www.apuntesdemates.weebly.

com

4. Autovalores y autovectores

4.1 Ejercicios resueltos

Ejercicio 4.1 Realizar la descomposición de Schur de la matriz
 
1 0 1
A= 0 1 1 
 

−1 0 −1

Solución: El polinomio caracterı́stico de la matriz A es

 
 λ−1 0 −1 

p(λ) = det(λI − A) =  0 λ−1 −1  = λ3 − λ2 = λ2 (λ − 1)
 
 
 1 0 λ+1 

por lo que los autovalores de A son 1 simple y 0 doble.

Para λ = 1 el autovector asociado viene dado por la solución del sistema
     
0 0 1 0 0
(A − I)v = 0 ⇐⇒  0 0 1 v =  0  =⇒ v =  1 
     

−1 0 −2 0 0

Para ampliar hasta una base ortonormal de R3 podemosutilizar losvectores

0 1 0
de la base canónica para obtener la matriz de paso P =  1 0 0 , por lo
 

0 0 1
que  
1 0 1
P −1 AP = P T AP =  0 1 1 
 

0 −1 −1

53
54 Álgebra Numérica

!
1 1
La submatriz tiene como autovalores el 0 doble y un autovec-
−1 −1
tor asociado a él es el vector (1 − 1)T que puede ser ampliado hasta una
base ortogonal de R2 con el vector (1 1)T por lo que una base ortonor-
2
mal de
 R es le constituida
 por ambos vectores normalizados y, por tanto
1 0 0
Q= 0 √1 √1  obteniéndose que
 
2 2
0 − √12 √1
2

 √ √ 
1 − 22 2
2

QT P T AP Q = U T AU =  0 0 2 
 

0 0 0

que es una forma de Schur de la matriz A con

 
0 √1 √1
2 2
U = PQ =  1 0 0 
 
1 √1
0 − √2 2

!
0.6 0.8
Ejercicio 4.2 Comprobar que la matriz U = es unitaria (or-
−0.8 0.6
togonal) y obtener, basándose en ella, una matriz normal A que tenga por
autovalores 2 y 3i. Calcular la conmutatriz de A y comprobar que sus compo-
nentes hermı́ticas conmutan.

Solución:
! ! !
0.6 −0.8 0.6 0.8 1 0
U ∗U = U T U = = =I
0.8 0.6 −0.8 0.6 0 1

Por tanto, la matriz es unitaria.

Si A debe ser normal y ha de tener los autovalores 2 y 3i, tiene que ser
diagonalizable unitariamente y, la matriz diagonal tendrá a los autovalores
en su diagonal.
!
2 0
U ∗ AU = D = =⇒ A = U DU ∗
0 3i
4.1. EJERCICIOS RESUELTOS 55

Podemos utilizar cualquier matriz unitaria, por ejemplo, la del enunciado del
ejercicio.
! ! !
0.6 −0.8 2 0 0.6 0.8
A =
0.8 0.6 0 3i −0.8 0.6
!
0.72 + 1.92i −0.96 + 1.44i
= .
−0.96 + 1.44i 1.28 + 1.08i

Hallemos, por último, la conmutatriz de la matriz A.

C(A) = AA∗ − A∗ A = 2i(H2 H1 − H1 H2 )

! !
1 0.72 −0.96 1 1.92 1.44
H1 = (A + A∗ ) = H2 = (A − A∗ ) =
2 −0.96 1.28 2i 1.44 1.08
! !
0 0 0 0
H1 H2 = =Θ H2 H1 = = Θ =⇒ H1 H2 = H2 H1
0 0 0 0
Por tanto, C(A) = Θ.

Ejercicio 4.3 Probar, basándose en el teorema de Gerschgorin, que la matriz:

 
9 1 −2 1
 0 8 1 1 
A=
 

 −1 0 7 0 
1 0 0 1

tiene, al menos, dos autovalores reales.

Solución:
Los cı́rculos de Gerschgorin por filas son:

a11 = 9 r1 = 1 + 2 + 1 = 4 '$
 
a22 = 8 r2 = 1 + 1 = 2

1 
7 9

&%
a33 = 7 r3 = 1
a44 = 1 r4 = 1
El cı́rculo C4 (1, 1) es disjunto con los demás:
56 Álgebra Numérica

|a44 − a11 | = 8 > r4 + r1

|a44 − a22 | = 7 > r4 + r2
|a44 − a33 | = 6 > r4 + r3

Por tanto, en él hay un autovalor λ1 y los otros tres se encuentran en C1 ∪

C2 ∪ C3 .
El autovalor λ1 debe ser real ya que, si fuese complejo, su conjugado λ1 también
serı́a autovalor de la matriz1 y deberı́a pertenecer a C4 cosa que no sucede,
pues en C4 sólo existe un autovalor.
En conclusión: la matriz tiene, al menos, un autovalor real λ1 con 0 ≤ λ1 ≤ 2.
Los tres autovalores restantes no pueden ser complejos ya que P (λ) es una
ecuación polinómica de grado cuatro con coeficientes reales, por lo que debe
existir, al menos, otra raı́z real de P (λ) y, por tanto, la matriz A tiene, al
menos, dos autovalores reales.

!
2 + 3i 1 + 2i
Ejercicio 4.4 Dada la matriz A = se pide:
1 + 2i 2 + 3i

a) Comprobar que es normal sin calcular la matriz conmutatriz.

b) Calcular sus autovalores a partir de los de sus componentes hermı́ticas.

c) Comprobar que estos autovalores están en el dominio de Gerschgorin.

Solución:
! !
1 2 1 1 3 2
a) H1 = (A + A∗ ) = H2 = (A − A∗ ) =
2 1 2 2i 2 3
! !
8 7 8 7
H1 H2 = H2 H1 = =⇒ H1 H2 = H2 H1 =⇒
7 8 7 8
A es normal.

b) Calculemos, en primer lugar los autovalores y autovectores de sus com-

ponentes hermı́ticas H1 y H2 .
1
En una matriz real, P (λ) tiene coeficientes reales y, por tanto, sus raı́ces o son reales o
son complejas conjugadas.
4.1. EJERCICIOS RESUELTOS 57

• Componente
 H1 
 λ − 2 −1 
P (λ) =   = λ2 − 4λ + 3 = (λ − 1)(λ − 3) =⇒
 
 −1 λ − 2 

λ11 = 1 y λ12 = 3

Los autovectores viene dados por las soluciones de los sistemas:

– Para λ11 = 1 =⇒ (I − H1 )x = 0
! ! ! !
−1 −1 x1 0 1
= ⇒ x1 + x2 = 0 ⇒ u11 =
−1 −1 x2 0 −1

– Para λ12 = 3 =⇒ (3I − H1 )x = 0

! ! ! !
1 −1 x1 0 1
= ⇒ x1 − x2 = 0 ⇒ u12 =
−1 1 x2 0 1

• Componente H2
Los autovectores son los mismos que los de H1 .
Sus autovalores vienen dados por

uT11 H2 u11 uT12 H2 u12

λ21 = =1 λ22 = =5
uT11 u11 uT12 u12

La matriz A tiene, por tanto, los autovectores v1 = (1, −1)T y v2 =

(1, 1)T asociados, respectivamente, a los autovalores λ1 = 1 + i y λ2 =
3 + 5i.

c) Dominio de Gerschgorin.
√ 
a11 = 2 + 3i r1 = |1 + 2i| = 5  √
√  =⇒ C1 ∪ C2 ≡ C(2 + 3i, 5).
a22 = 2 + 3i r1 = |1 + 2i| = 5
√ 
d(λ1 , 2 + 3i) = |(1 + i) − (2 + 3i)| = 5 
√  =⇒
d(λ2 , 2 + 3i) = |(3 + 5i) − (2 + 3i)| = 5

Ambos se encuentran en la frontera del dominio.

 
6 2 5
Ejercicio 4.5 Dada la matriz A =  2 2 3  se pide:
 

5 3 6
58 Álgebra Numérica

a) Utilizar el método de la potencia simple para aproximar su autovalor

 T
dominante partiendo del vector z0 = 1 1 1

b) Hacer uso del método de la potencia inversa para, partiendo de z0 , apro-

ximar el autovalor minimante de la matriz A.

c) Sabiendo que una aproximación del tercer autovalor de la matriz A es

1.5, aproximarlo haciendo uso del método de la potencia inversa con
desplazamiento.

Solución:

a) Escalando los vectores zn por su coordenada de mayor valor absoluto

(renombrados como wn ) y haciendo zn+1 = Awn obtenemos:

       
13.0000 11.5714 11.6824 11.7013
z1 =  7.0000 z2 =  5.8571 z3 =  5.8706 z4 =  5.8748 
       
  
14.0000 12.1429 12.2118 12.2254
     
11.7039 11.7042 11.7042
z5 =  5.8753 z6 =  5.8754 z7 =  5.8754
     
  
12.2273 12.2275 12.2275

por lo que
z7T Az7
λ1 ' ' 12.22753579693696
z7T z7

b) Escalando los vectores zn (renombrados como wn ) y resolviendo los sis-

temas Azn+1 = wn :
       
0.5000 1.6667 1.8846 1.9106
z1 =  1.5000 z2 =  4.3333 z3 =  4.7308 z4 =  4.7724
       
   
−1.0000 −3.6667 −4.0769 −4.1220
       
1.9140 1.9144 1.9145 1.9145
z5 =  4.7777 z6 =  4.7784 z7 =  4.7785 z8 =  4.7785
       
   
−4.1278 −4.1285 −4.1286 −4.1287
 
1.9145
z9 =  4.7785
 

−4.1287

por lo que
z9T Az9
λ3 ' ' 0.20927063325837
z9T z9
4.1. EJERCICIOS RESUELTOS 59

c) Escalando los vectores zn (renombrados como wn ) y resolviendo los sis-

temas (A − 1.5 I)zn+1 = wn :

       
−3.1429 −15.8701 −15.8499 −15.8233
z1 =  2.5714  z2 =  13.8442 z3 =  13.7466 z4 =  13.7272 
       
 
2.0000 8.5455 8.5663 8.5501
     
−15.8244 −15.8244 −15.8244
z5 =  13.7280  z6 =  13.7279 z7 =  13.7279
     
 
8.5508 8.5508 8.5508

por lo que
z7T Az7
λ2 ' ' 1.56319356980456
z7T z7

!
1 + i −2 + i
Ejercicio 4.6 Dada la matriz A = se pide:
2−i 1+i

!
−i
a) Comprobar que es normal y que v1 = es un autovector de su
1
primera componente hermı́tica H1 asociado al autovalor λ1 = 0.
b) Calcular el otro autovalor (y un autovector asociado) de la matriz H1
aplicando el método de la potencia simple.
!
x y
c) Considérese la matriz real y simétrica S = . Probar que la
y x
!
cos α sen α
transformación de Jacobi Qt SQ con Q = y α = π/4
− sen α cos α
nos anula los elementos extradiagonales.
d) Transformar el problema del cálculo de los autovalores de la matriz H2
(segunda componente hermı́tica de la matriz A) al del cálculo de los au-
tovalores de una matriz C simétrica real y comprobar que son suficientes
dos transformaciones de Jacobi Q1 y Q2 , del tipo de las del apartado
anterior, para diagonalizar dicha matriz C y obtener los autovalores de
H2 .
e) Obtener, a partir de las columnas de la matriz Q = Q1 Q2 , los autovec-
tores de la matriz H2 . ¿Cuáles son los autovalores de la matriz A?
60 Álgebra Numérica

Solución:
! ! ! 
a) 1−i 2+i 1 + i −2 + i 7 6i
A∗ A =

= 

−2 − i 1 − i 2−i 1+i −6i 7


! ! ! =⇒
1 + i −2 + i 1−i 2+i 7 6i 
AA∗ =

= 

2−i 1+i −2 − i 1 − i −6i 7


A∗ A = AA∗ , por lo que la matriz es normal.

! !
A + A0 1 i A − A0 1 2i
H1 = = y H2 = =
2 −i 1 2i −2i 1
! ! ! ! !
−i 1 i −i 0 −i
H1 = = =0·
1 −i 1 1 0 1
lo que prueba
! que λ1 = 0 es una autovalor de H1 asociado al autovector
−i
v1 = .
1

!
1
b) Partiendo, por ejemplo, de z0 = obtenemos w0 = z0
1
! !
1+i z1 i
z1 = H1 w0 = =⇒ w1 = =
1−i 1−i 1
! !
2i z2 i
z2 = H1 w1 = =⇒ w2 = = .
2 2 1

!
i
Hemos obtenido que w2 = w1 , por lo que v2 = es un autovector
1
de H1 asociado al autovalor
v2∗ H1 v2
λ2 = =2
v2 ∗ v2
 
∗ y(cos2 α − sen2 α)
c) QT SQ =   por lo que, para
2 2
y(cos α − sen α) ∗
α = π/4, se anulan los elementos extradiagonales.
4.1. EJERCICIOS RESUELTOS 61

! !
1 0 0 2
d) Hacemos M = real(H2 ) = y N = imag(H2 ) =
0 1 −2 0
para construir la matriz simétrica y real
 
! 1 0 0 −2
M −N  0 1 2 0 
C= =
 

N M  0 2 1 0 
−2 0 0 1

Las transformaciones que debemos realizar son

 √ √   
/2
2 0 0 2/2 1 0 0 0
√ √
 0 1 0 0   0 2/
2 2/
2 0 
Q1 =  y Q2 = 
   
 √ √ 
 0 0 1 0   0 − /22 2/
2 0 
√ √
− 2/2 0 0 2/
2 0 0 0 1
 √ √ 
/2 0 2 0 2/
2
 0 √ √
2/ 2/ 0 
2 2
Es decir, la transformación Q = Q1 Q2 =
 
√ √ 
 0 − /22 2/2 0 
√ √
− 2/2 0 0 2/
2
 
3 0 0 0
 0 −1 0 0 
y obtenemos QT CQ =   por lo que los autovalores
 
 0 0 3 0 
0 0 0 −1
de H2 son -1 y 3.

e) Las columnas de Q son los autovectores de C asociados, respectivamente,

a los autovalores 3, −1, 3 y -1, por lo que los autovectores de C asociados
   
0 1 !
 1   0  −i
a −1 son   y  , que nos definen el autovector de
   
 −1   0  1
0 1
la matriz H2 asociado al autovalor -1.
 
1
 0 
De manera análoga, los autovectores de C asociados a 3 son  y
 
 0 
−1
62 Álgebra Numérica

 
0 !
 1  i
 , que nos definen el autovector de la matriz H2 asociado
 
 1  1
0
al autovalor 3.
Los autovalores de A son, visto todo lo anterior,
! −i !
y 2 + 3i, asociados,
−i i
respectivamente, a los autovectores y .
1 1

Ejercicio 4.7 Justifica todas tus respuestas.

2
a) Se considera el proceso iterado xn+1 = ϕ(xn ) = xn − 1 + .
exn
a.1) ¿Se puede garantizar que, partiendo de cualquier número real
x0 ∈ [0.5, 1], el proceso convergerá a un punto fijo?
a.2) En caso de converger, ¿cuál es el punto fijo de la sucesión?
a.3) Utiliza la figura adjunta para justificar, geométricamente, la con-
vergencia del proceso para cualquier valor inicial x0 ∈ [0.5, 1].

a.4) Si el proceso xn+1 = φ(xn ) verifica que |φ0 (x)| < 0.1 en el intervalo
[0.5, 1] ¿cuál de los dos procesos anteriores tendrá una convergencia
más rápida?
 
0 1/2 1/3
b) Se considera la matriz A =  1/4 0 1/5 
 
1/6 α 0

b.1) A la vista de los cı́rculos de Gerschgorin, ¿convergerá el proceso

xn+1 = Axn para cualquier valor de α ∈ [0, 1/2] y cualquier vector
inicial x0 ?
4.1. EJERCICIOS RESUELTOS 63

b.2) Probar que si α ∈ [0, 1/2], A no puede tener el autovalor 1.

b.3) ¿Cuál es el vector x (punto fijo) lı́mite de la sucesión (xn ) del pro-
ceso anterior?

b.4) Para α = 1/2, los autovalores de A son 0.6130 y −0.3065 ± 0.0352 i.

¿Se puede calcular el autovalor real aplicando el método de la po-
tencia simple?
Si no se realiza ningún tipo de escalado de los vectores y trabajamos
con un ordenador que cualquier número menor que 10−10 lo hace
cero (tolerancia del ordenador), ¿qué ocurrirı́a con el vector xN si
hacemos un excesivo número N de iteraciones?
¿Ocurrirı́a lo mismo haciendo ese número N de iteraciones esca-
lando los vectores?
¿Por qué es una buena estrategia escalar por la coordenada de ma-
yor módulo de los vectores que se obtienen?

Solución:

2
a) a.1) Tenemos un método de la forma xn+1 = ϕ(xn ) con ϕ(x) = x−1+ x .
e
0 2
ϕ (x) = 1 − x .
e
2
Dado que ϕ00 (x) = x es siempre positiva, sabemos que ϕ0 (x) es
e
creciente pasando de ϕ0 (0.5) = −0.2131 a ϕ0 (1) = 0.2642 es decir

|ϕ0 (x)| ≤ 0.2642 < 1

por lo que la función es contractiva y el método es convergente a

un punto fijo.
2
a.2) Aplicando lı́mites, y llamando lim xn = x, se obtiene x = x − 1 + x
e
de donde
2
= 1 =⇒ ex = 2 =⇒ x = ln 2
ex

a.3) Basta ver el comportamiento de la red que se forma al ir de la

gráfica a la recta, de la recta a la gráfica y ası́ sucesivamente.
64 Álgebra Numérica

a.4) Teniendo en cuenta que ϕ0 (ln 2) = 0 es decir, que la tangente en

dicho punto es horizontal, el método tiene una convergencia de se-
gundo orden.
Si φ0 (ln 2) 6= 0 el proceso xn+1 = φ(xn ) tendrá una convergencia
de primer orden y será más lento, y sólo será más rápida su con-
vergencia si φ0 (ln 2) = 0 y además es |φ00 (x)| < |ϕ00 (x)| en dicho
intervalo.

b) b.1) Para que el método sea convergente ha de ser el radio espectral de

la matriz A menor que 1.
Los cı́rculos de Gerschgorin de la matriz A vienen dados por
1 1 5
C1 : centro en el origen y radio + =
2 3 6
1 1 9
C2 : centro en el origen y radio + =
4 5 20
1
C2 : centro en el origen y radio α +
6
Como el radio del tercer cı́rculo puede oscilar en el intervalo

[0 + 1/6, 1/2 + 1/6] = [ 1/6, 2/3]

los dos últimos están incluidos dentro del primero, por lo que el
módulo de cualquiera de sus autovalores es menor que 5/6 < 1, es
decir, el radio espectral de la matriz A es ρ(A) < 1 y, por tanto, el
método es convergente.
b.2) Dado que, a la vista de los cı́rculos de Gerschgorin, los autovalores
tienen módulos menores o iguales a 5/6 < 1, la matriz A no puede
tener el autovalor 1.
b.3) El método nos dice que si x es el vector al que converge, se verifica
que
x = Ax ⇐⇒ Ax = 1 · x
4.2. EJERCICIOS PROPUESTOS 65

por lo que si converge a un vector x 6= 0 resultarı́a que dicho vector

serı́a un autovector de la matriz A asociado al autovalor 1 y, dado
que 1 no es autovalor de la matriz, el método no puede converger
a ningún vector no nulo, por lo que lim xn = 0 es decir, el método
converge al vector nulo.
b.4) Al ser |0.6130| > | − 0.3065 ± 0.0352 i|, el autovalor real es domi-
nante y, por tanto, podemos aproximarlo mediante el método de la
potencia simple.
Al aplicar el método de la potencia simple (sin escalar los vectores),
es evidente que convergerá al vector nulo, por lo que si hacemos
un número excesivo de iteraciones podrı́a el ordenador ir anulando
todas sus coordenadas, obtener en dicha iteración el vector nulo y
no permitir el cálculo del autovalor.
Si escalamos los vectores evitamos que converja al vector nulo, por
lo que lo hará a un vector que tiene la dirección del autovector
asociado al autovalor dominante y podremos calcular este último.
Al escalar por la coordenada de mayor valor absoluto el proceso per-
mite calcular el autovalor y la sucesión de vectores que obtenemos
tendrá siempre su mayor coordenada igual a 1.

4.2 Ejercicios propuestos

Ejercicio 4.8 Realizar la descomposición de Schur de la matriz
 
−6 9 3
A =  −2 3 1 .
 

−4 6 2
 √   √ √ 
0 0 − 7√14 14 6 2 5
5
1  √ 
Sol :  0 0 − √175  con U = √  0 5 −3 5  .
 
70 √ √
0 0 −1 2 14 −3 − 5

 
a 1 1
Ejercicio 4.9 Dada la matriz A =  1 a 1  donde a es un número com-
 

1 1 a
plejo cualquiera, se pide:
66 Álgebra Numérica

a) Obtener su polinomio caracterı́stico.

Sol : P (λ) = λ3 − 3aλ2 + 3(a2 − 1)λ − (a3 − 3a + 2).

b) Probar que tiene por autovalores: λ = a − 1 doble y λ = a + 2 simple.

c) Calcular los autovectores y comprobar que no dependen de a.

Sol : v1 = (1, 0, −1)T , v2 = (0, 1, −1)T , v3 = (1, 1, 1)T .

 
2−i 0 −2 + 4i
Ejercicio 4.10 Dada la matriz A =  0 4 − 5i 2 − 4i , se pide:
 

−2 + 4i 2 − 4i 3 − 3i

a) Probar que es normal.

b) Obtener su primera componente hermı́tica H1 y calcular el polinomio

caracterı́stico de dicha componente.
 
2 0 −2
Sol : H1 =  0 4 2 , P (λ) = λ3 − 9λ2 + 18λ.
 

−2 2 3

c) Calcular los autovalores y los autovectores de H1 .


T
 λ1 = 0 v1 = (2, −1, 2)

Sol : λ2 = 3 v2 = (2, 2, −1)T .

λ3 = 6 v3 = (−1, 2, 2)T


d) Teniendo en cuenta que estos autovectores también lo son de la matriz

H2 (segunda componente hermı́tica), calcular sus autovalores.

Sol : µ1 = 3, µ2 = −3, µ3 = −9.

e) Obtener, a partir de los resultados anteriores, los autovalores y autovec-

tores de A, ası́ como la matriz de paso unitaria U tal que U ∗ AU = D.
  
T
 λ1 = 3i v1 = (2, −1, 2)
 2/3 2/3 − 1/3

Sol : λ2 = 3 − 3i v2 = (2, 2, −1)T U =  − 1/3 2/3 2/3 .

 

λ3 = 6 − 9i v3 = (−1, 2, 2)T 2/3 − 1/3 2/3


!
2 1
Ejercicio 4.11 Dada la matriz A = se pide:
1 0
4.2. EJERCICIOS PROPUESTOS 67

a) Calcular su polinomio caracterı́stico por el método interpolatorio.

Sol : λ2 − 2λ − 1.

b) Tomar una aproximación, con dos cifras decimales exactas, del mayor de
los autovalores y afinarla con el cociente de Rayleigh.
√
Sol : λ = 1 + 2 ' 2.41 =⇒ λ ' 2.41421.
 
1 2 3
Ejercicio 4.12 Dada la matriz A =  2 2 3 
 

3 3 3

a) Hallar sus autovalores mediante el algoritmo QR.

Sol : Se obtienen con MatLab 7.5165, −1.1776, −0.3389.

b) Hallar el autovalor de mayor valor absoluto, por el método de la potencia,

partiendo del vector (10, 11, 1)

Sol : 7.51653848519179, kEk ≤ 6.280369834735101 · 10−15 .

Ejercicio 4.13 Sea λ = α + iβ, α, β ∈ R, autovalor de la matriz

!
2i −2
A= .
2 2i

a) Utilizar el teorema de Gerschgorin para probar que el único autovalor

real de la matriz A sólo puede ser λ = 0.

b) Probar que A∗ = −A y deducir, a partir de ello, que A es una matriz

normal. ¿Puede no ser diagonalizable una matriz compleja que verifique
esa relación?

Sol : No. Siempre es diagonalizable.

c) Utilizar la descomposición hermı́tica de la matriz, A = H1 + iH2 , para

deducir que la parte real de los autovalores de A tiene que ser α = 0.

Sol : Basta observar que H1 es la matriz nula.

d) Hallar el autovalor dominante de la componente hermı́tica H2 aplicando

el método de la potencia. ¿Quién es el autovalor dominante de A?
68 Álgebra Numérica

Sugerencia: Iniciar el método con el vector v1 = (1, 0)T .

Sol : 4i en ambos casos.

e) Si se perturba la matriz A en la matriz

!
(2 − 10−3 ) i −2
A + δA = ,
2 (2 + 10−2 ) i

hallar la norma euclı́dea de la matriz δA. ¿Puedes encontrar una cota

del error E = |µ − λ|, transmitido al autovalor dominante?
Indicación: |µ − λ| ≤ kP k kP −1 k kδAk, siendo P −1 AP diagonal.

Sol : kδAk = 10−2 , |λ − µ| ≤ 10−2 .

Ejercicio 4.14

a) Probar que las raı́ces del polinomio bλ + cλ2 + λ3 son los

 P (λ) = a +
0 1 0
autovalores de la matriz A(p) =  0 0 1 .
 

−a −b −c

Sol : P (λ) es el polinomio caracterı́stico de A(p).

b) Si el método de la potencia simple aplicado a la matriz A(p) converge a

un vector v, ¿qué relación tiene v con las raı́ces del polinomio P (λ)?

v T A(p)v
Sol : La raı́z de mayor módulo de P (λ) viene dada por .
vT v
c) Si el algoritmo QR aplicado a la matriz A(p) converge a una matriz
triangular T , ¿qué relación tiene T con las raı́ces del polinomio P (λ)?

Sol : Sus elementos diagonales son las raı́ces del polinomio.

d) Si se puede obtener la factorización LU de la matriz P A(p), siendo P

una matriz de permutación, ¿quiénes tienen que ser P, L y U ?
   
0 0 1 −a −b −c
Sol : P =  1 0 0  , L = I y U =  0 1 0 .
   

0 0 1 0 0 1

Ejercicio 4.15 Sean el polinomio p(x) = x3 +2x2 −2x−4 y su correspondiente

matriz A = A(p), definido en el ejercicio 4.14
4.2. EJERCICIOS PROPUESTOS 69

a) Utilizar una sucesión de Sturm para probar que el polinomio p(x) tiene
sus raı́ces reales y que sólo una de ellas, que denotaremos α, es positiva.

Sol : α ∈ [1, 2].

b) Utilizar el método de Newton para obtener una aproximación de la raı́z

α, garantizando 5 cifras decimales exactas.

Sol : α = 1.41421, ε ≤ 8.481 · 10−9 .

c) Obtener la pseudosolución, β, del sistema (A2 v)x = A3 v, determinando

la norma del error, para v = (1, 1, 1)T . ¿Deberı́a ser β una aproximación
de α?

Sol : β = −1.71428, kEk ≤ 14.6385. A2 vx = A3 v ⇐⇒ Av = xv β

hubiese sido una aproximación de α si v lo hubiese sido del autovector
asociado a α.

d) Obtener la matriz de Householder que transforma el vector a = (0, 0, 4)T

en el vector b = (4, 0, 0)T . ¿Se podı́a haber predicho el resultado?
 
0 0 1
Sol : H =  0 1 0  y se podrı́a haber predicho.
 

1 0 0

e) Obtener la factorización QR de la matriz A, utilizando el método de

Householder. (Sugerencia: ¡el apartado anterior!)
 
4 2 −2
Sol : Q = H, R =  0 1 0 .
 

0 0 1

f) Dar el primer paso del algoritmo QR aplicado a la matriz A. Indicar

cómo podrı́a el método de Gram-Schmidt utilizarse para los sucesivos
pasos del algoritmo y si esto serı́a una buena decisión para obtener las
raı́ces del polinomio p(x).
 
−2 4 2
Sol : A1 =  0 0 1 . Gram-Schmidt no es una buena opción.
 

1 0 0

Ejercicio 4.16
70 Álgebra Numérica

a) ¿Qué pasos se dan para calcular los autovalores de una matriz cuadrada
A mediante el algoritmo QR? y ¿que forma tiene la matriz a la que
converge el algoritmo en los siguientes casos?

a.1) Si todos sus autovalores tienen distinto módulo.

a.2) Si existen autovalores de igual módulo.
 
−4 2 −4 3
 1 0 0 0 
b) El polinomio caracterı́stico de la matriz A =   es
 
 0 1 0 0 
0 0 1 0
4 3 2
el polinomio del Ejercicio 1.11 P (x) = λ +4λ −2λ +4λ−3. Calculando
sus autovalores mediante el algoritmo QR el proceso converge a la matriz
 
−4.64575131106459 4.07664693269566 1.32820441231845 −2.21143157264058

 0 −0.24888977635522 −0.86635866374600 0.58988079050108 

 
 0 1.22575806673700 0.24888977635522 0.03848978825890 
0 0 0 0.64575131106459

Calcular, a partir de dicha matriz, las raı́ces del polinomio (autovalores

de A).

Sol : −4.64575131106459, 0.64575131106459, i, −i.

c) Al aplicar el método de la potencia y comenzando el proceso con el vec-

   
1 1
 1   −0.2152 
tor x =   se obtiene en la cuarta iteración el vector  .
   
 1   0.0463 
1 −0.0100
Determinar una aproximación de la raı́z de mayor valor absoluto del po-
linomio P (x) (autovalor correspondiente) utilizando el cociente de Ray-
leigh.

Sol : −4.64565808596372.

Ejercicio 4.17 Sean las matrices A, An y B definidas como:

     
0 1 0 1.671 0.242 2.164 0 1 0
A =  0 0 1 , An =  0.00 −0.50 1.47  y B =  0 0 1 .
     

3 1 0 0.00 −0.81 −1.16 3 1 0.1

4.2. EJERCICIOS PROPUESTOS 71

a) Aplicando el algoritmo QR real a la matriz A se obtiene (iterando sufi-

cientemente), como aproximación “aceptable” del método, la matriz An .
¿Por qué las matrices A y An deben tener los mismos autovalores?

Hallar las aproximaciones de los autovalores de la matriz A que se ob-

tienen de An .

Sol : 1.671, −0.83 + 1.04 i, −0.83 − 1.04 i.

b) Tomando v0 aleatoriamente, ¿se debe esperar convergencia o divergencia

en el método de la potencia aplicado a la matriz A?

Empezar en v0 = (1, 1, 1)T y determinar los tres primeros vectores v1 ,

v2 y v3 que proporciona el método. Hallar la mejor aproximación del
autovalor dominante de A, en norma k k2 , que se obtiene con v3 .

Sol : Se espera convergencia. v1 = (0.25, 0.25, 1)T , v2 = (0.25, 1, 1)T ,

v3 = (0.5714, 0.5714, 1)T y una aproximación del autovalor dominante es
1.9259.

c) Estudiar si A es una matriz normal. Si se perturba A en la matriz

B = A + δA, hallar la medida de la perturbación kδAk2 .

¿Se podrı́a asegurar que los autovalores dominantes de las matrices A y

B difieren, a lo más, en 0.1?

Sol : No es normal. kδAk2 = 0.1. No se puede asegurar.

   
1 1 2 0
Ejercicio 4.18 Sean A =  0 1 1  con 0 < ε ≤ 1, b =  −1  y
   

1 −1 ε 2
 
0 −1 −2
J = 0 0 −1 .
 

−1 1 0

a) Obtener la factorización A = LU . Utilizar la factorización obtenida para

resolver el sistema Ax = b.
   
1 0 0 1 1 2
Sol : L =  0 1 0 , U =  0 1 1 , x = (1, −1, 0)T .
   

1 −2 1 0 0 ε
72 Álgebra Numérica

b) Hallar el número de condición κ∞ (A) de la matriz A para la norma k k∞ .

Razonar si el resultado del apartado anterior, obtenido con aritmética
de ordenador, podrı́a ser considerado fiable para ε próximo a cero.
16
Sol : κ∞ (A) = 8 + . No, mientras más pequeño sea ε, peor condicio-
ε
nada.

c) Para ε = 1, comprobar que J es la matriz de la iteración xn+1 = J ·

xn + c que se obtiene al aplicar el método de Jacobi al sistema Ax = b.
Determinar c y, empezando en x1 = (1, 0, 0)T , hallar el vector x3 .

Sol : x3 = (−1, −2, 1)T .

d) Hallar la aproximación λ3 del autovalor dominante λ de la matriz J

utilizando el método de la potencia, con v0 = (1, 0, 0)T , y el cociente de
Rayleigh para determinar λ3 con el valor obtenido para v3 .

Sabiendo que λ3 tiene una cota de error estimada en e < 0.5. ¿Es
suficiente dicha aproximación para analizar la convergencia de la sucesión
(xn ) del método de Jacobi?

Sol : λ3 = −1.5. Jacobi no converge.

e) Para ε = 0, hallar la solución en mı́nimos cuadrados del sistema A0 x = b

que se obtiene al suprimir la primera columna de A, utilizando las ecua-
ciones normales. Determinar el error y justificar el resultado obtenido.

Sol : x = (−2, 1)T , kEk = 0 pues se trata de un sistema compatible

determinado

f) Analizar si es posible encontrar la matriz H de Householder que trans-

forma la segunda columna de A0 en el vector b. En caso afirmativo, ¿es
normal la matriz H resultante?

Sol : Es posible encontrarla y además es normal.

 
3 0 −1
Ejercicio 4.19 Considérese la matriz A =  1 −2 2 .
 

−1 −1 8

a) Hacer uso de los cı́rculos de Gerschgorin para estudiar el número de

autovalores reales que posee.
4.2. EJERCICIOS PROPUESTOS 73

Obtener su polinomio caracterı́stico P (λ) y un intervalo de amplitud 1

que contenga a su autovalor dominante.

Sol : Los tres son reales. P (λ) = λ3 − 9λ2 + 3λ + 39. [8, 9].

b) Comprobar que la fórmula de Newton-Raphson asociada a dicho polino-

mio es
2λ3 − 9λ2n − 39
λn+1 = ϕ(λn ) = n2 .
3λn − 18λn + 3
Sabiendo que la gráfica de la función y = ϕ0 (λ) en el intervalo [8, 9]
viene dada por la figura adjunta, ¿podemos garantizar la convergencia
del método de Newton partiendo de cualquier punto λ0 ∈ [8, 9]?

Nota: ϕ(λ) es la función que aparece en la fórmula de Newton-Raphson.

Sol : Si, ϕ(x) es contractiva.

c) Si tomamos λ0 = 8 ¿con qué error se obtiene la aproximación λ1 ?

Sol : ε1 ≤ 1.1323 · 10−4 .

d) ¿Existe algún vector v0 para el que podamos garantizar la convergencia

del método de la potencia simple aplicado a la matriz A? ¿Qué aproxi-
mación se obtiene para el autovalor dominante aplicando el cociente de
Rayleigh al vector v1 si partimos de v0 = (1 0 0)T ?

Sol : Cualquiera no nulo. λ1 = 3.7272.

e) Aplicando el método QR para el cálculo de los autovalores de A, con

una aritmética de ordenador con una precisión de cuatro decimales, el
método se estabiliza en la matriz An en la que hemos omitido dos de sus
elementos x e y
 
8.0195 −0.5134 2.7121
An =  0 2.7493 1.5431 
 

0 x y
74 Álgebra Numérica

¿Puede ser nulo el elemento x?, ¿se pueden determinar los elementos
que faltan sin necesidad de volver a aplicar el algoritmo QR? ¿Sabrı́as
decir cuál es la aproximación obtenida para los otros dos autovalores de
la matriz A?

Solución: x = 0, y = −1.7461, λ2 = 2.7493, λ3 = −1.7461.

 
0 1 0
Ejercicio 4.20 Se considera la matriz A =  0 0 1 .
 

−0.25 −0.125 1

a) Demostrar que las raı́ces del polinomio P (x) = 2+x−8x2 +8x3 coinciden
con los autovalores de A. Acotar y separar las raı́ces de P (x), indicando
cuántas raı́ces reales y complejas tiene. Comparar los resultados con la
información que se desprende del estudio de los cı́rculos de Gerschgorin.

Sol : La ecuación caracterı́stica es P (x)/8 = 0 ⇐⇒ P (x) = 0. Sólo una

real en (−1, 0). Gerschgorin no mejora la información.

b) Determinar un intervalo de amplitud 0.5 con un extremo entero que

contenga a la raı́z negativa de P (x). Razonar si se verifican en dicho in-
tervalo las condiciones de Fourier. Aproximar por el método de Newton-
Raphson dicha raı́z con 2 cifras decimales exactas.

Sol : En [−0.5, 0] se verifican las condiciones de Fourier. x = −0.38.

c) Tomando como vector inicial z0 = (0, 1, 0)T , realizar dos iteraciones del
método de la potencia inversa. Por medio del cociente de Rayleigh aso-
ciado al vector hallado, determinar una aproximación del autovalor de A
correspondiente. ¿Qué relación existe entre éste valor y la aproximación
hallada en el apartado anterior? ¿Puede haber autovalores de la matriz
A en el cı́rculo de centro 0 y radio 14 ? Razonar las respuestas.

Sol : λ = −0.3768. No existen autovalores en dicho cı́rculo.

d) Al aplicar el algoritmo QR a la matriz A se obtiene como salida la matriz

T = Q∗ AQ, para cierta matriz unitaria Q. ¿Puede ser T una matriz
triangular superior? Justificar la respuesta.

Sol : T no puede ser triangular.

Ejercicio 4.21
4.2. EJERCICIOS PROPUESTOS 75

a) Utilizar el método interpolatorio para determinar el polinomio carac-

terı́stico P (λ) de la matriz
 
2 −1 0
A =  0 −2 1 
 

1 0 5

Sol : P (λ) = λ3 − 5λ2 − 4λ + 21.

b) A la vista de los cı́rculos de Gerschgorin, ¿se puede garantizar que el

algoritmo QR aplicado a la matriz A convergerá a una matriz triangular
con sus autovalores en la diagonal? ¿Se puede garantizar la convergencia
del método de la potencia simple si comenzamos a iterar con el vector
v = (1 1 1)T ?

Sol : Gerschgorin no nos garantiza una triangular pero sı́ la convergencia

del método de la potencia simple.

c) Haciendo uso de los cı́rculos de Gerschgorin, determinar cuántos auto-

valores reales posee y calcular un intervalo de amplitud 1 y extremos
enteros que contenga al autovalor dominante.

Sol : Los tres son reales y el dominante se encuentra en (4, 5).

d) Comprobar que, en dicho intervalo, se verifican las hipótesis de Fou-

rier para la convergencia del método de Newton. ¿En qué extremo de-
berı́amos comenzar a iterar?

Sol : x0 = 5

e) Tomando x0 = 5 y aplicando el método de Newton, ¿con cuántas cifras

exactas se obtiene x1 ?

Sol : Dos cifras decimales exactas.

Ejercicio 4.22 Dado el polinomio P (x) = x3 − 3x2 + 3x + 5

a) Probar, mediante una sucesión de Sturm, que sólo tiene una raı́z real
y determinar α ∈ Z para que dicha raı́z esté contenida en el intervalo
[α, α + 1].

Sol : α = −1.
76 Álgebra Numérica

b) Comprobar, mediante las condiciones de Fourier, que el método de New-

ton converge tomando como valor inicial x = α.

c) Si tomamos como aproximación de la raı́z el valor x = −0.50 ¿se tiene

garantizada alguna cifra decimal exacta?

Sol : No.

d) Utilizar el método interpolatorio

 para comprobar
 que el polinomio carac-
3 −3 −5
terı́stico de la matriz A =  1 0 0  es el polinomio P (x) dado.
 

0 1 0

e) Para resolver el sistema (A + 0.5 · I3 )x = (1, −1, 1)T observamos que

resulta más cómodo llevar la primera ecuación
 al último lugar, es decir,
0 1 0
multiplicar el sistema por la matriz P =  0 0 1 . ¿Se altera de
 

1 0 0
esta forma el condicionamiento del sistema? Comprueba que la solución
1
es el vector x = 21 (−50, 58, −74)T .

Sol : No se altera el condicionamiento por ser P ortogonal.

f) Tomando −0.50 como una primera aproximación de su autovalor real,

partiendo del vector z0 = (1, −1, 1)T y trabajando sólo con dos cifras de-
cimales, realizar una iteración del método de la potencia inversa con des-
plazamiento para calcular, mediante el cociente de Rayleigh, una nueva
aproximación de dicho autovalor. ¿Se puede garantizar ahora alguna ci-
fra decimal exacta?

Sol : λ = −0.83. La primera cifra decimal es exacta.

Ejercicio 4.23 Sean A, B y C las matrices definidas por

! ! !
−1 − i 3 − 3i 1 1 i 2 + 2i 0
A= B=√ C=
−3 + 3i −1 − i 2 i 1 0 −4 − 4i

a) Probar que A∗ = −iA y que B ∗ = B −1 . ¿Es normal la matriz BCB ∗ ?

Sol : BCB ∗ es normal.

b) Comprobar que se verifica la igualdad A = BCB ∗ . Hallar los autovalores

y autovectores de las componentes hermı́ticas de la matriz A.
4.2. EJERCICIOS PROPUESTOS 77

Sol : H1 = H2 . Autovalores 2 y -4. Autovectores (1, i)T y (i, 1)T .

c) Probar que si una matriz M verifica la propiedad M ∗ = −iM , entonces

es normal y sus autovalores son de la forma α + iα, con α ∈ R. ¿Puede
la matriz M tener únicamente autovalores reales?
Indicación: De M = QDQ∗ , deducir D∗ = −iD.

Sol : M tendrá todos sus autovalores reales sólo si es la matriz nula.

d) Se perturba la matriz A en A+δA, de modo que ||δA||2 ≤ 10−6 . Razonar

si los autovalores de A + δA, obtenidos con MatLab, pueden ser muy
diferentes de los de la matriz A. ¿Sucederı́a lo mismo para una matriz
M , con M ∗ = −iM y dimensión elevada?

Sol : No, |µ − λ| ≤ 10−6 y no depende de la dimensión de M .

e) Hallar la aproximación del autovalor dominante de A que se obtiene con

un paso del método de la potencia, partiendo de q0 = (1, 0)T , y utilizando
el cociente de Rayleigh.
Explicar cómo se aplicarı́a el algoritmo QR para obtener aproximaciones
de los autovalores y autovectores de la matriz A. ¿Cuál serı́a la forma
de Schur de A?

Sol : −2.8 − 2.8 i. T es diagonal.

Ejercicio 4.24 En R4 se considera el vector a = (1, −1, 1, −1)T .

a) Determinar el valor que debe tomar β ∈ R − {0} para que la matriz

Q = I − βaaT verifique la igualdad Q2 = I. Probar que, entonces, Q es
una matriz normal.

Sol : β = 1/2.

b) Utilizar las ecuaciones normales para obtener la solución en mı́nimos

cuadrados del sistema superdeterminado S1 ≡ Ax = −a, donde x =
(x, y)T y la matriz de coeficientes A = [a1 a2 ] está formada por las dos
primeras columnas a1 , a2 de la matriz B = 2I − aaT .
¿Está mal condicionada la matriz AT A para la norma || ||∞ ?

Sol : (1/2, −1/2)T . No puede estar mejor condicionada, kAT Ak∞ = 1.

78 Álgebra Numérica

c) Hallar la matriz H de Householder que transforma el vector a2 , definido

en el apartado anterior, en un vector de la forma r = (0, σ, 0, 0)T , con
σ > 0.
Partir del sistema S2 ≡ HAx = −Ha, para evaluar el error en el sistema
S1 del apartado anterior utilizando, en caso necesario, transformaciones
unitarias. Justificar que los sistemas S1 y S2 tienen la misma pseudoso-
lución y el mismo error.
√
Sol : H = Q (primer apartado). kEk = 2. Al tratarse de transforma-
ciones unitarias los dos sistemas son equivalentes.

d) Para calcular un autovector de la matriz H del apartado anterior, aplicar

el método de la potencia simple partiendo del vector x = (1, 2, 3, 4)T .
¿Por qué no funciona el método en este caso?
Describir cómo se aplica el algoritmo QR a la matriz H. En este caso,
¿por qué no converge a la forma de Schur de H?
Indicación: ¿Cuál es la factorización QR de cualquier matriz ortogonal?

Sol : H no tiene un autovalor dominante. Sus autovalores son 1, 1, 1, −1

todos de igual módulo. La sucesión resultante es x, Hx, x, Hx, . . . que
sólo es convergente si se parte de un autovalor asociado al autovalor 1.
El algoritmo QR no converge a la forma de Schur (una diagonal) ya que
la sucesión que se obtiene es constante igual a H.

e) Probar que Ha = −a y que si v es ortogonal al vector a, entonces Hv = v.

En virtud de esto, encontrar razonadamente los autovalores de H y un
autovector v1 asociado al autovalor negativo.
Si {v1 } se completara a una base {v1 , v2 , v3 , v4 } formada por autovectores
de H, ¿cómo se podrı́a ortonormalizar dicha base de una forma compu-
tacionalmente estable?

Sol : -1 simple con autovector a y 1 triple. Se deberı́a ortonormalizar

mediante transformaciones unitarias (ortogonales).

Ejercicio 4.25
 
0 3 0
a) Calcular el polinomio caracterı́stico de la matriz A =  3 28 4 
 

0 4 5
mediante el método interpolatorio. ¿Puede no ser real alguno de sus
4.2. EJERCICIOS PROPUESTOS 79

autovalores?

Sol : P (λ) = λ3 − 33λ2 + 115λ + 45. No, ya que A simétrica.

b) Haciendo uso de los cı́rculos de Gerschgorin, estudiar si resultará conver-

gente el método de la potencia simple aplicado a la matriz A partiendo
de un vector arbitrario z0 .

Sol : Convergerá por existir un autovalor dominante.

c) Realizar la factorización QR de la matriz A mediante transformaciones

de Householder. (Dar las matrices Q y R).
   
0 0.6 0.8 3 28 4
Sol : Q =  1 0 0  R= 0 5 4 .
   

0 0.8 −0.6 0 0 −3

d) Utilizar la factorización anterior para resolver el sistema Ax = b con

b = (−3, 6, 1)T .

Sol : x = (10, −1, 1)T .

e) Comenzando por el vector z0 = (−3, 6, 1)T calcular el vector z2 del

método de la potencia inversa (al ser sólo dos pasos no merece la pena
escalar el vector, es decir, dividir en cada paso por su norma infinito) y
aproximar el autovalor de menor valor absoluto de la matriz A mediante
el cociente de Rayleigh.

Sol : z2 = (−28.1555, 3.3333, −2.4666)T , λ ' −0.3548

f) Teniendo en cuenta que el autovalor de menor valor absoluto es negativo,

determinar, haciendo uso del polinomio caracterı́stico, una cota del error
de la aproximación obtenida en el apartado anterior.

Sol : ε ≤ 4.8 · 10−5 .

Ejercicio 4.26 Se considera el polinomio P (x) = x3 + 3x2 + 3ax + a con

a ∈ R.

a) Hacer uso de una sucesión de Sturm para determinar, en función del

parámetro “ a”, el número de raı́ces reales de dicho polinomio ası́ como
su multiplicidad.
80 Álgebra Numérica



 a<0 =⇒ tres raı́ces reales.

a=0 =⇒ una real doble (0) y una real simple (-3).




Sol : 0<a<1 =⇒ una real simple y dos complejas conjugadas.

a=1 =⇒ una real triple (-1).





 a>1 =⇒ una real simple y dos complejas conjugadas.

b) Para a = 3, determinar un intervalo adecuado en el que se encuentre

la raı́z real del polinomio y en el que se verifiquen las condiciones de
Fourier para garantizar la convergencia del método de Newton. ¿Qué
valor debemos dar inicialmente a x para comenzar a iterar?

Sol : [−0.5, 0], x0 = 0.

c) Realizar dos iteraciones del método de Newton y determinar una cota

del error.

Sol : x2 = −0.3737373737, ε2 ≤ 4.739279 · 10−4 .

 
−3 −9 −3
d) Teniendo en cuenta que la matriz A =  1 0 0  tiene, como
 

0 1 0
polinomio caracterı́stico, el polinomio P (x) cuando a = 3, ¿podemos
garantizar la convergencia del método de la potencia simple? ¿y del de
la potencia inversa?

Sol : La potencia simple no (los autovalores complejos tienen módulo

mayor que el real), pero el de la potencia inversa sı́.

e) ¿Convergerá a una matriz triangular superior el algoritmo QR aplicando

aritmética real a la matriz A?

Sol : No, lo hará a una triangular por bloque con un bloque de orden 2
(las dos raı́ces complejas conjugadas).
 
4 5 3
Ejercicio 4.27 Se considera la matriz A =  3 5 1 .
 

0 2 3

a) Realizar la factorización QR (dar las matrices Q y R) de la matriz A:

a.1) Mediante rotaciones o giros

a.2) Mediante reflexiones
4.2. EJERCICIOS PROPUESTOS 81

   
20 15 0 5 7 3
1  √ √ √   √ √
Sol : Q =  −3 5 4 5 10 5  R =  06 5 5 .

25 √ √ √ √
6 5 −8 5 5 5 0 0 5
b) Determinar su polinomio caracterı́stico por el método interpolatorio.

Sol : P (λ) = λ3 − 12λ2 + 30λ − 25.

c) Probar, mediante una sucesión de Sturm, que A sólo tiene un autovalor

real y que se encuentra en el intervalo [8,9].

d) Sabiendo que el producto de los autovalores de una matriz coincide con

su determinante, probar que A posee un autovalor dominante.

e) Partiendo del vector z0 = (1, 1, 1)T realizar dos iteraciones del método
de la potencia simple (trabajar con 2 cifras decimales) y utilizar z2 para
aproximar el autovalor real de la matriz A.

Solución: λ ' 8.95.

f) ¿Se ha obtenido, en el apartado anterior, la aproximación del autovalor

real con un error menor que 10−2 ?

Sol : ε ≤ 0.04 < 10−1 por lo que sólo se dispone de un decimal exacto.
 
2 −2 0
Ejercicio 4.28 Sea la matriz A =  2 3 ω 
 

1 0 2

a) Para ω = −3, se pide:

a.1) Utilizar los cı́rculos de Gerschgorin por filas para probar que A
carece de autovalores mayores que 10. De la observación de dichos
cı́rculos, ¿puede deducirse que A tiene un autovalor de máximo
módulo?

Sol : No puede garantizarse la existencia de un autovalor dominante.

a.2) Demostrar que el método de Gauss-Seidel aplicado al sistema
Ax = (1, 34 , 0)T es convergente empezando con cualquier vector
x0 ∈ R3 . Hacer dos iteraciones de dicho método partiendo del
vector x0 = (− 12 , 54 , 13 )T y hallar la norma del error.

Sol : Es convergente por ser ρ(L1 ) < 1. x2 = (− 1/12, − 41/72, 1/24)T ,

kEk = 2.987241.
82 Álgebra Numérica

b) Para ω = 0, se pide:

b.1) Partiendo del vector z0 = (1, 1, 1)T , aplicar el método de la potencia

inversa a la matriz A haciendo dos iteraciones y usar el cociente de
Rayleigh para aproximar el autovalor de menor módulo de A.

Sol : λ = 2.5.
 
1 0
b.2) Siendo F =  0 −1  y B = AF , hallar la pseudosolución del sis-
 

0 −1
 
2
tema Bx =  7  resolviendo el sistema formado por las ecuaciones
 

4
normales usando el método de Cholesky. Calcular la norma del
error.
! !
9 −4 22
Sol : Las ecuaciones normales son x = .
−4 17 −25
!
4 − 4/3
Para la facrorización de Cholesky R = √ . La pseu-
0 137/3
dosolución es (2, −1)T y el error kEk = 0.

4 4 2
 
 9+9i 9
i 
Ejercicio 4.29 Consideremos la matriz A = 
 . Se pide:
2 5 5 
+ i
9 9 9
a) Hallar las componentes hermı́ticas de la matriz A y probar que ésta es
normal.
!
4 1 1
9 9
+ 9
i
Sol : H1 = H2 = 1 1 5
.
9
− 9
i 9

b) A partir de H1 , construir una matriz S real y simétrica, de dimensión el

doble de la de H1 , de forma que a partir de los autovalores y autovectores
de S se deduzcan los de H1 .
 
4/9 1/9 0 − 1/9
 1/ 5/9 1/9 0 
9
Sol : 
 

 0 1/9 4/9 1/9 
− 1/9 0 1/9 5/9
4.2. EJERCICIOS PROPUESTOS 83

c) Usando MATLAB se tiene que el polinomio caracterı́stico de la matriz

S es
13 4 4
P (λ) = λ4 − 2λ3 + λ2 − λ +
9 9 81
Sin realizar ningún cálculo ¿podrı́as garantizar que P (λ) es el cuadrado
de un polinomio de segundo grado?.

Sol : Sı́. Las raı́ces de P (λ) son los autovalores de H1 pero todos dupli-
cados.

d) Reducir la multiplicidad de las raı́ces de P (λ) y encontrar una sucesión

de Sturm para el polinomio reducido Q(λ).

Sol : Q(λ) = λ2 − λ + 2/9. g0 (λ) = Q(λ), g1 (λ) = 2λ − 1 y g2 (λ) = 1.

e) Haciendo uso de la sucesión de Sturm, separar las raı́ces de Q(λ).

Sol : [0, 1/2] y [1/2, 1].

f) Encontrar un intervalo que contenga a la menor de las raı́ces de Q(λ)

y en el que se pueda garantizar la convergencia del método Newton.
Determina las raı́ces exactas de Q(λ).

Sol : [0, 0.4]. Las raı́ces son 1/3 y 2/3.

g) En virtud de los resultados anteriores, calcular los autovalores y auto-

vectores de la matriz A.

Sol : Autovalores λ1 = 1/3 + 1/3 i y λ2 = 2/3 + 2/3 i. Autovectores

v1 = (1 + i, −1)T y v2 = (1 + i, 2)T respectivamente.

 
1 −1 1
Ejercicio 4.30 Se considera la matriz A =  −1 2 1 
 

1 2 2

a) Calcular su polinomio caracterı́stico por el método interpolatorio.

Sol : P (λ) = λ3 − 5λ2 + 4λ + 5.

b) Separar sus raı́ces mediante una sucesión de Sturm.

Sol : [−1, 0], [2, 3] y [3, 4].

84 Álgebra Numérica

c) ¿Convergerá el método de la potencia simple comenzando por el vector

x0 = (1, 1, 1)T ? Justifica la respuesta.

Sol : Si por tener un autovalor dominante.

d) Realiza dos iteraciones del método de la potencia simple comenzando por

el vector x0 = (1, 5, 8)T y aproxima el autovalor dominante mediante el
cociente de Rayleigh.

Sol : λ ' 3.38685028129986.

e) Realiza dos iteraciones del método de la potencia inversa comenzando

por el vector x0 = (6, 5, −6)T . ¿De quién es una aproximación x2 ?

Sol : x1 = (−10, −7, 9)T , x2 = (15, 11, −14)T . Es una aproximación del
autovector asociado al autovalor de menor valor absoluto.