You are on page 1of 60

UNIVERSIDAD CENTRAL DEL

ECUADOR
FACULTAD DE INGENIERÍA QUÍMICA
ANÁLISIS NUMÉRICO

INTEGRANTES:

DARÍO BASTIDAS
ERIKA CATOTA
BELLA GAONA
NAIMES MIÑO
BRYAN ROCHA

QUITO-ECUADOR
 REPASO :

En el caso de un sistema homogéneo 𝐴𝑋 = 0 , si


det(𝐴) ≠ 0, entonces la única solución es la solución
trivial X = 0. Por el contrario si det A = 0, entonces
existen soluciones no triviales de AX = 0.
Vamos a determinar las soluciones no triviales del
sistema homogéneo
𝑋1 + 2𝑋2 − 𝑋3 = 0
2𝑋1 + 𝑋2 + 𝑋3 = 0
5𝑋1 + 4𝑋2 + 𝑋3 = 0
Eliminamos 𝑋1 usando el método de Gauss
𝑋1 + 2𝑋2 − 𝑋3 = 0
−3 𝑋2 + 3𝑋3 = 0
−6𝑋2 + 6𝑋3 = 0
Dado que la tercera ecuación es múltiplo de la
segunda, el sistema se reduce a dos ecuaciones
con tres incógnitas
𝑋1 +𝑋2 =0
− 𝑋2 + 𝑋3 = 0
Usamos a una de las incógnitas como parámetro,
tomando a
𝑋3 = 𝑡
Entonces 𝑋2 = 𝑡
𝑋1 = −𝑡

Por tanto, la solución puede expresarse como el


conjunto de relaciones:

−𝑡 −1
𝑋= 𝑡 =𝑡 1
𝑡 1
Se dice que los vectores 𝑈1 , 𝑈2 , ..., 𝑈𝑛 son linealmente
independientes si la igualdad:

𝑐1 𝑈1 + 𝑐2 𝑈2 +. . . +𝑐𝑛 𝑈𝑛 = 0

implica que 𝑐1 = 0, 𝑐2 = 0, . . ., 𝑐𝑛 = 0.

Si los vectores no son linealmente independiente,


entonces se dice que son linealmente dependientes.
Supongamos que 𝑆 = 𝑈1 , 𝑈2 , . . , 𝑈𝑚 es un conjunto de
𝑚 vectores en el espacio euclídeo n-dimensional 𝑅𝑛 . Se
dice que el conjunto 𝑆 es una base de 𝑅𝑛 si para cada
vector 𝑋 de 𝑅𝑛 existe un único conjunto de escales
𝑐1 , 𝑐2 , … , 𝑐𝑚 tales que 𝑋 puede expresarse como la
combinación lineal

𝑋 = 𝑐1 𝑈1 + 𝑐2 𝑈2 +. . . +𝑐𝑚 𝑈𝑚
 Sea 𝐴 una matriz cuadrada de dimensión 𝑛 x 𝑛 y sea 𝑋 un
vector de dimensión 𝑛. El producto 𝑌 = 𝐴𝑋 puede verse
como una transformación del espacio n-dimensional en sí
mismo y nos planteamos la búsqueda de escalares λ para
los que exista un vector no nulo 𝑋 tal que
𝐴𝑋 = λ𝑋
Cuando esto ocurre, se dice que 𝑋 es un autovector correspondiente al
autovalor λ, y juntos forman un “autopar” (λ, 𝑋) de 𝐴.

La matriz identidad 𝐼 puede usarse para expresar la ecuación anterior


como 𝐴𝑋 = λ𝐼𝑋, que a su vez, puede escribirse
𝐴 − λ𝐼 𝑋 = 0
 Este sistema lineal tiene soluciones no triviales si, y
sólo si, la matriz 𝐴 − λ𝐼 es singular, es decir,
𝑑𝑒𝑡 𝐴 − λ𝐼 = 0
Este determinante puede escribirse como

Y al desarrollarlo, se forma un polinomio de grado 𝑛 que se


llama polinomio característico de la matriz:
𝑝 λ = 𝑑𝑒𝑡 𝐴 − λ𝐼
𝑝 𝜆 = −1 𝑛 (𝜆𝑛 + 𝑐1 𝜆𝑛−1 + 𝑐2 𝜆𝑛−2 + ⋯ + 𝑐𝑛−1 𝜆 + 𝑐𝑛

Y todo polinomio de grado 𝑛 tiene exactamente 𝑛 raíces.


Sea 𝐴 una matriz real de orden 𝑛 x 𝑛, entonces
sus 𝑛 autovalores 𝜆1 , 𝜆2 , . . . . . , 𝜆𝑛 son las raíces,
reales o complejas, de su polinomio
característico
𝑝 λ = 𝑑𝑒𝑡 𝐴 − λ𝐼
Si λ es un autovalor de 𝐴 y el vector no nulo 𝑉
verifica

𝐴𝑉 = λ𝑉

Entonces se dice que 𝑉 es un autovector de 𝐴


correspondiente al autovalor λ, lo que también
expresaremos diciendo que ( λ, 𝑉 ) es una pareja
autovalor-autovector de 𝐴.
Este método nos ayuda a calcular la pareja Autovalor-
Autovector dominante

Método de Potencias Inversas: Ayuda a calcular un autovalor


para el que se dispone de una buena aproximación lineal.

Si 𝜆1 es un autovalor de A que, en valor


absoluto , es mayor que cualquier otro
autovalor, entonces se dice que es un
AUTOVALOR DOMINANTE, y sus
autovectores correspondientes se llaman
AUTOVECTORES DOMINANTES
Un autovector V está normalizado cuando su
coordenada de mayor tamaño es igual a 1

Para normalizar un autovector 𝑉1 ; 𝑉2 ; … . . ; 𝑉𝑛 ′ , basta construir el


nuevo vector
1
𝑉= 𝑉1 ; 𝑉2 ; … . . ; 𝑉𝑛 ′ , donde 𝑐 = 𝑉𝑗 𝑦 |𝑉𝑗 |= max |𝑉𝑖 |: 1 ≤ 𝑖 ≤ 𝑛
𝐶

Supongamos que la matriz A tiene un autovalor dominante


λ y que hay un único (salvo el signo) autovector real
normalizado V correspondiente a λ. Este par autovalor-
autovector (λ,V) puede encontrarse mediante el siguiente
procedimiento iterativo conocido como el MÉTODO DE
LAS POTENCIAS.
1. Empezando con el Vector 𝑋0 = 1 1 1 … … . . 1 ′
2. Generamos una sucesión 𝑋𝑘 de acuerdo con el siguiente Esquema:

𝑌𝑘 = 𝐴 ∗ 𝑋𝑘
1
𝑋𝑘+1 = ∗𝑌
𝑐𝑘+1 𝑘

Donde 𝑐𝑘+1 es la coordenada de 𝑌𝑘 de mayor tamaño ( en caso de empate, se


toma la que aparezca en primer lugar). Las sucesiones 𝑋𝑘 y 𝑐𝑘 convergen
respectivamente a V y λ.

Usar el método de las potencias para determinar el


EJEMPLO :
autovalor y autovector dominante de la siguiente matriz
Empezamos con 𝑋0 = 1 1 1 ′ y usamos la siguiente fórmula:
𝑌𝑘 = 𝐴 ∗ 𝑋𝑘

A 𝑋0 𝑌0

C Es el autovalor y X
es el autovector
Ahora utilizamos la siguiente fórmula dominante
1 𝑌0 normalizado
𝑋𝑘+1 = ∗ 𝑌𝑘
𝑐𝑘+1
El resultado de la segunda iteración es:

A 𝑋1 𝑌1 𝑐2 𝑋2

El proceso iterativo produce una sucesión 𝑋𝑘 (donde 𝑋𝑘 es


un vector normalizado

La sucesión de autovectores converge a V=[2/3 3/5 1]’ y la


sucesión de escalares converge en λ=4.
Supongamos que una matriz A es de orden n x n tiene n autovalores
distintos 𝜆1 , 𝜆2 , … … … . . , 𝜆𝑛 ordenados en tamaño decreciente.

|𝜆1 |≥|𝜆2 |≥|𝜆3 |≥………… ≥ |𝜆𝑛 |

Sí 𝑋0 se escoge adecuadamente, entonces las sucesiones ቄ𝑋𝑘 =

𝑌𝑘 = 𝐴 ∗ 𝑋𝑘
1
𝑋𝑘+1 = ∗𝑌
𝑐𝑘+1 𝑘
(𝑘) (𝑘) 𝑘
Donde: 𝑐𝑘+1 = 𝑥𝑗 y 𝑥𝑗 = 𝑚𝑎𝑥 𝑥𝑖 : 1 ≤ 𝑖 ≤ 𝑛 , convergen,
respectivamente, al autovector dominante 𝑉1 y al autovalor dominante
𝜆1 . Es decir:
: Puesto que A tiene n autovalores distintos , existen n
autovectores normalizados correspondientes 𝑉𝑗 , para j=1,2,……,n, que son
linealmente independientes y forman una base de ℝ𝑛 . Por lo tanto, el vector
inicial 𝑋0 puede expresarse como una combinación lineal

𝑋0 = 𝑏1 ∗ 𝑉1 + 𝑏2 ∗ 𝑉2 + ⋯ + 𝑏𝑛 ∗ 𝑉𝑛

Supongamos que elegimos 𝑋0 = [𝑥1 𝑥2 … … 𝑥𝑛 ]′ de manera que b≠0.


Supongamos también que 𝑋0 esta normalizado; o sea, 𝑚𝑎𝑥 𝑥𝑗 : 1 ≤ 𝑗 ≤ 𝑛 =
𝑛
1. Como 𝑉𝑗 son autovectores de A, el producto 𝐴 ∗ 𝑋0 y la normalización
𝑗=1
que se realiza a continuación producen:
1
Ahora tomando en cuenta la siguiente fórmula 𝑋𝑘+1 = ∗ 𝑌𝑘
𝑐𝑘+1

Después de k iteraciones obtenemos:


y:

|𝜆𝑗 |
Como hemos supuesto que < 1 para cada j=2,3,….,n, tenemos:
|𝜆1 |

Por lo tanto se deduce que:

Como tenemos que tanto 𝑋𝑘 como 𝑉1 son vectores normalizados de


manera que sus componentes de mayor tamaño deben ser ambas
iguales a 1, esto implica que la sucesión de escalares que multiplica a
𝑉1 en el miembro derecho de la relación debe converger a 1; es decir:

Ec. 1
En consecuencia, la sucesión de vectores 𝑋𝑘 converge al autovector
dominante:

Reemplazando k por k-1 en los términos de la sucesión dada en la Ec. 1


, obtenemos:

Ec. 2

Dividiendo la Ec. 1 con la Ec. 2 , se tiene:

Por consiguiente, la sucesión de constantes 𝑐𝑘 converge al autovalor


dominante
La velocidad de convergencia de 𝑋𝑘 𝑎 𝑉1 depende de los términos (𝜆2ൗ𝜆1)𝑘 y por
tanto, el orden de convergencia es lineal. De manera similar, se puede observarse
que la convergencia de la sucesión de constantes 𝑐𝑘 a 𝜆1 también es lineal.

Sabemos que el método Δ2 de Aitken puede usarse con cualquier sucesión


linealmente convergente 𝑝𝑘 para formar una nueva sucesión que converge más
rápido.

Ec. 3

Aplicando este método logramos acelerar la convergencia de 𝑋𝑘 y 𝑐𝑘 .

Usar el método de Aitken para acelerar la convergencia y obtener el


EJEMPLO : autovalor y autovector dominante de la siguiente matriz
Los valores fueron obtenidos aplicando la Ec. 3 a la tabla vista
anteriormente.
Para aplicar este método es necesario disponer de una buena aproximación
lineal a un autovalor y lo que se consigue es obtener un resultado más
preciso en comparación con el método de las potencias.

Este método se basa en los siguientes teoremas:

AUTOVALORES TRANSLADADOS: Supongamos


TEOREMA que (λ,X) es una pareja autovalor-autovector de una
1 matriz A. Si α es una constante cualquiera, entonces (λ -
α, V) es una pareja autovalor-autovector de la matriz
A- α*I
AUTOVALORES INVERSOS: Supongamos que
TEOREMA (λ,X) es una pareja autovalor-autovector de una matriz
2 invertible A. Entonces (1/ λ, V) es una pareja autovalor-
autovector de la matriz A^(-1)
Supongamos que (λ,X) es una pareja autovalor-
TEOREMA autovector de la matriz A. Si α no es un autovalor de A,
3 entonces (1/(λ- α) ,V) es una pareja autovalor-autovector
de la matriz (A- α*I)^(-1)

Supongamos que una matriz A de orden n x n posee n autovalores


distintos 𝜆1 , 𝜆2 , … … … . . , 𝜆𝑛 y fijemos uno de estos autovalores 𝜆𝑗 .
Entonces existe una constante α tal que 𝑢1 = 1/(𝜆1 − 𝛼) es el autovalor
dominante de la matriz (𝐴 − 𝛼𝐼)−1 . Es más , si 𝑋0 se escoge
𝑘 𝑘 𝑘
adecuadamente, entonces las sucesiones 𝑋𝑘 = [𝑥1 𝑥2 … . 𝑥𝑛 ]′ y 𝑐𝑘
generadas recursivamente por las fórmulas:
𝑌𝑘 = (𝐴 − 𝛼𝐼)−1 ∗ 𝑋𝑘
1
𝑋𝑘+1 = ∗𝑌
𝑐𝑘+1 𝑘

(𝑘) (𝑘) 𝑘
Donde: 𝑐𝑘+1 = 𝑥𝑗 y 𝑥𝑗 = 𝑚𝑎𝑥 𝑥𝑖 :1 ≤ 𝑖 ≤ 𝑛
Convergen a la pareja autovalor-autovector dominante (𝑢1 , 𝑉𝑗 ) de la
matriz (𝐴 − 𝛼𝐼)−1 . Finalmente, el autovalor de A que hemos fijado viene
dado por:

Supongamos, sin perder generalidad, que 𝜆1 < 𝜆2 <


⋯ < 𝜆𝑛 . Tomemos una constante α (α≠𝜆𝑗 ) que esté más cerca de 𝜆𝑗 que
de cualquiera de los otros autovalores; o sea:

(1)

De acuerdo con el Teorema 3 , (1/(λ- α) ,V) es un par autovalor-


autovector de la matriz (𝐴 − 𝛼𝐼)−1 .
Las relaciones dadas en (1) implican que
Para cada i≠j de manera que 𝑢1 = 1/(𝜆𝑗 − 𝛼) es el autovalor dominante de la
matriz (𝐴 − 𝛼𝐼)−1 . El método de las potencias inversas con translación consiste,
entonces, en la aplicación del método de las potencias para determinar una pareja
(𝑢1 , 𝑉𝑗 ). Finalmente la relación proporciona el autovalor de
A que queríamos calcular
Ver como funciona el método de las potencias inversas con
EJEMPLO : translación para calcular la pareja autovalor-autovector de la
matriz

Para ello, usaremos que los autovalores de esta matriz A son: 𝜆1 = 4, 𝜆2 = 2 y 𝜆3 =


1 y elegimos un valor de 𝛼 y un vector de partida adecuados en cada caso.

CASO 1. Para el autovalor 𝜆1 = 4, elegimos 𝛼 = 4.2 y el vector inicial 𝑋0 =


1 1 1 ′ . En primer lugar calculamos la matriz (𝐴 − 4.2𝐼)1 y la solución del
sistema.
Obteniendo el vector Yo=[ -9.545454545 -14.09090909 -23.1818181818]’.
Entonces 𝑐1 = −23.1818181818 y 𝑋1 =[0.4117647059 0.6078431373 1]’. El método
iterativo genera los valores y vectores que se muestran en la siguiente Tabla.

La sucesión 𝑐𝑘 converge a 𝑢1 = −5 que es el autovalor dominante de


2 3
(𝐴 − 4.2𝐼)−1 , y la sucesión 𝑋𝑘 converge a 𝑉1 = [5 5 1]’ .
El autovalor 𝜆1 de A viene dada por:

1 1
𝜆1 = +𝛼 = + 4.2 = 𝟒
𝑢1 −5

CASO 2. Para el autovalor 𝜆2 = 2, elegimos 𝛼 = 2.1 y el vector inicial


𝑋0 = 1 1 1 ′ . En primer lugar calculamos la matriz (𝐴 − 2.1𝐼)1 y la
solución del sistema.

Obteniendo el vector Yo=[11.05263158 21.57894737 42.63157895]’.


Entonces 𝑐1 = 42.63157895 y 𝑋1 =[0.2592592593 0.5061728395 1]’.
El método iterativo genera los valores y vectores que se muestran en la
siguiente Tabla.
La sucesión 𝑐𝑘 converge a 𝑢1 = −10 que es el autovalor dominante
1 1
de (𝐴 − 2.1𝐼)−1 , y la sucesión 𝑋𝑘 converge a 𝑉1 = [ 1]’ .
4 5

El autovalor 𝜆2 de A viene dada por:


1 1
𝜆2 = +𝛼 = + 2.1 = 𝟐
−10 −10

CASO 3. Para el autovalor 𝜆3 = 1, elegimos 𝛼 = 0.875 y el vector


inicial 𝑋0 = 0 1 1 ′ . Los valores que se obtienen en la iteración se
muestran en la siguiente tabla:
Empezamos con una revisión geométrica sobre los
cambios de coordenadas.
Sea X un vector en el espacio n-dimensional y
consideramos la aplicación lineal
Y=RX
(donde R es una matriz de orden n*n)

En esta expresión todos los


términos de R que están fuera de
la diagonal son cero salvo los dos
que valen (+ o -)sen o y todos los
términos de la diagonal son 1
excepto los dos que valen cos o.
Tenemos entonces que esta aplicación lineal es
una rotación del ángulo o en el plano coordenado
XpOXq. Eligiendo adecuadamente el ángulo o ,
podemos conseguir Yp=0 o bien que Yq=0 en
vector imagen. La transformación inversa
X=R^-1Y es una rotación de ángulo –o en el
mismo plano coordenado XpOXq. Observemos
también que R es una matriz ortogonal es decir,
Consideremos el problema de autovalores

(1)

Supongamos que K es una matriz invertible y


definamos B mediante
(2)

Multiplicamos por a la derecha de la


relación (2) y obtenemos:

(3)
Hacemos el cambio de variable (4)
Que al sustituirlo en (3) produce el problema de autovalores
(5)

Comparando los problemas (1) y (5) vemos que conserva el


autovalor ƛ y que, aunque los autovalores son diferentes,
están relacionados por el cambio de variable (4).
Supongamos que R es ortogonal ( )

(6)
Multiplicando por a la derecha de la relación (6)
obtenemos
(7)

Hacemos ahora el cambio de variable


(8)

Que al sustituirlo en (7) produce el problema de


autovalores.
(9)
Como los autovalores (1) y(9) son los mismos.
Podemos mencionar:
El cambio de variable (8) es mas fácil de deshacer ya
que
Además suponemos que la matriz A es simétrica ( es
decir A=A´). Entonces tenemos:

Así q C es también una matriz simétrica.


En consecuencia si A es una matriz simétrica y R es
una ortogonal, entonces la transformación de A a C,
conserva la simetría y los autovalores y la relación
entre los autovectores viene dada por el cambio de
variable .
Tenemos una matriz simétrica A , construimos
una sucesión de matrices ortogonales: R1,R2,…

(11)

Construir la sucesión de manera que

(12)

El proceso se detiene cuando los elementos que están


fuera de la diagonal son suficientemente pequeños.

(13)
Siendo
Si definimos
entonces

Si expresamos las columnas de R como vectores


X1,X2,….Xn
Entonces expresamos R como un vector fila de
vectores columna

Esto nos permite la relación columna a columna.


El objetivo en
De las dos anteriores
cada paso de
expresiones deducimos Xj EL PASO Jacobi es reducir
que es la j-ésima columna de
R, es una aproximación del GENERAL a cero dos de los
términos
autovector correspondiente
simétricos que
al autovalor ƛj
están fuera de la
Vamos a usar la matriz ortogonal R1, de manera diagonal, los que
que en la matriz ocupan la
posición (p,q)
y(q,p)
Los elementos sean cero, y donde R1 es de la
forma
Esta matriz es la
matriz de rotación
plana en la cual
hemos usado al
notación c=coso y
s=seno.
Consideremos la multiplicación de A por R1, o
sea, el producto B=AR1

Solo se alteran las columnas p-ésima y q-ésima:


En consecuencia la transformación :

Los elementos de la matriz D1,que no son iguales que


los correspondientes de A se calculan mediante las
formulas.

Y los demás se hallan por simetría.


Como hacer iguales a
cero

El objetivo de cada paso de Jacobi es


reducir a cero los elementos dpq y dqp que
están fuera de la diagonal.

Para calcular este ángulo se debe realizar


algunas identidades trigonométricas.
Calcular la cotangente del ángulo doble
tenemos:

Usamos la ecuación:
Ordenando los términos nos queda

Y podemos calcular Ɵ:

Usamos la ecuación de tan:

Dividiendo el numerador y el
denominador ente C^2 una vez hallado t, los valores c y
s se calculan usando las
fórmulas.

Nos da la ecuación:
Cada paso del método de Jacobi produce dos ceros
fuera de la diagonal, pero en las siguientes iteraciones
estos ceros podrían desaparecer, así que es necesario
realizar muchas iteraciones para conseguir que todos
los elementos fuera de la diagonal sean
suficientemente pequeños.
Desarrollaremos un método que produce varios ceros
fuera de la diagonal en cada iteración , ceros que
permanecen a lo largo de iteraciones sucesivas.
 Si los vectores X e Y tienen la misma norma ,
entonces existe una matriz ortogonal y simétrica
P tal que :
Y=PX

P=I-2WW’

 Puesto que P es ortogonal y simétrica se tiene


que
 El vector W definido anteriormente es le vector
unitario en la dirección X-Y por lo tanto
 W’W=1
 Y=X+cW
 Supongamos que A es una matriz simétrica de orden n x n.
entonces un sucesión de n – 2 transformaciones de
semejanza de la forma PAP, donde las matrices P son de
Householder, permite reducir A a una matriz simétrica y
tridiagonal que tiene los mismos autovalores. La primera
trasnofrmación es de la forma P1AP1.
 P1 es la matriz que se construye aplicando el Corolario 11,3
donde la primera columna de la matriz A en el papel del
vector X.
 Donde la letra p representa los elementos no
necesariamente iguales de P1 por lo tanto la
trasformación no altera el valor del primer elemento
de la matriz A

 El elemento denotado por u1 ha cambiado como


resultado de multiplicar por P1 a la izquierda y el
valor denotado como v1 ha cambiado como resultado
de la multiplicación por la derecha. Puesto que A1 es
simétrica tenemos que u1 = v1. los elementos
denotados por w se ven alterados como resultado de
las dos multiplicaciones.
 Además como X es la primera columna de A ,
u1 es -S
 La segunda transformación de Householder se aplica a la
matriz A1 , se denota por P2AP2 e donde P2 se construye
tomando como vector X la segunda columna de la matriz
A1 obteniendo:

 La matriz identidad de orden 2x2 que parece en la esquina


superior izquierda asegura que los ceros ya conseguidos en
el primer paso no se verán afectados por a segunda
trasformación
 La tercera trasformación de Householder P3A2P3 se aplica la
matriz A2 aplicando el corolario, se toma como vector X a la
tercera columna de A2

 De nuevo la matriz identidad de 3 x 3 asegura la


transformación P3A2P3 no altere los elementos que ya se han
hecho cero, obteniendo:
 Si P=I-2WW’ es una matriz de Householder, entonces
la trasformación PAP puede obtenerse de la siguiente
manera
V=AW
c= W’V
Q=V –Cw
Entonces PAP = a-2WQ’-2QW’
 Se puede calcular la factorización QR de una matriz
cualquiera A mediante matriz de Householder. El
procedimiento es similar al dela reducción a la forma
tridiagonal. Suponiendo que tenemos la matriz A
donde * representa a los elementos de A.
 Sea X la primera columna de A. Podemos encontrar una
matriz de Householder P1 de manera que todas las
componentes del vector P1X desde la segunda hasta la última
fila son iguales a cero.

 De forma similar , se repite el proceso n-1 para obtener la


siguiente expresión: