UNIVERSIDAD DE CUENCA

FACULTAD DE INGENIERIA
ESCUELA INGENIERIA CIVIL


MATERIA:
Mtodos Numricos Aplicados

PROFESOR:
ING. Gerardo Arbito

TEMA:
Autovalores y Autovectores

REALIZADO POR:
Arturo Barros
Andrs Siguencia

FECHA:
2013/01/25


Autovalores-Autovectores.

Marco Terico.
Sistema de ecuaciones no lineales.
I ntroduccin:
Se llama sistema lineal homogneo a todo sistema lineal de ecuaciones en el que los trminos
independientes o segundos miembros de cada ecuacin son cero, es decir:
0 ........
........ .......... .......... .......... ..........
........ .......... .......... .......... ..........
0 ........
0 ........
0 ........
2 2 1 1
3 2 32 1 31
2 2 22 1 21
1 2 12 1 11
= + + +
= + + +
= + + +
= + + +
n mn m m
n n
n n
n n
x a x a x a
x a x a x a
x a x a x a
x a x a x a

En los sistemas lineales homogneos, el rango de la matriz ampliada es siempre igual al rango
de la matriz de coeficientes, puesto que estas dos matrices se diferencian tan slo en una
columna de ceros. Por lo tanto, los sistemas homogneos son siempre compatibles,
evidentemente, siempre tienen alguna solucin, pues al menos x
i
= 0, 1 i n, es una solucin
que se denomina solucin trivial.

En un sistema homogneo caben dos posibilidades:

El rango de la matriz de coeficientes es igual al nmero de incgnitas, entonces el
sistema es compatible determinado y no tiene otra solucin ms que la trivial.
El rango de la matriz de coeficientes es menor que el nmero de incgnitas, entonces el
sistema tiene infinitas soluciones. Para resolver un sistema homogneo en estas
condiciones es preciso expresar unas variables en funcin de las otras.
A este tipo de sistema de ecuaciones no lineales se puede expresar de la siguiente forma
matricial.
| | { } { } 0 * = X A

(
(
(
(
(
(
(
(
(

0
.
.
.
0
0
0
.
.
. *
. . .
. . . . . . .
. . . . . . .
. . . . . . .
. . .
. . .
. . .
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
n nn n n n
n
n
n
x
x
x
x
a a a a
a a a a
a a a a
a a a a

En los sistemas lineales de ecuaciones homogneas de la forma [A]*{x}= {0} existen soluciones
no triviales si det[A]=0, para hallar estas soluciones se usa el mtodo de Faddeev Leverrier
para hallar valores propios.
En muchas ocasiones aparece la necesidad de resolver sistemas de ecuaciones algebraicas no
lineales de la forma.

0 ) ,........, , , (
.......... .......... .......... ..........
.......... .......... .......... ..........
0 ) ,........, , , (
0 ) ,........, , , (
0 ) ,........, , , (
3 2 1 4
3 2 1 3
3 2 1 2
3 2 1 1
=
=
=
=
n
n
n
n
x x x x f
x x x x f
x x x x f
x x x x f


Una de las dificultades asociadas con estos sistemas es que no es fcil saber si existen races y
cuantas son. Vamos a estudiar mtodos que bajo ciertas condiciones son capaces de encontrar
una de las races de este sistema de ecuaciones.



Introduccin
El estado actual de los mtodos para resolver el clculo de los autovalores, tambin conocidos
como eigenvalores de una matriz, es el resultado continuado de pequeos pasos. En el presente
se ver potentes algoritmos numricos que no permitirn hallar estos valores.
El problema a tratar es el de las soluciones no triviales de la ecuacin Ax x = , donde A
representa una matriz cuadrada, es un autovalor y x un autovector asociado a
Tericamente, el problema es equivalente a resolver:
( ) det 0 A I = dando lugar al
polinomio caracterstico cuyas races son los autovalores buscados. Tal estrategia slo puede
seguirse en casos muy especiales, pues dicho mtodo es muy inestable; pequeos cambios en
los coeficientes del polinomio dan lugar a grandes cambios en las i .
Dicho planteamiento sirve, sin embargo, para darnos cuenta de que, al contrario que ocurra
con la resolucin de sistemas lineales, todo mtodo utilizado para hallar los autovalores de una
matriz general debe ser de naturaleza iterativa, ya que el teorema de Abel-Ruffini nos
demuestra la imposibilidad de hallar las races de un polinomio general de grado mayor que 4
mediante un algoritmo en un nmero finito de pasos. Esto no quiere decir que no podamos dar
respuesta al problema, pues se han desarrollado numerosos algoritmos numricos que calculan
con gran aproximacin los autovalores y autovectores cuya velocidad de convergencia es
rpida.

Mtodos iterativos para hallar los autovalores
Mtodo de las potencias

Mtodo de Leverrier-Faddeev

Mtodo de Jacobi

MTODO DE LAS POTENCIAS
Introduccin:
Este mtodo nos proporciona la obtencin del mayor y el menor auto valor sin necesidad de
hallar el polinomio caracterstico, tiene la ventaja de su gran simplicidad. Que consiste en
tomar un vector adecuadamente elegido con componente no nula en el vector
0
v
correspondiente al autovalor de mdulo mayor; tras multiplicaciones sucesivas por la matriz A
del vector resultante, estos vectores van adquiriendo mayor peso en la direccin del autovector
0
v , estos vectores definen los subespacios de Krylov.
La limitacin del mtodo as expuesto, es que resulta slo vlido para el clculo del autovalor
de mdulo mayor y su velocidad de convergencia es lineal con el cociente entre el primer
autovalor y el segundo, resultando muy lenta si el cociente es prximo a uno.

Obtencin de los eigenvalores:
Sea el sistema homogneo de ecuaciones lineales:
( ) 0 A I X = se puede representar por:
0 AX X = donde se tiene: AX X =
A partir de aqu se da un vector inicial para
0
0 X = recomendable que sus elementos sean
iguales a 1, se procede a multiplicar con Ay se obtiene el siguiente vector
1
X el cual ser
normalizado utilizando su mayor elemento, este elemento ser la primera aproximacin al
mayor valorpropio. Se repetir el proceso hasta que se cumpla con la tolerancia dada.
Dado una matriz A de orden n donde sus auto vectores
1,2,3... j n
j
u
=
son linealmente
independientes y que
1 2 3
...
n
> > > > y una secuencia definida por
0,1,2,3....
1
k
k k
y Ay
=
+
=
Se puede expresar:
0
1
n
j j
j
y b u
=
=

0
j
dondeb es unescalar =



Entonces se tiene:
1 0
1 1 2 2
1 1 1 2 2 2
2
1 1 1 2 2
1 1
2
1 1 0
2
1 1 1 2 2
1 1
2
1 1 1 1 2 2 2
1
...
...
...
...
...
i i i
n n
n n n
n
n n
n
n n
n
paratodolo siguiente se sabe que Au u
y Ay
b Au b Au b Au
b u b u b u
b u b u b u
y Ay A y
b Au b Au b Au
b u b u b

=
=
= + + +
= + + +
(
= + + +
(

= =
(
= + + +
(

= + + +
1
2 2
2 2
1 1 1 2 2
1 1
1 0
2
1 1 1 2 2
1 1
...
:
:
...
n
n n
n
n n
k
k k
k k
k n
n n
u
b u b u b u
y Ay A y
b u b u b u

(
(

(
| | | |
( = + + +
| |
(
\ . \ .

= =
(
| | | |
( = + + +
| |
(
\ . \ .


Dado que:
1 2 3
...
n
> > > > entonces ( )
1
1 1
i

e y
1
lim 0
k
i
k

| |
=
|
\ .

Luego el vector
2
1 1 2 2
1 1
...
k k
n
n n
b u b u b u


(
| | | |
( + + +
| |
(
\ . \ .

converge en
1 1
c u
Entonces para una r-sima componente del vector:
( )
( )
( )
( )
1 1
1 2
1 1 1 2 2
1
1 1
0
1
1
0
2
1 1 1 2 2
1 1
...
lim lim
...
k k
k n
n n
k
k
r r
k k k
k k
k
r
k n r
n n
c u c u c u
A y
y
y
A y
c u c u c u

+ +
+
+
+

(
| | | |
( + + +
| |
(
\ . \ .

= = =
(
| | | |
( + + +
| |
(
\ . \ .



Para un valor arbitrario de
k
y se tiene:
( )
1
1 1 1 1
1
1
1
max
k k
k k k k
r
r n
k
z Ay
y z dondec z
c
+
+ + + +
s s
+
=
= =

Dado un vector
0
y no nulo entonces:
1 0 1 1 0
1 1
2 2
2 1 0 2 2 0
1 1 2 1 2
0
1 2 1 2 1
1 0
1 2
1 1
1 1 1
: :
: 1 1
... ...
1
...
k
k k
k k k
k k
k
z Ay y z Ay
c c
z Ay A y y z A y
c c c c c
y z A y
c c c c c c
z Ay A y
c c c
+
+
= = =
= = = =
= =
= =

( )
( )
( )
( )
( )
( )
1 1
1
1
1
0
1
1 1
0
: max
max 1
:
lim lim lim
k k
r
r n
k k
r
r n
k
k
r r
k
k
k k k
k
r
r
Como c z
y ya que y esta normalizado
entonces setiene
A y
z
c Lqqd
y
A y

+ +
s s
s s
+
+
+

=
=
= = =

Ejemplo de aplicacin:
6 5 1
6.5 1 1
7
1 1 7.5 1/ 1
7.5
6.8667
2 2 7.0667 2 / 2
7.0667
6.9434
3 3 7.316 3 / 3
7.316
6.898
4 4 7.168 4 / 4
7.168
6.924
5 5 7.254
7.254
A x
y Ax c x y c
y Ax c x y c
y Ax c x y c
y Ax c x y c
y Ax c x
( (
= =
( (

(
= = = =
(

(
= = = =
(

(
= = = =
(

(
= = = =
(

(
= = = =
(

1
5 / 5
6.909
6 6 7.204
7.204
y c
y Ax c
(
= = = ~
(


Para obtener
n
nos basamos en la inversa de la matriz:
1
1
1
: :
1
multiplicamos A a AX X
X A X
X A X

=
=
=

Para un valor arbitrario de
k
y se tiene el proceso iterativo:
( )
( )
( )
1
1
1 1 1 1
1
1
1
1
1
1
max
tan lim lim
k k
k k k k
r
r n
k
k
r
n k
k k
k
r
z A y
y z donde c z
c
z
por lo to c
y

+
+ + + +
s s
+
+

+

=
= =
= =


Mtodo de Faddeev-Leverrier.

Anlisis del mtodo.

En lgebra lineal, los vectores propios, autovectores o eigenvectores de un operador lineal son
los vectores no nulos que, cuando son transformados por el operador, dan lugar a un mltiplo
escalar de s mismos, con lo que no cambian su direccin. Este escalar recibe el nombre valor
propio, autovalor, valor caracterstico o eigenvalor. A menudo, una transformacin queda
completamente determinada por sus vectores propios y valores propios. Un espacio propio,
autoespacio o eigenespacio es el conjunto de vectores propios con un valor propio comn.

Si A es una matriz cuadrtica, el polinomio definido por:

) det( ) ( I A P =


Recibe el nombre de polinomio caracterstico de A. De donde el polinomio de grado n y en
consecuencias se tiene como mximo n ceros distintos, alguno de los cuales pueden ser
complejos.

Si es un cero del polinomio, entonces como ) det( I A =0 lo cual implica que el sistema
lineal definido por ) det( I A x=0 tiene otra solucin que no es x = 0.

Deseamos estudiar los ceros del polinomio y las soluciones distintas de cero correspondientes a
este sistema.



Si p es el polinomio caracterstico de la matriz A, los ceros de p se llaman valores
caractersticos o propios de esa matriz. Si

es un valor caracterstico de A y si x diferente de

cero tiene la propiedad de que
) det( I A
x=0 entonces x se llama vector caracterstico o
propio de la matriz A correspondiente al valor caracterstico.

Si x es un vector caracterstico asociado a un valor caracterstico , entonces Ax = Axi Por lo
cual la matriz A transforma al vector x en un mltiplo escalar de la misma.
Si es real y > 1, entonces A tiene el efecto a extender a x en un factor de y si esta 0<
<1, entonces A reduce a x en un factor de y cuando <0 los efectos son semejantes, aunque
se invierte la direccin da Ax.
En algebra lineal, los vectores propios, autovectores de un operador lineal son los vectores no
nulos que, cuando son transformados por el operador, dan lugar a un mltiplo escalar de s
mismos, con lo que no cambian su direccin. Este escalar recibe el nombre valor propio,
autovalor, valor caracterstico o eigenvalor. A menudo, una transformacin queda
completamente determinada por sus vectores propios y valores propios. Un espacio propio,
auto espacio o eigenespacio es el conjunto de vectores propios con un valor propio comn.

Dada una matriz cuadrada A de n x n A(n,n), el nmero l es un auto valor y el vector X, de
dimensin nx1 es un autovector con lo cual se verifica lo siguiente:

A X = l X A
n x n
X
nx1
= l X
nx1

A X = l X A X - l X = 0 ( A - l I) X = 0


Donde 0 es una matriz de dimensin nxn O(n, n) con todos sus elementos nulos e I es la matriz
identidad

Mtodo deterministico.

| |{ } { } B x A =


De donde la representacin del sistema homogneo con la solucin trivial.

(
(
(
(
(
(

0
.
.
0
0
.
.
.
. . . . .
. . . . .
.
.
2
1
3 2 1
2 23 22 21
1 13 12 11
n nn n n n
n
n
x
x
x
a a a a
a a a a
a a a a


Obteniendo el polinomio caracterstico tenemos:

| |{ } { } 0 = x I A


Este mtodo solo se puede resolver cuando existe la inversa de la matriz dada.

De donde tenemos.

(
(
(
(
(
(

(
(
(
(
(
(

0
.
.
0
0
.
.
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
.
. . . . .
. . . . .
.
.
2
1
3 2 1
2 23 22 21
1 13 12 11
n nn n n n
n
n
x
x
x
a a a a
a a a a
a a a a

Para realizar una solucin numrica realizamos por el mtodo de FADEEV-LEVERRIER

Tenemos que almacenar la matriz anterior en otra para obtener la traza, la traza es la suma de
los elementos de la diagonal.

MTODO DE LEVERRI ER-FADDEEV
Este mtodo halla el polinomio caracterstico de una matriz esto es:
( ) ( ) ( )
1 2
1 2 1
1 ...
n
n n n
n n n
P C C C C

=
Donde los coeficientes
i
C se hallan mediante la traza de una matriz, se utiliza el siguiente
procedimiento para hallar estos coeficientes:
1
1 ( 1)
B A
C traza B
=
=

( ) 2 1 1*
1
2 ( 2)
2
B A B P I
C traza B
=
=

( ) 3 2 2*
1
3 ( 3)
3
B A B P I
C traza B
=
=

..
( )
1 1
*
1
( )
n n
Bn A B P I
Cn traza Bn
n

=
=

Para obtener la inversa de la matriz, se aplica la siguiente frmula:

( ) I P B
Pn
A
n n
*
1
1 1
1

=


Algoritmo del mtodo de Fadeev-Leverrier.

| | ( )
( )
( ) ( )
( )
( ) ( ))
1
,
dim .
1: 1

1
2 :
:
1 * ] /
Dada la matrizA
Calculamos las ensiones de la matriz A n
Creamos un vector C n
hacer B A
C traza B
Para i n hacer
Obtenemos la matriz D almacenar la matriz necesaria paraobtener A si i n
D B C i I n

=
=
=
=
=
=

( ) ( )
( ) ( )
( )
( ) | |
* 1 *
/
:
/
: 1 * 1,
.
n
B A B C i I
C i traza B i
Obtenemos lainversa
Inv D C i
Formamosel polinomioasi P C
Obtenemos la raz del polinomio caracterstico que son los valores propios de la matriz
por ultimomostr

=
=
ar resultados

IMPLEMENTACIN EN MATLAB:
function [Inv,Vp] = Fadeev_Leverrier( A )
%Mtodo de Fadeev_Leverrier para obtencin de los auto valores Vp de una
%matriz A,conjuntamente obtencion de la inversa.
n=size(A);
C(1:n)=1;% vector donde se almacenara los coeficientes C del polinonio
B=A;
C(1)=trace(B);%Primer coeficiente
for i=2:n
if i==n
D=B-C(i-1)*eye(n);% matriz necesaria para obtener la inversa
end
B=A*(B-C(i-1)*eye(n));
C(i)=trace(B)/i;%coeficientes posteriores
end
Inv=D/C(i);
P=[1,-C];% Creacin del polinomio caracteristicos
Vp=roots(P); %soluciones valore propios de A

MTODO DE J ACOBI
Es un mtodo que data de 1846!. Consiste en ir aproximando la matriz original real y
simtrica a una matriz diagonal por una iteracin de sucesivas rotaciones planas.
Dichas rotaciones se van aplicando al elemento de mayor mdulo fuera de la diagonal, de tal
manera que lo anule. En cada paso pueden destruirse algunos ceros anteriormente
conseguidos, pero el efecto total es la reduccin de la magnitud de los elementos no nulos.
Debido al alto coste de encontrar en cada paso el elemento de mayor magnitud, el algoritmo se
corre de manera cclica tratando en orden los elementos a anular.
Se han hecho intentos de generalizar el mtodo a matrices no simtricas hallando ceros para
conseguir la forma de Schur, pero para este caso otros mtodos resultan ms adecuados. El
mtodo QR puede verse como de tipo Jacobi, pues produce la forma de Schur mediante una
serie de transformaciones de semejanza compuestas de rotaciones.
METODO DE JACOBI PARA LA OBTENCIN DE LOS EIGENVALORES DE UN MATRIZ
SIMTRICA TRIDIAGONAL

Introduccin
Muchos problemas de inters conducen al clculo, o por lo menos a la estimacin, de los
valores caractersticos o autovalores de una matriz asociada con un sistema lineal de
ecuaciones.
Definicin. Si A es una matriz de nxn, entonces se dice que un vector diferente de cero x en
n
R
es un eigenvector de Asi Ax es un mltiplo escalar de x ; es decir,
Ax x =
para algn escalar . El escalar se denomina eigenvalor de A y se dice que x , es un
eigenvector correpondiente a .
Para encontrar los eigenvalores de una matriz A de nxn, se vuelve a escribir Ax x = como
Ax Ix =
o, lo que es equivalente,
( ) 0 A I x = .
Para que sea un eigenvalor, debe haber una solucindiferente de cero de esta ecuaci, por
tanto:
( ) det 0 A I =
Esto se conoce como ecuacin caracterstica de A; los escalares que satisfacen esta ecuacin
son los eigenvalores de A. Cuando se desarrolla, el determinante
( ) det A I
es un polinomio
en conocido como polinomio caracterstico de A
( ) p
.
As pues, formalmente, los autovalores de A se pueden obtener encontrando las n races de p().
En la prctica esto puede llevarse a cabo con matrices o bien de pequeo tamao o bien de
formas particulares. En el caso general el polinomio caracterstico es difcil de obtener y, de
cualquier modo, sabemos que la determinacin de las races de un polinomio de grado nsimo
es tambin un problema difcil, puesto que, excepto para valores pequeos de n, no es un
problema cerrado (esto es, no hay frmulas explcitas). En consecuencia es necesario
considerar algoritmos que permitan determinar sistemticamente todos los autovalores de una
matriz dada en una forma eficiente, esto es, con el menor nmero de operaciones posibles.
El mtodo de Jacobi es un mtodo fiable que proporciona respuestas uniformememnte precisas
y que para matrices de orden menor o igual a 10es competitivo frente a otros mtodos ms
sofisticados.
El mtodo de Jacobi funciona para todas las matrices simtricas reales; esta limitacin no es
muy severa ya que, en la prctica, hay un gran nmero de problemas en la ingeniera y en la
matemtica aplicada que involucran el clculo de los autovalores de una matriz simtrica.

Semejanza de matrices y transformaciones ortogonales
Los mtodos para reducir una matriz general dada a una forma ms simple se basan en las
transformaciones de similitud o semejanza.
Definicin. Si A y B son matrices cuadradas, se dice que Bes semejante a A si existe una matriz
inversible T tal que
1
B T AT

= .
Al hacer
1
Q T

=
1 1 1 1 1 1
B QAQ BQ QAQ Q Q BQ Q QA Q BQ IA A Q BQ

= = = = =
Con lo que A es semejante a B. Por tanto, B es semejante a A si y slo si A es semejante a B,
como consecuencia se dir simplemente que A y B son semejantes.
La transformacin de similitud tiene la propiedad de preservar los autovalores. En efecto, a
partir de la ecuacin de autovalores:
Ax x =
premultiplicando por
1
T

tenemos que:
1 1
T Ax T x

=
Si definimos
1
T x y

= , con lo cual x Ty =
Obtenemos
1 1
T ATy T Ty y

= =
es decir tenemos el nuevo problema de autovalores
By y =
para la matriz B que es semejante a la matriz A, donde los nuevos autovectores y estn
relacionados en forma simple con los de A, pero los autovalores son los mismos. Este resultado
se sigue tambin del hecho de que matrices semejantes tienen el mismo polinomio
caracterstico. En efecto,
( ) ( )
( )
( ) ( )
( )
( ) ( )
1 1
1
1
det
det
det
det det det
det
B
A
p B I
T AT T T
T A I T
T A I T
A I p

=
=
=
=
= =



La estrategia prctica a considerar es dividir el problema en dos partes: en primer lugar se
reduce la matriz original A a una matriz B = (b i,j ) de una estructura ms simple (en el sentido
de que posea la mayor cantidad de elementos nulos posibles) pero con los mismos autovalores;
y luego se calculan los autovalores de esta nueva matriz.

ROTACI N DE J ACOBI
Una rotacin (p,q) de jacobi es la matriz
T
U AU donde
T
U
Se obtiene de la siguiente forma:
( ) ( )
( ) ( )
11 12 13 14 15 16
21 23 24 26
31 32 33 34 35 36
41 42 43 44 45 46
51 53 54 56
61 62 63 64 65 66
1 0 0 0 0 0
0 cos 0 0 sin 0
0 0 1 0 0 0
'
0 0 0 1 0 0
0 sin 0 0 cos 0
0 0 0 0 0 1
pp pq
qp qq
a a a a a a
a a a a a a
a a a a a a
A
a a a a a a
a a a a a a
a a a a a a
U


(
(
(
(
=
(
(
(
(
(

(
(

(
(
=
(
(
(

( ) ( )
( ) ( )
1 0 0 0 0 0
0 cos 0 0 sin 0
0 0 1 0 0 0
0 0 0 1 0 0
0 sin 0 0 cos 0
0 0 0 0 0 1
y U


(
(
(
(
=
(
(
(

( (


Donde es el ngulo de rotacin.


La rotacin tiene la forma:
'' '
p
A U AU
q
p q
(
(
(
(
= =
(
(
(
(



Entonces en general los valores de: '' , '' , ''
pp qq pq
a a y a son:
( ) ( )
( ) ( )
( ) ( )
' '
' cos sin
' sin cos
' cos sin
pp pp pq
qq pq qq
pq pq qq
A U A
a a a
a a a
a a a



=
=

= +

( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
2 2
2 2
2 2
'' '
'' ' cos ' sin
cos 2 sin cos sin / /
'' ' sin cos
sin 2 sin cos os / /
'' ' sin ' cos
sin cos sin cos sin cos
sin c
pp pp pq
pp pq pq qq
qq pq qq
pp pq qq
pq pp pq
pp pq pq qq
pp qq
A A U
a a a
a a a a
a a a
a a a c
a a a
a a a a
a a

=
=
= +
= +
= +
= +
= +
= ( ) ( ) ( ) ( )
2 2
os cos sin / /
pq
a

Ejemplo:
Rotar la matriz:
( ) ( )
1 1 3 1
1 0 2 0
: , 1, 3
3 2 4 0 2
1 0 0 1
A Con en p q
t

(
(
(
= = =
(
(


0 0 1 0 1 1 3 1 0 0 1 0 3 2 4 0 0 0 1 0
0 1 0 0 1 0 2 0 0 1 0 0 1 0 2 0 0 1 0 0
''
1 0 0 0 3 2 4 0 1 0 0 0 1 1 3 1 1 0 0 0
0 0 0 1 1 0 0 1 0 0 0 1 1 0 0 1 0 0 0 1
4 2 3 0
2 0 1 0
/ /
3 1 1 1
0 0 0 1
A
( ( ( ( (
( ( ( ( (
( ( ( ( (
= =
( ( ( ( (
( ( ( ( (

(
(

(
=
(
(



DESARROLLO DEL METODO
El mtodo se basa en el proceso de hallar una serie de transformaciones similares:
1
, 1, 2, . . . ,
T
k k k k
A U A U k
+
= =
1 i
Donde A A y A convergeenunamatriz diagonal cuandoi
yUeslamatriz derotacin
=

El proceso consiste en escoger el mximo valor absoluto de los elementos de la matriz
simtrica, se escoger entre los valores que estn nicamente sobre la diagonal principal
( )
max
pq ij
i j
a a Dondei j
=
= <

El objetivo es encontrar tal que '' 0
pq
a = asumiendo previamente que 0
pq
a =
Entonces se tiene:
( ) ( ) ( ) ( ) ( ) ( )
2 2
sin cos cos sin 0
pp qq pq
a a a + =
desarrollando:
( )
( )
( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( ) ( )
( )
2 2 2
2
2
2 2
2
cos 2
2 2
sin 2 / 2
2
2
cos sin 1
2
2sin cos 2
2
2 1 0
2 4 4
1 1
2
1
/ /
1
pq
pp qq pq
qq pp
pq
a
a a a ctg
a a
ctg
a
tg
ctg
tg
asumiendoque ctg
tg tg
tg ahora multiplicando y dividiendo por
setie

|
|
| |
| | | |
| |

= =

= =

= =
=
+ =
+
= = + +
=
+
( )
( )
( )
( )
( )
( )
( )
( )
2
2 2
1 0
:
1/ 1 0
1
:
1
cos
1 1
si
ne que tg
si
El signodependetal quecumpla tg
por trigonometria setiene
tg
y deesta sin
tg tg
|

| | |

=

+ =

s
= =
+ +

Algoritmo para hallar los autovalores de una matriz simtrica
( )
( )
( )
( )
( )
( )
2
2
2
:
2
1 0
1/ 1 0
1
cos
1
1
.
pq
qq pp
pq
T
Hallar a conlas condiciones dadas
calcular
a a
a
si
t
si
tg
tg
sin
tg
formar la matriz u y Hallar el sig valor de Ahasta obtener una matriz diagonal
Se puederepetir hastaunnumeroda
|
|
| | |

=
=

=

+ =

=
+
=
+
.
.
dodeciclos entonces los elementos dela diag
principal sonlas aproximaciones alos valores propios

Ejemplos de corrida de los programas:
Dada la matriz A obtener los valores propios mediante los mtodos estudiados.
4 2 0
2 5 3
0 3 6
A
(
(
=
(
(


Por el Mtodo de las potencias



Por el Mtodo de Leverrier-Faddeev







Por el Mtodo de Jacobi


Mtodo de Newton Raphson
- Anlisis Terico.
En esta aplicacin formularemos un algoritmo para la solucin de Ecuaciones no
lineales, la cual es una derivacin del Mtodo de Newton Raphson para una funcin
cualquiera la cual necesitaremos una aproximacin inicial y la derivada de las
funciones en este caso llamadas Jacobiano.
Como ya hemos visto el mtodo que abordaremos ser de tipo iterativo y en ellos se
generara una sucesin de vectores que, en el mejor de los casos, se van a aproximar a
un vector solucin.

Considrese la ecuacin f(x) = 0 en la que supongamos que f(x) es una funcin de
clase ([a; b]) en el plano: Supongamos adems que la ecuacin anterior admite una
solucin xo en el intervalo [a; b]: Para cualquier otro valor x0 2 [a; b], denotando por h
al valor tal que x0 = x0 + h; la expresin del desarrollo en serie de Taylor nos permitir
escribir que:


Conociendo x0 se fuese capaz de determinar h resolviendo la ecuacin:



Pero el mtodo de Newton-Raphson (o mtodo de linealizacion de Newton) se
sustenta en simplificar la expresin anterior linealizandola. Para ello considera que si
esta suficientemente cerca de la solucin (es decir, si h es suficientemente pequeo) el
termino se despreciara.


En donde el Metodo de Newton Raphson quedara linealizada por la siguiente
expresion.

Vemos que el mtodo de Newton-Raphson exige que los valores de f0(xi) no se anulen.
Una interpretacin grafica del mtodo puede obtenerse teniendo en cuenta que
f0(xi) geomtricamente representa la tangente trigonomtrica de la recta tangente a la
grafica de f(x) en el punto (xi; f(xi)) por lo que jf(xi)=f0(xi)j ser la distancia existente
entre xi y el punto de corte de la recta tangente a f(x) en (xi; f(xi)) con el eje de
abscisas.

Es decir que las primeras iteraciones del proceso se pueden representar de la forma en
que se recoge en la figura.

Para un sistema de Ecuaciones no lineales de la forma

Tendremos que linealizar el mtodo quedando de la siguiente forma


De lo que se obtiene:



La matriz [J] sera llamada matriz Jacobiana de Derivadas parciales de la funcion.
- Planteamiento

Partiendo de la ecucuacion de general para solucion de ecuaciones formaremos el
polinomio de Taylor

Ahora lo expresaremos en forma Matricial

{} {

}
[

}

Si despejamos {

} y luego {

}

{

}


Para resolver y obtener una aproximacin a cero seguimos hasta que:

{

} {}


- Seudocdigo

Seudocdigo de Newton Raphson aplicado a dos ecuaciones.
Datos de Entrada:
F(x),G(x): Funciones a evaluar
F`(x), G(x): Derivadas de las Funciones
X0: Aproximaciones iniciales
n: Numero de iteraciones
Tol: Tolerancia

Salida:
P: Ceros de las ecuaciones
Mensaje de fracaso se ha sobrepasado

Paso1 i=1
Paso2 R=[xo;yo]-inv(J)*[F;G]
Paso3 Si |F-G |<=tol
Paso4 Entonces SALIDA ,`raz de la ecuacion`, p
Paso5 PARAR
Paso6 Sino x0=R(1), y0=R(2)
Paso7 i=i+1

Paso8 Si i<N
Paso9 Entonces, SALIDA, `Se ha sobrepasado iteraciones`
Paso10 PARAR


Conclusiones
El mtodo de las potencias es un proceso iterativo eficaz para obtener los valores propios de
mxima y mnima magnitud de una matriz, siempre converge a una solucin dependiendo del
valor de la tolerancia dada, a pesar del mal condicionamiento de la matriz.
El mtodo de Leverrier-Faddeev es otro mtodo muy potente en el que se basa en la formacin
del polinomio caracterstico de la matriz obteniendo sus coeficientes mediante la utilizacin de
la traza, tambin al ir obteniendo los coeficientes del polinomio podemos obtener valores
necesarios para calcular la inversa de la matriz.

Aplicando el mtodo de FADEEV LEVERRIER podemos comparar con las funciones
que existen en Matlab se puede notar que no se nota falla por lo cual el mtodo puede
ser de gran utilidad.

Con los ejemplos planteados, se puede apreciar que el mtodo de Fadeev Leverrier es muy
eficiente, tan eficiente que casi no produce ningn error comparado con las funciones de
MATLAB.

El mtodo de Leverrier modificado construye de forma recursiva los coeficientes del polinomio
caracterstico. Adems, como resultado se puede calcular la inversa. Este proceso tiene un
costo computacional muy elevado para matrices de orden elevado por lo que su uso en estos
casos debe ser prohibitivo, pero para nuestras aplicaciones nos resulta bastante til y muy
preciso en los resultados.
En el mtodo de Jacobi se puede ver que cada rotacin afecta nicamente a un par de filas y
columnas de la matriz A por lo que el mtodo es altamente paralelizable; su otra gran ventaja
es la gran precisin de los autovalores aproximados hallados, aunque su contrapartida es la
lentitud de su convergencia, ya que para llegar a un valor muy cercano al exacto la matriz A
debe llegar a diagonalizarce. Este mtodo tiene la desventaja de que la matriz debe ser una
matriz simtrica.
Se ha estudiado mtodos muy potentes para la obtencin de los valores propios de una matriz,
estos mtodos son muy diferentes en su estructura es decir cada uno tiene su propio
procedimiento en el clculo de los valores propios.
Necesitamos introducir las derivadas de las funciones debido a que no hemos implementado un
algoritmo para resolver n derivadas
Las soluciones presentadas son muy aproximadas debido a que el mtodo de Newton Raphson
es un mtodo iterativo muy bueno que converge a una solucin.










































Aplicacin de Autovalores y Eigenvectores a un Edificio para
determinar los modos de Vibracin.
Introduccin

Supongamos que tenemos un edificio al cual se lo modifica de su posicin inicial con cargas
horizontales que actan en cada piso, en este caso se considerara cada piso como una masa
uniforme y constante y la carga ser una fuerza puntual aplicada a la masa.

A continuacin se mostrara el diagrama a utilizar.











Cada masa puede desplazarse una distancia

por cada piso del edificio.

- Anlisis Terico

La resolucin de los modos de vibrar involucra temas de eigenvalores y autovalores que se
generan al tener la solucin trivial de una matriz de rigidez.

Cuando una matriz de la forma [A][x]=0 queremos obtener no solo la solucin trivial entonces
utilizaremos la forma del autovalor [A-I][x]=[0].

Para que sea un eigenvalor, debe existir una solucin diferente de cero para esta ecuacin. Sin
embargo tiene una solucin diferente de cero si y solo si

det(A-I) =0.

Esta expresin se denomina ecuacin caracterstica de A. los escalares que satisfacen esta
ecuacin son los eigenvalores de A. Al desarrollar el det(A-I) se obtiene un polinomio de al
que se le denomina polinomio caracterstico de A.

El polinomio caracterstico de A es de grado n tendr la siguiente forma.

]

En la aplicacin al edificio veremos que las ecuaciones de equilibrio formaran un sistema de la
forma [A][x]=0 que requerir una solucin no trivial para ver sus modos de vibrar.

- Planteamiento.
Para obtener el polinomio caracterstico utilizaremos un mtodo llamado de Fadderer-
Leverier.

En donde:




det(A-I) =




Ahora para obtener los coeficientes del polinomio:

B1=A P1=traza(B1)
B2=A(B1-P1I) P2=1/2 *traza(B2)
B3=A(B2-P2I) P3=1/3*traza(B3)
B4=A(B3-P3I) P2=1/4* traza(B4)
: :
: :
Bk=A(Bk-1-Pk-1I) Pk=1/k* traza(Bk)
: :
: :
Bn=A(Bn-1-Pn-1I) Pn=1/n* traza(Bn)

Donde:

Ahora en la aplicacin al edificio obtendremos los valores de lambda resolviendo para . Un
edificio se mantendr en equilibrio si la sumatoria de las fuerzas aplicadas sea cero o so no
colapsara por lo que primero obtendremos las ecuaciones de equilibrio para el sistema que
estn dadas por:

Como es un sistema homogneo plantearemos la solucin aplicando autovalores.

Las vibraciones del edificio estn gobernada por ecuaciones que son oscilaciones respecto a su
punto esttico
Lo que tenemos:





Ahora

Reemplazando;

[A][x]=0 [A-p^2][x]=0



Agrupando y simplificando;

Ahora si lo expresamos como una matriz dividiendo para las masas tendremos lo siguiente;


[

La matriz que se obtiene tiene la forma de [A-p^2][x]=0 por lo que podremos usar al algoritmo
de eigevalores para obtener los modos de vibrar del edificio.



- Seudocdigo
Primero elaboraremos un algoritmo para obtener los coeficientes del polinomio caracterstico
de una matriz con autovalores.

Datos de Entrada
A: Matriz de Coeficientes
Datos DE Salida
P: Coeficientes del Polinomio

Paso1 B1=A
Paso2 P1=trace(B1)
Paso3 Para i =2:n-1
Paso4 B1=A(B1-P1 )
Paso5 Bn= A(B1-P(i) )
Paso6 Pn=trace(Bn/n)
Paso7 ainv=B1-P(i) /P(n)
Paso8 Salida\

- Codificacin y Ejemplo.

La primera codificacin ser para obtener el polinomio caracterstico usando el mtodo de
Fadderer-Leverier


%Funcion para rdeterminar los eigenvalores de [A]*X=0
%Datos de Entrada
%A ==> Matriz a evaluar

%Datos de Salida
% P ==> COeficientes del polinomio caracteristico
%clamb==> Polinomio caracteristico

function []= eigenval(A)
disp('')
n=size(A,1);

B1=A;
P(1)=trace(B1);
disp('')
disp('MAtriz A = ')
disp(A)
for i=2:n-1
B1=A*(B1-(P(i-1)*eye(n)));
P(i)=trace(B1)/i;
end
BN=A*(B1-(P(i)*eye(n)));
P(n)=trace(BN)/n;
cflamb(1)=(-1)^n;
for i=2:n+1
cflamb(i)=((-1)^n*(-P(i-1)));
end
disp('')
disp('Coeficeintes P del polinomio segun el orden de lambda= ')
disp(cflamb);
end

Ejemplo:
Para el ejemplo utilizaremos una matriz A cualquiera.
A=
[

>> eigenval(a)

Matriz A =
5 6 7 8 4
6 4 3 -2 1
5 1 3 4 -5
-5 6 10 -1 8
1 2 6 3 -9

Coeficientes P del polinomio segun el orden de lambda=

-1 2 126 936 5324 -12019
Ahora Implementaremos un programa para obtener los valores de vibrar de un Edificio.

%APLICACION DE EIGENVALORS PARA UN EDIFICION EN VIBRADCION.
%DATOS DE ENTRADA:
%m1,m2,m3,m4 ==> masas de los pisos del edificio.
%k1,k2,k3,k4 ==> constantes de rigidez.
%h ==> altura del edificio

%DATOS DE SALIDA
%P2 ==> Coeficientes del polinomio caracteristico
%lam ==> Solucion del Polinomio VAlores caracteristicos
%x ==> Solucion de la Matriz con los valores caracteristicos

function[]= caredf(m1,m2,m3,m4,k1,k2,k3,k4,h)

%Ingreso de datos

%Generacion de la matriz A
A=[(k1+k2)/m1 -k2/m1 0 0;
-k2/m2 (k2+k3)/m2 -k3/m2 0;
0 -k3/m3 (k3+k4)/m3 -k4/m3;
0 0 -k4/m4 k4/m4];

disp(A);
n=size(A,1);
P2=eigenval(A);

disp('Polinomio caracteristico = ');
disp(P2);

lam=roots(P2);
disp('P =');
p1=sqrt(lam);
disp(p1);

%Solucion del SIstema con cada autovalor encontrado
for i=1:n
c=A-lam(i)*eye(n);
c=c(1:n-1,:);
b=-c(:,1);
c=c(:,2:n);
x(i,:)=inv(c)*b;
end



%Matriz Solucion con la primera solucion x=1
x=[ones(n,1),x];
disp('Solucion de Cada Eigenvalor');
x=[zeros(n,1),x];
disp(x);
y=(0:h:h*n);




%Grafico
xlabel('Desplazamientos de cada piso del Edificio')
ylabel('Altura del Edificio')
title('MODOS DE VIBRAR DE UN EDIFICIO DEBIDO A CARGAS APLICADAS')

%Diagrama original del edificio
hold on
plot(zeros(length(y)),y,'ob');
plot(zeros(length(y)),y,'--b');
plot(x(1,:),y,'or');
plot(x(1,:),y,'--r');

end

Para cada modo de vibrar plotearemos cada vector de x
Modo 1:

plot(x(1,:),y,'or');
plot(x(1,:),y,'--r');

Modo 2:

plot(x(2,:),y,'or');
plot(x(2,:),y,'--r');

Modo 3:

plot(x(3,:),y,'or');
plot(x(3,:),y,'--r');

Modo 4:

plot(x(4,:),y,'or');
plot(x(4,:),y,'--r');


Ejemplo

Para el ejemplo tendremos los siguientes datos;

Masas en Kgs:
m1=10000
m2=18000
m3=7000
m4=15000

Constantes de Rigidez:
k1=120
k2=100
k3=800
k4=600

>> caredf(10000,18000 ,7000,15000,120,100,800,600,20)

0.0220 -0.0100 0 0
-0.0056 0.0500 -0.0444 0
0 -0.1143 0.2000 -0.0857
0 0 -0.0400 0.0400

Matriz A =
0.0220 -0.0100 0 0
-0.0056 0.0500 -0.0444 0
0 -0.1143 0.2000 -0.0857
0 0 -0.0400 0.0400

Coeficientes P del polinomio segun el orden de lambda=
1.0000 -0.3120 0.0178 -0.0003 0.0000

Polinomio caracterstico =
1.0000 -0.3120 0.0178 -0.0003 0.0000





P =
0.4932
0.2137
0.1479
0.0354

Solucin de Cada Eigenvalor

0 1.0000 -22.1198 96.0290 -18.9035
0 1.0000 -2.3663 -0.3559 2.5142
0 1.0000 0.0115 -0.1177 -0.2600
0 1.0000 2.0746 2.1504 2.2200























Modo 1:


















Modo 2:


















Modo 3:
















Modo 4:





- Conclusiones

El mtodo de Fadderer-Leverier nos proporciono los coeficientes del Polinomio
caracterstico de una matriz

Al obtener el Polinomio se resuelve para lambda por lo que obtuvimos 4 valores que al
remplazar en la matriz se obtiene 4 modos de vibrar del edificio.

La solucin del sistema homogneo empezara con la solucin inicial de x=1 y nos
proporcionara la solucin con todos los autovalores.


Para resolver el sistema homogneo del edificio se utiliza un algoritmo partiendo con una
solucin inicial x=1 y se reasignara los valores para obtener todas las soluciones.

Las soluciones estn gobernadas por la ecuacin pero gracias a que se
simplifica la solucin solo involucra temas de autovalores de lo contrario seria muy difcil
obtener el equilibrio del edificio.

Las graficas no muestran una solucin tan coherente debido a que si bien usamos unas
masas aproximadas, las constantes de rigidez estn elegidas al azar y sin un anlisis previo
ya que no nos compete su estudio.