Professional Documents
Culture Documents
1. Conceptos básicos
[Variedad lineal invariante]
Definición 1:
n
Una variedad lineal V de K se dice que es invariante para una
aplicación A si cualquier vector x € V se transforma, mediante A, en otro
vector de V
A x € V para todo x € V
Las variedades invariantes más simples son aquellas que tienen dimensión
1, por lo que una base está constituida por un único vector v ≠ 0.
Podemos observar que, en ese caso, cualquier vector x 2 V puede
expresarse de la forma x ≠αv con α≠ 0 si x 6= 0 y que, por tratarse de
una variedad invariante, ha de ser Ax = βv, pero entonces:
α≠0. Entonces:
y por tanto (ƛ-µ)u = 0, pero dado que u ≠ 0 se tiene que ƛ=µ en contra de
la hipótesis de que ƛ≠µ, lo que prueba el resultado.
Cociente de Rayleigh
Si nos limitamos a calcular la sucesión (x n) hasta obtener una
aproximación x adecuada del autovector podemos obtener el autovalor
resolviendo el sistema vectorial x = Ax. Este sistema resulta, en general,
incompatible por no ser x exactamente un autovector sino solo una
aproximacion, por lo que la solución que mejor se ajusta es la
pseudosolucion del sistema, que nos dar una aproximación del autovalor .
[Cociente de Rayleigh]
Definicion
Dada una matriz cuadrada A y un vector x, se denomina cociente de
Rayleigh del vector x respecto de la matriz A cociente
n
Dado un vector z0 € R se define, a partir de él, la sucesión (zn)
2 n
zn = Azn-1 = A zn-2 =………. = A z0:
Si las coordenadas del vector z0 respecto de la base B son (α1; α2….. αn)
se tiene que z0 = α1x1 + α 2x2 + ….+ αnxn, por lo que
k k k k
zk = A z0 = A ( 1x1 + + nxn) = α 1A x1 +….+ αnA xn =
z = ones(length(A),1); w =
zeros(length(A),1); n = 0;
Ejecutando este algoritmo con MatLab para la matriz del Ejemplo 4.2
obtene-mos la aproximacion 12.22753579693706 del autovalor con un
15
error del orden de 1:986027322597819 10 en 17 iteraciones.
z = ones(length(A),1); w =
zeros(length(A),1); n = 0;
Ejecutando este algoritmo con MatLab para la matriz del Ejemplo 4.2
obtene-mos la aproximacion 12.22753579693706 del autovalor con un
15
error del orden de 2:664535259100376 10 en tan solo 4 iteraciones,
frente a las 17 que eran necesarias con algoritmo anterior.
Este metodo solo nos permite calcular, en caso de existir, el autovalor do-
minante de una matriz. Existen sin embargo otras variantes del metodo de la
potencia simple que nos permiten calcular cualquiera de sus autovalores a partir
de una aproximacion de ellos. Debido a la existencia de dichas variantes es por
lo que el metodo estudiado anteriormente es conocido como metodo de la
potencia simple para distinguirlo de los que estudiaremos a continuacion.
i= i para i = 1; 2; : : : ; n:
Invirtiendo la expresion (4.4) nos queda
1 1 1
1
Observese que debemos ir calculando, en cada paso, los vectores z =A !
zn n n 1
@ A
Tenemos, por tanto, que z9 es una aproximacion al autovector asociado al
autovalor de menor valor absoluto de la matriz A, por lo que el cociente de
Rayleigh nos proporcionar una aproximacion de este.
T
z Az9
9 z z
3= T= 0:20927063325837: 9 9
z = ones(length(A),1); w =
zeros(length(A),1); n = 0;
z = ones(length(A),1); w =
zeros(length(A),1); n = 0;
Para la matriz de nuestro Ejemplo 4.2 obtenemos, con MatLab, mediante el al-
goritmo del metodo de la potencia inversa, la aproximacion 0.20927063325837
16
del autovalor de menor modulo con un error 5:119756492560000 10 en 18
iteraciones, mientras que con el mejorado, obtenemos, en tan solo 8 iteraciones,
16
la misma aproximacion con un error del orden de 9:723368807669973 10 .
Veamos, por ultimo, una nueva variante de este metodo nos permite calcular un autovalor
cualquiera de una matriz regular A a partir de una aproximacion suya. Sin embargo, hay que tener
en cuenta que si el autovalor que vamos a aproximar es multiple o existen otros con el mismo
modulo aparecen di cul-tades que solo podremos solventar utilizando otros metodos.
20 Autovalores y autovectores
Consideremos una matriz A regular tal que todos sus autovalores tengan
dife-rente modulo y supongamos conocida una aproximacion de un
determinado autovalor k. Si la aproximacion es buena se veri car que j k j
< j i j para cualquier i = 1; 2; : : : n con i 6= k.
Dado que 1=( i ) son los autovalores de A I y esta posee un autovalor ( k )
de menor valor absoluto que los demas, el metodo de la potencia
1
inversa nos proporcionar el valor k = k pudiendose, a partir de este ultimo,
hallar el valor de k.
Esta variante es conocida como metodo de la potencia inversa con
desplaza-miento.
@ A @ A @ A
Tenemos, por tanto, que z7 es una aproximacion al autovector asociado al
autovalor buscado, por lo que
T
z7 Az7
T
2 = z7 z7 = 1:56319356980456:
Metodos iterados para la obtencion de autovalores y autovectores 21
z = ones(length(A),1); w =
zeros(length(A),1); n = 0;
Para la matriz del Ejemplo 4.2 y conociendo que tiene un autovalor proximo
a 1.5, el algoritmo de la potencia inversa con desplazamiento, ejecutado
con MatLab, nos proporciona la aproximacion 1.56319356980457 del
16
autovalor con un error de 3:845925372767128 10 en 12 iteraciones.
Tambien, en este caso, podemos hacer la misma mejora que en los
anteriores algoritmos.
22 Autovalores y autovectores
z = ones(length(A),1); w =
zeros(length(A),1); n = 0;
for i = 1:length(A)
if abs(z(i)) == max(abs(z))
break
end
end
z = z/z(i);
end
n
autovalor = (z'*A*z)/(z'*z) Error =
norm(A*z-autovalor*z)
A
2 = R1Q1 = Q Q AQ0Q1 = Q2R2 >
1 0 >
>
.
.
>
>
>
=
. > )
>
=
=Q R
A.n+1 = RnQn = Qn Q1Q0AQ0Q1 Qn n+1 n+1 >
. >
. >
>
>
>
>
>
>
el algoritmo converge.
En general, si existen autovalores de igual modulo, la sucesion converge
a una matriz triangular por cajas en la que cada caja contiene a los
autovalores del mismo modulo.
En otras palabras,
B C
@ 0 a22 a23 A
0 a
32 a
33
24 Autovalores y autovectores
a a
22 23
a a
donde a11 es el autovalor real y los autovalores de la matriz 32 33 !
son los dos autovalores complejos de la matriz A.
1 2 3
Ejemplo 4.5 Para el calculo de los autovalores de la matriz A = 0 2 2 3 1
B 3 3 3 C
se tiene: @ A
A0 = A = 0 2 2 31 A1 = 0 1:9415 0:5385 0:1850 1
1 2 3 7 1:9415 0:6671
B
B 3 3 3C 0:6671 0:1850 0:4615 C
@ A @ A
0
A2 = 0:3365 1:1474 0:1174 1 A3 = 0 0:0530 1:1758 0:0348 1
7:5034 0:3365 0:0344 7:5162 0:0530 0:0016
B C B C
0:0344 0:1174 0:3554 0:0016 0:0348 0:3404
@ A @ A
0
A4 = 0:0083 1:1775 0:0100 1 A5 = 0 0:0013 1:1776 0:0029 1
7:5165 0:0083 0:0001 7:5165 0:0013 0:0000
B C B C
0:0001 0:0100 0:3390 0:0000 0:0029 0:3389
@ A @ A
0 0
A6 = 0:0002 1:1776 0:0008 1 A7 = 0 1:1776 0 1
7:5165 0:0002 0 7:5165 0 0
C C
B0 0:0008 0:3389 B0 0 0:3389
@ A @ A
Por lo que los autovalores de la matriz A son:
: : :
1 17760 3389 y 7 5165
B 2 3 5C
Ejemplo 4.6 La matriz A = 0 1 4 6 1 tiene por autovalores 7 y p
2.
@ A
1 3 1
Al tener dos autovalores de igual modulo no converge a una matriz
triangular, sino a la matriz triangular por cajas.
Realizando el proceso con MatLab hemos obtenido en la iteracion 31 que
A =
31 0 0:0000 0:5797 2:43741
7:0000 6:7412 0:6901
B 0:0000 0:6826 0:5798C
@ A
Metodos iterados para la obtencion de autovalores y autovectores 25
por lo que sabemos que un autovalor es 7 y los otros dos son los autovalores de la matriz
B= 0:6826 0:5798 !
0:5797 2:4374
p
cuyos autovalores son 2.
2 2
(a c) cos sen + b(cos sen )=0
es decir:
2 2
b(cos sen ) = (c a) cos sen
Si c = a basta tomar = .
4
Si c 6= a podemos dividir por c a y obtenemos que
2b 2 cos sen sen 2
2 2
c a = cos sen = cos 2 = tg 2
2b
Llamando m = c a se tiene que tg 2 = m, por lo que
p 2
1+m
t = tg = 1
m
y, a partir del valor de t obtenido, se pueden calcular
1 t
2 2
cos = p 1 + t y sen = p 1 + t
valores, estos ultimos, que nos permiten determinar la matriz P .
26 Autovalores y autovectores
I
0
Algoritmo de calculo
a b
!
a) Dada A = b c
a.1) Si b = 0 FIN.
a.2) Si b 6= 0 y a = c
0 1 1
0 1
P = p 2 =2 p 2 =2 y P AP = 0 :
@ A
p 2 =2 p 2 =2 @0 A
p 2
b) m = 2b t= 1 1+m :
c a m
1 t
c) cos = p 1 + t2 sen = p 1 + t2 .
0 1
P= cos sen 1 y P AP = 0 0 1:
@ A A
sen cos @0
Para dimensiones superiores sea P la matriz diagonal por bloques
FIN.
FIN.
B T C
P= q p+1 In q
en la que @ A
= I
Tq p+1 0 cos q p 1 sen 1
B sen cos C
@ A
y todos los demas elementos nulos.
B 1 2 1 0C
simetrica y real. @ A
El elemento extradiagonal de mayor valor absoluto es a 23 = 4, por lo que
comenzamos haciendo
2a
p 2
23 1+ 1+m 1 t
m= t= cos = p 2 sen = p 2
a a
33 22 m 1+t 1+t
P23 = I4 p22 = p33 = cos p23 = p32 = sen
obteniendose
1 0 0 0
P
23 =0 0
B
B
0
0:7497 0:6618
0:6618 0:7497
01
0 C
C
B 0 0 0 1C
@ A
por lo que
T 0 3:4848 3:5311 0 0:8376 1
1 3:4848 0:9254 1
P AP B
23 23 = B
0:9254 0 4:5311 2:0733 C C
B 1 0:8376 2:0733 0C
@ A
28 Autovalores y autovectores
B 0:5257 0 0 0:8507 C
@ A
T T T T
que aplicar amos a P23 AP23 para obtener P14 P23 AP23P14 = P AP
donde la matriz P viene dada por P = P23P14.
Ahora bien, la matriz
0 0 0:7497 0:6618 01
0:8507 0 0 0:5257
P=P P
23 14 =B
B
0 0:6618 0:7497 0C C
B 0:5272 0 0 0:8507 C
@ A
puede ser escrita directamente sin necesidad de construir previamente
P23 y P14 y multiplicarlas.
En resumen, se pueden enviar a un ordenador los valores de a22, a23 = a32 y a33
para que calcule el angulo de giro correspondiente y nos devuelva los valores de
p22 = p33 y p23 = p32, mientras que de forma simultanea enviamos a otro
ordenador los valores de a11, a14 y a44 y nos devolvera los de p11 = p44
y p14 = p41.
@ A
Reduccion del problema a matrices herm ticas 29
B 0 0:5016 0 0:8651 C
y a partir de ella @ A
T 0 1:6791 5:0065 1:5358 01
B 0:6986 1:6791 0 1:6230
P AP = C
B C
@ A
0 0 0 0:6188
cuyos elementos diagonales son los autovalores de la matriz original.
H1 = A + A H2 = A A
2 2i
ademas, la solucion es unica.
Teorema 4.15 Sea A = H1 +iH2 una matriz normal con H1 y H2 herm ticas.
Si x 6= 0 es un autovector de A asociado al autovalor + i ( ; 2 R) se veri ca
que
H1x = x y H2x = x
Demostracion. Por ser A normal, existe una matriz unitaria U tal que
U AU = D
0 0 2 +i2 0 1
+i 0 0
D = U AU = B ..
.
..
. ... ..
. C
C
C
B
B 0 0 n +in =)
B C
A
@
00 2 0 1 00 2 0 1
0 0 0 0
... . ...
A=U B B
..
.
..
.
..
. C U + iU B
C B
.. ..
.
..
. C U =)
C
B 0 0 n C B 0 0 n C
B C B C
@ 0
0 0
A
1
@ 0
0
A 0 1
C C
2 2
0 0 0 0
=UB =UB
H1 B
... ... . . . ... C
U H2 B
... ... . . . ... C
U
B 0 0 n C B 0 0 n C
B C B C
@ A @ A
donde H1 y H2 son herm ticas. Se tiene entonces que es un autovalor de
H1 asociado a x (primera columna de U) y un autovalor de H 2 asociado
tambien a x.
Reduccion del problema a matrices simetricas reales 31
Teorema 4.16 Una matriz cuadrada A es normal si, y solo si, sus compo-
nentes herm ticas conmutan.
Demostracion.
2 2
HH = A+A A A = A AA + A A + (A )
1 2 2 2i 4i
2 2
HH = A A A+A = A + AA A A + (A )
2 1 2i 2 4i
Si A es normal se veri ca que AA = A A por lo que
2 2
HH = A+A A A = A + (A )
1 2 2 2i 4i 9
> = H1H2 = H2H1
A A A+A 2+ (A ) 2 > )
A >
HH = = =
2 1 2i 2 4i >
>
>
por lo que
2
AA + A A = A + AA A A () 2A A = 2AA () A A = AA
Sea H una matriz herm tica y sean hij = aij + ibij con 1 i; j n sus elementos.
Podemos descomponer la matriz H de la forma H = A + iB donde A y B
son matrices reales con A = (aij) y B = (bij).
32 Autovalores y autovectores
T T
8
A+iB =H =H =A iB =A iB (por ser A y B reales) = A=AT
)<
x a ib H
B = BT (recuerdese que
x = (a + ib) = a + i b =
8
Hx = x Aa Bb = a ;
)<
Ab + Ba = b
por lo que B A ! : b
! = b!
A B a a
A B
!
Observese ademas que la matriz real B A es simetrica, ya que
T T !
B T =
A
! B A ! = B A
A B AT BT A B
B!
Los autovalores de la matriz A son, por tanto, los mismos que los
B A
!
A B
de H y si un autovector de es (x1; : : : ; xn; xn+1; : : : ; x2n), el co-
B A
v
v
@ A
[1] Burden, R.L. y Faires, J.D. Analisis Numerico (Sexta edicion). Interna-
cional Thomson Ed. 1998.
[2] Golub, G.H. y Van Loan, C.F. Matrix Computations (Third edition).
Johns Hopkins University Press
[5] Noble, D. y Daniel, J.W. Algebra Lineal Aplicada. Ed. Prentice-Hall. 1989.