See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/267563125

Factorización de rango completo y aplicaciones

Article

CITATIONS READS

0 315

3 authors, including:

Beatriz Ricarte
Universitat Politècnica de València
31 PUBLICATIONS   117 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Artificial Pancreas - Spanish Consortium on Artificial Pancreas and Diabetes Technology View project

All content following this page was uploaded by Beatriz Ricarte on 22 March 2016.

The user has requested enhancement of the downloaded file.

 XXI Congreso de Ecuaciones Diferenciales y Aplicaciones
XI Congreso de Matemática Aplicada
Ciudad Real, 21-25 septiembre 2009
(pp. 1–8)

Factorización de rango completo y aplicaciones

R. Cantó1 , B. Ricarte1 , A.M. Urbano1

1
Institut de Matemàtica Multidisciplinar, Universidad Politécnica de Valencia, E-46022 Valencia.
E-mails: [email protected], [email protected], [email protected].

Palabras clave: Factorización de rango completo, factorización de Cholesky, factorización thin QR,
forma de Jordan.

Resumen
En este trabajo se estudian algunas aplicaciones de la factorización de rango com-
pleto tales como la factorización de Cholesky de una matriz simétrica no invertible,
la factorización thin QR de matrices rectangulares y el cálculo de valores y vectores
propios de una matriz singular.

1. Introducción
Dada una matriz A ∈ Rn×m con rank(A) = r, una factorización de la forma A = F G,
donde F ∈ Rn×r , G ∈ Rr×m y rank(F ) = rank(G) = r, se conoce como descomposición
de rango completo de la matriz A. Notar que, si A = F G es una factorización de rango
completo, entonces cualquier otra factorización de este tipo puede obtenerse de la forma
A = (F M −1 )(M G) donde M ∈ Rr×r es una matriz invertible. Si exigimos que la matriz
G esté en forma escalonada reducida superior unitaria entonces la factorización obtenida
es única.
Utilizando la descomposición de rango completo de una matriz, extendemos algunos re-
sultados conocidos para matrices invertibles o con rango completo por columnas a matrices
rectangulares que no tienen rango completo. Concretamente, obtenemos la factorización
de Cholesky de rango completo de matrices singulares AT A, cuya aplicación a matrices
totalmente positivas (TP) o estrictamente totalmente positivas (STP) permite afirmar que
el factor triangular inferior de Cholesky L es TP o ∆STP.
Por otra parte, es conocido que la factorización QR es, entre otras cosas, un camino
alternativo para resolver sistemas de ecuaciones lineales, ya que por ser Q ortogonal re-
solver el sistema Ax = b es equivalente a resolver el sistema Rx = QT b, el cual es mucho
más sencillo por ser R triangular superior. Cuando la matriz A es rectangular con ran-
go completo por columnas Golub y Van Loan [4, Teorema 5.2.2] definen el concepto de

1
 R. Cantó, B. Ricarte, A.M. Urbano

thin QR factorization y prueban que es única. Esta nueva factorización permite reducir
el tamaño de las matrices Q y R, y, como consecuencia, reducir el tamaño del sistema
a resolver. Nosotros vamos a extender dicho concepto a matrices rectangulares pero sin
rango máximo por columnas. La aplicación a matrices TP y STP permite asegurar que la
matriz R de esta factorización es TP o STP.
Dada una matriz cuadrada singular podemos, a partir del Teorema de Flanders [3],
obtener sus valores propios, vectores propios y forma de Jordan, reduciendo el orden de la
matriz mediante factorizaciones de rango completo.

2. Factorización de Cholesky
Toda matriz simétrica, definida positiva A ∈ Rn×n admite una única factorización
de Cholesky A = LLT , donde L ∈ Rn×n es triangular inferior con diagonal principal
positiva. Si A es semidefinida positiva existe una matriz de permutación P tal que P A
admite factorización de Cholesky y, en este caso, es fácil comprobar que en general dicha
descomposición no es única. Cuando la matriz semidefinida positiva A tiene rango igual a r
y la forma escalonada superior unitaria de sus r primeras filas linealmente independientes
puede obtenerse sin intercambio de filas aplicando [1, Theorem 1] se deduce que A tiene una
única factorización de Cholesky, que puede obtenerse aplicando el método de quasi-Gauss
[1].
Cuando la matriz A es rectangular se obtiene la factorización de Cholesky de AT A.
Si A tiene rango completo por columnas, entonces AT A es simétrica definida positiva, en
otro caso es simétrica semidefinida positiva y, como indica el siguiente resultado, tiene una
única factorización de Cholesky de rango completo.
Teorema 1 Sea A ∈ Rn×m una matriz tal que rank(A) = r. Entonces, AT A admite una
única factorización de Cholesky de rango completo AT A = LLT , donde L ∈ Rm×r es una
matriz en forma escalonada inferior, con entradas principales positivas y rango completo
por columnas.
Nota 1 El Teorema 1 nos permite afirmar que la factorización de Cholesky de rango
completo de AT A puede obtenerse aplicando el algoritmo de quasi-Gauss sin intercambio
de filas. En general, no sucede lo mismo cuando se intenta aplicar el algoritmo de quasi-
Neville.
Nota 2 Cuando la matriz A ∈ Rn×m con rango r es TP, entonces AT A también es TP y
en este caso se verifica
1. El factor triangular inferior LA de la factorización de Cholesky de rango completo
de AT A es TP [2].
2. Como el ı́ndice de la matriz AT A es igual a 1, la inversa de grupo y la inversa de
Drazin coinciden. En este caso dicha inversa viene dada por la matriz simétrica con
rango r siguiente:
¡ ¢−1 T ¡ ¢−2 T
(AT A)D = LA LTA (AT A)LA LA = LA LTA LA LA
donde
¡ T L A es el factor triangular inferior de Cholesky. Como LA es TP entonces,
¢−2
LA LA es P -matriz y por tanto, la inversa de Drazin es P0 -matriz.

2
 Factorización de rango completo y aplicaciones

3. Factorización Thin QR de matrices rectangulares

Dada una matriz A ∈ Rn×m con rango completo por columnas Golub y Van Loan [4]
definen la factorización thin QR de A como la única factorización de la forma A = Q1 R1
donde Q1 ∈ Rn×m tiene columnas ortonormales y R1 ∈ Rm×m es triangular superior con
las entradas de la diagonal principal positivas. En [4, Theorem 5.2.2.] prueban que esta
factorización es única y, además, R1 = LT donde L es el factor triangular inferior de la
factorización de Cholesky de AT A. Usando la factorización de rango completo el siguiente
teorema extiende la factorización thin QR a matrices rectangulares sin rango completo.
Teorema 2 Sea A ∈ Rn×m una matriz tal que rank(A) = r. Entonces, existe una matriz
Q1 ∈ Rn×r con columnas ortonormales y una matriz escalonada superior R1 ∈ Rr×m con
la entrada principal de cada fila positiva, tal que A = Q1 R1 . Además, R1T es el factor
escalonado inferior de Cholesky de AT A.
Demostración: Aplicando el algoritmo de quasi-Gauss [1] a la matriz A obtenemos la
factorización de rango completo A = F U , donde F ∈ Rn×r tiene rango completo por
columnas y U ∈ Rr×m es una matriz escalonada reducida superior unitaria con rango
completo por filas.
Como F ∈ Rn×r tiene rango completo por columnas admite una única factorización
thin QR, F = Q1F R1F donde Q1F ∈ Rn×r tiene columnas ortonormales y R1F ∈ Rr×r es
triangular superior con entradas diagonales positivas. Por tanto,
A = F U = Q1F R1F U = Q1F (R1F U ) = Q1 R1
donde Q1 = Q1F ∈ Rn×r y R1 = R1F U ∈ Rr×m está en forma escalonada superior con la
entrada principal en cada fila positiva.
Además, como AT A = (Q1 R1 )T (Q1 R1 ) = R1T R1 , tenemos que R1 = LT es el factor
escalonado superior de Cholesky de AT A. ¤
Nota 3 Observar que la matriz de rango completo R1 es única y como consecuencia se
deduce que Q1 es también única. Esta factorización se conoce como factorización thin QR
de una matriz A ∈ Rn×m con rank(A) = r.

Nota 4 Si A es TP, teniendo en cuenta la Nota 2 podemos asegurar que R1 es también

TP. Cuando A es totalmente no positiva se obtiene un resultado análogo por ser AT A TP.

4. Forma de Jordan
Sea A ∈ Rn×n una matriz con rank(A) = r < n, y sea A = F U una factorización
de rango completo tal que F ∈ Rn×r , U ∈ Rr×n y rank(F ) = rank(U ) = r. A partir del
Teorema de Flanders [3] tenemos el siguiente resultado,
Proposición 1 Sea A ∈ Rn×n una matriz tal que rank(A) = r < n y sea A = F U
una factorización de rango completo tal que F ∈ Rn×r , U ∈ Rr×n , ambas con rango r.
Consideremos la matriz A2 = U F ∈ Rr×r . Entonces, A y A2 tienen los mismos divisores
elementales asociados a los valores propios no nulos. Además, si s1 ≥ s2 ≥ · · · ≥ sp
(s01 ≥ s02 ≥ · · · ≥ s0p ) son los tamaños de los bloques de Jordan asociados al valor propio
cero en A (A2 ), entonces si − s0i = 1 para todo i.

3
 R. Cantó, B. Ricarte, A.M. Urbano

Nota 5 Como rank(A2 ) = rank(A2 ), si A2 es singular podemos volver a aplicar la Pro-

posición 1 y obtener la matriz A3 tal que rank(A3 ) = rank(A22 ) = rank(A3 ). Por tanto,
dada una matriz A ∈ Rn×n que verifica
rank(A) = r > rank(A2 ) = r2 > · · · > rank(Aw ) = rw = rank(Aj ), ∀j > w
aplicando la Proposition 1 w-veces obtenemos una sucesión de matrices A2 , A3 , . . . , Aw ,
Aw+1 tales que rank(Ai ) = rank(Ai ) = ri , i = 2, 3, . . . , w + 1 con Aw+1 invertible. A partir
de la estructura de Jordan de esta última matriz obtenemos la estructura de Jordan de la
matriz A asociada a los valores propios no nulos. Además, teniendo en cuenta los rangos
de las matrices A2 , A3 , . . . , Aw , Aw+1 obtenemos la estructura de Jordan de A asociada
al valor propio nulo.
Ejemplo 1 Consideremos la matriz A ∈ R8×8 con rank(A) = 6
 
2 1 −2 1 −2 1 2 1
 1 5 −3 −1 1 1 1 −5 
 
 −2 1 2 1 2 1 −2 1 
 
 3 −1 −1 5 −1 −5 −1 1 
A=  −2
.
 1 2 1 2 1 −2 1 

 1 1 1 −5 1 5 −3 −1 
 
 2 1 −2 1 −2 1 2 1 
−1 −5 −1 1 3 −1 −1 5
Esta matriz admite la siguiente factorización de rango completo

 
2 1 −2 1 −2 1
 
 1 5 −3 −1 1 1  1 0 0 0 0 0 −1 0
 
 −2 1 2 1 2 1  0 1 0 0 0 0 0 −1 
  
 3 −1 −1 5 −1 −5  0 0 1 0 0 0 −1 0 
A=



 = F U.
 −2 1 2 1 2 1  0 0 0 1 0 0 0 1 

 1 1 1 −5 1 5  0 0 0 0 1 0 −1 0 
 
 2 1 −2 1 −2 1  0 0 0 0 0 1 0 1
−1 −5 −1 1 3 −1
La matriz A2 = U F tiene rank(A2 ) = rank(A2 ) = 4 y puede ser factorizada de la forma
 
0 0 0 0  
 2 10 −2 −2  1 0 −1 0 0 0
 
 −4 0 0 4   0 
A2 = U F =   0 1 0 0 0  = FA UA .
 2 −6 6 2  
 0 0 0 1 0 −1  2 2

 −4 0 0 4  0 0 0 0 1 0
0 −4 −4 4
La matriz A3 = UA2 FA2 con rank(A3 ) = rank(A22 ) = rank(A3 ) = 3 puede factorizarse de
la forma
 
4 0 0  
 2 10 −2  1 0 0 −1
A3 = UA2 FA2 =  
 2 −2 10  0 1 0 0  = FA3 UA3 .
0 0 1 0
−4 0 0

4
 Factorización de rango completo y aplicaciones

 
8 0 0
Finalmente A4 = UA3 FA3 =  2 10 −2  .
2 −2 10
La matriz A4 es invertible siendo sus valores propios λ1 = 12 y λ2 = 8 con multi-
plicidades algebraicas m(λ1 ) = 1 y m(λ2 ) = 2. Aplicando la Proposición 1 tenemos que
los valores propios de A son λ1 = 12, λ2 = 8 y λ3 = 0, con multiplicidades algebraicas
m(λ1 ) = 1, m(λ2 ) = 2 y m(λ3 ) = 5.
Como rank(A) = 6, rank(A2 ) = rank(A2 ) = 4, rank(A3 ) = rank(A3 ) = 3 y rank(A4 ) =
rank(A4 ) = 3, tenemos que dim(ker(A)) = 2, dim(ker(A2 )) = 4 y dim(ker(A3 )) = 5. Por
tanto, los tamaños de los bloques de Jordan asociados al valor propio λ3 = 0 son 3 y 2,
siendo su estructura de Jordan JA = diag (J3 (0), J2 (0), J1 (12), J2 (8)).

Conocidos los valores propios de la matriz A vamos a ver ahora cómo obtener las cade-
nas de Jordan asociadas a dichos valores propios. Supongamos que s1 ≥ s2 ≥ . . . ≥ sp ≥ 1
son los tamaños de los bloques de Jordan asociados al valor propio cero. Consideremos la
factorización de rango completo A = F U y la matriz A2 = U F ∈ Rr×r . Distinguiremos
dos casos:
(a) rank(A2 ) = rank(A) = r
En este caso la matriz A2 es invertible y A no tiene vectores propios generalizados
asociados con el valor propio λ = 0. Los vectores propios de A asociados a dicho valor
propio son las soluciones no nulas del sistema U x = 0. Con las soluciones obtenidas
podemos formar las columnas de la matriz V , de manera que AV = O ∈ Rn×(n−r) .
Para los valores propios no nulos se verifica el siguiente resultado,
Proposición 2 Si {vr , vr−1 , . . . , v2 , v1 } es una cadena de Jordan de la matriz A2 asociada
al valor propio no nulo λ, entonces {F vr , F vr−1 , . . . , F v2 , F v1 } es una cadena de Jordan
de A asociada al mismo valor propio.
Demostración: Por la Proposición 1 la estructura de Jordan de A2 y A asociada a los
valores propios no nulos es la misma. Como {vr , vr−1 , . . . , v2 , v1 } es una cadena de Jordan
de A2 asociada al valor propio λ tenemos
A2 vj = (U F )vj = vj−1 + λvj , j = r, r − 1, . . . , 2,
A2 v1 = (U F )v1 = λv1 .
Multiplicando por F
F A2 vj = F (U F )vj = (F U )(F vj ) = F vj−1 + λ(F vj ), j = r, r − 1, . . . , 2,
F A2 v1 = F (U F )v1 = (F U )(F v1 ) = λ(F v1 ).
Puesto que F tiene rango completo por columnas los vectores F vj , j = 1, 2, . . . , r, son li-
nealmente independientes. Por tanto, {F vr , F vr−1 , . . . , F v2 , F v1 } es una cadena de Jordan
de A asociada al valor propio λ. ¤
Si las columnas de Q ∈ R r×r son los vectores y vectores propios generalizados de A2
entonces las columnas de la matriz F Q ∈ Rn×r son los correspondientes vectores y vectores
propios generalizados de A asociados a los valores propios no nulos, esto es
A2 = QJt Q−1 → U F = QJt Q−1 → U F Q = QJt
→ (F U )(F Q) = (F Q)Jt → A(F Q) = (F Q)Jt

5
 R. Cantó, B. Ricarte, A.M. Urbano

Con V y F Q construimos la matriz S = [V F Q] ∈ Rn×n . Dicha matriz verifica que

S −1 AS = JA .
(b) rank(A2 ) < rank(A) = r
En este caso hay vectores propios y vectores propios generalizados asociados al valor
propio λ = 0. Supongamos que A2 tiene q bloques de Jordan de tamaño s1 − 1 ≥ s2 − 1 ≥
· · · ≥ sq − 1 ≥ 1 asociados a dicho valor propio. Por la Proposición 1 A tiene al menos q
bloques de Jordan de tamaño s1 ≥ s2 ≥ · · · ≥ sq ≥ 2 asociados al mismo valor propio. El
siguiente resultado proporciona la relación que existe entre dichas cadenas de Jordan.

Proposición 3 Sea visi −1 , visi −2 , . . . , vi2 , vi1 una cadena de Jordan de A2 de longitud si −1
asociada al valor propio nulo. Entonces, existe un vector no nulo visi tal que {visi , F visi −1 ,
F visi −2 , . . . , F vi2 , F vi1 } es una cadena de Jordan de A de longitud si asociada al valor
propio nulo.

Demostración: Como visi −1 , visi −2 , . . . , vi2 , vi1 es una cadena de Jordan de A2 asociada
al valor propio nulo tenemos que
½
A2 vij = vij−1 , j = si − 1, si − 2, . . . , 3, 2,
A2 vi1 = 0.

Por tanto

A2 vij = U F vij = vij−1 =⇒ (F U )(F vij ) = F vij−1 , j = si − 1, si − 2, . . . , 2,

A2 vi1 = U F vi1 = 0 =⇒ (F U )(F vi1 ) = 0.

Como F tiene rango completo por columnas y vij 6= 0 entonces, F vij 6= 0 para j =
si − 1, si − 2, . . . , 2, 1. Como consecuencia {F visi −1 , F visi −2 , . . . , F vi2 , F vi1 } es una cadena
de Jordan de A, de longitud si −1 asociada al valor propio cero. Para extender esta cadena
a una cadena de Jordan de longitud si necesitamos un vector x 6= 0, x ∈ ker(Asi ) pero
x 6∈ ker(Asi −1 ), esto es x ∈ ker(Asi ) ∼ ker(Asi −1 ) y tal que Ax = F visi −1 .
De nuevo, como F tiene rango completo por columnas tenemos que

Ax = F U x = F visi −1 =⇒ F (U x − visi −1 ) = 0 =⇒ U x = visi −1 .

Dicho sistema tiene solución ya que U tiene rango completo por filas. Supongamos que
x = visi una solución, esto es U visi = visi −1 . Obviamente visi ∈ ker(Asi ) ∼ ker(Asi −1 ), ya
que en otro caso

Asi −1 visi = 0 =⇒ (F U )(F U ) · · · (F U )(F U )visi = 0

=⇒ F As2i −2 U visi = 0 =⇒ F As2i −2 visi −1 = 0
=⇒ As2i −2 visi −1 = 0,

lo cual es absurdo puesto que visi −1 ∈ ker(As2i −1 ) ∼ ker(As2i −2 ). Por tanto, el conjunto de
vectores {visi , F visi −1 , F visi −2 , . . . , F vi2 , F vi1 } es una cadena de Jordan de A de longitud
si asociada al valor propio λ = 0. ¤

6
 Factorización de rango completo y aplicaciones

El siguiente diagrama describe el resultado del teorema anterior:

ker(Asi ) ∼ ker(Asi −1 ) →
visi
↓
ker(As2i −1 ) ∼ ker(As2i −2 ) → visi −1 ker(Asi −1 ) ∼ ker(Asi −2 ) → F visi −1
↓ ↓
ker(As2i −2 ) ∼ ker(As2i −3 ) → visi −2 ker(Asi −2 ) ∼ ker(Asi −3 ) → F visi −2
↓ ↓
.. ..
. =⇒ .
↓ ↓
ker(A22 ) ∼ ker(A2 ) → vi2 ker(A2 ) ∼ ker(A) → F vi2
↓ ↓
ker(A2 ) → vi1 ker(A) → F vi1
Por tanto, todas las cadenas de Jordan de A2 asociadas al valor propio cero pueden
ser extendidas a cadenas de Jordan de A asociadas al mismo valor propio.
Si p = q, esto es, si el número de cadenas de Jordan asociadas al valor propio cero de las
matrices A2 y A es el mismo, aplicando la Proposición 3 a cada cadena de A2 obtenemos
la correspondiente cadena de Jordan de A. Si p > q, además de esas cadenas de Jordan,
necesitamos p − q vectores propios más, los cuales son las soluciones no nulas del siste-
ma U x = 0 linealmente independientes con los q vectores propios {F v11 , F v21 , . . . , F vq1 }
obtenidos.
Para los valores propios no nulos procedemos como en el caso anterior.
Ejemplo 2 Consideremos la matriz A ∈ R8×8 del ejemplo 1. Sabemos que A tiene dos
bloques de Jordan de tamaño 3 y 2 asociados al valor propio λ3 = 0, un bloque de Jordan
de tamaño 1 asociado a λ1 = 12 y un bloque de Jordan de tamaño 2 asociado a λ2 = 8.
Para obtener los vectores propios asociados a los valores propios no nulos empezamos
con la matriz A4 .
1. Para λ1 = 12 tenemos
EA4 (12) = Env{t = (0, 1, −1)} → EA3 (12) = Env{FA3 t} →
EA2 (12) = Env{FA2 FA3 t} → EA (12) = Env{F FA2 FA3 t}
Por tanto, simplificando tenemos que EA (12) = Env{(0, 1, 0, −1, 0, 1, 0, −1)}.
2. Para λ2 = 8 la matriz A4 tiene la siguiente cadena de Jordan de longitud 2,
ker((8I − A4 )2 ) ∼ ker(8I − A4 ) → r2 = (1, 1, 1)
↓
ker(8I − A4 ) → r1 = (0, −2, −2)
La correspondiente cadena de Jordan de A asociada con dicho valor propio es
ker((8I − A)2 ) ∼ ker(8I − A) → F FA2 FA3 r2
↓
ker(8I − A) → F FA2 FA3 r1
simplificando tenemos (2, 7, −2, 7, −2, −7, 2, −7) ∈ ker((8I − A)2 ) ∼ ker(8I − A) y
(0, −8, 0, −8, 0, 8, 0, 8) ∈ ker(8I − A).

7
 View publication stats

R. Cantó, B. Ricarte, A.M. Urbano

Para obtener las cadenas de Jordan asociadas al valor propio nulo hemos de tener en
cuenta que asociadas a dicho valor propio A3 tiene sólo una cadena de Jordan de longitud
1, A2 tiene dos cadenas de Jordan de longitudes 2 y 1, y A tiene dos cadenas de Jordan
de longitudes 3 y 2. Por la Proposición 3 tenemos

ker(A22 ) ∼ ker(A2 ) → r2
↓
ker(A3 ) → z1 ker(A2 ) → r1 = FA2 z1 s1

y para A
ker(A3 ) ∼ ker(A2 ) → v3
↓
ker(A2 ) ∼ ker(A) → v2 = F r2 u2
↓ ↓
ker(A) → v1 = F r 1 u1 = F s1
Primero, resolviendo el sistema A3 x = 0 obtenemos que z1 = (1, 0, 0, 1) y aplicando la
Proposición 3

r1 = FA2 z1 = (0, 0, 0, 4, 0, 4) y v1 = F r1 = (8, 0, 8, 0, 8, 0, 8, 0)

De nuevo por la Proposición 3 sabemos que el vector r2 es una solución del sistema
UA2 x = z1 . Por tanto,

r2 = (2, 0, 1, 1, 1, 1) → v2 = F r2 = (2, 0, 2, 4, 2, 4, 2, 0)

El vector propio s1 es una solución no nula del sistema UA2 x = 0, de manera que los
vectores {s1 , r1 } sean linealmente independientes. Tomando

s1 = (1, 0, 1, 0, 0, 0) → u1 = F s1 = (0, −2, 0, 2, 0, 2, 0, −2)

Finalmente, los vectores v3 y u2 son soluciones de los sistemas

UA x = r2 → v3 = x = (3, 1, 2, 0, 2, 0, 1, 1)
UA x = s1 → u2 = x = (2, 1, 2, −1, 1, −1, 1, 1)

Agradecimientos
Trabajo financiado por el proyecto DGI MTM2007-64477 y por el proyecto de incen-
tivación de la investigación de la Universidad Politécnica de Valencia.

Referencias
[1] R. Cantó, B. Ricarte and A. M. Urbano, Full rank factorization and Flanders theorem, Sometido.
[2] R. Cantó, B. Ricarte and A. M. Urbano, Characterization of rectangular TP and STP matrices,
Sometido.
[3] H. Flanders, Elementary divisors of AB and BA, Proceedings of the American Mathematical Society,
2, 6 (1951), 871–874.
[4] J. H. Golub and C. F. Van Loan, Matrix Computations, The Johns Hopkins University Press, 1996.