Apuntes Metodos Numericos Autovalores y Autovectores

Mtodos Numricos Aplicados a la Ingeniera
II. AUTOVALORES Y
AUTOVECTORES DE UNA
MATRIZ
2.1. Aspectos bsicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales
problemas de mnimos cuadrados
2.5. Mtodo de QR de Francis para

problemas de valores propios.
2.6. Mtodo mixtos evaluacin de la
determinante Iteracin en un subespacio
II. AUTOVALORES Y AUTOVECTORES DE UNA MATRIZ
Autovalores y Autovectores de una Matriz
Pgina 1
2.1. ASPECTOS BSICOS

Para ingresar a los estudios de los valores propios de una matriz
debemos tener cierta familiaridad con matrices y determinantes los
nmeros complejos.
2.1.1. MATRICES, DEFINICIN, INTERPRETACIN

DEFINICIN: Llamaremos matriz a un arreglo rectangular de entes
(nmeros, funciones, etc) ordenados en filas y columnas.
Filas
a11
a
21
a31
a12 Columnas
... a1i ...
a1n
... a2n
a3n
m1 am 2 ami amn mn
a22
a32
... a2i
a3i

2.1.2. ORDEN DE UNA MATRIZ: Se llama as al producto de las filas y

columnas.
3
2
4
5 2 2
3
9
4
8
1
7
0
0
9
5 25
aij m n aij filas columnas
2.1.3. MATRIZ FILA Y MATRIZ COLUMNA

MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que
posee slo una fila y n columnas.
La representamos del siguiente modo: A a11 , a12 , a13 , ..., a1n 1 n
MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a
aquella matriz que posee slo una columna y m filas.
Pgina 2
a11
a
21
La representamos del siguiente modo: A

a m1 mx1
2.1.4. IGUALDAD DE MATRICES: Las matrices A aij ; B bij son

iguales si tienen el mismo orden; es decir el nmero de filas y columnas
de cada una deben de ser iguales y adems cada elemento de una de
ellas tiene que ser igual al correspondiente de la otra.
Su representacin matricial es:
A B aij bij ; i 1,2,..., m j 1,2,3,..., n
El resultado quiere decir que los elementos de las matrices A y C son

diferentes excepto el elemento que est en la segunda fila y primera
columna
2.1.5. PRODUCTO DE UN ESCALAR POR UNA MATRIZ:
a11 a1n
A

a m1 a mn
Ejemplo:
1.
2.
2
5A 5
1
4
10

2
5
20
10
PLANTA1
PLANTA 2
PLANTA3
PLANTA 4
PRODUCTO 1
5600
2330
5400
4580
PRODUCTO 2
2330
4500
4500
2500
PRODUCTO 3
5040
4500
5600
9500
PRODUCTO 4
4580
2500
9500
4600
Esta matriz nos proporciona la cantidad de productos producidos por

una empresa en
cuatro diferentes plantas cuando su produccin
aumenta en diez veces.

Propiedades:
Pgina 3
A (A)
( ) A A A
SUMA DE MATRICES: Dadas las matrices A aij m n y B bij m n ; la

suma de ambas A B es otra matriz C cij m n en la que cada
elemento de C es igual a la suma de los elementos correspondientes
de A y B .
C A B aij bij
(a b) ij
m n
m n
Ejemplo:
8
6
5 6
; B
1
0 2
1.
2.
En una empresa
M1=
3 1
C A B
6 1
PRODUCTO 1
PLANTA1
50
PLANTA 2
20
PLANTA3
50
PLANTA 4
40
PRODUCTO 2
20
40
40
50
PRODUCTO 3
50
50
60
90
PRODUCTO 4
40
25
90
60
M2=
PLANTA1
PLANTA 2
PLANTA 3
PLANTA 4
PRODUCTO 1
50
20
50
40
PRODUCTO 2
10
10
PRODUCTO 3
20
PRODUCTO 4
10
Esta matriz nos proporciona el costo para producir parte de cada uno de
los cuatro productos en cuatro plantas ubicadas en ciudades diferentes
se requiere saber el costo total de cada uno de los productos.
Matriz
de
costo
total
PRODUCTO 1
PLANTA1
100
PLANTA 2
40
PLANTA3
100
PLANTA 4
800
PRODUCTO 2
30
50
44
50
PRODUCTO 3
70
55
66
99
PRODUCTO 4
50
27
99
66
Propiedades:
Pgina 4
1.
A B B A
2.
A ( B C ) ( A B) C
3.
( A B ) A B
4.
A; 0 tal que A 0 A
2.1.6. PRODUCTO DE MATRICES

El producto de las matrices
m p
A. aij
pn
y B bij
es una matriz
mn . El producto de las matrices estar definido correctamente si
C cij
A es conforme con B ;
es decir si el nmero de columnas de la matriz
A es igual al nmero de filas de la matriz B .

m p
p n
A aij
; B bij
m n
C A B cij
Donde el elemento cij es el producto escalar de la fila i de A por la

columna j de B , es decir:
p
cij aik . bkj ; i 1,..., m ; j 1,..., n

k 1
Ejemplo:
1.
1
1
1
C AB
1
2 3
C
2 5
2
; B
0
2 2
.
3 0
; Entonces:
1 1( 2) 2(0) 1( 1) 2( 2)

2 1( 2) 3(0) 1( 1) 3( 2)
Propiedades:
1.
A.B B. A
2.
A.( BC ) ( AB)C
3.
A.( B C ) AB AC
Pgina 5
4.
( B C ) A BA CA
5.
kA.B AkB ; k IR
2.1.7. TIPOS ESPECIALES DE MATRICES:

1.
MATRIZ CUADRADA: Cuando
de orden
m n;
se llama matriz cuadrada
y se denota por A Aij n n .
A2 : Matriz cuadrada de orden 2x2.

A3 : Matriz cuadrada de orden 3x3.
An : Matriz cuadrada de orden nxn.
Ejemplo:
1
1. A3 7
0
5
8
0
6
3
5
2.
2.
A7 2
0
MATRIZ
2
7
78
0
5
0
8
0
6
78
9
0
1
0
1
0
1
5
1
6
1
74
0'
1
9
TRIANGULAR
SUPERIOR:
Llamaremos
triangular superior a aquella matriz cuyos elementos
aij
matriz
son ceros para
i j ; y se representa como:
a11 a12
0 a 22
A 0
0

0
0
a13 ... a1n
a 23 ... a 2n
a33 ... a3n

0
0 a nn
Pgina 6
3.
MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular
inferior a aquella matriz cuyos elementos
aij
son ceros para i j ; y se
representa como:
a11
a 21
...
...
a33
...
a 22
A a31 a32

a
m1 a m 2
4.
0
0
0
0

a m3 a nn
MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella
matriz donde todos sus elementos
aij
son ceros para i j , y se
representa de la siguiente forma:

a11 0
0 a 22
A 0
0

0
0
5.
0
0
...
...
a33 ...

0
0 a nn
MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los
elementos son igual a una constante K ; y se representa de la siguiente

manera:
K
0
A 0
6.
...
K
0
0 ...
K ...

0 0
0
0
MATRIZ IDENTIDAD: Es una matriz escalar con K 1 ; y se
representa de la siguiente manera:

1
0
A 0
0
1
0
0
0
1
...
...
...

0 0 0
0
0
Pgina 7
7.
MATRIZ
TRANSPUESTA:
Dada
una
m n ;
A aij
matriz
llamaremos transpuesta de A denotada por At a la matriz a ji n m

a11
a 21
a12
a13
...
a 22
a 23
...
a1n
a 2n
a11 a 21 a31
a12 a 22 a32
A a31 a32 a33 ... a3n At a13 a 23
m1 a m 2 a m3 ... a mn
a1n a 2n
...
a m1
... a m 2
a33 ... a m3

a3n ... a mn
Ejemplo:
1
At
1. A
3
4
2 4
Propiedades:
1.
It I
2.
A t t A
3.
kA t
4.
AB t
5.
A B t
8.
MATRIZ SIMTRICA:
kAt
B t . At
At B t
Se dice que una matriz cuadrada es
simtrica si se cumple que los elementos
Ejemplo: A 0
2
9.
At 0
aij a ji ; i j ;
es decir A At .
MATRIZ ANTISIMTRICA: Una matriz cuadrada A se llama anti
simtrica si A At
Ejemplo:
1.
A 2
4
At 2
4
2
0
6
6 At 2
4
0
A At
Pgina 8
2.
0
4
0
At
0
4
0
At
0
4
A At
10. MATRIZ HERMITIANAS

Las matrices cuadradas cuyos elementos tienen simetra conjugada se
le llama matriz Hermitianas es decir:
, en donde * indica la
conjugada compleja
Ejemplo:
, en donde
Observemos si todos los elementos de la matriz Hermitiana fueran
reales, entonces tenemos una matriz simtrica.
11.
MATRIZ BANDA
Es una matriz cuadrada en donde la mayor parte de los elementos son

ceros y los elementos con valor significativo estn agrupados alrededor
de su diagonal principal en este caso se llama matriz banda.
Ejemplo:
1
A 0
0
0
2
1
0
0
1
2
1
0
0
1
2
1
0
0
1
1
Obs.
Pgina 9
1.
Las lneas paralelas a la diagonal principal se le llama
codiagonales.
2.
El nmero total de diagonal y codiagonales con elementos
significativos es el ancho de banda (3 en este ejemplo).

3.
Para matrices simtricas puede tambin hablarse de un ancho de
semi banda; que incluye a la diagonal principal (2 en el ejemplo

precedente).
4.
Una matriz banda tiene baja densidad. Considerando densidad
como la razn entre el nmero de elementos con valor significativo y el

nmero total de elementos.
2.1.8 DETERMINANTE DE UNA MATRIZ
Definicin: Determinante de una matriz A denotada por
det( A) A
a11 a12
; entonces det( A) a11.a 22 a 21.a12
Si A
a 21 a 22
Ejemplo:
1
1. A
1 3
det( A) 1(3) 2(1) 3 2 5
2.1.8.1. MENOR COMPLEMENTARIO

Definicin: Llamaremos menor complemento
" M ij "
de un elemento de una matriz A de tercer orden al determinante de una

matriz cuadrada de segundo orden que se obtiene despus de eliminar
la fila i y la columna j ; ( M ij ) .
El menor complementario de
aij
se denota por
M ij .
a11 a12 a13
Ejemplo: A aij 33 a21 a 22 a 23 el menor complementario de:

a
31 a32 a33
a 22 a 23
a
a
32
33
a11 es M 11
a12 a13
a
a
32 33
a 21 es M 21
Pgina 10
2.1.8.2. COFACTOR DE UN ELEMENTO

aij
Sea
un elemento de una matriz A denotaremos cofactor
define como:
Aij
y se
Aij 1 i j M ij
a11 a12 a13
Sea A a 21 a 22 a 23 entonces
a
31 a32 a33
A11 111 M 11 M 11
A12 1 1 2 M 12 M 12
A13 1 1 3 M 13 M 13
A a11 M 11 a12 M 12 a13 M 13
Entonces
Ejemplo:
1 0 0

2 .3
A 1 2 3 det( A) 1 10
0,5
0 0 5

1.
A=[1 0 0;1 2 3;0 0 5]

A=
1
det(A)
ans =
10
2.
B 2
0
3
2
4
1
det( B ) 2 3(1) (4)(2) 5 ( 2)(1) 4(0) 3 ( 2)(2) 3(0)
Por lo tanto det( B ) 2(11) 10 12 44
Pgina 11
B=[2 5 3;-2 3 4;0 -2 1]

B=
2
-2
-2
det(B)
ans =
44
2.1.8.3. Propiedades:
1.
Si se intercambian una fila por una columna en su determinante
su valor no se altera.
a1
a2
a3
a1
b1
c1
Es decir: b1
b2
c2
b3 a 2
c3 a 3
b2
b3
c2
c3
c1
2.
Si todos sus elementos de una fila o columna son ceros el
determinante es cero.
3.
Si se intercambian dos filas o dos columnas continuas el
determinante cambia de signo.

a1
a2
a3
b1
b2
b3
Es decir: b1
b2
c2
b3 a1
c3 c1
a2
c2
a3
c3
c1
4.
Si un determinante tiene dos filas dos columnas iguales o
proporcionales su valor es cero.

a1
a2
a3
Es decir: ka1
ka 2
c2
ka3 0
c3
c1
5.
Todos los elementos de una fila o columna de un determinante se
multiplica por un nmero el valor del determinante queda multiplicado

por el nmero.
ka1
a2
a3
a1
a2
a3
a1
a2
a3
Es decir: kb1
b2
c2
b3 kb1
c3
c1
kb2
c2
kb3 k b1
c3
c1
b2
c2
b3
c3
kc1
Pgina 12
6.
Si todos los elementos de una fila o columna son expresados
como la suma de dos o ms nmeros, el determinante puede expresarse

como la suma de dos o ms determinantes.
a1 x
a2
a3
Es decir: b1 y b2
c1 z
7.
c2
a1
a2
a3
a2
a3
b3 b1
c3
c1
b2
c2
b3 y
c3
z
b2
c2
b3
c3
Si a cada uno de los elementos de una fila o columna se le
multiplica por m y a este resultado se le suma otra fila o columna el valor

del determinante no se altera.
a1
a2
a3
a1 ma 2
a2
a3
Es decir: b1
b2
c2
b3 b1 mb2
c3
c1 mc2
b2
c2
b3
c3
c1
2.1.8.4. Observaciones
La determinante de una matriz triangular es igual al producto de los
elementos de su diagonal principal.
, det(A) = (1)(5)(12)= 60
1
A 0
0
0
2
1
0
0
0
10
1
0
0
0
2
1
0
0
;
0
20
det(A)= (1)(2)(10)(2)(20)=800
Para un producto matricial se cumple que: det(A.B.C)=det(A). det(B).

det(C)
2.1.8.5. MATRIZ DE COFACTORES
Pgina 13
Sea la matriz
a11 a12 a13
A a 21 a22 a 23
a
31 a32 a33
entonces llamamos matriz de
A11
cofactores de la matriz A a la matriz CA A21

A
31
A12
A22
A32
A13
A23 ; donde
A33
Aij 1 i j M ij
Ejemplo: A 3
5
14
CA 4
22
22
22
14
4
14
2.1.8.6. MATRIZ ADJUNTA

Se llama as a la matriz transpuesta de la matriz de cofactores y se
A11
t
denota por adj ( A) CA t , adj ( A) CA A12
A
13
A21
A22
A23
A31
A32
A33
Ejemplo:
1
A 4
7
CA 6
3
12
6
3
adj ( A) 6
3
12
6
3
2.1.8.7. MATRIZ INVERSA.

Supongamos la matriz cuadrada
A tiene det( A) 0 , entonces la
inversa de la matriz A denotada por A 1 es:
Ejemplo: A 4
2
2
5
3
A 1
1
CAt
adj ( A)
A
A
6 A ( 13) 2( 4 12) 3(12 10) 9

1
Pgina 14
13
CA 7
3
8
5
6
13
adj ( A) 8
2
1
3
13
8
6
3
1

9
7
5
1
6
3
Verificando tenemos: AA
1
1
4
9
2
2
5
3
3 13

6 . 8
1 2
5
1
6
3
0
0
1
0
0
1
Una matriz cuadrada tiene inversa si y slo si es una matriz no singular

en este caso se dice que es una matriz invertible.
Propiedades:
1.
AB 1 B 1 A 1
2.
A 1 1 A
3.
A 1 1 A 1
4.
adj ( A) A
5.
n 1
IR
Donde
n es el orden de la matriz A
La inversin de matrices permite efectuar la operacin equivalente
a la divisin del lgebra comn.
6.
Una matriz A se llama ortogonal si AA T=I, en particular si A es una
matriz cuadrada se tiene que A-1 = AT

Ejemplo:
,
21.1.8.8. RANGO DE UNA MATRIZ:
Pgina 15
Se llama rango de una matriz A de orden nxn, al orden de la matriz

cuadrada mas grande contenida en A cuyo determinante es diferente
de cero y se denota r(A) = rango de A.
Debemos resaltar que el r(A) min:{m,n} donde la matriz A en de orden
de mxn.
Para determinar el rango de una matriz se debe de tener en
consideracin que al determinar las matrices cuadradas es suficiente
que una de ellas tenga su determinante diferente de cero.
Ejemplo: Hallar el rango de la siguiente matriz:
1
0
A
6
5
7
8
6
8
9
Solucin
Como la matriz es de orden 4x3, esto quiere decir que r(A) min{4,3} en
otras palabras r(A) 3
Determinamos las matrices de 3x3:
1
0
6
; 0
0
; 6
0
; 6
0
Como no existen ms matrices de orden de 3x3 cuyos determinantes

sean ceros esto quiere decir que el orden de la matriz dada es 3.
Si en caso que sus determinantes fueran ceros entonces se prosigue a
determinar los determinantes de orden 2x2.
Aclaraciones:
- Toda matriz nula tiene como rango cero,
- Si una matriz A es de orden mxn no nula entonces su rango es
mayor que cero y menor igual que
min (m,n)
Pgina 16
- Si la matriz es de orden nxn su rango es mayor que cero y menor o

igual a n;
- Si la matriz es no nula de orden nxn , entonces existe su inversa si
solo si su determinante es diferente cero , en este caso se dice que la
matriz es no singular.
- De la afirmacin anterior tambin se dice que una matriz cuadrada de
orden nxn tiene inversa si y solo si r(A) =n.
- Supongamos dos matrices A y B y que exista AB, entonces r(AB)
min{r(A), r(B)};
- Tambin es necesario resaltar que existe otra manera de calcular el
rango de una matriz y es
usando operaciones elementales o
transformaciones elementales.
2.1.8.9. OPERACIONES O TRANSFORMACIONES ELEMENTALES
Son operaciones con matrices que no alteran su orden ni su rango,
existiendo operaciones elementales por fila o por columnas.
1.
La permutacin de una fila por una columna se denota por H ij,
2.
La permutacin de columna por columna se denota por K ij;
3.
El producto de todos los elementos de la fila i por un escalar a
distinto de cero se representa por Hi(a);

4.
El producto de todos los elementos de una columna J por un
escalar b se denota por Kj(b);

5.
La suma de los elementos de la fila I con los correspondientes
elementos de la fila j multiplicados por un escalar k es representado

por Hij(k);
6.
La suma de los elementos de una columna i,
correspondientes elementos de una columna j
con los
multiplicado por un
escalar p se denota por Kij(p);

7.
Debemos aclarar que a las operaciones de tipo H se les llama
operaciones de tipo fila y a las operaciones de tipo K se les llama

operaciones columna.
2.1.8.10. LONGITUD DE UN VECTOR
Pgina 17
Supongamos x un vector en R 2, su longitud denotado por |x| es definido

como un nmero positivo o cero.
,
En trminos de producto punto
,
Ejemplo: sea
determinar su norma
Solucin
=7.0711
Debemos tener en consideracin que el campo de los nmeros reales R

tiene el defecto de que un polinomio de grado n con coeficientes reales
no necesariamente tiene n ceros reales.
Por ejemplo
carece de ceros reales, este defecto se
supera extendiendo el campo de tal manera que contenga al elemento i,

elemento que se caracteriza por la ecuacin
, que es el campo
C de los nmeros complejos en donde sus elementos tienen la forma:

x=a+bi , en donde a, b son reales.
Su conjugado, norma, o modulo, se le define:
;,
,
Pgina 18
Observe que:
1.
2.
El campo de los complejos ya no tiene la anomala de los reales,
es mas tenemos el teorema fundamental del algebra, que establece que

todo polinomio no constante
con coeficientes complejos
tiene al
menos un cero en el plano complejo.

3.
La afirmacin anterior permite afirmar que todo polinomio de
grado n
se puede descomponer
como un producto
de n factores
lineales.
ANGULO ENTRE VECTORES
El coseno entre dos vectores es dado por
,
Ejemplo
Sean los vectores
, entonces el
ngulo entre ellos es:
PERPENDICULARIDAD DE VECTORES
Dos vectores son ortogonales si el coseno entre ellos es cero es decir si
solo si
,
Ejemplo
Sean los vectores x=(2,3,3,4), y =(4,-3,7,-5) son ortogonales pues:
Pgina 19
X*y=2*4+3(-3)+3*7+4(-5)=0
2.1.9. ESPACIO VECTORIAL Cn
Cn, esta compuesto de todos los vectores
El espacio vectorial
en donde los
complejo x es multiplicado por
, Si al vector
tambin complejo el resultado es otro
vector complejo as:

,
En consecuencia Cn, es un espacio vectorial sobre el campo de C. En

consecuencia en este espacio Cn. El producto interno se define:
,
2.1.10. NORMA DE VECTORES

La norma Euclidiana se define:
,
Podemos observar que,
1.
2.
,
,
3.
Consideremos A una matriz con elementos complejos, y A * denota su

conjugada transpuesta es decir
matriz de nx1 (o vector columna), entonces
en particular, si x es una
, es una matriz de
1xn o vector fila,
Pgina 20
,
En general podemos definir norma de un vector x
Como casos particulares tenemos la norma Euclidiana cuando p=2
Mximo valor absoluto
Propiedades
1.
,
,
2.
3.
Estas propiedades son familiares en relacin a la norma Euclidiana o

longitud de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma
consistente con la definicin de norma de un vector:
, (x
La norma de
),
es
donde
es el mximo valor
caracterstico de At.A. Tambin
Pgina 21
Estas normas definidas satisfacen
2.1.10. VALOR PROPIO DE UN MATRIZ A

Ahora consideremos A una matriz de orden nxn
pueden ser complejos y sea
cuyos elementos
un escalar (numero complejo). Si la
ecuacin
..................................................................................................(1)
Tiene una solucin no trivial es decir
entonces , es un valor
propio de A . Un vector x distinto de cero que satisface la ecuacin (1) es

un vector propio de A correspondiente al valor propio .
Ejemplo: Consideremos la Ecuacin siguiente
Esta ecuacin nos afirma que -2 es un valor propio de matriz 3x3 y que
(1,3,-4)T, es un vector propio correspondiente.
Observemos que cualquier mltiplo distinto de cero de un vector propio
es tambin un vector propio correspondiente al mismo valor propio.
La condicin de que la ecuacin (1) tenga una solucin no trivial es
equivalente a cada una de las siguientes afirmaciones:
Pgina 22
1.
, mapea algn vector distinto de cero en 0,......................
(2).
2.
, es singular,.............................................................(3)
3.
),........................................................................(4)
2.1.11. ECUACIN CARACTERSTICA DE LA MATRIZ A

Debemos decir que podemos resolver la relacin (4) para las incgnitas
, y de esta manera determinamos los valores propios de A. Resaltando
que a esta relacin se le conoce como ecuacin caracterstica de la
matriz A . Nosotros podemos escribir esta ecuacin mas detalladamente
as:
a11
a
21

det
a i1

an1
a12
a22
ai 2
an2
a13
a23
ai 3
a n3
...
...
...
...
a1 j
a2 j
aij
anj
...
...
...
...
a1n 0
a 2 n 0
0

ain 0
0

ann
La funcin determinante se define como una suma de trminos que son

productos de elementos de la matriz.
Pgina 23
2.1.12. POLINOMIO CARACTERSTICO DE A,

Podemos observar que la ecuacin (4) tiene la forma de un polinomio de
grado n en la variable , a esto se le llama polinomio caracterstico de
A, de lo cual podemos decir que una matriz de nxn tiene exactamente n
valores propios, siempre y cuando se cuenten con las multiplicidades
que tienen como races de la ecuacin caracterstica.
Si x es un autovector
circunstancias
asociado con el autovalor
en estas
, es decir la matriz A transforma el vector x en
un mltiplo escalar de si mismo. Cuando
, es un numero real mayor
que uno, A tiene el efecto de alargar x en un factor de

, A disminuye a x en un factor de , cuando
y cuando
, los efectos
son similares pero en direccin contraria.

,
x
A
x
A
x
A
x
A
x
Ejemplo
Sea la matriz
, calcular los autovalores de A
Los autovalores de A son
Pgina 24
Un auto vector de A asociado con
es una solucin
, as que
de
, por lo tanto
esto quiere decir que cualquier valor no nulo de x 1, produce un

autovector para el autovalor
, por ejemplo x1=1 tenemos el
autovector
De manera anloga un auto vector de A asociado con
es una
solucin
, por lo
tanto
de
, as que
, esto quiere decir que cualquier valor no nulo de x 1,
produce un autovector para el autovalor
, por ejemplo x1=1
tenemos el autovector
Ejemplo
Dada la matriz A determinar,

1.
Su ecuacin caracterstica y sus races
Siendo sus races
, esto lustra el hecho de que
los valores propios de una matriz real no son necesariamente nmeros

reales. Debemos decir que la metodologa anterior es la directa y es la
mejor cuando se trata de matrices pequeas.
Pgina 25
2.1.13. RADIO ESPECTRAL DE UNA MATRIZ
Radio espectral
de una matriz A se define as:

en donde
es un autovalor de A
Ejemplo: Consideremos la matriz
sus autovalores son,
entonces
El radio espectral se encuentra estrechamente vinculada con la norma

de una matriz.
Para la norma
matricial
2.2.
, para cualquier norma subordinada.
INDEPENDENCIA LINEAL
Diremos que los vectores no nulos
son linealmente
independientes si el nico conjunto de nmeros reales

que
, es
que los vectores son dependientes.
Ejemplo
Dados los vectores:
dependientes
de
tal
, en caso contrario se dir
, son linealmente
pues existen (1) y (2) tal que:
Pgina 26
Si
es un conjunto Linealmente Independiente de n
vectores en Rn, entonces para cada vector x en R n, existe un nico

conjunto de nmero reales
, tal que
,
, en este caso se dice que es una base de Rn.
Ejemplo:
Sean los vectores
nmeros
.Si los
son tales que
,
Entonces
,
de
esta
manera
tenemos que,
,
Pues la nica solucin al sistema es
entonces el conjunto
, es Linealmente independiente en R 3, y por lo tanto es una

base de R3. Entonces cualquier vector en R3, puede escribirse de la
siguiente manera:
,.
2.2.2. INDEPENDENCIA LINEAL DE AUTOVECTORES

Si A es una matriz y
son autovalores distintos de A con
autovectores correspondientes
, entonces
, es linealmente independiente.
Un conjunto de vectores
es ortogonal
si
Pgina 27
Si,
dems
entonces el conjunto es ortogonal.

Como
es
un
conjunto
ortogonal
de
, es ortogonal si, solo si,
vectores
, para cada
i=1,2,...,n.
2.2.3. INDEPENDENCIA LINEAL DE VECTORES ORTOGONALES

Un conjunto ortogonal de vectores que no contenga el vector cero es
linealmente independiente.
Ejemplo: El conjunto de vectores,
,
forman
un
conjunto ortogonal, pues para estos vectores tenemos que:
.
Este conjunto forman un conjunto ortogonal por heredar la ortogonalidad
de
, y adems
Pgina 28
Diremos que una matriz Q de dimensiones nxn es una matriz ortogonal

si
, debemos aclarar que esta terminologa provienen del
hecho de que las columnas de una matriz ortogonal forman un conjunto
ortogonal.
Ejemplo. Considerando el ejemplo anterior la matriz ortogonal ser:
,
Observemos que: Q*Qt=I
Adems se tiene que,
2.2.4. AUTOVALORES
SEMEJANTES
AUTOVECTORES
DE
MATRICES
Se dice que dos matrices A y B de dimensiones nxn son semejantes si

existe una matriz P tal que A=P -1BP. Dos matrices semejantes tienen los
mismos autovectores.
Supongamos que las matrices A y B son semejantes de orden nxn, y que
es un autovalor de A con un autovector asociado x. En estas
condiciones diremos que
es un autovalor de B y adems si A=P -1BP.,
entonces Px es un autovector de B asociado a

Obsrvese que la determinacin de los autovalores de una matriz
triangular de orden nxn es relativamente sencilla, pues en este caso
es la solucin de la ecuacin
Pgina 29
, si solo si
para
algn i .
2.2.5. TEOREMA DE SCHUR Y GERSHGORIN
Diremos que dos matrices A y B son semejantes entre si cuando existe
una matriz no singular P tal que
este concepto es importante
por que permite establecer que dos matrices que representan una
misma transformacin lineal con respecto a dos bases distintas, son
semejantes entre si.
Teorema 1. Todas las matrices semejantes tienen los mismos valores
propios
Pues supongamos que A y B son dos matrices semejantes esto es
,
Veremos que A y B tienen el mismo polinomio caracterstico
,
,
,
,
Obsrvese:
Que se a considerado que el determinante del producto de dos

matrices es el producto de sus determinantes, y el determinante de la
inversa de una matriz es el reciproco de su determinante.
El teorema anterior sugiere una manera para determinar los

valores propios de A. es decir convertir la matriz A en una matriz B por
medio de una transformacin de semejanza
y calcule los
valores propios de B. Si B es mas simple que A, el calculo de sus valores
propios es mas fcil. En el caso de que B sea triangular los valores
propios de B y de A son los elementos de la diagonal de B, es as como
medito SCHUR , segn el siempre ser posible al menos tericamente
Pgina 30
Una matriz U ser untara si UU * =I, en donde U*, es la conjugada
transpuesta de U es decir
TEOREMA DE SCHUR.
Sea A una matriz de orden nxn cualquiera, entonces existe una matriz U
ortogonal tal que T=U-1AU, donde T es triangular superior cuyos
elementos diagonales son los autovalores de la matriz A.
Debemos manifestar que el teorema de Schur garantiza que la

matriz triangular existe, pero su prueba no proporciona la construccin
de T.
En otras palabras SCHUR afirmo que toda matriz cuadrada es

unitariamente semejante a una matriz triangular.
Corolario 1: toda matriz cuadrada es semejante una matriz triangular.
Corolario 2. Toda matriz Hermitiana es semejante unitariamente a una
matriz diagonal.
Pues si A es Hermitiana, entonces A=A *, y sea U una matriz untara tal
que UAU*, es triangular superior. En este caso (UAU *)*, es triangular
inferior, pero, (UAU*)*= U** A* U*= UAU*, De esta manera la matriz UAU *
es triangular superior e inferior en consecuencia se trata de una matriz
diagonal.
Ejemplo
LOCALIZACIN DE LOS VALORES PROPIOS

TEOREMA DE GERSHGORIN
Sea A una matriz nxn y denotemos por R i, el crculo del plano complejo
con centro en aii y radio
, es decir
Pgina 31
En donde C denota el conjunto de los nmeros complejos. Entonces los

autovalores de la matriz A estn contenidos en
, es ms, si la
unin de estos k crculos no se cortan con los dems n-k crculos

entonces dicha unin contiene precisamente k autovalores contando las
multiplicidades.
Ejemplo
Sea la matriz
Los crculos del teorema de Gershgorin son:
Como los R1 y R2 son disjuntos de R3, existen dos autovalores en

y uno con R3
Pgina 32
Eje
Imaginario
1
7
2
8
3
9
4
10
5
6
11
Eje
Real
2.3. FACTORIZACIONES ORTOGONALES

MNIMOS CUADRADOS
Y PROBLEMAS DE
En tems anteriores ya se ya se conceptualizo un espacio complejo C n,

En este espacio el producto
nos permite definir el concepto de
ortogonalidad, es decir dos vectores x, y son ortogonales si
, lo
que podemos generalizarlo considerando un conjunto
en
Cn, diremos que los vectores vi y vj, son ortogonales si
Si
, en este caso se dice que el conjunto de los vectores es
ortonormal
Ejemplo.
Determinar si los vectores son ortogonales x1 =[10,10] y . x2 =[-2,2]
Pues
Sin embargo si tenemos x1 =[10,10] y . x2 =[2,-2.0003], son casi

ortogonales lo que induce al estudio de criterios de Ortagonalizacion.
2.3.1. MTODO DE ORTAGONALIZACION DE GRAM SCHMIDT

Consideremos dos vectores x 1 , y x2 en el plano XY linealmente
Independientes, a partir de estos vectores construyamos los vectores e 1
y e2, ortogonales.
Supongamos x1= e1, y e1 como componente de e
perpendicular a x 1,
Pgina 33
en consecuencia
X2
, grficamente es
X2
e
2
E1
X1=e1
En donde debemos de encontrar
de tal manera que
es
decir:
,
Consecuentemente se tiene que
,
De esta manera e2 se encuentra en funcin de x 1 y x2, y sean
ortogonalizado dichos vectores.
Ejemplo.
Ortogonalizar x1 =[4,6]t y . x2 =[8,0]t
Hacemos
Primero: consideramos el primer vector
,
Segundo: determinamos
4
3
Tercero: determinamos el segundo
vector ortogonal.
2 --
Grficamente
1 -1
1
5
2
6
-2
-Autovalores y Autovectores de una Matriz
-3
Pgina 34
-4
-
Para un conjunto de
n vectores
Linealmente
Independientes de n componentes. A partir de ellos se puede construir

un conjunto de
ortogonal de la siguiente manera.
Primero: consideramos el primer vector

,
Segundo:
,
Tercero:
,
Ejemplo. Ver Antonio Nieves y Federico Domnguez

Afirmacin 1. Una sucesin de vectores
ortogonales
genera una base ortogonal del espacio generado por

para
Cuando el proceso de Ortagonalizacion de Gram-Schmidt, se aplica a
Pgina 35
las columnas de una matriz, se puede interpretar el resultado como una

factorizacin matricial.
Pues los productos internos que aparecen en el calculo se guarda en
una matriz que ser uno de los factores.
Aplicamos el proceso a las columnas A1, A2, ...,An de una matriz A de
mxn y finalmente se llega despus de n pasos a una matriz B de mxn
cuyas columnas forman un conjunto de ortogonal.
2.3.2. PROBLEMA DE LOS MNIMOS CUADRADOS

El problema de los mnimos cuadrados para sistemas de ecuaciones
lineales es justamente una aplicacin de las factorizaciones ortogonales.
Consideremos un sistema de m ecuaciones con n incgnitas, es decir
Ax=b
En este sistema de ecuaciones A es una matriz de mxn, x es de nx1, y b
es de mx1.
Vamos a considerar que el rango de A es n de donde
Por lo general el sistema no tiene solucin, como consecuencia de que

b no pertenece al espacio Cm, de dimensin n. generado por las
columnas de A .
En consecuencia generalmente se quiere encontrar una x que minimice
la norma del vector residual b-Ax. La solucin en mnimos cuadrados
del sistema planteado es el vector x que hace de
, un mnimo
el cual x ser nico segn el supuesto del rango de A.
LEMA: Si x es tal que A*(Ax-b)=0 entonces x es una solucin del

problema de mnimos cuadrados1.
Si suponemos que A se a factorizado de la forma A= BT, la solucin en
mnimos cuadrados del sistema Ax=b ser la solucin exacta del
sistema nxn Tx=(B*B )-1 B*b. el cual se verifica usando el lema anterior
A*Ax=(BT)*BTx=T* B*BTx = T* B*B(B*B )-1 B*b=T*B*b=A*b
Ver demostracion en Analisis numeric de David Kincaid; Ward Cheney
Pgina 36
La matriz (B*B )-1es un matriz diagonal
, esta diagonal
es calculado por el algoritmo modificado de Gram-Schmidt cuyo

algoritmo evita el calculo de races cuadradas 2.
Otra manera de abordar el problema de mnimos cuadrados asociado
al sistema Ax=b es utilizar directamente el lema citado de esta manera
, ser un mnimo si A* (Ax-b)=0.
Suponiendo que la matriz A de mxn es de rango n entonces A *A es una
matriz de nxn no singular y solo existe una solucin de mnimos
cuadrados que se determina resolviendo un sistema no singular de nxn
llamado sistema de ecuaciones normales.
A* Ax=A* b
En donde la matriz A* A es Hermitiana y definida positiva en
consecuencia se utiliza la factorizacin de Cholesky para solucionar el
sistema normal. Si A tiene rango menor que n el sistema ser
consistente pero puede tener muchas soluciones.
FACTORIZACIN QR DE HOUSEHOLDER
En uno de los mtodos mas tiles para factorizar ortogonalmente. La
idea es factorizar una matriz A de orden mxn como un producto
A=QR
En donde Q es una matriz unitaria de mxm y R una matriz triangular
superior de mxn, vale destacar que el algoritmo de factorizacin produce
Q*A=R
Construyndose Q* paso a paso como un producto de matrices untaras
que tiene la forma de,
Esto se le conoce con el nombre de transformaciones de Householder

Primero, determinamos el vector
con la caracterstica que
l-vv *,
sea untara de tal manera que (I-vv * )A inicie con tener la forma de R es
decir una matriz triangular superior de orden mxm es decir su primera
2
Ver David Kincaid Ward Cheney pag. 254
Pgina 37
columna debe de tener la forma
, y denotamos la primera
columna de A con A1,

Queremos que
, esto se realiza como sigue:
Primero, elegimos un nmero complejo
, sea
real.
Segundo, hacer
En donde
Obsrvese que aqu se admite dos valores para
, en este caso
nosotros elegimos la que permita realizar menos cancelaciones

calcular el valor de v es decir,
al
,
Los siguientes pasos son similares al primero, pues despus de k pasos
se habra conseguido multiplicar por la izquierda por k matrices untaras,
obteniendo de esta manera lo siguiente,
,
En donde
J : es una matriz triangular superior de KxK
0: es la matriz nula de (m-k)xk
H: es una matriz de kx(n-k)
W: es una matriz (m-k)x(n-k)
Se afirma que existe un vector
tal que I-W*, es una matriz
unitaria de orden m-k con la caracterstica de que (I-W *) tiene ceros por
debajo del elemento en su primera columna, esto es, .
Pgina 38
,
En esta relacin
, es una matriz unitaria y lo denotamos por U k+1, y el proceso
termina cuando la columna (n-1) sima de R queda en la forma
apropiada y consecuentemente tenemos, Q * A = R, en donde Q* denota
el producto de todas las matrices unitarias que se han usado como
factores dado que Q es una matriz unitaria, A=QR .
Observemos que
Q*= Qn-1Qn-2....Q1 en este caso
siendo
, se puede observar que Uk es Hermitiana

consecuentemente tenemos
,
Ejemplo.
Sea la matriz
Paso I
Primero: Calculamos , como
, pues A1es real
,
Segundo, hacer
Pgina 39
,
En este caso el primero factor unitario
Tercero. Calculamos U1A
Paso II
Primero: Calculamos ,
,
Segundo, hacer
,
Pgina 40
Tercero. Calculamos U2 U1A
Paso III
Primero: Calculamos ,
,
Segundo,
,
,
En este caso la matriz triangular superior es
Pgina 41
Tercero. Calculamos Q* U3 U2 U1A
Luego A=QR
Encuentre la solucin en minemos cuadrados del sistema

,
Encuentre la factorizacin QR de la matrz

,
2.3.
DESCOMPOSICION DE LOS VALORES SINGULARES Y

SEUDOINVERSAS
La descomposicin en valores singulares es otra manera de factorizar matrices

que tiene una diversidad de aplicaciones en el mundo real.
Se afirma que toda matriz compleja A de orden mxn se puede factorizar en la
forma
Pgina 42
A=PDQ
En donde
P= es una matriz de orden mxm
D= es una matriz de orden mxn
Q= es una matriz de orden nxn.
Ejemplo.
Se tiene que
De esta manera
Podemos considerar
Entonces A=PDQ
Pgina 43

Apuntes Metodos Numericos Autovalores y Autovectores

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apuntes Metodos Numericos Autovalores y Autovectores

Diunggah oleh

Hak Cipta:

Format Tersedia

Mtodos Numricos Aplicados a la Ingeniera

2.5. Mtodo de QR de Francis para

II. AUTOVALORES Y AUTOVECTORES DE UNA MATRIZ

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

2.1. ASPECTOS BSICOS

2.1.1. MATRICES, DEFINICIN, INTERPRETACIN

2.1.2. ORDEN DE UNA MATRIZ: Se llama as al producto de las filas y

aij m n aij filas columnas

2.1.3. MATRIZ FILA Y MATRIZ COLUMNA

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

2.1.4. IGUALDAD DE MATRICES: Las matrices A aij ; B bij son

El resultado quiere decir que los elementos de las matrices A y C son

Esta matriz nos proporciona la cantidad de productos producidos por

cuatro diferentes plantas cuando su produccin

aumenta en diez veces.

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

SUMA DE MATRICES: Dadas las matrices A aij m n y B bij m n ; la

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

2.1.6. PRODUCTO DE MATRICES

mn . El producto de las matrices estar definido correctamente si

es decir si el nmero de columnas de la matriz

A es igual al nmero de filas de la matriz B .

Donde el elemento cij es el producto escalar de la fila i de A por la

cij aik . bkj ; i 1,..., m ; j 1,..., n

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

2.1.7. TIPOS ESPECIALES DE MATRICES:

MATRIZ CUADRADA: Cuando

se llama matriz cuadrada

y se denota por A Aij n n .

A2 : Matriz cuadrada de orden 2x2.

triangular superior a aquella matriz cuyos elementos

son ceros para

a13 ... a1n

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular

inferior a aquella matriz cuyos elementos

son ceros para i j ; y se

MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella

matriz donde todos sus elementos

son ceros para i j , y se

representa de la siguiente forma:

MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los

elementos son igual a una constante K ; y se representa de la siguiente

MATRIZ IDENTIDAD: Es una matriz escalar con K 1 ; y se

representa de la siguiente manera:

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

llamaremos transpuesta de A denotada por At a la matriz a ji n m

A a31 a32 a33 ... a3n At a13 a 23

Se dice que una matriz cuadrada es

simtrica si se cumple que los elementos

MATRIZ ANTISIMTRICA: Una matriz cuadrada A se llama anti

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera

10. MATRIZ HERMITIANAS

Es una matriz cuadrada en donde la mayor parte de los elementos son

Autovalores y Autovectores de una Matriz

Mtodos Numricos Aplicados a la Ingeniera