Autovalores y Autovectores

Generalidades
Crculos de Gerschgorin
Mtodo de las Potencias
Transformaciones Similares

Prof. Dra. Nlida Beatriz Brignole

Definicin del Problema

Ax x
x0
P { i i 1, n } P : Espectro de A
(A I) x 0
para que el sistema tenga otra solucin adems de x 0 :
det( A I ) 0 Polinomio caracterstico

Anterior

Siguiente

Ejemplo
1 0 2
A 0 1 1
1 1 1
0
2
1
p ( A) det( A I ) 0 1 1
1
1
1
(1 )(2 2 4) 0

1 1 2 1 3i 3 1 3i
2
1 1 0
0 1 1 1

1
1 1 1

x1
0
Anterior

x11 0
x 0
12
x13 0

Siguiente

Interpretacin geomtrica
La

multiplicacin por A dilata a x , contrae a x,

o revierte la direccin de x, dependiendo del
autovalor de A

Ax x

1 1 0

Anterior

Siguiente

1 0

Teorema de Gerschgorin
Sea

AC

nxn

con autovalores
Sean

i 1, n

los crculos
n

Z i x C / x - a ii ri

Entonces

i D

Siguiente

a
j 1
j i

i 1

Anterior

ri
i

ij

Ejemplo
4 1 1
A 0 2 1
2 0 9
R1 z C tal que z 4 2
R2 z C tal que z 2 1

R3 z C tal que z 9 2

Anterior

Siguiente

Demostracin
A x k k x k
eiT A xk k eiT xk
n

j 1

[ A]ij [ xk ] j k [ xk ]i

elijo

[ xk ]i xk
n

[ A]ii [ xk ]i [ A]ij [ xk ] j k [ xk ]
j 1
j i

Anterior

Siguiente

Demostracin (cont.)
[ xk ]i k [ A]ii

[ A] [ x
ij

k ]j

j 1
j i

xk

k [ A]ii

k [ A]ii

[ A]

ij

[ xk ] j xk

j 1
j i

[ A]

ij

j 1
j i

Anterior

Siguiente

ri

cqd .

[ A]

ij

j 1
j i

Mtodo de las Potencias

xi

A xi i xi

1 2 n

L.I.

v0

i i

i 1

Av 0

A xi

i 1

i xi 1 1 x1

i 1

i i
v1 Av 0 1 1 x1
xi

1
1

i 2
Anterior

Siguiente

i 2

i xi

Mtodo de las Potencias (cont.)

i i
v2 Av1 A v0 1 1 A x1
A xi

i 2 1 1
n

i i
2
A v0 1 1 1 x1
i xi

i 2 1 1
2
n

i i
2

xi
1 1 x1
1 1

Anterior

Siguiente

Mtodo de las Potencias (cont.)

i i
v2 Av1 A v0 1 1 A x1
A x i
i 2 1 1

k
n

i i
k
k
vk A v0 1 1 x1
x i

i 2 1 1

lim vk lim 1 1k x1 x1 1 2 converge lentamente

2

1 1 1k 0 x1 0
1 1 1k x1
Anterior

Siguiente

Algoritmo: Mtodo de las Potencias

Dado v0

con

v0

para k 0 hasta converg.

repetir
zk A vk
vk 1

Anterior

Siguiente

zk
zk

Efecto del Escalado

z k 1
z k 1

A
vk 1

zk
Av k

zk
Av k

vk 1

A z k 1
A zk 1

Anterior

Siguiente

z k 1
z k 1

A2 vk 1

A vk 1

Ak 1 v0
Ak 1 v0

Efecto del Escalado (cont.)

i i
k 1
1 1 x1
i 2 1 1

vk 1
n
i i
k 1
1 1
x1
i 2 1 1
n

1
lim vk 1 lim
k
k
1

k 1
1
k 1
1

Anterior

Siguiente

k 1

x1

x1

k 1

x i

xi

x1
1
x1

Velocidad de Convergencia

determinada por las relaciones j
1
2

relacin dominante :

1 2 converge lentamente

autovalores negativos oscilacin

converg. de orden lineal

Anterior

v
lim
k

Siguiente

j 2, n

k 1

v x
k

Clculo del Autovalor Dominante

Cociente de Rayleigh

Ax x
x Ax x x
T

xT A x
xT A x

T
2
x x
x 2
Anterior

Siguiente

Clculo del Mnimo Autovalor

Ax x
A1 A x A1 x
1
x A1 x

si 1 2 n -1 n

n -1

z k A1 xk

PA z k P x k
Anterior

Siguiente

A zk xk
LU z k P xk v k

Algoritmo MP Inverso
Dado

x0 n

con

x0

factorizar PA LU
para
k 0 hasta converg.
repetir
LU z k v k
v k 1
fin repetir
xm P vm

xT A x

xT x

Anterior

Siguiente

zk
zk

Mtodo de las Potencias con Corrimiento

A x j j x j
A x j I x j j x j x j
( A I ) x j ( j ) x j
1
( j )

x j ( A I ) 1 x j

| | | | | |

n 1

Anterior

j 1

Siguiente

Shifting

Anterior

Siguiente

Algoritmo MPI con Corrimiento

Dado

x0 n

con

x0

I ) LU
factorizar P ( A
para
k 0 hasta converg.
repetir
LU z k v k
v k 1

zk
zk

fin repetir
xm P vm
I) x
xT ( A

xT x
Anterior

Siguiente

1,

Resumen
Mtodo Ecuacin

Computa

Potencias

Mximo autovalor

Inverso
Potencias
Con
shifting
Con
shifting
inverso

Anterior

x ( k 1) Ax ( k )

Ax

( k 1)

(k )

x ( k 1) ( A I ) x ( k )
( A I ) x ( k 1) x ( k )

Siguiente

Mnimo autovalor
Autovalor ms
lejano a
Autovalor ms
cercano a

Conclusiones: Mtodo de las Potencias

Ventaja
Simplicidad

Desventajas

Calcula los autovalores individualmente

Requiere un autovalor dominante
Surgen problemas con autovalores complejos
Requiere buena distancia entre el autovalor dominante y su vecino
La inicializacin del autovector afecta la velocidad de convergencia

Herramienta para propsitos especiales

Muy buena si se conoce bien el problema

Necesidad de herramientas de propsito general ...

que exijan tomar menos decisiones
que calculen todo el espectro a la vez

Anterior

Siguiente

Transformaciones Similares
nxn

nxn

; B
matrices A
nxn
se denominan SIMILARES si S
1
no singular tal que
A S BS
Las

Las

transformaciones similares
preservan los autovalores

Anterior

Siguiente

Teorema
Sea A nxn similar a B nxn ; A S 1B S
Sea autovalor de A y sea x autovector de A
es autovalor de B y Sx es autovector de B

Demostracin

A x x

S 1 B S x x
B S x S x
B y y
Anterior

Siguiente

Factorizacin Sucesiva
Propsito: Generar una sucesin de matrices similares,
tendiendo a lograr una forma especial

1
Ak S k 1 Ak 1 S k 1
1 1
1
Ak 1 S k S k 1 S1 A1

Anterior

Siguiente

S1 S k 1 S k

Diagonalizacin
A xi i xi
A x1

x2

A X x1

A X X D

i 1, n

x2

xn 1 x1
xn

1
0

2 x2
0

2
0

n xn
0
0

A X D

Autovalores distintos => Autovectores L.I. => Existe inversa de X

Si A es simtrica => Sus autovalores son reales
X es ortogonal
Anterior

Siguiente

Es una buena idea emplear rutinas

prefabricadas?

Pregunta crucial que nos hemos hecho desde el principio.

Diagonalizar matrices es un campo muy complejo de la

matemtica, y ha exigido gran cantidad de tiempo y de
trabajo desarrollar y verificar todas las rutinas realizadas

Libros de tanta reputacin y calidad como el Numerical

Recipes recomiendan usar paquetes de rutinas. De hecho,
existen gran cantidad de rutinas de calidad y que son
aceptadas por la comunidad cientfica, como es el caso de
EISPACK, IMSL o NAG.

Anterior

Siguiente

Experiencia

Sin embargo, al ejecutar el cdigo verificamos que el

programa comenz a fallar y a generar datos errneos. Tras
varias semanas de verificacin del cdigo, llegamos a la
conclusin que el cdigo estaba mal: eran las rutinas de
autovalores. Y estudiando en profundidad dichas rutinas
percibimos que, por su implementacin interna, tena
comentado un escalado para que fuera ms deprisa.
Eliminado el comentario del escalado, s volvi a dar
resultados correctos. Sin embargo, esto ya sent las dudas
sobre qu estabamos empleando para resolver nuestras
ecuaciones. Por otro lado, analizamos los lmites internos
de las rutinas.

Anterior

Siguiente

Rutinas prefabricadas

Emplear rutinas ya prefabricadas es, en nuestra opinin, una buena

opcin para cuando no es un clculo que hagamos con frecuencia o que
suponga peso en los clculos para nuestro algoritmo.

En caso de que la diagonalizacin sea una parte importante de nuestro

trabajo, slo podemos emplear rutinas prefabricadas para las primeras
fases de prototipado o para generar bateras de pruebas para asegurarnos
de la correccin de nuestras rutinas, y sin tomar como axiomas los
resultados numricos de ninguna de las dos rutinas.

Como rutinas prefabricadas hemos empleado las IMSL, que son bastante
buenas. Estn en Fortran, lo que fu una ventaja en las primeras fases del
proyecto -en las que el Fortran fu nuestro lenguaje de programacin- y un
inconveniente en las ltimas fases -que portamos todo el cdigo a C,
fundamentalmente por la gestin de memoria dinmica, de la que Fortran
77 carece y, en Fortran 90 y posteriores, es menos eficiente que en C.

Anterior

Siguiente

Matrices Triangulares
det( A I ) 0

En general ,

Si A es triangular

(a

ii

) 0

i 1

aii

i 1, n

Cmo transformar matrices arbitrarias

en matrices triangulares con los mismos autovalores?

Anterior

Siguiente

Teorema de Schur
Sea

AC

nxn

Entonces existe una matriz unitaria

T U
donde

tal que

AU U AU

es triangular superior.

Los elementos diagonales de

Anterior

Siguiente

son los autovalores de

Forma Real de Schur

Sea A nxn . Entonces U nxn , ortogonal
tal que T U T A U
T11
0

T 0

con

T12
T22
0

T13
T23
T33

T1k
T2 k
T3k

Tkk

donde Tii 1x1 es un autovalor real de T

o bien Tii 2 x 2 sus autoval . son un par de
autoval . complejos conjugados de T
Anterior

Siguiente

Lectura obligatoria
Rao

pgs 270-291
Rao pgs 315-324

Anterior

Siguiente