Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
17-Mayo-2011 1/22
Enfoque General
17-Mayo-2011 2/22
Enfoque General
∀λ ∈ σ ( A ) λ ≤ A
n
A = max Az , A ∈ R n×n , z ∈ R n con z = 1
x 1 = ∑ xi , x ∈ R n
z =1
i =1
x ∞
= max xi , x ∈ R n n
1≤i ≤ n
A 1 = max ∑ ai , j
1≤ j ≤ n
i =1
n
A ∞
= max ∑ ai , j
1≤i ≤ n
i =1
17-Mayo-2011 6/22
Localización de Autovalores
Teorema de Gerschgorin
{ }
n
ri = ∑ ai , j , 1 ≤ i ≤ n Z i = z ∈ C tal que z − ai ,i ≤ ri
j =1
j ≠i
Entonces:
1) Para todo autovalor existe un círculo Zi que lo contiene
2) Existe al menos un autovalor en cada círculo. Si m círculos
forman un conjunto del plano, disjunto de los demás, existen m
autovalores en ese conjunto del plano.
17-Mayo-2011 7/22
Localización de Autovalores
Teorema de Gerschgorin
Demostración parte 1) dado un autovalor λ y su autovector x,
consideremos su componente k-esima caracterizada por ser la
mayor en valor absoluto. Entonces
(λ − a ) x = ∑ a
n n
Ax=λ x ∑ a k , j x j = λ xk
j =1
k ,k k
j =1
k, j xj
j≠k
n
λ − ak ,k xk ≤ ∑ ak , j x j ≤ rk xk
λ ∈ Zk λ − ak ,k ≤ rk j =1
j≠k
17-Mayo-2011 8/22
Localización de Autovalores
Teorema de Gerschgorin
Aplicación – Plano Complejo para una Matriz General
Z1
Im
Z6
λ1
λ6
Z7
Z2 Z3
λ7 λ2 λ Re
3
Z4 Z5
λ4 λ
5
17-Mayo-2011 9/22
Localización de Autovalores
Teorema de Gerschgorin
Aplicación – Recta Real, para una Matriz Simétrica/Hermítica
Z7 Im
Z6 Z1 Z2 Z3
Z4 Z5 Re
λ7 λ6 λ4 λ1 λ2 λ3 λ5
17-Mayo-2011 10/22
Localización de Autovalores
Secuencia de Givens para Matriz Tridiagonal
Calculemos polinomio característico para la matriz tridiagonal A:
⎡α1 β1 ⎤
⎢β α β2 ⎥
⎢ 1 2 ⎥ Desarrollando det(A-xI) por la
⎢ β2 O O ⎥ última fila - contribución cofactor
A=⎢ ⎥
⎢ O α n−2 β n−2 ⎥ de coeficiente (αn-x):
⎢ β n−2 α n −1 β n −1 ⎥
⎢ ⎥
⎢⎣ β n −1 α n ⎥⎦
⎡α1 − x β1 ⎤
⎢ β α − x β ⎥
⎢ 1 2 2 ⎥
⎢ β2 O O ⎥
(α n − x ) pn−1 (x ) (α n − x ) det ⎢
O α − x β
⎥
⎢ n−2 n−2 ⎥
⎢ β n−2 α n −1 − x β n −1 ⎥
⎢ ⎥
⎣⎢ β n −1 α n − x ⎥⎦
17-Mayo-2011 11/22
Localización de Autovalores
Secuencia de Givens para Matriz Tridiagonal
Calculemos polinomio característico para la matriz tridiagonal A:
⎡α1 β1 ⎤
⎢β α β2 ⎥
⎢ 1 2 ⎥ Desarrollando det(A-xI) por la
⎢ β2 O O ⎥
A=⎢ ⎥ última fila - contribución cofactor
⎢ O α n−2 β n−2 ⎥
⎢
de coeficiente βn-1:
β n−2 α n −1 β n −1 ⎥
⎢ ⎥
⎢⎣ β n −1 α n ⎥⎦
⎡α1 − x β1 ⎤
⎢ β α − x β ⎥
⎢ 1 2 2 ⎥
⎢ β2 O O ⎥
− β n2−1 pn − 2 ( x ) − β n −1 det ⎢ ⎥
⎢ O α n−2 − x β n−2 ⎥
⎢ β n−2 α n −1 − x β n −1 ⎥
⎢ ⎥
⎣⎢ β n −1 α n − x ⎥⎦
17-Mayo-2011 12/22
Localización de Autovalores
Secuencia de Givens para Matriz Tridiagonal
Luego,
pn ( x ) = − β n2−1 pn − 2 ( x ) + (α n − x ) pn −1 ( x )
p0 ( x ) = 1
p1 ( x ) = α1 − x
pk (x ) = (α k − x ) pk −1 (x ) − β k2−1 pk − 2 (x ) ∀k ≥ 2
17-Mayo-2011 13/22
Localización de Autovalores
Secuencia de Givens para Matriz Tridiagonal
17-Mayo-2011 14/22
Localización de Autovalores
Secuencia de Givens para Matriz Tridiagonal
Ejemplo ⎡2 1 ⎤ p0 ( x ) = 1
⎢1 4 1 ⎥ p1 ( x ) = 2 − x
n=4 ⎢ ⎥
A=⎢ 1 O O ⎥ p2 ( x ) = (4 − x ) p1 ( x ) −1
⎢ ⎥
⎢ O 4 1 ⎥ p3 ( x ) = (4 − x ) p2 ( x ) − p1 ( x )
⎢⎣ 1 2⎥⎦ p4 ( x ) = (2 − x ) p3 (x ) − p2 (x )
t = , p0 (t ) = +1, p1 (t ) = + , p2 (t ) = + , p3 (t ) = + , p4 (t ) = −
3 1 1 1 3
2 2 4 8 16
17-Mayo-2011 15/22
Localización de Autovalores
Herramientas de SCILAB
» A=[2 1 0 0; 1 4 1 0; 0 1 4 1; 0 0 1 2] %Definimos la matriz
A =
2 1 0 0
1 4 1 0
0 1 4 1
0 0 1 2
» roots(poly(A)) %Calculamos autovalores
ans =
5.30277563773202
3.61803398874985
1.69722436226805
1.38196601125008
» [v,l]=eig(A) %Calculamos autovectores (columnas) y autovalores
v =
-0.67676626214998 -0.60150095500755 -0.37174803446018 0.2049083366179
0.20490833661796 0.37174803446018 -0.60150095500755 0.67676626214998
0.20490833661796 -0.37174803446018 0.60150095500755 0.67676626214998
-0.67676626214998 0.60150095500755 0.37174803446018 0.20490833661796
l =
1.69722436226801 0 0 0
0 1.38196601125011 0 0
0 0 3.61803398874989 0
0 0 0 5.30277563773199
17-Mayo-2011 16/22
Mayor Autovalor en Módulo
Potencia Iterada
Si |λ1| < |λ2| ≤ |λ3| … ≤ |λn|, partiendo de un vector arbitrario
z(0) con componente no nula en la dirección del autovector
v1, definimos
z ( k ) → v1
k →∞
w (k +1) = A z (k ) ( k +1)
wj
w ( k +1) Entonces (k ) → λ1
z (k +1) = (k +1) zj k →∞
w
w (k ) → λ1
k →∞
17-Mayo-2011 17/22
Mayor Autovalor en Módulo
Potencia Iterada
Demostración: veamos el primer punto, del que se deducen
facilmente los otros dos. Como z(0) tiene componente no nula en la
dirección del autovector v1, entonces en la base de autovectores
n n n
∑ i i ∑ i i ∑ i i vi
n
(0 )
z (0 ) = ∑ α i v i , con α1 ≠ 0 =A α = α = α λ k
A z
k k
v A v k
i =1 i =1 i =1 i =1
⎛ n
α ⎛ λ ⎞
k
⎞
A z = α1λ1 v1 + ∑ ⎜⎜ ⎟⎟ v i ⎟
k (0 ) k⎜ i i
⎜ i = 2 α1 ⎝ λ1 ⎠
⎟
⎝ ⎠
⎛ k
⎞
α1λ1 ⎜ v + α i ⎜ λi ⎟ v ⎟
⎛ ⎞
k n
1
(k ) A k z (0 ) z (k ) =
⎜ ∑ ⎜λ ⎟ i⎟
z = k (0 ) α1λ1k α ⎛λ ⎞
k 1
α 1 ⎝ 1⎠ ⎠
v1 + ∑ i ⎜⎜ i ⎟⎟ v i ⎝
n i = 2
A z
i = 2 α1 ⎝ λ1 ⎠
17-Mayo-2011 18/22
Mayor Autovalor en Módulo
Potencia Iterada
Puede utilizarse cualquier norma vectorial. En particular, muchas veces
se utiliza la norma L∞, que permite el ahorro de cálculos – aunque no de
desiciones lógicas - al sólo elegir el máximo elemento en valor absoluto.
17-Mayo-2011 19/22
Iteración Inversa
Se trata de hacer matriz iterada con (A-ρI)-1, con ρ próximo a
un autovalor dado λj (real).
En la iteración k-esima se tendrá:
n n n
(A − ρI ) −k
z (0 )
= (A − ρI )
−k
∑ α v = ∑ α (A − ρI )
i i i
−k
v i = ∑ α i (λi − ρ ) v i
−k
i =1 i =1 i =1
se hace (A − λI ) w (k +1) = z (k )
y se resuelve para w(k+1)
17-Mayo-2011 20/22
Referencias
Análisis Numérico; Richard L. Burden, J. Douglas Faires; Thomson
Learning (2002); septima edición; ISBN: 970-686-134-3
Numerical Recipes in FORTRAN 90: The Art of Scientific Computing;
William H. Press, Saul A. Teukolsky, William T. Vetterling, Brian P.
Flannery; Cambridge University Press (1999), Second Edition, ISBN-
10:0-521-43064-X
A First Course in Numerical Analysis; Anthony Ralston & Philip
Rabinowitz; Dover Publications, Inc (2001), Segunda Edición, ISBN-13:
978-0-486-41454-6
17-Mayo-2011 21/22