3.

Valores y Vectores Caractersticos

3.1. Introduccin
El producto de una matriz cuadrada, A, por un vector (matriz columna), x, es otro vector,
cuyas componentes son habitualmente no proporcionales a x.

Sin embargo, puede

existir un vector no nulo tal que:

A=

(3.1a)

Se dice entonces que es un vector caracterstico (tambin llamado vector propio,

eigenvector o modo) de la matriz A.

El correspondiente escalar es un valor

caracterstico (tambin llamado valor propio, autovalor o eigenvalor). Ntese que si un

vector satisface las ecuaciones (3.1a) tambin un mltiplo arbitrario (un vector "paralelo")
es solucin. Sin embargo, se trata esencialmente de la misma solucin; los vectores
caractersticos slo se califican como distintos si sus componentes no son
proporcionales.
Por ejemplo,

1 1
1
= 1
2 1
1

1 1
1
= 3
2 1
1
1
1

1
son vectores caractersticos, a los que corresponden
1

en este caso 1 = y 2 =

los valores propios 1 y 3, respectivamente. Otros vectores, no paralelos a los dos antes
mencionados, no cumplen la condicin (3.1a):

11 0
=
2 2 3

0
3

1
2

El vector no puede expresarse como un mltiplo de .

El problema clsico de valores y vectores caractersticos consiste en la determinacin de
los vectores y los correspondientes escalares para los que se cumple (3.1a). Con
frecuencia se presenta el problema general:

A=B

(3.1b)

En muchas aplicaciones las matrices A y B son simtricas y definidas positivas. En

algunos casos se hacen hiptesis simplificadoras que resultan en B diagonal.

El

problema clsico, definido en (3.1a), corresponde al caso particular B = I.

3.1.1 Conversin del Problema General a la Forma Clsica
Un problema de la forma general (3.1b) puede convertirse a otro equivalente de la forma
clsica (3.1a). As por ejemplo, si B es no singular puede determinarse:

B-1 A =

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

(3.2)

3-1

Sin embargo, si A y B son simtricas (como es, por ejemplo, el caso en problemas de
vibracin, en los que esas matrices son respectivamente rigideces y masas) conviene
ms hacer la descomposicin (Cholesky):

B = RT R

(3.3a)

y efectuar entonces el cambio de variables

= R-1 z

(3.3b)

con lo que se obtiene:

(R ) A R z = z
-1 T

-1

(3.3c)

Esto es particularmente fcil si B es diagonal.

B = B B
= B- z

(3.4)

B AB z=Hz=z
a ij
Donde hij =
.
bi b j
-

Ntese que los valores caractersticos son los mismos que los del problema original; los
correspondientes vectores caractersticos se relacionan mediante (3.4b).
3.1.2 Polinomio Caracterstico y Valores Propios
Las ecuaciones A = B pueden tambin rescribirse como:
(A - B ) = 0

(3.5a)

que tiene soluciones no triviales slo si la matriz (A - B) es singular, es decir, si:

p( ) = det ( A B ) = 0

(3.5b)

p( ) se denomina polinomio caracterstico. Siendo A y B matrices cuadradas de orden

n, p( ) es un polinomio de grado n, cuyas races son 1, 2, n. En lo que sigue se
supone, sin perder generalidad, que:

1 2 3 n

3.1.3 Independencia Lineal de los Vectores Caractersticos

Asociado a cada uno de los n valores caractersticos i se tiene un vector i. Si i es
una raz de multiplicidad m, el correspondiente vector i puede obtenerse resolviendo el
sistema de ecuaciones homogneas: (A - i B) i = 0 suponiendo m componentes
arbitrarias en i.
Los vectores caractersticos correspondientes a valores caractersticos distintos son
linealmente independientes. Supngase que ste no fuera el caso, pudindose obtener
uno de los vectores como combinacin lineal de otros que s son linealmente
independientes:
j

s =

c
i

(3.6a)

i =1

Y entonces:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-2

 s =

c i i =

i =1

c
i

(3.6b)

i =1

Por otro lado, por la definicin del problema, (3.1b):

j

s = s s =

c
i

(3.6c)

i =1

Restando (3.6b) de (3.6c) se obtiene:

c (
i

i ) i = 0

i =1

Si s i debera entonces tenerse ci = 0 para todo i, lo que se opone a la hiptesis.

Excepcionalmente pueden presentarse valores caractersticos repetidos. An en este
caso es factible obtener vectores caractersticos linealmente independientes.

Sin

embargo, el conjunto de vectores asociados a los valores caractersticos repetidos define

un subespacio, tal que cualquier vector del subespacio (es decir una combinacin lineal
de aquellos tomados como base) es tambin un vector caracterstico:

A i = i B i
A i = i B i

(3.7)

A ( c1 1 + c2 2 + c3 3 + ) = i B ( c1 1 + c2 2 + c3 3 + )
Tenindose n vectores caractersticos linealmente independientes de dimensin n, estos
constituyen una base completa.

Cualquier otro vector de tal dimensin puede

expresarse como combinacin lineal de los vectores caractersticos:

v = 1 1 + 2 2 + 3 3 + + n n

(3.8)

Por ejemplo, con los vectores caractersticos antes obtenidos:

1 3 1 1 1
= 2 2
2
1
1
3.1.4 Ortogonalidad de los Vectores Caractersticos
Si las matrices A y B son Hermitianas (o simplemente simtricas) y definidas positivas,
los valores caractersticos de A = B son todos reales y positivos. Para probar
esto basta considerar:

s* r = r s* B r

(3.9a)

r* s = s r* B s

(3.9b)

El superndice * denota aqu conjugada traspuesta. La conjugada transpuesta de la

segunda de estas expresiones es (recurdese que s es un escalar):

*s r = *s *s B r

(3.9c)

y al ser A y B Hermitianas (es decir A* = A y B* = B), restando (3.9c) de (3.9a) se

obtiene:

*s *s B r = 0

(3.9d)

Si r=s, al ser B una matriz definida positiva se tendra *r B r > 0 . Por lo tanto, siendo

r = s , se tendra r *r = 0 lo que implica que todos los son nmeros reales. Si

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-3

adems A es definida positiva, es decir r* A r > 0 , se concluye que los valores

caractersticos son todos positivos.
Por otro lado, si r s se tiene que r *s 0 y en consecuencia (3.9d) implica que:

*s B r = br rs (es decir, cero si r s )

(3.10a)

y adems, observando las expresiones precedentes:

*s A r = a r rs

(3.10b)

Las propiedades de ortogonalidad expresadas en (3.10) son la base para la

descomposicin modal utilizada al resolver sistemas de ecuaciones diferenciales en
aplicaciones tales como el anlisis ssmico lineal.
Refirindose nuevamente al ejemplo inicial:

(1

2
1)
1

(1

2
1)
1

(1

2
1)
1

1 1
=2
2 1
1 1
=6
2 1
1 1
=0
2 1

3.1.5 Normalizacin de los Vectores Caractersticos

Como se mencion anteriormente los vectores caractersticos se definen por la
proporcin de sus elementos, pudindose escalar o "normalizar" en forma arbitraria. Es
frecuente escalarlos de modo que:

*s B r = rs

(3.11a)

Se dice entonces que los vectores estn normalizados respecto a la matriz B. En tal
caso se tiene tambin:

*s A r = r rs

(3.11b)

3.1.6 Cociente de Rayleigh

Si se conoce un vector caracterstico i, el correspondiente valor i puede determinarse
con el cociente de Rayleigh:

( i ) =

Ti i
Ti B i

(3.12)

Esta expresin puede aplicarse tambin con aproximaciones a los vectores propios. Si x
es una aproximacin a un vector caracterstico con un error de orden , el cociente de
Rayleigh, (x), aproxima el correspondiente valor caracterstico con un error de orden .
2

3.1.7 Teorema de Gershgorin

Supngase que i es un valor caracterstico de la matriz A y que i es el
correspondiente vector, con componentes v1 v 2 v3 L :

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-4

A i = i i

(3.13a)

La componente de mayor valor absoluto en i es v s . Dividiendo la ecuacin s en (3.13a)

entre v s e intercambiando ambos miembros:

v
i = a s1 1
vs

v
+ a s 2 2

vs

v
+ L + a ss + L + a sn n

vs

(3.13b)

y por lo tanto:

i a ss = a s1 + a s 2 + L + 0 + L + a sn

(3.13c)

En consecuencia, cada valor caracterstico i est dentro de por lo menos uno de los
crculos con centro en a ss y radio igual a la suma de los valores absolutos de la
correspondiente fila s.
Por ejemplo, considerando la matriz:

2
A =
1

que es definida positiva, puede asegurarse que sus valores caractersticos (que son
nmeros reales) estn dentro de los intervalos (1,3) y (3,5). Efectivamente, en este caso

=3 2 .
3.1.8 Formas polinmicas
Supngase que se conocen los valores y vectores caractersticos de una matriz, A:

A=

(3.14a)
2

Cules son los valores caractersticos de la matriz A = A A?

(AA) = A (A ) = A ( ) = (A )= 2
k

Este resultado puede extenderse para la matriz A (siendo k un exponente).

Los

vectores caractersticos son los mismos que los de la matriz A, mientras que los
correspondientes valores caractersticos son k:

Ak = k

(3.14b)

Esto es incluso vlido para exponentes negativos. Por ejemplo, multiplicando ambos
miembros de (3.15a) por A se obtiene:
-1

-1

A-1 = -1

(3.14c)

Por otro lado, combinando linealmente expresiones de la forma (3.14b) y teniendo en

cuenta que A = I (as como = 1):
0

(c0 I+ c1 A+ c2 A2 + c3 A3 +...) = (c0 + c1 + c2 2 + c3 3 +...)

(3.14d)

Por ejemplo, si:

2
A =
1

tiene valores caractersticos 1 y 3, la matriz:

5
A 2 = AA =
4

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-5

tiene valores caractersticos 1 y 9 (es decir, los cuadrados de 1 y 3). Los vectores
caractersticos son los mismos para ambas matrices.

3.2 Mtodos de Iteracin con Vectores

Los mtodos que se presentan en esta seccin son los ms eficientes cuando slo se
requieren un valor caracterstico y su vector asociado, o en todo caso cuando el nmero
de valores y vectores caractersticos por determinar es pequeo.
3.2.1 Iteracin Directa
En la iteracin "directa" se considera un vector inicial x 0 y se obtiene una secuencia de
vectores corregidos, x k , mediante:

B x j +1 = A x j

x j +1 =

(3.15a)

x j +1

(3.15b)

r j +1

donde rj+1 es un escalar que normaliza el vector utilizado en la iteracin. Lo habitual es

tomar rj+1 como el elemento de mximo valor absoluto en x j +1 , lo que significa escalar el
vector de aproximacin de modo que la mayor componente sea igual a 1..
Este proceso converge al vector caracterstico n , asociado al valor caracterstico de

mayor mdulo, n . En efecto, la aproximacin inicial x0 puede escribirse como:

x0 = 1 1 + 2 2 + 3 3 + + n-1 n-1 + n n

(3.16a)

Recurdese que los n vectores caractersticos son linealmente independientes y

constituyen una base completa en el espacio de dimensin n. Entonces (suponiendo
que B no es singular):

A x0 =

A = B
i

(3.16b)

x1 = B 1 Ax 0 = (1 1) 1 + (2 2) 2 + + (n n) n

(3.16c)

y por lo tanto:

x1 =

1
r1

( )
i

(3.16d)

Se observa que, si las componentes de x0 eran i, aquellas de x1 resultan proporcionales

a i i. Repitiendo pasos anlogos a los indicados en (3.18), puede comprobarse que la
aproximacin xk puede expresarse como combinacin lineal de los vectores
caractersticos con coeficientes proporcionales a i ki (en este caso k es un exponente).

En consecuencia, si n n 1 n 2 L 1 , las componentes segn n crecen

ms rpidamente que las otras y se tiene que:

Lim x k = n

(3.17a)

Lim rk = n

(3.17b)

Esto es vlido an cuando n = 0 puesto que, por lo menos al tratar con grandes
matrices, los errores de redondeo (debidos a la aritmtica imperfecta del computador)
introducen siempre una componente segn n.

La convergencia es muy rpida si

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-6

 n >> n1 o si x0 es aproximadamente paralelo a n (es decir, si la componente n

es importante en relacin a las dems). En cambio, si los ltimos valores caractersticos
son similares la convergencia es en general muy lenta. Por otro lado, no se tienen
dificultades para el caso (ms acadmico que prctico) en que n = n 1 : en tal caso el
proceso converge a un vector caracterstico que resulta ser la proyeccin de x0 en el
subespacio definido por los vectores n y n-1.
Considrese por ejemplo el problema A = B con las matrices:

A = 2
0

2
3
1

1
1

B = 0
0

0
2
0

0
3

An cuando en este caso se tienen matrices simtricas, el procedimiento descrito se

aplica a matrices cuadradas cualesquiera.
En este caso se obtienen:
k

xk

Ax k

x k +1

r k+1

1.00000

5.00000

5.00000

5.00000

0.00000

-2.00000

-1.00000

0.00000

0.00000

0.00000

1.00000

5.40000

5.40000

-0.20000

-2.60000

-1.30000

0.00000

0.20000

0.06667

1.00000

5.48148

5.48148

-0.24074

-2.73457

-1.36728

0.01235

0.25309

0.08436

1.00000

5.49887

5.49887

-0.24944

-2.76370

-1.38185

0.01539

0.26483

0.08828

1.00000

5.50259

5.50259

-0.25130

-2.76994

-1.38497

0.01605

0.26735

0.08912

1.00000

5.50339

5.50339

-0.25169

-2.77128

-1.38564

0.01620

0.26789

0.08930

1.00000

5.50356

5.50356

-0.25178

-2.77156

-1.38578

0.01623

0.26801

0.08934

(xk+1)

5.481481
5.40000
5.502594
5.48148
5.503559
5.49887
5.503603
5.50259
5.503605
5.50339
5.503605
5.50356
5.503605

1.00000

El procedimiento converge al valor caracterstico: 3 = 0.25180

0.01623

que corresponde al valor caracterstico de mayor mdulo, 3 = 5.503605.

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-7

El valor de r es aproximadamente n, pero el cociente de Rayleigh, (x)" proporciona

siempre una aproximacin mejor.
3.2.2 Iteracin Inversa
El proceso de iteracin directa antes descrito converge al vector caracterstico asociado
al valor caracterstico de mayor mdulo.

ste puede ser til al considerar el

condicionamiento de las matrices de coeficientes en grandes sistemas de ecuaciones, o

al analizar la estabilidad numrica de ciertos mtodos para integrar sistemas de
ecuaciones diferenciales, pero por lo general tiene poca importancia en la respuesta del
sistema estudiado. Para determinar la respuesta de un sistema se requieren ms bien
los valores caractersticos de menor mdulo y sus vectores asociados.
Para determinar el vector caracterstico asociado al valor propio de menor mdulo (el
modo fundamental) puede usarse una "iteracin inversa":

A x j +1 = B x j

x j +1 =

(3.18a)

x j +1

(3.18b)

r j +1

En este caso si:

x0 = 1 1 + 2 2 + 3 3 + + n-1 n-1 + n n

(3.19a)

la aproximacin xk puede expresarse como combinacin lineal de los vectores

caractersticos con coeficientes proporcionales a i ki (nuevamente, k es aqu un
exponente):

xk =

1
k1

1 +

2
k2

2 +

3
k3

3 + +

n 1
kn 1

n-1 +

n
kn

(3.19b)

En consecuencia, si 1 2 3 n al emplear la iteracin inversa se tiene

que:

Lim x k = 1

(3.20a)

1
1

(3.20b)

Lim rk =
k

Los comentarios anteriores relativos a la convergencia de la iteracin directa son

tambin vlidos. En este caso la velocidad de convergencia depende de la razn 2 / 1.
Para las matrices del caso anterior y considerando, por ejemplo, el vector inicial:

0

x 0 = 1
2

se obtiene el vector asociado al valor caracterstico de menor mdulo, es decir, 1.
Ntese que r es ahora una aproximacin de 1 / 1, mientras que en la iteracin directa lo
era de n. Tambin en este caso se observa que el cociente de Rayleigh es siempre una
mejor aproximacin al valor caracterstico.

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3-8

xk

k
0

Bx k

x k +1

r k+1
12.66667

0.00000

0.00000

2.66667

1.00000

2.00000

6.66667

2.00000

6.00000

12.66667

0.21053

0.21053

1.42105

0.52632

1.05263

3.44737

1.00000

3.00000

6.44737

0.22041

0.22041

1.42993

0.53469

1.06939

3.46463

1.00000

3.00000

6.46463

0.22119

0.22119

1.43102

0.53594

1.07187

3.46696

1.00000

3.00000

6.46696

0.22128

0.22128

1.43116

0.53610

1.07221

3.46727

1.00000

3.00000

6.46727

0.22129

0.22129

1.43118

0.53613

1.07225

3.46731

1.00000

3.00000

6.46731

0.22129

0.22129

1.43118

0.53613

1.07226

3.46731

1.00000

3.00000

6.46731

(xk+1)

0.154734
6.44737
0.154625
6.46463
0.154624
6.46696
0.154624
6.46727
0.154624
6.46731
0.154624
6.46731
0.154624

En muchas aplicaciones B es diagonal y A no lo es, por lo que la iteracin directa es

ms simple.

Sin embargo, un paso tpico de la iteracin inversa requiere

aproximadamente el mismo nmero de operaciones que un paso de iteracin directa.

Supngase que se tienen matrices de orden n y que A es una matriz de alta densidad
(es decir, con pocos coeficientes no significativos).

El nmero de operaciones
2

requeridas para efectuar el producto Ax es de orden n . Aqu se cuenta como una

"operacin" la combinacin de una multiplicacin o divisin con una suma o resta.
2

Tambin se ha supuesto que n es grande, por lo que n es mucho mayor que n. La

divisin de Ax entre los coeficientes (de la diagonal principal) de B requiere un nmero
de operaciones de orden n, que puede despreciarse. Es interesante observar que si
previamente se realiz (una sola vez) la factorizacin A = LU, la solucin del sistema de
ecuaciones Ax = b requiere tambin un nmero de operaciones de orden n2, mientras
que el producto Bx demanda slo n operaciones. Por otro lado, si la matriz A es de baja
densidad y tiene un ancho de semibanda promedio m, tanto un producto de la forma Ax
como la solucin de las ecuaciones Ax = b requieren aproximadamente mn operaciones.
3.2.3 Traslacin
La velocidad de convergencia de la iteracin inversa depende de las razones 1 / i. Si

2 1 la convergencia es lenta; siendo en cambio muy rpida si 1 << 2 .

convergencia puede acelerarse mediante una "traslacin" 1 :
H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

La

3-9

A=B

(3.21a)

(A - B) = () B

(3.21b)

Ntese que el nuevo sistema (3.21b) tiene los mismos vectores caractersticos que el
sistema original (3.21a) y valores caractersticos i - .

Desde el punto de vista del

polinomio caracterstico, se ha trasladado el origen:

p( )

150

100

50

0
0

-50

Si 1 puede lograrse que: 1 >> 2

1
1
<<
1
2 ,

y por tanto:

con lo que la convergencia mejora en forma apreciable.

Para el ejemplo anterior, efectuando una traslacin = 0.154 se tiene:

4.846

A 0.154 B = 2
0

2
2.692
1

1
0.538

y por iteracin inversa:

k

xk

Bx k

x k +1

r k+1

0.00000

0.00000

692.29

3129.01

1.00000

2.00000

1677.41

2.00000

6.00000

3129.01

0.22125

0.22125

354.79

0.53608

1.07216

859.55

1.00000

3.00000

1603.26

0.22130

0.22130

354.80

0.53613

1.07226

859.57

1.00000

3.00000

1603.29

(xk+1)

0.000624
1603.26
0.000624
1603.29
0.000624

0.22129

Se obtienen: 1 = 0.154 + 0.000624 = 0.154624 y 1 = 0.53613 .

1.00000

El siguiente algoritmo usa el cociente de Rayleigh para efectuar la traslacin. Iniciando

el proceso con y 0 = B x 0 y 0 = 0:

(A k B ) x k +1 = y k
H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 10

y k +1 = B x k +1

k +1 = k +

x Tk +1 y k

(3.22)

x Tk +1 y k +1

y k +1 = x Tk +1 y k +1

1
2

y k +1

En relacin con las expresiones precedentes:

Lim y k = B 1

(3.23a)

Lim k = 1

(3.23b)

La convergencia es cbica.
3.2.4 Determinacin de Otros Vectores Caractersticos
En los prrafos precedentes se ha visto cmo mediante iteracin directa o inversa
pueden obtenerse n o 1 respectivamente. Podra determinarse un valor caracterstico
intermedio y su vector asociado por iteracin inversa con una traslacin adecuada; sin
embargo, esto requerira un procedimiento previo para definir la traslacin.
En los que sigue se describe la determinacin de sucesivos vectores caractersticos
aprovechando las condiciones de ortogonalidad para el caso en que las matrices A y B
son simtricas.

La idea bsica consiste en iterar con vectores ortogonales a los

previamente obtenidos.

Desafortunadamente, el proceso acumula los errores de los

vectores previos y cada nuevo vector se determina siempre con menos precisin que el
anterior. En la prctica se observa que se pierde una cifra significativa por cada nuevo
vector; por tanto, no es factible determinar por este mtodo ms de unos 10 vectores
caractersticos. En algunas aplicaciones esto puede no ser suficiente.
A partir de un vector arbitrario:

v = 1 1 + 2 2 + 3 3 + ... + n n

(3.24a)

puede obtenerse un vector ortogonal a los vectores caractersticos ya conocidos

haciendo uso de las relaciones de ortogonalidad:

iT B v = 1 iT B 1 + 2 iT B 2 + ... + n iT B n
iT B v = i iT B i

(3.24b)

i = ( iT B v ) / ( iT B i )

(3.24c)

es decir:

Luego es suficiente restar de v los i i

para obtener un vector que (salvo por la

imprecisin en la aritmtica no tiene componentes segn los vectores caractersticos

previamente hallados.
Para el ejemplo antes tratado, suponiendo que se haya obtenido el primer vector
caracterstico:

0.221295029

1 = 0.536128843
1.000000000

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 11

y considerando v = 1 se obtiene 1 = 0.295889928, de donde:

0.06548

x0 = v - 1 1 = 0.84136
0.29589

es un vector ortogonal a 1.

Si se hace una iteracin inversa con x0 se obtiene

(suponiendo que se operara con una aritmtica infinitamente precisa) el vector

caracterstico 2:
k

xk

Bx k

x k +1

r k+1

-0.06548

-0.06548

0.24319

0.64072

0.84136

1.68272

0.64072

-0.29589

-0.88767

-0.24696

0.37956

0.37956

0.40775

1.00000

2.00000

0.82960

-0.38544

-1.15631

-0.32671

0.49150

0.49150

0.43668

1.00000

2.00000

0.84594

-0.39382

-1.18147

-0.33553

0.51620

0.51620

0.44210

1.00000

2.00000

0.84715

-0.39663

-1.18990

-0.34275

0.52187

0.52187

0.43603

1.00000

2.00000

0.82913

-0.40460

-1.21379

-0.38466

(xk+1)

1.20534
0.82960
1.17649
0.84594
1.17517
0.84715
1.17504
0.82913
1.17113

Es importante hacer notar que, como consecuencia de los errores de redondeo se

introducen en las aproximaciones xj componentes segn los vectores caractersticos
originalmente eliminados..

En los resultados precedentes se tienen las siguientes

componentes segn 1:
k

-1.565 x 10-6

-1.580 x 10-5

-0.000123

-0.000941

-0.007188

-0.056063

Como estas componentes tienden a crecer ms rpidamente que la propia solucin, es

necesario eliminarlas cada 4 5 pasos, utilizando el mismo proceso inicial:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 12

j 1

xj = v -

(3.25)

i =1

Para el caso del ejemplo:

0.52588
0.221295029 0.53829

x 0 = 1.00000 ( 0.056093) 0.536128843 = 1.03006

0.46393
1.000000000 0.40787

y luego de escalar este vector:

k

xk

Bx k

0.52258

k+1

r k+1

0.52258

0.44489

0.85094

1.00000

2.00000

0.85094

-0.39597

-1.18790

-0.33696

0.52282

0.52282

0.44496

1.00000

2.00000

0.85098

-0.39599

-1.18796

-0.33698

(xk+1)

1.17511
0.85098
1.17511

0.52288
1.00000
-0.39599

se obtienen: 2 =

1
= 1.17511 y 2 =
0.85098

0.52288

1.00000
0.39599

3.2.5 Deflacin

Otra alternativa es hacer una deflacin, obteniendo un nuevo sistema A = B , de

orden menor, con los mismos valores caractersticos del problema original, excepto los
previamente determinados. En lo que sigue se aplica esta idea a un problema de la
forma clsica H = .
Considrese una matriz ortogonal, P , cuya ltima columna es igual al vector
caracterstico 1 previamente determinado:

P = ( p1 p 2 L p n 1

1 )

(3.26)

Al hacer el cambio de variable = P z se obtiene H P z = P z y premultiplicando por

PT :

(P

HP z = z .

Sin embargo, al ser la ltima columna de P igual a 1 y

suponiendo que ese vector haya sido normalizado de modo que 1T 1 = 1 se tiene:

~
H

P HP =
0
T

0
1

(3.27)

Esta matriz tiene los mismos valores caractersticos que la matriz original, H . Lo mismo

se puede decir de H , excepto por 1 .

Hay mltiples posibilidades para formar P . En el proceso propuesto por Rutishauser se
hacen las operaciones equivalentes a trabajar con P = J1 J 2 L J n 1 , donde:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 13

Jk =

O
ck
sk

sk
ck
O

columna k

fila k
fila k + 1

(3.28a)

columna k + 1

Ntese que P T H P = J Tn 1 L J T2 J 1T H J 1 J 2 L J n 1 , pudindose evaluar fcilmente los

sucesivos productos, ya que en cada caso slo se alteran dos filas y dos columnas.
Los coeficientes ck y sk se determinan a partir de las componentes x1 x2 x3 L del

vector caracterstico previamente hallado, 1 . Definiendo:

qk2 = x12 + x22 + x32 + L xk2

(3.28b)

se tiene:

sk =

qk
q k +1

(3.28c)

x
c k = k +1
q k +1

Para el ejemplo considerado anteriormente, sera necesario primero convertir el

problema a la forma clsica. Al ser B diagonal:

H=

1
B 2

1
AB 2

= 1.414214

1.414214
1 .5
0.408248

0.408248
0.333333

Y para H = pueden obtenerse (por iteracin inversa):

Para H = pueden obtenerse (por iteracin inversa):

0.11625

1 = 0.39827
0.90987

Luego:

q1 = 0.11625

s1 = 0.28019

c1 = 0.95994

q 2 = 0.41489

s 2 = 0.41489

c 2 = 0.90987

q 3 = 1.00000
Con el propsito de observar que, efectivamente, la ltima columna de P es igual a 1
se est evaluando aqu la referida matriz:

0.95994

P = 0.28019

0.28019
0.95994
0

0 1

0 0
1 0

0
0.90987
0.414898

0.41489
0.90987

es decir:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 14

 0.95994

P = 0.28019

0.11625

0.39827
0.90987

0.25494
0.87342
0.41489

de donde:

5.48594

P H P = 0.27561

0.27561
1.19271
0

0
0.15462
0

Ntese el 1 en la esquina inferior derecha.

Los valores caractersticos de

0.27561
son 2 = 1.1751 y 3 = 5.5036 , es decir, iguales a los
1.19271

~ 5.48594
H =
0.27561

restantes valores caractersticos del problema original. Los correspondientes vectores

resultan:

0.0638
0.9980
z2 =
y z3 =

0.9980
0.0638
de donde:

k = B
El factor B

1
2

1
2P

z k

0

se requiere para obtener los vectores del problema general en su forma

original.

3.3 Mtodos de Transformacin

Los mtodos de este grupo son eficientes slo si se requieren todos o una alta
proporcin de los valores y vectores caractersticos. La idea bsica de estos procesos
consiste en hacer un cambio de variables:

=Pz

(3.29a)

para transformar A = B en:

(P AP)z=(P BP)z
-1

-1

(3.29b)

Este sistema tiene los mismos valores caractersticos que el sistema original y vectores
propios relacionados por (3.29a).

Si las transformaciones son tales que las nuevas

matrices tienen valores y vectores caractersticos fciles de determinar, se ha resuelto

indirectamente el problema original.
3.3.1 Mtodo de Jacobi
El mtodo de Jacobi (1846) puede considerarse como prototipo de los mtodos de
transformacin. En este procedimiento se transforma el problema original a uno de la
forma:

a1

a2

z1
b1

z2 =
O
M

a n z n

b2

z1

z2
O
M
bn z n

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

(3.30)

3 - 15

que tiene como vectores caractersticos las columnas de la matriz identidad y como
valores caractersticos los i = a i bi . Los valores caractersticos del sistema original
son los mismos. P es en este caso una matriz ortogonal:

P-1 = PT

(3.31)

cuyas columnas son la propia solucin buscada.

sta se determina mediante un

proceso iterativo que se describe a continuacin.

En la forma que aqu se presenta, este mtodo se aplica a problemas de la forma
clsica, A = , siendo A una matriz simtrica (real). Ms adelante se consideran las
modificaciones requeridas para problemas de la forma general.
Empezando con A(0) = A y llamando

(0)

a los vectores caractersticos del problema

original, el paso k del proceso se define como:

(k) = Pk (k+1)

(3.32a)

A(k) ( Pk (k+1) ) = ( Pk (k+1) )

y si P es una matriz ortogonal, premultiplicando por PT se obtiene:
( Pk A Pk )
T

(k)

(k+1)

(k+1)

Lo que equivale a considerar un problema similar al original:

A(k+1) (k+1) = (k+1)

(3.32b)

A(k+1) = PkTA(k) Pk

(3.32c)

Siendo:

Ntese que se mantiene la simetra de la matriz. Los valores caractersticos de esta

nueva matriz son los mismos de la matriz original; los correspondientes vectores se
relacionan por expresiones de la forma (3.32a).
En el mtodo de Jacobi las matrices Pk corresponden a una rotacin plana:
col i

Pk =

cos k
sen k

col j

sen k
cos k
O

El objetivo de un paso es hacer cero un coeficiente aij = aji.

fcilmente que:

(3.33)

fila i
fila j

Puede verificarse

(k)
(k )
a ij(k +1 ) = a (kji +1 ) = a (k)
cos 2 k sen 2 k = 0
jj a ii cos k sen k + a ij

(3.34a)

y por tanto:

tg 2 k =

2 a ij( k )
a ii( k )

a (jjk )

0 k

(3.34b)

Slo los elementos de dos filas y de dos columnas (i, j ) se alteran en cada paso.
Adems, como se mantiene la simetra de la matriz A slo deben calcularse los

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 16

coeficientes de la submatriz triangular superior (o inferior) de A(k+1). Con la notacin

c = cos k; s = sen k:
2
a ii(k +1 ) = a ii(k) c 2 + 2a ij(k) cs + a (k)
jj s

a (kjj +1 ) = a ii( k ) s 2 -2a ij( k ) cs + a (jjk ) c 2

(3.35a)

(k)
(k )
a ij(k +1 ) = a (kji +1 ) = a (k)
c2 s2 = 0
jj a ii cs + a ij

a ir(k +1 ) = a ri(k +1 ) = a ir(k) c + a (jrk ) s

(3.35b)

a (kjr +1 ) = a rj(k +1 ) = a ir(k) s + a (jrk ) c

En un cierto paso se hacen cero los elementos aij y aji. Sin embargo, las sucesivas
rotaciones reintroducen valores significativos en estas posiciones, por lo que es
necesario repetir el proceso en varios "ciclos" para todos los elementos de fuera de la
diagonal principal. El proceso es convergente. Si en un ciclo dado los cocientes

[a ]

(k ) 2
ij

ij =

(3.36)

a ii( k ) a (jjk )

son de orden , stos se reducen a orden en el siguiente ciclo.

2

El nmero de ciclos completos necesarios para que la matriz A sea suficientemente

aproximada a una matriz diagonal depende del orden de la matriz. Para matrices de
orden 50 60 pueden ser necesarios 8 a 10 ciclos.

Cada ciclo demanda O(2n )

operaciones.
Desde un punto de vista terico sera ms eficiente hacer cero los elementos aij en
orden decreciente de los ij , definidos por (3.36), pero las comparaciones necesarias
son relativamente lentas. Por eso se prefiere seguir un orden fijo en la seleccin de los
elementos y efectuar las rotaciones slo si ij es mayor que una tolerancia, variable en
funcin del nmero de ciclo, m (por ejemplo 10-2m). La convergencia del proceso se
puede verificar con una medida similar.
Para determinar los vectores caractersticos es suficiente efectuar el producto de las
matrices Pk ya que:

(k) = Pk (k+1)

(3.37a)

y por lo tanto:

= (0) = P1 P2 P3 ... Pm

(3.37b)

Para ilustrar el mtodo de Jacobi considrese el problema A = con:

A ( 0)

- 3
=
1

-3

-3

-3

1
3

En el primer paso se hacen cero los coeficientes a12 y a21.

En las expresiones

precedentes:
(0)
(0)
(0)
(0)
a11
= 2 a 22
= 6 a12
= a 21
= 3

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 17

tg(2) =

2 ( 3)
26

= 1.5 cos = 0.881675 sen = 0.471858

0.881675

0.471858
P1 =
0

A (1)

-0.471858

0.881675

0.394449

T (0)
= P1 A P1 =
-0.533899

0.471858

0
0

1
0

-0.533899

7.60555

-3.11688

-3.11688

0.881675

-3

0.471858

0.881675
-3

Luego se hacen cero los coeficientes a31:

(1)
(1)
(1)
(1)
a11
= 0.394449 a 33
= 6 a13
= a 31
= 0.533899

cos = 0.995574 sen = 0.093978

0.995574

P2 =
0.0939783

A (2)

- 0.0939783

0.995574

0.344051

-0.292919
T (1)
= P2 A P2 =
0

0.187835

0
0

-0.292919

7.60555

-3.10309

-3.10309

6.0504

0.881675

-3.03107

0.187835

0.881675
-3.03107

Ntese que se tienen nuevamente valores significativos en las posiciones 12 y 21. Por
otro lado:

0.877773

0.469770
P1 P2 =
0.0939783

- 0.471858

- 0.0828582

0.881675

- 0.0443444

0.995574

0
0

Procediendo en forma similar:

( 2)
( 2)
(2)
(2)
a 22
= 7.60555 a 33
= 6.0504 a 23
= a 32
= 3.10309

cos = 0.788374 sen = 0.615196

A ( 3)

0.344051

- 0.23093
T (2)
= P3 A P3 =
- 0.180203

0.187835

- 0.23093

- 0.180203

10.027

3.62895

2.55979

- 1.84721

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

0.187835

2.55979
- 1.84721

3 - 18

 0.877773

0.46977
P1 P2 P3 =
0.0939783

- 0.321026

- 0.355609

0.72237

0.507443

- 0.612474

0.784885

0
0

( 3)
( 3)
( 3)
( 3)
a11
= 0.344051 a 44
= 4 a14
= a 41
= 0.187835

cos = 0.99869 sen = 0.0511758

A (4)

0.334426

-0.361627
T (3)
= P4 A P4 =
-0.0854342

0.876622

0.469154
P1 P2 P3 P4 =
0.0938551

- 0.0511758

-0.361627

-0.0854342

10.027

3.62895

2.54462

-1.85401

- 0.321026

- 0.355609

0.722370

0.507443

- 0.612474

0.784885

2.54462
-1.85401

4.00963
0

0.0449207

0.0240408
0.00480941

0.99869

( 4)
(4)
(4)
( 4)
a 22
= 10.027 a 44
= 4.00963 a 24
= a 42
= 2.54462

cos = 0.939025 sen = 0.343849

A ( 5)

0.334426

-0.339576
T (4)
= P5 A P5 =
-0.0854342

0.124345

0.876622

0.469154
P1 P2 P3 P4 P5 =
0.0938551

- 0.0511758

-0.339576

-0.0854342

10.9588

-0.6375

-0.6375

3.62895

-1.74096

- 0.286006

- 0.355609

0.686590

0.507443

- 0.573474

0.784885

0.343398

0.124345

-1.74096

3.07785

0.152566

- 0.225811
0.215115

0.937795

( 5)
( 5)
( 5)
( 5)
a 33
= 3.62895 a 44
= 3.07785 a 34
= a 43
= 1.74096

cos = 0.760371 sen = 0.649489

A (6)

0.334426

-0.339576
T (5)
= P6 A P6 =
-0.145722

0.0390598

-0.339576

-0.145722

10.9588

-0.484737

-0.484737

5.11603

-0.414049

0.876622

0.469154
P1 P2 P3 P4 P5 P6 =
0.0938551

- 0.0511758

0.0390598

-0.414049

1.59076

- 0.286006

- 0.369485

0.686590

0.532507

- 0.573474

0.457089

0.343398

- 0.609087

- 0.114957

0.157878
0.673341

0.713072

con lo que termina un primer ciclo. Anlogamente, al terminar el segundo ciclo:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 19

A (12 )

0.317649

- 0.007656
=
- 0.0006033

- 0.0003418

- 0.007656

- 0.0006033

11.0268

0.0015155

0.0015155

5.08272

0.0000149

0.856314

0.505117
P1 P2 L P12 =
0.0771368

- 0.0750522

- 0.0003418

0.0000149

1.57279

- 0.275908

- 0.421440

0.619208

0.566580

- 0.640155

0.399623

0.361467

- 0.584532

- 0.11397

0.201062
0.651578

0.722518

y al finalizar el tercer ciclo:

A (18)

0.317644

1.57279

11.0269
5.08272

-6

No se muestran los coeficientes con valor absoluto menor que 10 . Los coeficientes
de la diagonal de A

(18)

son (aproximaciones a) los valores caractersticos de la matriz

A. Ntese que no se obtienen en orden ascendente o descendente. Las columnas del

producto P1 P2 L P18 son los correspondientes vectores, que se obtienen normalizados:
= I. Esto se comprueba fcilmente, ya que las matrices Pk son todas
ortogonales.
T

0.856032 - 0.276628 - 0.421478 - 0.114202

0.505686 0.618991 0.566358 0.200923

P1 P2 L P18 =

0.076907 - 0.640107 0.399777 0.651558

- 0.074671 0.361373 - 0.584614 0.722537

3.3.2 Caso de Matrices Hermitianas.

El mtodo de Jacobi puede tambin emplearse para hallar los valores y vectores
caractersticos de una matriz Hermitiana, H , cuyos coeficientes (en general complejos)
tienen simetra conjugada. En este caso se hacen productos de la forma:

H ( k +1) = U *k H ( k ) U k

(3.38)

en los que U k es una matriz unitaria, es decir, tal que U k 1 = U *k (el superndice *
denota en este caso la conjugada traspuesta). Para hacer cero el coeficiente hij se
utiliza:
col i

Uk =

col j

cos

e i sen

e sen

cos

fila i

(3.39)

fila j

Suponiendo que:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 20

hii( k ) = a

hij( k ) = b ic

h (jik ) = b + ic

h (jjk ) = d

(3.40a)

Las partes real e imaginaria de los nuevos coeficientes (i , j ) resultan:

(d a ) cos sen cos + b cos 2 b sen 2 cos 2 c sen 2 sen 2 = 0

(a d ) cos sen sen + b cos 2 c sen 2 sen 2 c sen 2 cos 2 = 0
de donde:

tan =

c
b

2 (b cos + c sen )
tan 2 =
ad

(3.40b)

3.3.3 Mtodo de Jacobi Generalizado.

Es posible modificar el mtodo de Jacobi "clsico" antes descrito para resolver
directamente el problema general A = B .
En lo que sigue se supone que A y B son simtricas y que esta ltima es definida
positiva (y posiblemente no diagonal). Debe anotarse que si B fuera diagonal sera
ms eficiente transformar el problema a la forma clsica.
Un paso del proceso general se define por:

A(k+1) = PkTA(k) Pk

(3.41)

B(k+1) = PkTB(k) Pk
donde Pk es una matriz similar a la utilizada para el proceso clsico:
col i

Pk =

col j

1
k

k
1
O

(3.42)

fila i
fila j

y se determinan de:
a ij(k +1 ) = a (kji +1 ) = k a ii(k) + (1 + k k ) a ij( k ) + k a (k)
jj = 0
bij(k +1 ) = b (kji +1 ) = k bii(k) + (1 + k k ) bij( k ) + k b (k)
jj = 0

(3.43)

Estas dos ecuaciones son independientes, excepto en el caso en que

a ii(k)
bii(k)

a ij(k)
bij(k)

a (k)
jj

(3.44a)

b (k)
jj

en el que puede considerase, por ejemplo:

k = 0

k =

a ij(k)
a (k)
jj

(3.44b)

Definiendo:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 21

c1 = a (jjk ) bij( k ) b (jjk ) a ij( k )

c 2 = a ii( k ) bij( k ) bii( k ) a ij( k )
c3 =

1
2

(a

(k )
ii

b (jjk ) bii( k ) a (jjk )

(3.45a)

d = c3 + ( signo c 3 ) c 32 + c1c 2
se obtienen:

k =

c2

k =

c1

(3.45b)

El radical en la expresin de d es siempre positivo si B es una matriz definida positiva.

Puede observarse que si B fuera la matriz identidad se obtendran: k = k = tg .
Los comentarios precedentes relativos a la convergencia son tambin aqu aplicables.
3

El nmero de operaciones en cada ciclo es de O(3n ).

El siguiente ejemplo ilustra los aspectos nuevos introducidos en esta seccin.

Se

pretende determinar los valores y vectores caractersticos del sistema: A = B ,

donde:

1 1

A =

1 1

2 1

B =

1 2

Para estas pequeas matrices con un paso es suficiente:

i=1, j=2
a11 = 1

a22 = 1

a12 = a21 = -1

b11 = 2

b22 = 2

b12 = b21 = 1

c1 = 3

c2 = 3

c3 = 0

d=3

= - k =1

1 1 1 1 1 1 4 0

A(1) = P1TA(0) P1 =

1 1 1 1 1 1 0 0
1 1 2 1 1 1 2 0

B(1) = P1TB(0) P1 =

1 1 1 2 1 1 0 6
de donde:

2 = 4/2 = 2
1 = 0/6 = 0

1 1 1 2
0 0.7071 0.4082
-

= P1 diag (bi ) =
=

1 6 0.7071 0.4082
1 1 0
La post multiplicacin de P1 slo es necesaria para escalar los vectores de modo que

Ti B j = ij . Al igual que en el procedimiento clsico los valores caractersticos (y los

correspondientes vectores) no quedan necesariamente ordenados.
3.3.4 El Mtodo QR
Este proceso se aplica al problema clsico A = , donde A no requiere ser
simtrica, pudiendo tener valores caractersticos cero (o incluso negativos). En el caso
H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 22

ms general, para una matriz A cualquiera, el mtodo QR es poco eficiente, ya que

3

requiere O( 4 3 n ) operaciones por paso.

Sin embargo, slo se requieren O(4n )

operaciones por paso si A es de la forma Hessemberg:

a11

a 21

0
A=
0

a12

a13

a14

a15

a 22

a 23

a 24

a 25

a 32

a 33

a 34

a 35

a 43

a 44

a 45

a 54

a 55

(3.46)

es decir si es casi triangular superior, excepto por una codiagonal inferior. Para el caso
particular en que la matriz A es adems simtrica (y por lo tanto tridiagonal):

a1

b1

A=

b1
a2

b2

b2

a3
b3

b3

a 4 O

O O

(3.47)

el mtodo QR es an ms eficiente, requiriendo tan solo O(12n) por paso.

En todo caso es siempre posible efectuar la transformacin a la forma Hessemberg
3

(tridiagonal si A y B son simtricas), requirindose un total de O( 5 3 n ) operaciones

(una sola vez).
Debe anotarse adems que, a diferencia del mtodo de Jacobi, el mtodo QR mantiene
la posible configuracin banda de la matriz y permite efectuar traslaciones (anlogas a
las de una iteracin inversa), tanto para acelerar la convergencia como para mejorar la
precisin en los valores caractersticos de inters. El objetivo del proceso conocido
como QR es la determinacin de los valores caractersticos; conocidos estos, los
correspondientes vectores pueden obtenerse por iteracin inversa con traslacin.
(0)

Considerando A

= A, el paso bsico del mtodo QR consiste en hacer la

descomposicin:

A (k ) = Q k R k

(3.48a)

donde Q k es una matriz ortogonal (es decir, Q Tk Q k = I ) y R k es una matriz triangular

superior. Luego se efecta el producto en orden cambiado:

A ( k +1) = R k Q k

(3.48b)

Obsrvese que premultiplicando (3.48a) por Q Tk se obtiene:

Q Tk A ( k ) = R k

(3.48c)

y por lo tanto:

A ( k +1) = R k Q k = Q Tk A ( k ) Q k

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

(3.48d)

3 - 23

Ntese que si A ( k ) es simtrica A ( k +1) tambin resulta simtrica. La expresin (3.48d)

indica adems que A ( k +1) es "similar" a A ( k ) : sus valores caractersticos son los
mismos, los correspondientes vectores se relacionan por una transformacin lineal:

A (k ) (k ) = (k )

(3.49a)

al efectuar el cambio de variables:

( k ) = Q k ( k +1)

(3.49b)

se obtiene:

A ( k ) Q k ( k +1) = Q k ( k +1)

(3.49c)

(Q

(3.49d)

T
(k )
Qk
kA

( k +1)

= ( k +1)

Ambas matrices tienen los mismos valores caractersticos (que en consecuencia son
los de la matriz original) y vectores caractersticos relacionados por (3.49b).
A medida que k crece A ( k ) converge a una matriz triangular superior (cuyos valores
caractersticos son los elementos de la diagonal principal); para el caso simtrico A ( k )
converge a una matriz diagonal.

Los valores caractersticos se obtienen en orden

descendente; as la aproximacin al valor caracterstico de menor mdulo se obtiene en

la posicin nn de la matriz.
La convergencia del proceso es anloga a la de la iteracin inversa. Cuando en pasos
sucesivos se obtienen valores similares en el extremo inferior de la diagonal principal,
puede afirmarse que se tiene una aproximacin al primer valor caracterstico.

La

convergencia puede acelerarse efectuando traslaciones:

(k )
k = a nn

(3.50a)

A ( k +1) = R k Q k k I

(3.50b)

Ntese que los valores caractersticos de esta nueva matriz son iguales a los de la
(k )
matriz original menos la translacin. Cuando se logra que a nn
= 0 puede hacerse una

traslacin:

k = a n( k1) ,n 1

(3.50c)

para mejorar la convergencia al segundo valor caracterstico y anlogamente se

procede para los otros valores requeridos. Por regla general se requieren slo 2 pasos
por cada valor caracterstico adicional. Al finalizar el proceso debe agregarse a los
valores obtenidos la suma de las traslaciones k efectuadas.
Los vectores caractersticos podran obtenerse con el producto:

( 0 ) = Q 1Q 2 Q 3 L

(3.51)

pero este proceso es poco eficiente, siendo ms conveniente obtener estos vectores
por iteraciones inversas con traslaciones iguales a los valores caractersticos ya
determinados. Esto permite tambin mejorar la precisin en los .
La determinacin de Q y R en un paso puede hacerse en diversas formas. El proceso
ms eficiente consiste en transformar A en una matriz triangular superior utilizando
matrices de rotacin plana (como en el mtodo de Jacobi):

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 24

(P

T
T
n , n 1 L P31

T
P21
A=R

(3.52a)

y por lo tanto:

Q = P21 P31 L Pn ,n 1

(3.52b)

La matriz P ji , que permite hacer cero el coeficiente ji:

col i

Pk =

cos k
sen k

col j

sen k
cos k

fila i

(3.53a)

fila j

se obtiene mediante:

cos =
sen =

d=

a ii( k )
d
a (jik )

(3.53b)

(a ) + (a )
(k ) 2
ji

(k ) 2
ii

Slo se requiere un ciclo de estas transformaciones para obtener R. No es necesario

iterar.
Para un ejemplo del proceso considrese la matriz: A

(0)

2 1 0

= 1 4 1

0 1 2

Esta es una matriz simtrica (lo cual no es un requisito para emplear el mtodo QR) y,
siendo tridiagonal, tiene la forma Hessemberg.
Para transformar A en una matriz triangular superior R se hace primero cero el
coeficiente a21:
(0)
a11
=2

( 0)
a 21
=1

cos = 0.894427

d = 2.236068
sen = 0.447214

.894427 - .447214 0

P21 = .447214 .894427 0

0
1
0
T
P21
A (0)

2.236068 2.683281 0.447214

=
0
3.130494 .894427

0
1
2

Luego se hace cero a32, con lo que se obtiene una matriz triangular superior:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 25

(0)
a 22
= 3.130494

cos = 0.952579

(0)
a 32
=1

d = 3.286335

sen = 0.304290

0
0
1

P32 = 0 .952579 - .304290

0 .304290 .952579
R1 =

T T
P32
P21 A ( 0)

2.236068 2.683281 0.447214

=
0
3.286332 1.460532

0
0
1.632993

Y se completa el primer paso efectuando el producto:

(1)

0
3.200000 1.469694

= R 1Q1 = R 1 P21 P32 = 1.469694 3.244444 .496904

0
.496904 1.555556

Anlogamente, en el segundo paso:

.908739 - .417365 0

P21 = .417365 .908739 0

0
1
0

0
0
1

P32 = 0 .978097 - .208150

0 .208150 .978097
R2 =

(2)

T T
P32
P21 A (1)

L
3.521363 2.689686

=
0
2.387242 .765454

0
0
1.427490

0
4.322580 .996351

= R 2 Q 2 = R 2 P21 P32 = .996351 2.281193 .297132

0
.297132 1.396226

Y en el tercer paso:

.974449 - .224610 0

P21 = .224610 .974449 0

0
1
0

0
0
1

P32 = 0 .989134 - .147017

0 .147017 .989134
R3 =

T T
P32
P21 A ( 2 )

4.435924 1.483271 .066739

=
0
2.021076 .491663

0
0
1.33850

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 26

(3)

0
4.655737 .453953

= R 3 Q 3 = R 3 P21 P32 = .453953 2.020318 .196780

0
.196780 1.323944

Suponiendo que el coeficiente a 33 = 1.323944 sea una buena aproximacin al primer

( 3)

valor caracterstico, se efecta una traslacin:

(3)

0
3.331794 .453953

1.323944 I = .453953 .696375 .196780

0
.196780
0

obtenindose en el cuarto paso:

(4)

0
3.405209 .088938

= .088938 .678541 - .017396

0
- .017396 - .055581

Se hace entonces una nueva traslacin:

4 = -.055581 =

= 1.268362

obtenindose:

(5)

0
3.463559 .018800

= .018800 .731767 .000010

0
.000010 - .000413

y nuevamente:

5 = -.000413 =

= 1.267949

obtenindose:

(6)

3.464096 .003973 0

= .003973 .732056 0

0
0
0

Se observa ahora que el coeficiente a33 es menor que 10-6, lo que implica que 1 es
aproximadamente igual a la suma de las traslaciones previamente realizadas.
Conviene luego hacer una traslacin igual al resultado obtenido para a22 a fin de
mejorar la precisin para el segundo valor caracterstico:

6 = .732051 =

(6)

=2

0
2.732050 .003973

0.732051 I = .003973
0
0

0
0
- .732051

Y puede trabajarse con la submatriz de un orden menor:

2.732050 .003973

A (6) =
0
.003973

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 27

(6)
= 2.732050
a11

cos = 1

(6)
= 0.003973
a 21

d = 2.732051

sen = 0.000307

1.000000 - .000307

P21 = Q 7 =

.000307 1.000000
2.732051 .000840
T

R 7 = P21
A ( 6) =
0
.000001

2.73205 0

A ( 7 ) =
0
0
Los coeficientes indicados como 0 son menores que 10-6. Los valores caractersticos
de esta matriz son 0 y 2.732051. Para obtener aquellos de la matriz original deben
sumarse las traslaciones:

1 = -0.732051 + 2 = 1.267949
2 = 0 + 2 = 2
3 = 2.732051 + 2 = 4.732051
3.3.5. Transformacin a la Forma Hessemberg
Si el mtodo QR se aplicara a una matriz cualquiera sera en general poco eficiente,

puesto que requiere O 4 3 n 3 operaciones por paso. Para reducir el nmero de

operaciones a O 4n 2 por paso debe previamente transformarse la matriz a la forma

"Hessemberg" (es decir, una matriz que es casi triangular superior, teniendo adems
coeficientes significativos en la primera codiagonal inferior):

h11 h12

h21 h22

0 h32
H =
0
0

M
M

0
0

h13 h14

h23 h24

h33 h34

h43 h44

hn ,n 1

h1n

h2 n

h3n
h4 n

hnn

(3.54)

Si la matriz original fuera simtrica, la transformacin a la forma Hessemberg, que

puede hacerse conservando la simetra, produce una matriz tridiagonal. En tal caso el
QR requiere apenas 12 n operaciones por paso.
Cabe anotar que la forma
Hessemberg (tridiagonal para el caso simtrico) no se pierde en los sucesivos pasos
del mtodo QR.
La transformacin a la forma Hessemberg slo requiere hacerse una vez. Por lo tanto
las O

n 3 que se gastan en la transformacin estn plenamente justificadas.

Entre los procedimientos que se encuentran en la literatura para efectuar la

transformacin, se propone el cambio de variables = B , con lo que el problema
original = se reescribira como B 1 B = o bien H = . En este
caso B 1 B = H o, lo que es lo mismo, B = B H .
Hessemberg se usa una matriz B de la forma:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

En el proceso original de

3 - 28

0
0
1 0

0
0
0 1

0 b32 1
0
B=
0 b
b43 1
42

0 bn 2 b n 3 bn 4

L 0

L 0

L 0
L 0

L 1

(3.55a)

con coeficientes arbitrarios en la primera columna (que por simplicidad se ha escrito

como la primera columna de la matriz identidad). Los coeficientes de las sucesivas
filas de H y columnas de B pueden entonces obtenerse con las expresiones:
n

hir = a ir +

a ik bkr

k = r +1

bi ,r +1 =

1
hr +1,r

ik hkr

i = 1, 2, L r + 1

(3.55b)

i = r + 2, L n

(3.55c)

k =1

a ir +
a ik bkr

k = r +1

ik hkr

k =1

Este procedimiento podra fallar si en algn paso hr +1, r = 0 . El proceso podra

recomenzarse con una primera columna de B diferente, lo que en general evitara el
error, aunque esto no puede garantizarse.

Por otro lado, el procedimiento antes

expuesto no mantiene la posible simetra de la matriz A .

Tambin puede hacerse la transformacin a la forma Hessemberg por rotaciones
planas (mtodo de Givens) o reflexiones (Householder). El mtodo de Householder
utiliza matrices ortogonales y simtricas, de la forma:

P = I 2 w wT
donde

(3.56)

w es un vector unitario: w T w = 1 . Es fcil probar que P = P T = P 1 .

La matriz P refleja al espacio en el "plano" que pasa por el orgen y es ortogonal a w .

Considrese un vector cualquiera v = 0 w + 1u donde u T w = 0 .
Entonces,

)(

+ 1u ) = 0 w + 1u . Ntese que la componente segn w

ha cambiado de signo, es decir, el vector v ha sido reflejado en el plano ortogonal a
w.
P v = I 2 w wT

0w

La transformacin de A en H mediante el mtodo de Householder requiere n 2

pasos ( n es aqu el orden del sistema) de la forma:

A ( k +1) = Pk A ( k ) Pk

(3.57a)

donde:

Pk = I k w k w Tk
k =

2
w Tk w k

(3.57b)

w k = v k + signo a k( k+)1,k

)v

e k +1

siendo:

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 29

 0
M

v k = a k( k+)1,k
a ( k )
k + 2, k
M
(k )
a nk

e k +1

una matriz que contiene los coeficientes de la columna k de

A (k ) que estn por debajo de la diagonal principal, y

0

M

= 1

M
0

la columna k + 1 de la matriz identidad (de orden n ).

Para que el proceso sea ms eficiente, debe observarse que al premultiplicar A , cuyas
columnas son a1 a 2 a 3 L , por la matriz P , cada columna se modifica en forma
independiente. Las columnas de A = PA resultan:

a j = I k w k w Tk a j = a j k w Tk a j w k

(3.58a)

Igualmente, al postmultiplicar A por P las filas se modifican en forma independiente.

Llamando ahora a i a la fila i de la matriz A = PA , la correspondiente fila de A = A P
resulta:

ai = a i I k w k w Tk = a i k ( a i w k ) w Tk

(3.58b)

Por ejemplo, considrese la matriz:

3
A=
2
1

2
(1)
=A
3
4

Transformacin de la primera columna a la forma Hessemberg:

0

3
v1 =
2
1

v1 = 3.74166

0
0 0

3
1 6.74166
w 1 = v 1 + v 1 e 2 = + 3.74166 =

2
0 2
1
0 1

1 w 1T A (1) = (1.00000

1.38619

1.23786

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

1 = 0.03964

0.93096)

3 - 30

P1 A (1)

4.00000

- 3.74166
=
0

- 5.34522

- 5.34522

0.22762

1.52428

0.61381

1.76214

- 4.27618

1.13809
3.06904
1

1.00000

2.02190
(1)
1 P1 A w 1 =

0.22681
0.42543

A (2)

4.00000

- 3.74166
(1)
= P1 A P1 =
0

- 3.74166

8.28571

- 1.30143

- 1.30143

1.07067

- 2.25428

0.91128

- 2.25428

0.91128
2.64362
0

Transformacin de la segunda columna a la forma Hessemberg:

v2 =

1.30143
2.25428

v 2 = 2.60298

0
0

0
0

w 2 = v 2 + v 2 e3 =
2.60298 =

1.30143
1 3.90441

2.25428
0 2.25428

2 w T2 A ( 2 ) = (0

P2 A ( 2)

1.00000

4.00000

- 3.74166
=
0

2 = 0.09840

- 0.93647 )

- 0.61346

- 3.74166

8.28571

- 1.30143

2.60298

- 1.32452

- 0.47162

- 2.25428

- 2.74510
0.53254
0

1
( 2)
2 P2 A w 2 =

1.11774
0.06306

H = A ( 3)

4.00000

- 3.74166
= P2 A ( 2) P2 =
0

- 3.74166

8.28571

2.60298

2.60298

3.03959

- 0.22540

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

- 0.22540
0.67470
0

3 - 31

3.4 Mtodos Mixtos

Los dos procesos que se describen en lo que sigue son adecuados para sistemas de
orden grande en el caso en que se requieran muchos vectores caractersticos.
3.4.1 Iteracin con la Determinante de (A - B)
Los valores propios de A = B son los ceros del polinomio caracterstico
p ( ) = det (A B ) = 0 . Por ejemplo, si:

2
A=
0
0

2
4

0
B=
0
0

0
1

Las races del polinomio:

2
p( ) = det
0

8 2

8 2

0
2

= 4 64 + 364 864 + 720 = 0

4

son los valores caractersticos. La determinacin de los coeficientes del polinomio

caracterstico es factible (utilizando, por ejemplo, el mtodo de Hessemberg). Una vez
obtenidos los coeficientes del polinomio caracterstico, se requiere determinar los

valores de para los que p ( ) = 0 . Sin embargo, ste es frecuentemente un

problema mal condicionado: pequeos errores en los coeficientes causan grandes
errores en las races. Por ello, los mtodos en los que se hace una determinacin
explcita del polinomio caracterstico slo son adecuados para pequeas matrices.
Para matrices de orden elevado, pero con un ancho de banda comparativamente
pequeo, pueden determinarse los valores caractersticos por iteracin, evaluando la
determinante de A k B para una secuencia de valores k que se corrigen con
procesos tales como el mtodo de la secante. As, dadas las aproximaciones k 1 y

k a una raz y habindose calculado p( k 1 ) = A k 1 B y p( k ) = A k B se

obtiene una mejor aproximacin, k +1 , mediante:

k k 1
p ( k )
k +1 = k
p ( k ) p( k 1 )

1 2

(3.59)

La evaluacin de p ( ) no requiere tener el polinomio p ( ) en forma explcita.

Si A B se descompone en el producto de una matriz triangular inferior, L , con
unos en la diagonal principal, por una matriz triangular superior, U , se tiene que:

p ( ) = det (A B ) = det (LU ) = det (L ) det (U )

(3.60a)

donde:

det (L ) = l11 l 22 l 33 l 44 L = 1
det (U ) = u11 u 22 u 33 u 44 L

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

(3.60b)

3 - 32

y por lo tanto: p ( ) = u11 u 22 u 33 u 44 L u nn

La descomposicin de

A B en factores triangulares LU requiere pocas

operaciones si el ancho de banda es pequeo.

Particularmente importante es el caso en el que las matrices A y B son simtricas y
definidas positivas (todos los valores caractersticos son reales y positivos). En tal caso
puede aplicarse la propiedad de Sturm: el nmero de coeficientes negativos en la
diagonal principal de U al hacer la descomposicin A B = LU es igual al nmero
de valores caractersticos menores que k . Esta propiedad, combinada con la
iteracin (3.59) u otra similar, permite obtener una primera aproximacin a una raz. Sin
embargo, el proceso debe combinarse con iteraciones inversas usando el cociente de
Rayleigh para refinar los valores obtenidos.
Para las matrices A y B antes indicadas, con = 1.5 :

2 .5

2
A 1 .5 B =
0
0

0 1
0
0

5 2 0 .800 1
0
=
2 5 2 0 .588 1
0 2 2.5 0
0 .523
2 0

0 2 .5 2
0
0

0 0 3.4
2
0

0 0
0 3.824
2
1 0
0
0
1.454

p (1.5) = 2.5 3.4 3.824 1.454 = 47.25

Anlogamente se obtienen:

1
2

3
4

p ( k )

1.5

47.25

2.0

2.5

-8.75

Nmero de coeficientes negativos

en la diagonal principal de U

3.0

3.5

11.25

4.0

16.00

4.5

11.25

5.0

5.5

-8.75

6.0

6.5

47.25

3.4.2 Iteracin en Subespacio

El mtodo tratado en la seccin precedente es eficiente cuando las matrices tienen
ancho de banda relativamente pequeo. Cuando el ancho de banda es grande es ms
adecuado un proceso de iteracin en subespacio, como se describe en este acpite.
Este mtodo tiene por objeto determinar en forma simultnea los

p vectores

caractersticos asociados a los valores caractersticos de menor mdulo.

La idea

bsica es que es mucho ms fcil iterar para obtener un subespacio que contenga a
estos vectores que iterar para obtener cada uno de ellos por separado.
Se trabaja con una coleccin de q vectores linealmente independientes ( q > p ). Los
q vectores iniciales definen un subespacio que no necesariamente contiene a los p
H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 33

vectores de inters. Si esos p vectores caractersticos si estuvieran contenidos en el

subespacio,

sera

suficiente

A = B

proyectar

para

obtener

el

sistema

A z = B z , de orden q << n , que sera fcil de resolver por mtodos de

transformacin. Los valores caractersticos del problema proyectado seran los mismos
del problema original, mientras que sus vectores caractersticos, z , corresponderan a
las proyecciones de los vectores en el subespacio. No siendo ste el caso, se hacen
iteraciones inversas para mejorar los q vectores con los que se trabaja, de modo que
el subespacio por ellos definido sea ms y ms paralelo a los p vectores propios de
inters.
En lo que sigue, se supone que A y B son matrices simtricas. Siendo X k los q
vectores de aproximacin, en cada ciclo del proceso se realizan los pasos siguientes:
a. Iteracin inversa:

AX k +1 = BX k
La matriz A debe factorizarse antes de iniciar las iteraciones. Los vectores X k +1
son ms paralelos a los primeros p vectores caractersticos.
b. Proyeccin de A y B en el subespacio definido por los vectores X k +1 :

A ( k +1) = X Tk +1 A X k +1
B ( k +1) = X Tk +1 B X k +1
Las matrices A ( k +1) y B ( k +1) son cuadradas, simtricas, de orden q .
c. Solucin del problema de valores y vectores caractersticos proyectado:

A ( k +1) Q k +1 = B ( k +1) Q k +1 k +1
k +1 es una matriz diagonal, cuyos coeficientes son los valores caractersticos del
problema proyectado. Si los X k +1 definen un subespacio que contiene a los p

primeros vectores propios, los p menores valores en k +1 son parte de la solucin

buscada.
d. Determinacin de nuevos vectores:

X k +1 = X k +1 Q k +1
Como consecuencia de los pasos c y d:

(
(X

)
)Q

X Tk +1 A X k +1 = Q Tk +1 X Tk +1 A X k +1 Q k +1 = Q Tk +1 A ( k +1) Q k +1 = q
X Tk +1 B X k +1 = Q Tk +1

T
k +1

B X k +1

k +1

= Q Tk +1 B ( k +1) Q k +1 = I q

es decir, los vectores X k +1 satisfacen las condiciones de ortogonalidad, lo que asegura

que la iteracin inversa no produce q vectores todos iguales a 1 .
Si en las X 0 hay componentes segn todos los p vectores caractersticos de inters:

Lim k = diag 1
k

Lim X k = diag 1
k

)
( k +1)

Habindose obtenido en dos ciclos sucesivos los estimados p y p

(k )

de los valores caractersticos requeridos, el cociente

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

(pk +1)

(pk )

para el mayor

(pk +1) da una

3 - 34

medida adecuada del error relativo y es til para verificar la convergencia.

Adicionalmente, debe comprobarse que los valores y vectores obtenidos corresponden
a los p menores valores caractersticos. Para ello puede usarse la propiedad de
Sturm, factorizando A B en LU con valores de ligeramente mayores a los
calculados.
Si A y B son simtricas, de orden n , ancho de semibanda m , y A es definida
positiva, el nmero de operaciones iniciales requeridas es de O 12 nm 2 ,
esencialmente para la factorizacin de A . En cada ciclo de la iteracin, considerando

q << n , deben hacerse O ( nq ( 4 m + 2q + 3)) operaciones. Esto puede reducirse a

O ( nq ( 2 m + 2q + 3)) cuando B es diagonal. Para el procedimiento como se ha
descrito en los prrafos precedentes, se trabaja con q = min ( 2 p, p + 8 ) .

Habitualmente unos 10 ciclos de iteracin son suficientes para obtener 6 cifras

significativas correctas en los p valores y vectores caractersticos. Las operaciones
finales requieren O

1
2

nm 2 p operaciones adicionales.

Aproximacin Inicial
Para iniciar el proceso se requieren q vectores linealmente independientes, agrupados
en X 0 . Si A y B fueran diagonales, los vectores caractersticos seran las columnas
e k de la matriz identidad. An cuando A y B no sean diagonales, ste puede ser un
buen criterio para construir la aproximacin inicial X 0 . En particular, deberan
escogerse las columnas cuyo ndice k corresponde a los mximos bkk a kk . Con el
propsito de introducir componentes segn todos los vectores caractersticos, se
acostumbra adems considerar dos columnas con componentes arbitrarios (que
podran ser todos iguales a 1, o iguales a los bkk a kk ).
En algunas aplicaciones es fcil obtener una buena aproximacin al primer vector
caracterstico, por ejemplo, como solucin de un sistema de ecuaciones de la forma

A x 1 = b . Las sucesivas columnas x k para una excelente aproximacin inicial pueden

entonces obtenerse como vectores de Ritz, mediante un proceso recursivo que
combina pasos de iteracin inversa con ortogonalizacin:

A y k = B x k 1

xk = y k

y Tk B x j

T
j =1 x j B x j

k 1

x
j

Determinacin de Grupos de Vectores Caractersticos Haciendo Traslaciones

Si se requieren muchos vectores caractersticos, el procedimiento estndar de iteracin
en subespacio puede hacerse ms eficiente utilizando sucesivas traslaciones en
combinacin con procedimientos de eliminacin de las componentes segn los
vectores ya conocidos.
En este caso se trabaja con subespacios de dimensin q , con el propsito de

determinar grupos de p q 2 vectores. Habitualmente q = mx 4, m , siendo m el

ancho (promedio) de semibanda. Para cada grupo de vectores, se realizan cmputos
iniciales que incluyen:
a. Determinacin de la traslacin (el proceso se inicia con = 0 )
H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 35

~
= 0.1 n + 0.9 n +1
n es el ltimo valor caracterstico para el que se ha logrado convergencia;
~
n +1 es la aproximacin al siguiente valor caracterstico.
b. Factorizacin: A B = L U
c. Determinacin de q vectores de aproximacin inicial, X 0 .
La iteracin incluye los pasos siguientes:
a. Eliminacin de las componentes de X k segn los vectores caractersticos
previamente determinados (ver acpite 3.2.4).
b. Iteracin inversa:

Yk +1 = B X k
L U Z k +1 = Yk +1
c. Proyeccin de A B y B en el subespacio definido por los vectores Yk +1 :

A ( k +1) = Z Tk +1 Yk +1
B ( k +1) = Z Tk +1 B Z k +1
Las matrices A ( k +1) y B ( k +1) son cuadradas, simtricas, de orden q .
d. Solucin del problema de valores y vectores caractersticos proyectado:

(A

( k +1)

+ B ( k +1) Q k +1 = B ( k +1) Q k +1 k +1

e. Determinacin de nuevos vectores:

X k +1 = Z k +1 Q k +1
f. Verificacin de la convergencia
Como en el procedimiento estndar, debe verificarse que se tienen los valores
caractersticos correctos utilizando la propiedad de Sturm.
Ejemplo simple
Supngase que se requieren dos vectores caractersticos de A = B , siendo:

1
A=
0
0

1
2

B=

1
0

En este caso particular la iteracin inversa produce en un solo paso el subespacio que
incluye a los dos primeros vectores caractersticos, ya que dos de los valores
caractersticos son infinitos. Para hacer ms eficiente el proceso debe factorizarse
primero la matriz A :

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

3 - 36

0 .5
A=
0
0

.6667

0.75

0
Con la aproximacin inicial: X 0 =
0
1

0 2

0 0

0 0
1 0

1
1 .5
0
0

0
1
= LU
1.3333
1
0 1.25
0

0
0

Se obtiene por iteracin inversa:

0
B X0 =
0
2

0
0

L U X1 = B X 0

0.4

0.8
X1 =
1.2
1.6

0.6

1.2

0.8
0.4

Proyectando las matrices A y B en el subespacio definido por los vectores X1 :

3 .2
A (1) = X1T A X1 =
0 .8

0 .8

1.2

5.76
B (1) = X1T B X1 =
2.24

2.24

1.76

se resuelve el problema proyectado (mtodo de Jacobi generalizado):

c1 = 1.28
c 2 = 2.56
c 3 = -0.64
1
P =

d = 2.56
= -0.50
= 1.00

1 0.5
=

1 1
1

6.00
P T A P =
0

1.20

12
P T B P =
0

0.96

de donde:

a b
= 11 11
0
0.288 675
Q =
0.288 675

0
a 22

0.50
=
b2 0

1.25

0.510 310

1.020 621

y finalmente se expresan los vectores en el sistema de referencia original:

0.288 675

0.577 350
X 1 = X1 Q =
0.577 350

0.577 350

0.408 248

0.816 497
= (1
0.204 124

0.408 248

H. Scaletti - Mtodos Numricos: Valores y Vectores Caractersticos

2 )

3 - 37