más fácil. Supongamos queA ∈ Rn×n es triangular superior inversible (i.e. aij = 0 sii > j , aii 6= 0).Dado b ∈ Rn calculamos x = A−1b porback-substitution:
I annxn = bn, luego xn = bnann
.I a(n−1)(n−1)xn−1 + a(n−1)nxn = bn−1, luego:
xn−1 = 1a(n−1)(n−1)
(bn−1 − a(n−1)nxn).
I...
I a11x1 + a12x2 + · · ·+ a1nxn = b1, luego:x1 = 1
a11(b1 − a12x2 − a13x3 − · · · − a1nxn)
I En cada paso hacemos a lo sumo 2n flops, luegoT (n) ≤ 2n2 = O(n2) (de hecho son exactamente n2
flops).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización LU
I Sea A =
2 1 34 5 2−2 2 2
I Hacemos eliminación, r ′2 = r2 − 2r1. Esto equivale a
multiplicar por E :
EA =
1 0 0−2 1 00 0 1
2 1 34 5 2−2 2 2
=
2 1 30 3 −4−2 2 2
I Luego r ′3 = r3 − (−1)r1. Esto equivale a multiplicar
por F :
F (EA) =
1 0 00 1 0
−(−1) 0 1
2 1 34 5 2−2 2 2
=
2 1 30 3 −40 3 5
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización LU II
I Luego r ′3 = r3 − 1r2. Equivale a multiplicar por G:
G(FEA) =
1 0 00 1 00 −1 1
2 1 30 3 −40 3 5
=
2 1 30 3 −40 0 9
I Sea U el resultado, entonces A = E−1F−1G−1U.I Hay que invertir E F y G.
E−1 =
1 0 02 1 00 0 1
F−1 =
1 0 00 1 0−1 0 1
G−1 =
1 0 00 1 00 1 1
I Pues la inversa de restar es sumar.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización LU IIII Luego L = E−1F−1G−1 es la siguiente matriz:
L =
1 0 02 1 0−1 1 1
Ejercicio: Pensar por qué vale esta igualdad, elorden importa.
I Es decir, abajo de la diagonal aparecen losmultiplicadores por los cuales restamos en cadapaso.
I A = LU =
1 0 02 1 0−1 1 1
2 1 30 3 −40 0 9
I No hay necesidad de hacer las multiplicaciones de
matrices, solo hay que guardar los multiplicadoresen cada paso.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización LU III
I Analicemos el costo de realizar la factorizaciónA = LU, para A ∈ Rn×n.
I Para el primer pivote hay que restar un múltiplo de laprimera fila al resto de las filas, el costo de haceresto es 2n flops por cada fila, luego 2n(n − 1).
I En el siguiente pivote son 2(n − 1)(n − 2)operaciones, etc.
I En total:n∑
k=12k(k − 1) = 2(n(n+1)(2n+1)
6 − n(n+1)2 ) = 2n3−n
3
I Es decir el costo de LU es aproximadamente 23n3
flops.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización LU IV
ObservaciónI En general no siempre es posible factorizar A = LU.I Puede ocurrir que algún pivote sea cero, pero con
permutar filas (costo 0 flops) esto se puede evitar yvolvemos al caso anterior.
I En general se tiene que A = PLU con P una matrizde permutación, L triangular inferior y U triangularsuperior.
I En MATLAB: [P,L,U] = lu(A) nos devuelve unafactorización LU de la matriz.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Solución de sistemas lineales víafactorización LU I
I Dada A ∈ Rn×n no singular y b ∈ Rn.I Supongamos que A = LU, queremos resolver
Ax = b.I Esto es LUx = b.I Primero resolvemos Lz = b, i.e. z = L−1b (por
forward-substitution).I Luego resolvemos Ux = z, i.e. x = U−1z (por
backward-substitution).I Finalmente x = U−1z = U−1L−1b = A−1b, i.e.
Ax = b.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Solución de sistemas lineales víafactorización LU II
Algoritmo: Dada A ∈ Rn×n no singular y b ∈ Rn.1. LU. Factorizar A = PLU (2
3n3 flops).2. Permutation. Resolver Pz1 = b (0 flops).3. Forward substitution. Resolver Lz2 = z1 (n2 flops).4. Backward substitution. Resolver Ux = z2 (n2 flops).
Output: x es la solución de Ax = b.
I Costo total T (n) = 23n3 + 2n2 ≈ 2
3n3.I En MATLAB: x = A \b resuelve con este método
(usualmente).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Solución de sistemas lineales víafactorización LU III
I Supongamos que queremos resolver Axi = bi parai = 1, . . . , k .
I Al hacer LU una vez, queda hacer k veces forward yback substitution.
I Costo total T (n) = 23n3 + 2kn2.
I Si queremos calcular A−1 hay que resolver Axi = eipara i = 1, . . . ,n.
I Costo total T (n) = 83n3.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización Cholesky
I Sea A =
2 1 01 2 10 1 2
. Notar que es definida positiva.
I Hagamos la factorización LU.2 1 01 2 10 1 2
r ′2=r2− 12 r1→
2 1 00 3
2 10 1 2
r ′3=r3− 23 r2→
2 1 00 3
2 10 0 4
3
I Luego se tiene A = LU donde:
A =
2 1 01 2 10 1 2
=
1 0 012 1 00 2
3 1
2 1 00 3
2 10 0 4
3
= LU
I Pero podemos escribir:
U =
2 1 00 3
2 10 0 4
3
=
2 0 00 3
2 00 0 4
3
1 12 0
0 1 23
0 0 1
= DLT
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización Cholesky II
I Luego se tiene A = LDLT con D diagonal D > 0.I Esto vale en general para A definida positiva, no hay
necesidad de permutar filas (los pivotes son todospositivos) y siempre vale que U = DLT (por simetríay unicidad de tal factorización).
I Luego A = LDLT = (L√
D)(L√
D)T , esta se llama lafactorización Cholesky de A.
I El costo de esta factorización es n3
3 flops ya que nonecesitamos hacer las operaciones arriba de ladiagonal.
DefiniciónDada A ∈ Rn×n A > 0, la factorización Cholesky de Aes una descomposición de la forma A = LLT donde L estriangular inferior con entradas reales positivas en ladiagonal.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Solución de sistemas lineales definidospositivos vía factorización Cholesky
Algoritmo: Dada A ∈ Rn×n definida positiva y b ∈ Rn.1. Cholesky. Factorizar A = LLT (1
3n3 flops).
2. Forward substitution. Resolver Lz = b (n2 flops).3. Backward substitution. Resolver LT x = z (n2 flops).
Output: x es la solución de Ax = b.
I Costo total T (n) = 13n3 + 2n2 ≈ 1
3n3, la mitad deltiempo.
I En MATLAB: R = chol(A) es una matriz triangularsuperior con A = RT R, luego L = RT .
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
State of the Art
I Qué podemos resolver hoy en día?I En una computadora de escritorio, la mayoría entre 1
giga flop/s y 1 tera flop/s, i.e. entre 109 y 1012 flop/s.I Por ejemplo resolver un sistema lineal denso con
n = 3000 requiere de 23 · 2.7 · 1010 flops, luego en
una computadora con 10 giga flop/s debe tardar≈ 1.8 segundos.
I Si n = 100 son 23 · 106 flops, debe tardar ≈ 0.0001
segundos (i.e. una décima de un milisegundo).I Resolver sistemas lineales es de hecho el
benchmark (LINPACK) usado para medir lassupercomputadoras (TOP500), ≈ 1.5 · 1017 flop/s o150 peta flop/s.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Gram-Schmidt y Factorización QR
Algoritmo de Gram-Schmidt: dados vectores a1, . . . ,anindependientes en un e.v. con p.i (e.g. Rm para m >> n):
I q1 = a1, q1 = q1‖q1‖
.
I q2 = a2 − 〈q1,a2〉q1, q2 = q2‖q2‖
.
I qk = ak −〈q1,ak 〉q1−· · ·− 〈qk−1,ak 〉qk−1, qk = qk‖qk‖
.
Output: q1, . . . ,qn ortonormales, tal que〈a1, . . . ,ak 〉 = 〈q1, . . . ,qk 〉 para todo k .
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización QR
Dada A ∈ Rm×n con columnas independientes:I Consideremos a1, . . . ,an sus vectores columna.I Por G-S obtenemos q1, . . . ,qn ortonormales,
vectores columna de Q matriz ortogonal.I Cómo se relacionan A y Q?I a1 = (qT
1 a1)q1.I a2 = (qT
1 a2)q1 + (qT2 a2)q2.
I ak = (qT1 ak )q1 + (qT
2 ak )q2 + · · ·+ (qTk ak )qk .
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización QR II
I Luego A = QR donde:
A =
...
......
q1 q2 · · · qn...
......
......
...
qT1 a1 qT
1 a2 · · · qT1 an
0 qT2 a2 · · · qT
2 an...
. . . . . ....
0 · · · 0 qTn an
I Costo: en el paso k hacemos (k − 1) productosinternos ((k − 1)2m flops), (k − 1) productosescalares y (k − 1) restas de vectores ((k − 1)2mflops), y el calculo de qk y rkk aporta 3m.
I T (m,n) =n∑
k=1(4m(k − 1) + 3m) ≤
4m · n(n−1)2 + 3mn ≈ 2mn2.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Factorización QR III
I Luego el costo es T (m,n) ≈ 2mn2.I El algoritmo de Gram-Schmidt clásico descripto en la
práctica es numéricamente inestable.I Si se van restando las proyecciones de a una
(Gram-Schmidt modificado) es estable. Mismo costo.I En la práctica el algoritmo más usado es otro, el
algoritmo de Householder (en MATLAB:[Q,R] = qr(A)).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Cuadrados Mínimos
I Problema: resolver de forma aproximada Ax = b conA ∈ Rm×n m >> n.
I Interpretación: A variable medida y b resultado,queremos estimar los parámetros x de una relaciónlineal, notación usual y = Xθ.
I Formulación: minx‖Ax − b‖2 donde ‖−‖ es la norma
del p.i. usual.I Solución: Si x es la solución Ax es la proyección
ortogonal de b en el espacio columna de A.I Entonces e = Ax − b es ortogonal a los vectores
columna de A, i.e. 0 = AT (Ax − b).I AT Ax = AT b, luego x = (AT A)−1AT b (asumimos
columnas de A linealmente independientes).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Cuadrados Mínimos via Factorización QR
ObservaciónI Si A = QR entonces AT A = RT QT QR = RT R.I Luego AT Ax = AT b es RT Rx = RT QT b.I Luego se resuelve Rx = QT b.I Si se requiere R triangular superior con rkk > 0,
entonces la factorización es única.
Algoritmo LSQR: A ∈ Rm×n , b ∈ Rm
I QR. Factorizar A = QR (2mn2 flops).I Back-substitution. Resolver Rx = QT b (2n2 flops).
Output: x = arg minx‖Ax − b‖2.
En MATLAB: x = lsqr(A,b).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
AplicaciónI Sea yt el número de casos totales de Coronavirus en
Argentina en el día t (empezando en t = 1 el 8 deMarzo).
I Suponemos yt ≈ Kr t , luego ln(yt ) ≈ ln(K ) + t ln(r).I Hacemos LSQR, obtenemos ln(K ) = 2.2782,
ln(r) = 0.2164, i.e. r = 1.2416.
Figure: o yt , — yt .
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Algoritmos iterativos I
I Hasta ahora los algoritmos descriptos para matricesno son iterativos, son métodos directos.
I Por algoritmo iterativo nos referimos a un algoritmoque computa una secuencia x (0), x (1), x (2), . . . conx (k) → x∗ cuando k →∞ y tal que x∗ es solución delproblema.
I El algoritmo termina cuando ‖x (k) − x∗‖ ≤ ε paraε > 0 dado (tolerancia).
I El costo total de un algoritmo iterativo usualmente seexpresa dando una cota superior para el número deiteraciones (y a cada iteración su costo en flops).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Algoritmos iterativos II
I ‖x (k) − x∗‖ se llama el error absoluto.
I ‖x (k)−x∗‖‖x∗‖ se llama el error relativo, es el “número de
dígitos correctos”.
DefiniciónDada una sucesión convergente x (k) → x∗ decimos que:
I es linealmente convergente si existe c ∈ (0,1) talque: ‖x (k) − x∗‖ ≤ c‖x (k−1) − x∗‖.
I es R-linealmente convergente si c ∈ (0,1) y M talque: ‖x (k) − x∗‖ ≤ M · ck .
I es cuadráticamente convergente si existec ∈ (0,1) tal que: ‖x (k) − x∗‖ ≤ c‖x (k−1) − x∗‖2
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Algoritmos iterativos III
Como ejemplo veamos el algoritmo de la bisección.Dada f : [a,b]→ R continua tal que f (b)f (a) < 0 y ε > 0.Sean l := a, u := b.Mientras que u − l > ε:
I tomar x = (u + l)/2 = l + (u − l)/2.I Si f (x) = 0 devolver x .I Si f (x)f (l) < 0 u := x , en caso contrario l := x .
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Algoritmos iterativos IV
I Sea x (k) = (u(k) + l(k))/2 del algoritmo de bisección.I Afirmamos que es R-linealmente convergente.I ‖x (k) − x∗‖ ≤ u(k) − l(k) ≤ 1
2k (b − a).I Luego c = 1/2 y M = (b − a).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Algoritmos iterativos VI Por ejemplo si f (x) = ex−e−x
ex+e−x , sabemos que 0 es unaraíz de f . Empezamos en a = −1,b = 3/2.
I Los puntos que toma sonx (0) = 0.25, x (1) = −0.375, x (2) = −0.0625,x (3) = 0.0938, x (4) = 0.0156, . . .
Figure: A la izquierda f (x) y los puntos del método de labisección. A la derecha el error.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Método de Newton I
Empezando en algún valor x0 y ε > 0.I Supongamos que estamos en el paso k -ésimo.
Hacemos Taylor de orden uno en x (k):
f (y) ≈ f (x (k)) + f ′(x (k))(y − x (k))
I Igualando a cero entonces despejamos x (k+1):
x (k+1) = x (k) − f (x (k))
f ′(x (k))
I Si ‖f (x (k))‖ ≤ ε termina y devuelve x (k).
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Método de Newton II
I Analicemos el error, ek = x (k) − x∗ donde f (x∗) = 0.
I ek+1 = x (k+1) − x∗ = ek − f (x (k))
f ′(x (k))= ek f ′(x (k))−f (x (k))
f ′(x (k))
I Hacemos Taylor de orden 1 en x (k) evaluando en x∗
con resto de lagrange:I 0 = f (x∗) =
f (x (k)) + f ′(x (k))(x∗ − x (k)) + f ′′(ξ)2 (x∗ − x (k))2
I 0 = −f ′(x (k))ek+1 + f ′′(ξ)2 e2
k
I Luego ek+1 = f ′′(ξ)2f ′(x (k))
e2k .
I De esto se sigue que cerca de un cero simple def ∈ C2([a,b]), el método de Newton converge enforma cuadrática.
Optimización
Notación asintótica
Álgebra LinealNúmerica
Factorización LU
FactorizaciónCholesky
Gram-Schmidt yFactorización QR
CuadradosMínimos
Algoritmositerativos
Método de Newton IVI Por ejemplo si f (x) = ex−e−x
ex+e−x , sabemos que 0 es unaraíz de f . Empezamos en x (0) = 0.95.
I Los puntos que toma son x (0) = 0.95, x (1) = −0.68,x (2) = 0.23, x (4) = −0.0087, x (5) = 5.06 · 10−7.
Figure: A la izquierda f (x) y los puntos del método de Newton.A la derecha el error.