In. Co.
Facultad de Ingeniería
Universidad de la República
Versión 1.0 1
Planteo del problema
Propiedades matemáticas
Método de las potencias
Variantes
Transformaciones de semejanza
Givens
Householder
Método QR
Matrices simétricas
Jacobi
Sturm (tri-diagonales)
El problema generalizado
Versión 1.0 2
Definición
Los vectores propios de una matriz A son
vectores v != 0, tal que 𝐴𝐴𝐴𝐴 = 𝜇𝜇𝑣𝑣 donde 𝜇𝜇 es un
escalar llamado valor propio de A.
En otras palabras:
Los vectores propios de A son vectores que no
cambian de dirección al ser transformados por A, sólo
cambian su magnitud o su sentido. El valor propio
asociado a un vector propio controla dicho cambio.
Versión 1.0 3
Definición
vj ≠ 0
Av j = λ j v j → ( A − λ j I )v j = 0 → det( A − λ j I ) = 0
Versión 1.0 4
Propiedades
Versión 1.0 5
Propiedades
λ1 + λ2 + ... + λn = ∑i =1 aii
n
Versión 1.0 6
Propiedades
Versión 1.0 7
Propiedades
Av = λv → Ak v = λk v
Av = λv → ( A + cI )v = (λ + c)v
Dos matrices (A y B) se dicen semejantes si
−1
∃P / A = PBP . Las dos matrices poseen el mismo
polinomio característico. Tienen los mismos valores
propios y sus vectores propios cumplen x A = PxB
Si la matriz es simétrica la matriz P es ortogonal
Versión 1.0 8
Propiedades
Una matriz es diagonizable si es
semejante a una matriz diagonal.
La matriz D está formada por los valores
propios.
La matriz P está compuesta por los
vectores propios como columnas
Versión 1.0 9
Propiedades
Qx, Qy = x, y
Versión 1.0 10
Teorema de Gershgorin
Dada una matriz A, llamamos Ri a la región circular del
j =n
plano complejo con centro en aii y radio ri = ∑a
j =1, j ≠ i
ij
j =n
Ri = z ∈ C : z − aii ≤ ∑ aii
j =1,i ≠ j
i =n
Los valores propios de A están contenidos dentro de R = Ri
i =1
La unión de cualesquiera k de estos círculos que sea
disjunta con los n-k restantes debe contener exactamente k
valores propios.
Versión 1.0 11
Teorema de Gershgorin
Ejemplo: 4 1 1
A = 0 2 1
− 2 0 9
>> eig(A)
ans =
8.48534949329733
4.63182668375403
1.88282382294864
Versión 1.0 12
Resolución de la ecuación
característica
λ1 > λ2 ≥ λ3 ≥ ≥ λn
Versión 1.0 14
Método de las potencias
{x1 , x2 ,....., xn } base de vectores propios
j =n
z0 = α1 x1 + α 2 x2 + .... + α n xn = ∑ α j x j
j =1
z1 = Az0
z1 = Az0 = Aα1 x1 + Aα 2 x2 + .... + Aα n xn =
j =n
α1λ1 x1 + α 2 λ2 x2 + .... + α n λn xn = ∑ α j λ j x j
j =1
Versión 1.0 15
Método de las potencias
j =n
z 2 = A( Az0 ) = A2 z = α1λ12 x1 + α 2 λ22 x2 + .... + α n λ2n xn = ∑ α j λ2j x j
j =1
j =n
z k = A( A z0 ) = A z = α λ x + α λ x + .... + α n λ x = ∑ α j λkj x j
k −1 k k
1 1 1
k
2 2 2
k
n n
j =1
Notese que
λ j =n k
λ j =n k
zk = λ ∑ α j x j = λ1 (α1 x1 + ∑ α j
k k j j
xj)
j =1
1
λ k
1 j =1 λ k
1
Versión 1.0 16
Método de las potencias
Notese que
k
j =n λj
z k = λ (α1 x1 + ∑ α j
k x j ) ≅ λ1kα1 x1
1 λ
j =2 1
Versión 1.0 17
Método de las potencias
z0
z0
y0 =
z0
mientras ! finalizar
zi +1 = Ayi
yit Ayi
σk = t
= y t
i z i +1
yi yi
zi +1
yi +1 =
zi +1
Versión 1.0 18
Método de las potencias
Observaciones:
Versión 1.0 20
Iteración inversa
z0
z0
y0 =
z0
mientras ! finalizar
Azi +1 = yi
σ i = yit zi +1
zi +1
yi +1 =
zi +1
Versión 1.0 21
Iteración inversa
Observaciones:
Versión 1.0 22
Iteración Inversa (con desplazamiento)
z0
z0
y0 =
z0
mientras ! finalizar
( A − λ* I ) zi +1 = yi
σ k = yit zi +1
zi +1
yi +1 =
zi +1
Versión 1.0 23
Deflación
Una vez encontrado el mayor valor propio, para
encontrar los demás se pueden utilizar técnicas
denominadas deflación.
Consisten en hallar otra matriz B que tenga los
mismos valores propios de A, excepto el ya
conocido.
Versión 1.0 24
Deflación
Sea B = A − λ1v1 x t
Versión 1.0 25
Deflación
1. Comprobamos que 0 es valor propio de B
con vector propio v1
=(λ1 − λ1 )v1 = 0
Versión 1.0 26
Deflación
2. Comprobamos que los demás valores
propios de A son valores priopios de B
Versión 1.0 27
Deflación
Sea wi el vector propio asociado al valor propio λi
de AT.
Trasponemos y multiplicamos la ec. original por wi
B wi = A wi − λ1 x v wi
T T T
1
v1 wi = 0 ⇒ B wi = λi wi
T T
Versión 1.0 28
Transformaciones de semejanza
Versión 1.0 31
Factorización QR
Versión 1.0 32
Factorización QR
Si A es una matriz densa general nxn la
factorización QR tiene un costo de O(n3)
operaciones.
R=Q’A A=RQ=Q’AQ
El limite Ak es una matriz triangular superior a bloques. Si es
simétrica es diagonal a bloques
Versión 1.0 35
Iteración QR
Implica calcular una factorización QR en cada
paso.
Si la matriz es densa general el método se vuelve
poco práctico.
Antes de comenzar la iteración se suele reducir A
a una matriz Hessenberg que conserve los valores
propios de A mediante transformaciones de
similitud.
Versión 1.0 36
4 1 1 4 1 1 21.74018588047121
QR 0
-2
22
0
1 0
9 -2
2 1
0 9
20.68461694582636
4 1 1 4 1 1 8.63941921966259
0 2 1 0 2 1 0.00000000000000
-2 0 9 -2 0 14 2.21908728729055
1.71669066674931
Versión 1.0 37
Iteración QR
Con desplazamiento
Qk Rk = Ak −1 − σ k I
Ak = Rk Qk + σ k I
Con σk una aproximación de un valor propio.
Versión 1.0 38
Extensión del método de las potencias
X i +1 = AX i
Versión 1.0 39
Extensión del método de las potencias
Se utiliza la factorización QR para re-ortonormalizar la
matriz que se multiplica por A.
Qi Ri = X i
X i +1 = AQi
Para A simétrica, el algoritmo converge a AQ=QD donde
D es diagonal y contiene los valores propios de A. Por lo
tanto, Q tamién contiene una base ortonormal de
vectores propios.
Versión 1.0 40
Métodos basados en
subespacios de Krylov
El método QR se basa en un conjunto de
columnas ortonormal.
C matriz Hessenberg
Qn Rn = K n
Q AQn = H
H
n
Versión 1.0 42
Iteración de Arnoldi
Qn = [q1 , q2 ,.., qn ]
Esto se puede ir calculando de a una
columna!
Igualamos AQn = Qn H
Esto es costoso
Muy inestable
Versión 1.0 44
Iteración de Arnoldi
Versión 1.0 45
Iteración de Lanczos
H tridiagonal
Versión 1.0 46
Iteración de Lanczos
Versión 1.0 47
Otros
Versión 1.0 48
Método Sturm
Para matrices tridiagonales simétricas
Versión 1.0 49
Método Sturm
Para cualquier número λ dado, se demuestra
que el número de coincidencias de signo entre
dos elementos sucesivos de Di (λ ) es igual al
número de valores propios mayores que λ .
Si encontramos un intervalo [λ1 , λ2 ] en donde
varíe el número de valores propios mayores
podemos localizar el valor propio por ejemplo
con el método de bisección.
Versión 1.0 50
Otro problema
El problema generalizado de valores
propios
Ax = λBx
Versión 1.0 51