Métodos Numéricos IC-343

CONTENIDO

Introducción

2. MÉTODOS
2.1 Método de Jacobi

2.2 Método de bisección o de Givens

2.3 Construcción de la matriz de Householder

2.4 Método de multiplicación sucesica por 𝑦 𝑘

2.5 Método de la iteración de potencia

2.6 Método de la iteración mediante cociente de Raleigh

2.7 Método de la iteración QR

2.8 Método de la iteración simultánea o de sub espacio

2.9 Método de la iteración inversa

3. OBSERVACIONES CONCLUSIONES

4. BIBLIOGRAFÍA

Valores y vectores propios

Métodos Numéricos IC-343

1. INTRODUCCIÓN

En diversos campos de la ingeniería y las matemáticas surge el

problema de calcular los valores escalares y los vectores x0 tales
que para la matriz cuadrada A se cumple.
Ax = x (1)

 Algunos de estos campos de aplicación son:

 Ecuaciones diferenciales
 Estabilidad de sistemas lineales
 Sistemas eléctricos (componentes simétricas)
 Polos y ceros de funciones transferencia
 Diagonalización de matrices

 Podemos averiguar si el problema planteado por (1) tiene solución si la

reescribimos como sigue:

(A - ) x = 0 (2)
 Así el problema se transforma en el ya conocido sistema lineal
homogéneo Bx=0, el cual ya sabemos que tiene solución única x=0
cuando det(B)0. Justamente este es el caso que no nos interesa.

 El número se dice valor propio de A (matriz cuadrada) si y sólo si

det(A - ) = 0 (3)

Esta es la ecuación característica de la matriz A.

El determinante que aparece en (3) resulta ser un polinomio en
potencias de . Por ello a la expresión

a()=det(A - ) (4)

Se le llama polinomio característico de la matriz A.


Observación: El polinomio característico de una matriz de dimensión
nn es de grado n, por lo cual tendrá n posibles valores propios que
satisfacen (3) .Si es un valor propio de A y si x es el vector no nulo tal
que Ax = x entonces x se dice vector propio de A correspondiente al
valor propio 



Valores y vectores propios

Métodos Numéricos IC-343

Ejemplo: Calcular los valores y vectores propios para la matriz

 4 5 
A=  
 2 3 
Solución: La ecuación característica queda:
 2 5  x1   0 
Det (A - kI) = det (a  1 I ) x       
 2 5  x 2   0 
o sea:
(4- )(-3- ) + 10 =  2 - 
Factorizando:
( +1)( -2 ) = 0
Con lo cual obtenemos dos valores propios:
1 = -1, 2 = 2
Buscamos ahora los correspondientes vectores propios:

Para 1 = -1
Buscamos ahora los correspondientes vectores propios:
 5 5  x1   0 
(a  1 I ) x       
 2 2  x 2   0 
El sistema obtenido tiene una infinidad de soluciones de la forma x= [x1, x1]t.
Así, por ejemplo x= [1 1]t es un vector propio correspondiente a 1 = -1.

Para 1 = 2
 2 5  x1   0 
(a  1 I ) x       
 2 5  x2   0 

Nuevamente el sistema obtenido tiene una infinidad de soluciones

de la forma x= [x1, 0.4x1] t. Así, por ejemplo x= [5 2] t es un vector
propio correspondiente a 2 = 2
Como puede verse del ejemplo anterior, a un valor propio l en
general le corresponden una infinidad de vectores propios este
conjunto infinito es un espacio vectorial y se denomina el espacio
propio correspondiente a .

Obsérvese además que para un lk dado, su espacio propio

correspondiente es el espacio nulo de la matriz
(A-  I ).

Valores y vectores propios

Métodos Numéricos IC-343

Propiedades Básicas de los valores propios

La suma de los n valores propios de la matriz A es igual a su traza:

1+2+…n=traza(A)

El producto de los n valores propios de la matriz A es igual a su

determinante 1*2*…n = det(A)

Los valores propios de una matriz triangular (superior o inferior) son

los valores de su diagonal.

Valores y vectores propios

Métodos Numéricos IC-343

2. METODOS

2.1-EL MÉTODO DE JACOBI

Los métodos de Jacobi usan transformaciones de similitud para obtener una matriz
transformada con los mismos valores propios, pero con una estructura simple. Las
matrices de transformación que se usan son matrices ortogonales. Se puede
demostrar que estas son las más adecuadas para la minimización del error en el
proceso. La forma más sencilla que se puede lograr es la forma diagonal, ya que
los valores propios estarán disponibles directamente en los elementos diagonales.
El método de Jacobi esta ideado para dar una forma diagonal eliminando
sistemáticamente los elementos fuera de la diagonal. Esto, sin embrago, es un
proceso iterativo que requiere un gran número de pasos. Esto presenta dos
desventajas: primero, el proceso puede converger lentamente o no converger;
segundo, la necesidad de de truncar el proceso puede producir errores que
aceleren seriamente la solución correcta.
El esquema computacional es muy sencillo. Se forma una nueva matriz
A  P11 AP1 utilizando una matriz p1 que introduce un elemento cero fuera de la
1
diagonal en A1 .se produce una matriz más A2 como A2  P2 AP2 , en la cual se
produce un nuevo cero fuera de la diagonal. Desafortunadamente, en el proceso
de Jacobi, la introducción de cada nuevo cero, en general, introduce un nuevo
elemento dentro de las posiciones previas dentro con ceros. El proceso continúa
trabajando sistemáticamente a lo largo de un renglón y luego el siguiente,
introduciendo elementos ceros, o de manera alterna, eliminando el elemento fuera
de la diagonal de módulo más grande en cada etapa. El proceso termina cuando
todos los elementos fuera de la diagonal son menores en módulo que alguna
cantidad pequeña especificada. De esta manera, los valores propios son los
elementos de la diagonal.
Debido a que el cálculo computacional se lleva a cabo con matrices ortogonales,
1
no se necesita calcular la inversa, que está dada por P 1  P2T .

a rr  cos  ......................................(8.48a)
a rs   sen ....................................(8.48b)
a sr  sen ......................................(8.48c)
a ss  cos  .......................................(8.48d )
1 0 0 0
0 c  s 0 
P1   
0 s c 0 
 
0 0 0 1 

Valores y vectores propios

Métodos Numéricos IC-343

c  cos 
s  sen ..................................................................................................................(8.49)

 a ca12  sa13  sa12  ca13 a14 

 ca  sa c a 22  csa 23  s 2 a33
2
csa 22  ca 23  sa 32  csa 33 ca 24  sa 34 
 21 31
(8.50)
 sa 21  ca31  csa  sa  ca  csa sa 22  csa 23  sca 33  ca32 ca34  sa 24 
 
 a 41 ca 42  sa 43  sa 42  ca 43 a 44 

(c 2  s 2 )a 23  cs(a33  a32 )  0................................................................................(8.51)

2a 23
tan 2  .....................................................................................................(8.52)
a 22  a33

Obsérvese que solo se modifican las filas p y q

𝑛 𝑛

𝑁𝑑(𝐴) = ∑ ∑ 𝑎2 𝑖𝑗
𝑖=1 𝑗=1,𝑗≠1
𝑛 𝑛

𝑁𝑑(𝐵) = ∑ ∑ 𝑏 2 𝑖𝑗
𝑖=1 𝑗=1,𝑗≠1

En consecuencia, el método de Jacobi consiste en realizar

transformaciones de Givens (rotaciones en el plano (i, j), definidas por
matrices ortogonales (de Givens), de forma que se vayan anulando
sucesivamente los elementos que no están en la diagonal (elementos
bpq). Finalmente, los vectores propios serán las columnas del producto
Q1 Q2...Qk de todas las matrices de Givens que hayan sido utilizadas en
el orden adecuado.
Concretamente, siguiendo el método clásico, se elige la matriz de
Givens Qk de forma que se anule el elemento i, j de módulo mayor de la
𝑘
matriz A(k), es decir, que resulte nulo el elemento 𝑎𝑖𝑗 de la matriz.

Función hecha en Matlab

Valores y vectores propios

Métodos Numéricos IC-343

2.2. EL MÉTODO DE GIVEN

El método de Given se basa en una transformación matricial del mismo
tipo que el método de Jacobi; pero el esquema está diseñado de tal
forma que ningún cero que se cree se retenga (cambie) en las
transformaciones subsecuentes. Cuando se realiza la rotación en el
plano (r, s) se elimina el elemento (r – l, s) para (r 1,2 0—1) y (s = r+2, r-
l-3 o). Entonces, para la rotación anterior en el plano (2, 3), se elige el
valor de O para satisfacer

Valores y vectores propios

Métodos Numéricos IC-343

 sa12  ca13  0...................................................................................................(8.53)

a13
tan   .............................................................................................................(8.54)
a12
o, enformamásgeneral ,
a r 1, s
tan   ...........................................................................................................(8.55)
a r 1,r

Se observa que los elementos de la diagonal principal, y los elementos

inmediatamente arriba y abajo, permanecen diferentes de cero.
Entonces, el resultado final del proceso no es una forma diagonal simple,
sino la llamada forma tridiagonal.

x x 0 0 0
x x x 0 0 

 x x x 0
 
... ... ... ... ... ... ... ... ........................(8.56)
0 x x x 
 
0 0 x x x
0 x 
 0 0 x
Los valores propios de una forma tridiagonal no se pueden encontrar de
manera automática, como Sin embargo, el método de solución es
bastante sencillo. Esto hace que en valga la pena el empleo de una
computadora. Es fácil ver que los ceros hace de manera sistemática en
todo el primer renglón, comenzando por en el caso de la forma diagonal.
La reducción a la forma tridiagonal se conservan si la eliminación es el
elemento (i, 3), y a continuación en todo el segundo renglón, empezando
con el elemento (2, 4), etcétera.

Si la matriz A es no simétrica, el método de Given se puede seguir

aplicando. Sin embargo» la forma final no será la forma tridiagonal
simétrica, sino la forma Hessenberg.

Valores y vectores propios

Métodos Numéricos IC-343

x x 0 0 0
x x x 0 0 

x x x x 0
 
... ... ... ... ... ... ... ... .........................(8.57)
x x x x x x x x 
 
x x x x x x x x x
x x 
 x x x x x x x

Aunque el método anterior efectúa una simplificación considerable en la

forma de la matriz» esto tendrá poco valor, a menos que la matriz
tridiagonal resultante tenga una forma apropiada para una solución fácil.
De hecho, la forma tridiagonal conduce a la secuencia Sturm, la cual es
fácil de calcular. Entonces, puede ser fácil encontrar una aproximación a
las raíces y después precisarlas, por ejemplo, con el método de Newton.
La secuencia Sturm se genera con una secuencia recursiva como se
describe a continuación. Si se deja que f r (a.) sea el valor del
determinante
a1   b2 0
b2 a2   b3
b3 a3   ....................(8.58)
... br
0 br ar  

el cual define la ecuación característica de una matriz tridiagonal.

Extendiendo el determinante por la última columna, resulta
f r ( )  (ar   ) f r 1 ( )  br2 f r 2 ( ).......................(8.59)
f 0 ( )  1...............................................................(8.60a)
f1 ( )  (a1   ).....................................................(8.60b)

Entonces las ecuaciones (8.59) para r = 2, 3 n y (8.60) definen una

secuencia de valores que es la secuencia Sturm. El número de cambios
en signo de esta secuencia se puede tabular para varios valores de 2. y
determinar la posición aproximada de las raíces.

Valores y vectores propios

Métodos Numéricos IC-343

Así, es posible utilizar un método iterativo adecuado para encontrar con

bastante precisión (ejemplo, e, = 10−12 ) el valor de una raíz. En esta
forma las raíces individuales, o todas las raíces, se pueden encontrar de
acuerdo con los requisitos del problema. El proceso es
computacionalmente conveniente, ya que el proceso para calcular la
secuencia Sturm también produce» como un término de la secuencia, el
valor de la función 𝑓𝑛(2.) necesario en la iteración de la ecuación.

2.3. CONSTRUCCIÓN DE LA MATRIZ DE HOUSEHOLDER

Hay que buscar una matriz de Householder H = I − 2ww T , ‖w‖ = 1 tal que
la primera columna de la matriz A1 = HAH sea de la forma
A11 = (a11 , α, 0, … ,0)T ,
Para ello, es suficiente elegir
n
1
α = −sign(a21 )(∑ a2j1 )2
j=2
1
r = ( ∗ α(α − a21 ))1/2
2
a21 − α ak1
w1 = 0, w2 = , wk = , k = 3,4, … , n
2r 2r

En sucesivos pasos, se construirán matrices de Householder que vayan

transformando en ceros todos los elementos por debajo de la primera
paralela de la diagonal de la segunda, tercera, etc. Columnas, de forma
que la matriz final tenga la forma de Hessenberg.

Aunque el método de Given tiene un avance considerable respecto al

método de Jacobi, éste se ha reemplazado por el método de Householder.
Este método también usa transformaciones ortogonales para reducir una
matriz simétrica a una matriz similar con la forma tridiagonal simétrica. La
ventaja del método es que todos los posibles ceros en una región se
producen con una sola transformación. El método Householder, por tanto,
n2 −3∗n+2
emplea (n-2) transformaciones de similitud comparado con ( ) para
2
el método de Given. El método de Householder es computacionalmente
más complicado, pero queda todavía una reducción sustancial en tiempo
de cómputo. Asimismo, la disminución del número de operaciones de
cómputo reduce el error propagado.

Teorema (de reflexión de Householder)

Valores y vectores propios

Métodos Numéricos IC-343

Si X y Y son vectores que tienen la misma norma, entonces existe una

matriz ortogonal simétrica tal que
Y = PX … … … … … … … … … (8.61)
Donde
T T
P k = I − 2W k [W k ] , [W k ] W k = I
Con
X−Y
Wk = … … … … … … … … … … … … … … (𝟖. 𝟔𝟐)
‖X − Y‖

Debido a que P es ortogonal y simétrica. Por tanto, se tiene que P −1 = P.

Corolario (k − ésima matriz de Householder)

Si se deja que A sea una matriz de (n ∗ n) y X cualquier vector, si k es
un número entero entre 1 ≤ k ≤ n − 2, se puede construir un vector W k y
T
una matriz P k = I − 2W k [W k ] tales que

x1 x1
⋮ ⋮
xk xk
P k X = P k xk+1 = −S = Y … … … … … … … … (𝟖. 𝟔𝟑)
xk+2 0
⋮ ⋮
[ xn ] [ 0]

Suponiendo que A es una matriz simétrica de (n*n), entonces una

secuencia de n-2 transformaciones de la forma PAP reduce la matriz A a
una matriz simétrica tridiagonal, la cual es similar a la matriz A. La
primera transformación está definida por A1 = P1 AP1 , donde la matriz P1
se construye a partir del corolario, con el vector X igual a la primera
columna de la matriz A. en forma general, P1 tiene la siguiente
estructura:

1 0 0 ⋯ 0
0 p22 p23 … p23
p32 p33
P = 0
1
p42 ⋱
0
⋮ ⋮
[0 pn2 pnn ]

Como resultado la transformación A1 = P1 AP1 no afecta el elemento a11

de la matriz A. La matriz resultante tiene la forma

a11 u1 0 ⋯ 0
0 z1 w23 … w2n
0 w32 w33 w3n
A1 = P1 AP1 = 0 w42 ⋱
⋮ ⋮
[0 wn2 wnn ]

Valores y vectores propios

Métodos Numéricos IC-343

Debido a que el vector X es la primera columna de A, de acuerdo a la

ecuación (8.63). Esto implica que u1 = −S. La segunda transformación
de Householder se aplica a la matriz A1 , donde P2 se construye
aplicando el corolario con el vector X, igual a la segunda columna de la
matriz A1 . En forma general, P2 es

1 0 0 0 … 0
0 1 0 0 … 0
0 p33 p34 p3n
P = 0
1
0 0 p43 p44
⋮ ⋮ ⋮
[0 0 pn3 pnn ]

El bloque de identidad de 2*2 en la parte superior izquierda garantiza

que la tridiagonalización lograda en el paso anterior no se altere por la
siguiente transformación, A2 = P2 A1 P2.
La matriz resultante tiene la forma siguiente:

a11 u1 0 0 ⋯ 0
u1 z1 u2 0 … 0
u2 z2 w34 w3n
A1 = P1 AP1 = 0 w43 w43
0 0
⋮ ⋮ ⋱
[ 0 0 wn3 wnn ]

La (n-2) transformación de Householder se aplica a la matriz An−3 con el

vector X igual a la (n-2) columna de la matriz An−3. En forma general,
Pn−2 es.

1 0 0 0 … 0
0 1 0 0 … 0
0 ⋱ ⋮
Pn−2 = 0 0
0 0 1
⋮ ⋮ pn−1,n−1 pn−1,n
[0 0 … pn,n−1 pn,n ]
0

El bloque de identidad de (n-2)*(n-2) en la parte superior izquierda

garantiza que la tridiagonalización lograda en el paso anterior no se
altere por la siguiente transformación, An−2 = Pn−2 An−3 Pn−2 . La matriz
tridiagonal resultante tiene la forma siguiente.

a11 u1 0 0 ⋯ 0
u1 z1 u2 0 … 0
u2 z2 ⋱ ⋮
An−2 = Pn−2 An−3 Pn−2 = 0 ⋱ un−2 0
0 0 ⋱ ⋱
⋮ ⋮ ⋱ un−2 zn−2 wn−1,n
[ 0 0 ⋯ 0 wn,n−1 wn,n ]

El vector W k se forma de la siguiente manera

Valores y vectores propios

Métodos Numéricos IC-343

T I
, [W k ] = ( 0 … 0 (xk+1 + S) xk+2 ⋯ xn )
R
Donde

K es el número de transformación
n

S = sign(xk+1 )√ ∑ (xj )2
j=k+1

R = √2 ∗ S ∗ (xk+1 + S)

2.3.1 EJEMPLO DE APLICACIÓN USANDO EL MÉTODO DE

HOUSEHOLDER
8 2 5 2 7 2
2 5 4 7 2 8
A= 5 4 7 3 5 4
2 7 3 3 7 9
7 2 5 7 4 1
[2 8 4 9 1 9]

Se calcula la primera matriz de transformación donde k=1

[X1 ]T = ( 8 2 5 2 7 2)

S = (1)√22 + 52 + 22 + 72 + 22

R = √2 ∗ 9.2736 ∗ (2 + 9.2736) = 14.4601

0 0
2 + 9.2736 0.7796
1
W1 = 5 = 0.3458
14.4601 2 0.1383
7 0.4841
[ 2 ] [ 0.1383]

1 0 0 0 0 0
0 −0.2157 −0.5392 −0.2157 −0.7548 −0.2157
1
P = I − 2W 1 [W1 ]T
= 0 −0.5392 0.7609 −0.0957 −0.3348 −0.0957
0 −0.2157 −0.0957 0.9617 −0.1339 −0.0383
0 −0.7548 −0.3348 −0.1339 0.5313 −0.1339
[0 −0.2157 −0.0957 −0.0383 −0.1339 0.9617 ]

8 −9.2736 0 0 0 0
−9.2736 17.2209 1.2562 −6.5282 7.7757 −4.0481
A1 = P1 AP1 = 0 1.2562 2.1622 −4483 2.4924 −2.7918
0 −6.5282 −4.4483 −2.1846 −1.7215 4.0780
0 7.7757 2.4924 −1.7215 6.4608 −6.8024
[ 0 −4.0481 −2.7918 4.0780 −6.8024 4.3406 ]

Se calcula la primera matriz de transformación donde k=2

Valores y vectores propios

Métodos Numéricos IC-343

[X 2 ]T = ( −9.2736 17.2209 1.2562 −6.5282 7.7757 −4.0481 )

S = (1)√1.25622 + 17.22092 + 1.25622 + −4.04812 = 11.0020

R = √2 ∗ 11.002 ∗ (1.2562 + 11.002) = 16.4234

0 0
0 0
2
1 1.2562 + 11.0020 0.7464
W = =
16.4234 −6.5282 −0.3975
7.7757 0.4735
[ −4.0481 ] [ −0.2465]

1 0 0 0 0 0
0 1 0 0 0 0
2
P = I − 2W 2 [W 2 ]T
= 0 0 −0.1142 0.5934 −0.7068 0.3679
0 0 0.5934 0.6840 0.3764 −0.1960
0 0 −0.7068 0.3764 0.5517 0.2334
[0 0 0.3679 −0.1960 0.2334 0.8785 ]

8 −9.2736 0 0 0 0
−9.2736 17.2209 −11.002 0 0 0
2 2 1 2
A =P A P = 0 −11.0020 11.0757 −6.9921 2.2504 3.6115
0 0 −6.9921 −2.0032 −0.1950 −0.0597
0 0 2.2504 −0.1950 2.5672 −0.7935
[ 0 0 3.6115 −0.0597 −0.7935 −0.8607]

Se calcula la tercera matriz de transformación donde k=3

[X 3 ]T = ( 0 −11.0020 11.0757 −6.9921 2.2504 3.6115 )

S = (−1)√(−6.9921)2 + 2.25042 + 3.61152 = −8.1851

R = √2 ∗ −8.1851 ∗ (−6.9921 − 8.1651) = 15.7625

0 0
0 0
3
1 0 0
W = =
15.7625 −6.9921 − 8.1851 −0.9629
2.2504 0.1428
[ 3.6115 ] [−0.2291]

1 0 0 0 0 0
0 1 0 0 0 0
P 3 = I − 2W 3 [W 3 ]T = 0 0 1 0 0 0
0 0 0 −0.8542 0.2749 0.4412
0 0 0 0.3764 0.9592 −1.1304
[0 0 0 0.4412 −0.0654 0.8950 ]

Valores y vectores propios

Métodos Numéricos IC-343

8 −9.2736 0 0 0 0
−9.2736 17.2209 −11.002 0 0 0
3 3 2 3
A =P A P = 0 −11.0020 11.0757 8.1851 0 0
0 0 8.1851 −1.4912 0.9853 0.1961
0 0 0 0.9853 2.2059 −1.1304
[ 0 0 0 0.1961 −1.1304 −1.0114]

Se calcula la tercera matriz de transformación donde k=4=n-2

[X 4 ]T = ( 0 0 8.1851 −1.4912 0.9853 0.1961 )

S = (1)√(0.9853)2 + 0.19612 = 1.0046

R = √2 ∗ 1.0046 ∗ (0.9853 + 1.0046) = 1.9995

0 0
0 0
3
1 0 0
W = =
1.9995 0 0
0.9853 + 1.0046 0.9952
[ 0.1961 ] [0.0981]

1 0 0 0 0 0
0 1 0 0 0 0
4
P = I − 2W 4 [W 4 ]T
= 0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 −0.9808 −0.1952
[0 0 0 0 −0.1952 0.9808 ]

8 −9.2736 0 0 0 0
−9.2736 17.2209 −11.002 0 0 0
4 4 3 4
A =P A P = 0 −11.0020 11.0757 8.1851 0 0
0 0 8.1851 −1.4912 −1.0046 0
0 0 0 −1.0046 1.6505 1.6602
[ 0 0 0 0 1.6602 −04560]

De esta forma se llega a una matriz tridiagonal simétrica, la cual es

similar a la matriz original.

En Matlab

Valores y vectores propios

Métodos Numéricos IC-343

2.4. MÉTODO MULTIPLICACIÓN SUCESIVA POR 𝒀𝑲

Los métodos iterativos son más adecuados para problemas en los que
se necesitan encontrar sólo una o dos raíces, aunque hay forma de
extender estos métodos para encontrar cualquier cantidad de raíces.
Aquí se supone que lodos los valores propios son distintos. Por tanto los
vectores propios son linealmente independientes. Así un vector arbitrario
se puede expresar en la forma
n
Y   a r X ( r ) .................................................(8.64)
r 1

Para encontrar el valor propio más grande y su correspondiente vector

propio) se multiplica un vector arbitrario y(0) sucesivamente, por la matriz
A. En general, la secuencia de vectores y(k) va a converger al vector
propio, y la proporción de elementos sucesivos va a converger al valor
propio. Por ejemplo, si se deja que Á. sea e valor propio más grande x(l)
su vector propio correspondiente, entonces

Valores y vectores propios

Métodos Numéricos IC-343

n
Y ( k )  A ( k )Y ( 0)  A ( k )  a r ik X ( r ) .............................(8.65)
r 1

Así ,
 k
 2  2   (n) 
k

  a1 X  a 2   X  ...   n
k 1
 X ...........(8.66)
 1   1
i
  

k
 r 
El valor de   (r  0) tiende a cero cuando k tiende a ∞ y así todos
 1 
los términos son despreciables, excepto el primero de ellos. Entonces,
y(k) tiende aun escalar múltiplo de x(l) y la relación de un elemento y(k+1)
para el elemento correspondiente y(k) tiende a , cuando se incrementa
k.
Se puede observar que la convergencia será más rápida si el vector
inicial contiene una gran componente de x(1) si las componentes de x(1)
son completamente erróneas, por ejemplo, a,=0, entonces parece que la
secuencia no puede converger al vector propio dominante, sin embargo,
los errores de redondeo normalmente van a producir una componente de
x(1) amplificada que, finalmente, será a dominante.

Si la convergencia se hace lenta con la elección de un vector en

particular, entonces algunas veces se puede hacer un progreso más
satisfactorio eligiendo un vector inicial diferente. La rapidez de la
convergencia se ve claramente afectada por la proporción del módulo de
los dos valores propios más grandes. Cuando esta proporción está cerca
de la unidad) da como resultado una convergencia muy lenta.
El proceso computacional es ligeramente diferente del proceso descrito
anteriormente, ya que el crecimiento ilimitado de y(k) se puede evitar de
la siguiente manera:

1. El vector y(0) se normaliza de acuerdo con el elemento de módulo más

grande.
2. El vector se multiplica por la matriz A.

Valores y vectores propios

Métodos Numéricos IC-343

3. El nuevo vector se normaliza dividiendo cada elemento entre el

elemento de módulo más grande, el cual designamos como qk.
4. El vector y(k) se multiplica repetidamente por la matriz A y se divide
entre el vector q hasta que el valor de qk y qk+1 difieran en un valor
pequeño previamente especificado. El valor de qx da el valor propio más
grande y el vector y(k) el vector propio correspondiente.

2.3.2 EJEMPLO DE APLICACIÓN USANDO EL MÉTODO DE

MULTIPLICACIÓN SUCESIVA POR 𝒀𝒌

Utilizando el método de multiplicación sucesiva, calcular el valor propio

de mayor módulo y su vector propio correspondiente, de la siguiente
matriz:
7 2 3 
A  6 5 4
2 8 9

La expresión a iterar tiene a estructura Y(k+1) = AY(1). Por tanto, si se

tiene un vector inicial cualquiera como [y(0) ]T = [1 4 8], como primera
iteración después de normalizar el vector en forma lineal es decir
dividiendo todo el vector entre el elemento de mayor módulo para hacer
el minero más grande unitario, se tiene
7 2 3 0.1250
Y (1)
 AY (0)
 6 5 4 0.5000
2 8 9  1.000 

En la siguiente tabla se resumen las siguientes iteraciones hasta

encontrar dos soluciones consecutivas con un error de una milésima.

Tabla 8.1 Resultados de aplicar de método de multiplicación sucesiva de

una matriz por un vector para encontrar el valor propio de módulo más
grande y su vector propio.

Valores y vectores propios

Métodos Numéricos IC-343

2.5. MÉTODO DE LA ITERACIÓN DE POTENCIA

Su objetivo es calcular el valor propio de mayor valor absoluto

(dominante) y su sector propio asociado.
1. Parte de un vector inicial x0 de módulo unidad; progresa mediante la
fórmula de recurrencia

yk 1
yk 1  Axk 1 , xk 
yk 1 

2. El vector xi converge al vector propio v1, correspondiente al valor

propio dominante 1 , al que converge yk 1 

La velocidad de convergencia de este algoritmo depende de la
relación a menor valor de ésta, mayor velocidad de convergencia
1 / 2 .

Valores y vectores propios

Métodos Numéricos IC-343

Como se observa el método en MatLab

Valores y vectores propios

Métodos Numéricos IC-343

2.6. MÉTODO DE LA ITERACIÓN MEDIANTE COCIENTE DE

RAYLEIGH

Definición: el cociente de Rayleigh de un vector x que  R es el escalar

xT Ax
r ( x)  T
x x
Dado un vector propio de una matriz A 2 Rn_n, la mejor estimación del
correspondiente valor propio  se puede considerar un problema de
mínimos cuadrados n x1;
x  Ax
xT x 
De sus ecuaciones normales x T x  = x T Ax , la solución es   T
x Ax
El cociente de Rayleigh puede utilizarse como desplazamiento para
acelerar la convergencia de los métodos iterativos que hemos visto.
El algoritmo de la iteración inversa quedaría así.

El cociente de Rayleigh también se puede aplicar a vectores complejos

Haciéndolo
xHA x
xHx
Ejemplo: El método de la iteración de potencia con cociente de Rayleigh
aplicado al problema que manejamos, resulta

Utilizando un punto de partida aleatorio, con el mismo problema y el

último algoritmo, ocurriría lo que sigue.

Valores y vectores propios

Métodos Numéricos IC-343

En MATLAB:

Valores y vectores propios

Métodos Numéricos IC-343

2.7. MÉTODO DE LA ITERACIÓN QR

En primer consideraremos el caso en que la matriz A es simétrica. En esta situación, el

método de factorización QR consiste en transformar sucesivamente la matriz A en otra
congruente ortogonal que sea cada vez más próxima a una diagonal aprovechando la
factorización QR de las sucesivas matrices. Para ello, en un primer paso, se realiza la
mencionada factorización

A = Q1 R1

En segundo paso, se construye la matriz

A1  R1Q1  Q1T AQ1

Y así sucesivamente. Para obtener dicha factorización, en primer lugar, se transforma la

matriz A en otra congruente ortogonal que tenga la forma de Hessenberg, mediante
multiplicación a izquierda y derecha por matrices de Householder y, a continuación, se
realizan n − 1 rotaciones de Givens para transformarla en una triangular superior.
El algoritmo se detiene cuando el elemento (Ak)nn−1 es suficientemente pequeño;
entonces el elemento (Ak)nn es un valor propio de A.

Valores y vectores propios

Métodos Numéricos IC-343

ITERACION QR CON DESPLAZAMIENTO

La velocidad de convergencia se puede aumentar si se incorporan los

Desplazamientos:
Rk Qk  Ak 1   k I Qk
Ak  Rk Qk   k I
Donde  k es una aproximación de un valor propio.
 Como desplazamiento se puede tomar el valor del coeficiente ann k 1
de Ak−1, que debería ser una buena aproximación de n
 Si el bloque diagonal 2 × 2 más abajo no es diagonal (lo que indica la
existencia de valores propios complejos), habría que calcular los
valores propios de esa submatriz para aplicar el desplazamiento
correspondiente.
El siguiente programa de Matlab implementa el método de la iteración
QR con desplazamiento para matrices simétricas.

Valores y vectores propios

Métodos Numéricos IC-343

Valores y vectores propios

Métodos Numéricos IC-343

2.8. MÉTODO DE LA ITERACIÓN SILULTÁNEA O DE SUBESPACIO

Para obtener varios valores/vectores propios, apliquemos la iteración de

la potencia a los p vectores linealmente independientes que forman X0;
es decir:

X0=matriz nxp de rango p

For k=1,2,…
Xk=AXk-1
end
la Im (  Ak x1 Ak x2 ... Ak xP  )converge al subespacio invariante de los
vectores propios de A correspondientes a sus p mayores valores
propios: 1 > ... P > P+1 > P2
La velocidad de convergencia es:  (P 1 / P )
Para optimizar prestaciones y conseguir una buena ortogonalidad se usa
la factorización QR de Xk (el método se denomina también de la
iteración ortogonal), orto-normalizando así las columnas de Xk. Se
obtendría una Q como base de Im.(Xk).

X0=matriz nxp de rango p

For k=1,2,…
Xk=AXk-1
end
Las iteraciones convergen a una matriz triangular en bloques de 2X2,
correspondientes estos a un par de valores propios conjugados. Los
bloques son todos triangulares si los módulos de los p mayores valores
propios de A son distintos.

EN MATLAB:

Valores y vectores propios

Métodos Numéricos IC-343

2.9. MÉTODO DE LA ITERACIÓN INVERSA

Si en vez del valor propio de mayor magnitud, se necesita el más

pequeño, se puede hacer uso de la propiedad de que los valores propios
de A-1 son los recíprocos de A.

El esquema iterativo seria el que sigue.

Dado un punto de partida x0

Para resolver el sistema se factor izaría A una sola vez

Ejemplo de aplicación:

Aplicando el método de la iteración inversa al problema que manejamos,

se obtienen los resultados de la tabla.

Converge al valor propio 1 y vector propio [-1,1] T

Valores y vectores propios

Métodos Numéricos IC-343

En MATLAB la iteración sería así.

Valores y vectores propios

Métodos Numéricos IC-343

2.10. MÉTODO DE LA DEFLACIÓN

Idea básica: Calculados un valor y un vector propios mediante la estrategia de la

potencia, los demás se pueden obtener mediante deflación:
Quitando los conocidos y actuando como cuando, una vez conocida una de las raíces, 1,
de un polinomio en, ´este se divide por  − 1, obteniéndose otro de grado n − 1.
Opción a Si H es una matriz regular de Householder, por ej. Tal que Hx = αe1, la
transformación de semejanza que determina H transforma A de la siguiente forma,

Donde B es una matriz de orden n − 1 cuyos valores propios son 2,. . . , n.
Después se trabaja con B para calcular el siguiente valor propio 2,etc.

Valores y vectores propios

Métodos Numéricos IC-343

Ademas, si y2 es un vector propio de B asociado a 2, el vector

Es el vector propio correspondiente a 2 en la matriz original A,

Supuesto 1 2.
Opción b Alternativamente se podría escoger cualquier u1 tal que uT1X1=1 lo que
haría que la matriz A − x1uT1
Tuviese como valores propios 0, 2,. . ., n.

Las dificultades numéricas de esta forma de actuar según avanza el proceso son
importantes.

Un programa en Matlab que implementa esta estrategia es el que sigue.

Valores y vectores propios

Métodos Numéricos IC-343

Valores y vectores propios

Métodos Numéricos IC-343

3 CONCLUSIONES Y OBSERVACIONES

 Si bien no existen métodos que sean numéricamente estables, rápidos y

que calculen todos los auto valores de una matriz A  M nxn , es claro que
tenemos que debemos tener en mente las ventajas y desventajas de
cada uno de los métodos estudiados al momento de aplicarlos.
 El método de la potencia regular tiene el gran inconveniente de que no
podemos saber a priori si una matriz A tiene una valor propio aislado
simple y de máximo valor absoluto.
 El método de la potencia inversa tiene el inconveniente de que no
converge si el mínimo valor propio en valor absoluto es 0, que sería el
caso de las matrices no invertibles.
 Para la iteración QR es difícil comprobar los casos en los que no
converge (que no son demasiado comunes); además, si los valores
propios son próximos entre sí, el método se vuelve lento.
 Aunque la iteración de Jacobi está enfocada a las matrices simétricas,
estas surgen frecuentemente en la práctica (en las ecuaciones en
derivadas parciales, por ejemplo). Además, la transformación de
similiaridad que nos devuelve es útil pues es rígida, al ser ortogonal.

4 BIBLIOGRAFÍA

1. Apuntes de Métodos Numéricos, 2o E.T.S.I. Telecomunicación.

Universidad de Málaga.

2. Reporte de laboratorio, Análisis numérico II, Licenciatura en

Matemáticas Aplicadas. Universidad Tecnológica de la Mixteca de junio
de 2005

3. Escuela Técnica Superior de Ingenieros Industriales. Javier García

de Jalón de la Fuente. Universidad Politécnica de Madrid

4. CHAPRA. Steven C. y Raymond P. Canele, 2007, Métodos numéricos

para ingenieros, México, Mc Graw-Hill.

5. NIEVES, Antonio y Federico C. Domínguez, 2002, Métodos numéricos

aplicados a la ingeniería, México, CECSA

6. CORDERO, Alicia et al., 2006, Problemas resueltos de métodos

numéricos, Madrid, Thomson Learning.

7. BURDEN, Richard L. et al., 2002, Análisis numérico, México, Thomson

Learning.

Valores y vectores propios