UNIVERSIDAD NACIONAL

DE INGENIERÍA

FACULTAD DE INGENIERÍA MECÁNICA

Área Académica de Ciencias Básicas Humanidades y Cursos
Complementarios

METODOS NUMERICOS (MB –536)

CALCULO DE VALORES Y VECTORES PROPIOS

Profesores:
Garrido Juárez Rosa
Castro Salguero Robert
Obregón Ramos Máximo

2009-1
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

VALORES Y VECTORES PROPIOS

El cálculo de los valores propios y de los vectores propios de una matriz tiene gran
importancia en las matemáticas y en la ingeniería, algunos de estos campos de
aplicación son:
- Sistemas Mecánicos vibratorios y resonancias- Valores propios ω2(frecuencia de
resonancia) y los vectores propios dados por los modos naturales de vibración.
- Circuitos eléctricos-circuitos resonantes
- Cálculos de Esfuerzos y Deformaciones.
- Transformaciones Geométricas usando Matrices.( Ejes de Rotación)
- Estabilidad de los sistemas lineales.(p.e. Ingeniería de Control)

Definición 1

Sea A una matriz cuadrada de orden n con componentes en K (R ó C). Un escalar λ se

dice que es un valor propio de A si existe un vector u ∈ K n , u ≠ 0 tal que
Au = λ u . (1)
En estas condiciones decimos que u es vector propio de A asociado al valor propioλ.

El problema de los valores propios de una matriz cuadrada A, consiste en

determinar los escalares λ que proporcionan soluciones diferentes de la trivial al
sistema lineal (1). Es decir, soluciones tales que u ≠ 0 .

Nótese que si u satisface la ecuación (1), también un múltiplo arbitrario de u (cualquier

vector paralelo u) es una solución.

1 2 
Ejemplo 1. Sea A =  
2 1
1 2 1 1
Dado que:     =3 
2 1  1 1

tenemos que:
λ1 =3 es el valor propio de A, y
u1 = [1 1]t es vector propio de A asociado al valor propio λ1 =3
1 2   1  1
Además, puesto que     =− 
2 1  − 1 − 1
tenemos que:
λ2 =-1 es el valor propio de A, y
u 2 = [1 − 1]t es vector propio de A asociado al valor propio λ2 =-1

1
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Teorema 1
Sea A una matriz cuadrada. Entonces λ es valor propio de A si y solo si det(A-λI) = 0

Demostración:

λ valor propio de A ⇔ u ≠ 0, Au = λu
⇔ u ≠ 0 y (A -λI)u = 0
⇔ (A - λI)u = 0 es un sistema compatible indeterminado
⇔ det(A - λI) = 0

Definición 2

Sea A una matriz cuadrada.

i) p (λ ) = det( A − λI ) se llama polinomio característico de A
ii) p (λ ) = 0 se llama ecuación característica de A
iii) Llamaremos multiplicidad algebraica de un valor propio λ , representada por
m a (λ ) , a la multiplicidad de λ como raíz de p (λ ) = 0 .

Teorema 2
Sea A una matriz cuadrada de orden n con componentes en K y λ un valor propio de A.
El conjunto
{ }
E ( λ ) = u ∈ R n : ( A − λI ) u = 0
es un subespacio vectorial de Rn

Demostración. Ejercicio

Definición 3

Sea A ∈ M n×n (K ) y λ un valor propio de A. El subespacio vectorial E( λ ) es llamado

espacio propio de A asociado al valor propio λ .

Nota
El conjunto de todos los vectores propios de una matriz A asociados al valor propio λ
es dado por E( λ ) – {0}

Calculo de los Valores y Vectores Propios

Vamos a sistematizar el procedimiento a seguir en el cálculo de los valores y vectores

propios de una matriz A cuadrada

1. Calcular el polinomio característico de A . i.e p (λ ) = det( A − λI )

2. Resolver la ecuación p (λ ) = 0 para obtener las raíces de la ecuación
característica (estas raíces son los valores propios de A)
3. Cuando calculamos los vectores propios de una matriz dada, asociados a cierto
valor propio λ , tenemos que resolver el sistema homogéneo (A- λ I)u = 0 que
tiene que ser indeterminado. Como tal debe de existir una fila nula en la matriz
A- λ I., si tal no ocurriera algún error fue cometido.

2
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Definición 4
La dimensión del subespacio propio es llamada la multiplicidad geométrica (m.g.) del
valor propio y algunas veces Nulidad de (A-λI).

Teorema 3
Sea A una matriz cuadrada de orden n y λ un valor propio de A. Entonces, la
multiplicidad geométrica de λ es menor o igual a la multiplicidad algebraica de λ.

Este resultado nos permite concluir inmediatamente que si un valor propio tiene
multiplicidad algebraica 1, entonces su multiplicidad geométrica es también 1.

Ejemplo 2
Para la matriz A del ejemplo 1, tenemos:
1 2  1 0
A − λI =   − λ 
2 1 0 1 
1− λ 2
=
2 1− λ
= (1 − λ2 ) − 4 = (1 − λ − 2)(1 − λ + 2)
= (3 − λ )(−1 − λ ) = 0
Por lo tanto, los valores propios de A son:
•λ1 = 3 con multiplicidad algebraica ma = 1 y
•λ2 = -1 con multiplicidad algebraica ma = 1
Para λ1 = 3, tenemos que resolver
1 − 3 2   x1  − 2 2   x1  0
 2 1 − 3  x  =  2 − 2  x  = 0
  2    2   

Tomamos como variable libre a x2 y como variable básica a x1

1
Ker ( A − 3I ) =  
1
La multiplicidad geométrica de λ1 = 3 es m.g.=dim(Ker(A - 3I))=1
El vector [1 1]t es un vector propio de A con valor propio λ = 3
Para λ1 = -1, tenemos que resolver
1 − (−1) 2   x1  2 2  x1  0
 2 − −   x  =  2 2   x  = 0 
 1 ( 1)  2    2   

Tomamos como variable libre a x2 y como variable básica a x1

1
Ker ( A + I ) =  
− 1
La multiplicidad geométrica de λ2 = -1 es m.g.=dim(Ker(A+I))=1
El vector [1 − 1] es un vector propio de A con valor propio λ = -1
t

3
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Ejemplo 3
Encuentre los valores y espacios propios de la matriz

 5 4 2
 
A =  4 5 2
 2 2 2
 
Solución
Encontremos el polinomio característico de la matriz A.

5−λ 4 2
det ( A − λI ) = 4 5−λ 2
2 2 2−λ
= (5 − λ )[(5 − λ )(2 − λ ) − 4] − 4[4(2 − λ ) − 4] + 2[8 − 2(5 − λ )]

( )
= (5 − λ ) 10 − 7λ + λ2 − 4 − 4(8 − 4λ − 4 ) + 2(8 − 10 + 2λ )
= (5 − λ )(λ − 1)(λ − 6 ) + 16(λ − 1) + 4(λ − 1)
= (λ − 1)[(5 − λ )(λ − 6 ) + 20]
(
= (λ − 1) − λ2 + 11λ − 10 )
= −(λ − 1)(λ − 1)(λ − 10 )
= −(λ − 1) (λ − 10 ).
2

Luego los valores propios son: λ = 1 con ma= 2 (la raíz se repite 2 veces) y λ = 10 con
ma=1.
Encontremos los vectores propios asociados con estos valores propios. Nuevamente
resolvemos el sistema homogéneo ( A − λI ) x = 0 , para λ = 1 y λ = 10 .
Para λ = 10 tenemos:

− 5 4 2  x1   0 
   
( A − 10I ) x1 =  4 − 5 2  x2  =  0 

 2 2 − 8 x3   0 

− 5 4 2 M 0  operacione
Aplicando − 5 4 2 M 0
  fila s  9 18 
 4 − 5 2 M 0   → 0 − M 0
 2  5 5 
 2 − 8 M 0   0
 0 0 M 0 
Las soluciones del sistema son: x1 = 2 x3 y x2 = 2 x3 . Los vectores propios asociados
con λ = 10 son de la forma
 x1   2
   
u1 =  x2  = x3  2  .
x  1
 3  
El sub-espacio característico o propio para λ = 10 es:

4
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

  2    2 
      
E10 =  x3  2  : x3 ∈ IR  = gen   2   . (m.g.=1)
 1   1 
      
Resolvamos ahora el sistema para λ = 1 , es decir,

 4 4 2  x1   0 
    
( A − 1I ) x =  4 4 2  x2  =  0  .
 2 2 1  x   0 
  3   

 4 4 2 M 0  operacione
Aplicando  1 1 1/ 2 M 0
  fila s  
 4 4 2 M 0   → 0 0 0 M 0  .
 2 2 1 M 0  0 0 0 M 0
   
Las soluciones al sistema homogéneo están dadas por el vector

 x1   x1   1   0 
       
x =  x2  =  x2  = x1  0  + x 2  1  ,
 x   − 2x − 2x   − 2  − 2
 3  1 1    

donde x1 y x2 son parámetros reales.

El subespacio propio asociado al valor λ = 1 es:

  1   0    1   0  
          
E1 =  x1  0  + x2  1  : x1 ∈ IR, x2 ∈ IR  = gen  0 ,  1   .
  − 2  − 2   − 2   − 2  
          
Observe dim E1 = 2 =m.g.(multiplicidad geométrica) es igual a la multiplicidad
algebraica de la ecuación característica, este hecho es importante en la diagonalización
de matrices como lo veremos más adelante.

Propiedades de Valores y Vectores Propios

Proposición 1

Sea A ∈ M n×n ( K ) entonces

a) El producto de los valores propios de A es igual al determinante de A.
b) La suma de los valores propios de A es igual a la traza de A
Demostración:
a) Sea λ1 , λ2 K , λ n los valores propios de A, luego
p(λ ) = det( A − λI ) = (−1) n λn + cn −1λn−1 + K + c1λ + c0 = (−1) n ( x − λ1 )( x − λ2 ) K ( x − λn )
Igualando términos
c0 = λ1 × λ 2 × K. × λ n ⇒ p (0) = det( A) = c0 = λ1 × λ 2 × K. × λ n ■

b) Ejercicio

5
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Proposición 2
Sea A ∈ M n×n (K ) entonces
a) Si λ es valor propio de A (invertible) entonces λ−1 es valor propio de A-1
b) Si λ es valor propio de A entonces α λ es valor propio de αA, α ∈ R \ {0}

Teorema 4
Vectores propios asociados a valores propios distintos son linealmente independientes.

Demostración
Sea A una matriz cuadrada de orden n y u1 y u2 vectores propios de A asociados
respectivamente a los valores propios λ1 y λ2. Si λ1≠ λ2, queremos probar que el
conjunto {u1 , u2}es linealmente independiente.
Sean α1 , α 2 ∈ R / α1u 1 + α 2 u 2 = 0 (1) ⇒ A(α1u 1 + α 2 u 2 ) = 0
i.e A(α 1u 1 ) + A(α 2 u 2 ) = 0 ⇒ α 1 ( Au 1 ) + α 2 ( Au 2 ) = 0
como Au 1 = λ1u 1 ; Au 2 = λ 2 u 2 ⇒ α1λ1u 1 + α 2 λ2 u 2 = 0 ( 2)
multiplicando (1) × λ 2 : λ 2α 1u 1 + λ 2α 2 u 2 = 0 (3)
(3) − (2) : λ2α 1u 1 − λ2α1u 1 = 0 ⇒ (λ2 − λ1 )α 1u 1 = 0; λ2 ≠ λ1 ∧ α1u 1 = 0 ⇒ α 1 = 0
sustituyendo en (1) α 2 = 0
Así probamos que si α 1u 1 + α 2 u 2 = 0 ⇒ α 1 = α 2 = 0 Aplicando inducción tenemos el
resultado final. ■

Diagonalizacion de una matriz

Definición 5
Dos matrices A y B, de orden n, se dicen son semejantes si existe una matriz P, de
orden n, invertible tal que B = P-1AP

Teorema 5
Sean A y B dos matrices semejantes de orden n entonces:

(i) A y B tienen el mismo determinante

(ii) A y B tienen el mismo polinomio característico
(iii) A y B tienen los mismos valores propios
(iv) Si u es un vector propio de A asociado al valor propio λ entonces P-1u es
vector propio de B asociado al valor propio λ .

Demostración:
1
(i) Como B = P-1AP tenemos B = P -1AP = P -1 A P = AP = A
|P|
(ii) B - λI = P -1AP - λI = P -1AP - λP -1I P = P -1 (A - λI) P = P -1 (A - λI) P = A - λI
(iii) Consecuencia de (ii)
(iv) Si u es un vector propio de A asociado al valor propio λ entonces
Au = λu ⇒ P −1APP −1u = P −1λu ⇒ (P −1AP)(P −1u) = λ (P −1u)
⇒ B(P −1u) = λ (P −1u)

6
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

O sea P −1u es vector propio de A asociado al valor propio λ

Definición 6
Una matriz A de orden n se dice que es diagonizable si es semejante a una matriz
diagonal D, es decir diremos que una matriz A es diagonalizable si existe una matriz P
no singular que verifique que P-1AP=D.

Observaciones
• Todas la matrices simétricas son diagonalizables
• Los valores propios de A son los elementos de la diagonal de la matriz D
• Si la multiplicidad geométrica es menor que la multiplicidad aritmética entonces
es posible encontrar los demás vectores asociados a λi usando la definición de
vectores propios generalizados.
• Si P está formado por vectores propios generalizados al multiplicar P-1AP
encontramos una matriz diagonal por bloques conocida como matriz de Jordan.

Definición 7
Vectores Propios Generalizados – son aquellos vectores que se encuentran mediante la
siguiente ecuación:

( A − λI ) x k = x ( k −1) , con x ( k −1) conocido

Teorema 6
Una matriz A es diagonalizable si y solo si admite n vectores propios que constituye un
conjunto linealmente independiente

Demostración
(
)
Sea P una matriz invertible tal que P-1AP es diagonal. Sea

Entonces

i.e para cada i=1,2,…,n

7
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

ACi = λi Ci
i.e Ci es vector propio de A asociado a λ i. Por otro lado como P es invertible, tenemos
el conjunto {C1,C2,…Cn} linealmente independiente.
()
Recíprocamente, sean {x1,x2,,..xn} un conjunto linealmente independiente de vectores
propios de la matriz A, asociados a los valores propios λ1, λ2,K, λn entonces, para cada
i = 1,2, K , n tenemos que Axi = λi xi
Sea P = [x1 , x 2 , K , xi , K , x n ] . Entonces: AP = [λ1 x1 , λ2 x2 , K , λi xi , K , λn xn ]
Sea
 y1 
y 
 2
M 
P −1 =   la matriz inversa de P. entonces
y j 
M 
 
 y n 
Luego:

Corolario 1
Si A es una matriz cuadrada de orden n. Si A tiene n valores propios distintos entonces
A es diagonalizable.
Demostración
Inmediata.

Corolario 2
Una matriz A es diagonizable si la multiplicidad algebraica es igual a la multiplicidad
geométrica para cada valor propio

Ejemplo 4:
1 0 0 
Sea la matriz B = 4 3 2 tiene 3 valores propios distintos, se nota que:
4 2 3
det( B − λI ) = 0 ⇔ (−1 − λ )(1 − λ )(7 − λ ) = 0 ⇔ λ = −1, λ = 1, λ = 7
Entonces la matriz es diagonalizable, pues es semejante a la matriz
− 1 0 0 
 0 1 0
 
 0 0 7

8
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Ejemplo 5:
 3 1 0
Sea C = 0 3 1 , teniendo que
0 0 3
det(C − λI ) = 0 ⇔ (3 − λ ) 3 = 0 ⇔ λ = 3 (multiplicidad algebraica ma =3)
Verificamos que la matriz C tiene un único valor propio 3. En este caso los vectores
1
propios. Asociados a λ =3, son vectores no nulos dados por t 0 t ∈ R , la
0
multiplicidad geométrica del valor propio 3 es 1. ( m a ≠ m g ) Entonces, C no es
diagonizable.

Ejemplo 6:
 1 0 − 2
Sea la matriz  0 0 0  , tiene dos valores propios distintos, 0 (de multiplicidad
− 2 0 4 
algebraica 2) y 5 (multiplicidad algebraica 1)
Como
 1 0 − 2
A − 0I =  0 0 0 
− 2 0 4 
Tenemos que la multiplicidad geométrica del valor propio 0 es 2, por lo que m a = m g
Por otro lado verificamos que los vectores propios de A, asociados al valor propio
 2 0 
λ 1=0, son los vectores no nulos de la forma α 0 + β 1, α , β ∈ R
 
1 0
Los vectores propios asociados al valor propio λ 2=5, son vectores no nulos de la forma
1 2 0 1 
γ  0 , γ ∈ R . Entonces, P = 0 1 0  , es una matriz diagonalizante de A. En
 
− 2 1 0 − 2
0 0 0 
efecto P AP = D = 0 0 0
-1

0 0 5

Proposición 3:
Para una matriz A simétrica, sus vectores propios asociados a valores propios diferentes
son ortogonales.

Demostración:
Sean X 1 , X 2 vectores propios de A asociados a λ 1, λ 2 respectivamente. Se sabe que
AX 1 = λ 1 X 1 y AX 2 = λ 2 X 2 . Ahora si escribimos los vectores como matrices

9
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

columnas, o productos escalares o simplemente producto matricial de la transpuesta de

la matriz por la segunda, como
AX 1 • X 2 = ( AX 1 ) t X 2 = X 1 . A t . X 2 = X 1 • . A . X 2
t

Como A es simétrica At = A y como X 1 , X 2 son vectores propios de A , tenemos que:

λ 1X1 ⋅ X 2 = λ 2 X1 ⋅ X 2 ó (λ 1 − λ 2 )X 1 ⋅ X 2 = 0
Como, λ ≠λ
1 2 concluimos que X 1 ⋅ X 2 = 0 ó sea que X 1 , X 2 son ortogonales.

Definición 8
Se dice que un conjunto de vectores { x 1 , x 2 ,.., x n } son ortonormales si:
0 (i ≠ j )
xi x j = 
 1 (i = j )

Métodos de Solución Iterativos

Localización de los Valores Propios

Teorema 7
Si λ es un valor propio cualquiera de A, entonces: λ≤ A

Teorema 8 (Teorema de Gershgorin)

Sea A una matriz cuadrada de orden n , y d i , i = 1,2, K , n los discos cuyos centros son
los elementos aii y cuyos radios ri son dados por
n
ri = ∑ aij i = 1,2, K , n
j =1
j ≠i

Sea D la unión de todos los discos d i . Entonces, todos los valores propios de A se
encuentran contenidos en D.

Demostración
Sea λ un valor propio de A y x su vector correspondiente, tal que max i xi = 1 .
Entonces
Ax = λx
De donde

Suponiendo que |xk|=1, entonces

10
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

i.e los valores propios están contenidas en disco dk y, como λ es arbitrario, entonces
todos los valores propios de A deben de estar contenidos en la unión de todos los discos.
■
Ejemplo 7
 5 −2 0 
La matriz A = − 2 3 − 1 tiene como sus valores propios
 0 − 1 1 
λ1 = 0.4158; λ2 = 2.2943; λ3 = 6.2899 . Calculando los discos de Gershgorin, tenemos
d1 : λ − 5 ≤ − 2 + 0 = 2
d2 : λ − 3 ≤ − 2 + −1 = 3
d3 : λ − 1 ≤ 0 + − 1 = 1
Como todos los valores propios de A son reales, y observando la figura que en cada
disco debemos tener un valor propio, podemos decir que:

• Existe un valor propio, λ3 , que está dentro del disco centrado en 5 y radio 2, en
efecto: 3 < λ3 = 6.2899 < 7
• Existe un valor propio, λ2 , que está dentro del disco centrado en 3 y radio 3, en
efecto: 0 < λ 2 = 2.2943 < 6
• Existe un valor propio, λ1 , que está dentro del disco centrado en 1 y radio 1, en
efecto: 0 < λ1 = 0.4148 < 2

Img

1 2 3 4 5 6 7

Re

11
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Método de la Potencia

Para aplicar el método de la potencia debemos suponer que:

a) la matriz A de orden n, tiene n valores característicos λ1 , λ2 ,........λ n con una
colección asociada de vectores característicos { v , v , ... v ( n ) }los cuales son
(1) (2)

linealmente independientes.
b) Además supondremos que A tiene precisamente un valor característico que es el
mayor en magnitud y que, por esta razón, supondremos que λ1 , λ 2 ,........λ n denotan
a los valores característicos de A con:
λ 1 > λ 2 ≥ ....... ≥ . λ n ≥ 0 .

Si x es cualquier vector en, ℜ n , el hecho de que { v (1) v ( 2) ... v ( n ) } sean linealmente

independientes implica que existen constantes α 1 α 2 ...α n con
n
x = ∑α j v ( j ) (2)
j =1

Multiplicando ambos lados de la ecuación (2) por, A , A 2 ,......, A k , obtenemos:

n n
Ax = ∑ α j A v ( j ) = ∑ α j λ j v ( j )
j =1 j =1
n n
A 2 x = ∑α j A 2 v ( j ) = ∑ α j λ j v ( j )
2
(3)
j =1 j =1

......................
......................
n n
Ak x = ∑α j Ak v ( j ) = ∑α j λ j v ( j )
k

j =1 j =1

factorizando λ k
1 en última ecuación de (3)

n
λj  ( j)
A k x = λ1k ∑ α j  v
j =1  λ1 

 λj
k

Si λ1 > λ j ,para j=2,3..,n, implica que lim k − >∞   = 0
 λ1 
lim k − >∞ A k x = lim k − > ∞ λ1k α 1v (1) (4)

Esta sucesión convergerá a cero si λ1 > λ j y divergirá si λ1 < λ j , siempre y

cuando, α 1 ≠ 0 . Se puede tomar ventaja de la ecuación (4) si se escala las potencias
A k x de una manera apropiada, para asegurar que el límite en (4) sea finito y no cero. El

12
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

escalamiento comienza escogiendo a x como un vector unitario x ( 0 ) relativo a la

norma infinita( . ∞ ).

Algoritmo de la Potencia

Para aproximar el valor característico dominante y su vector característico asociado de

la matriz A de orden n, dado un vector inicial no nulo x

Entrada: dimensión n, Matriz A, vector x; tolerancia TOL, número máximo de

iteraciones MAX
Salida : valor característico aproximado; vector característico aproximado x (con
x ∞ =1) ó un mensaje de que el número de iteraciones fue excedido.

Paso 1: k=1
Paso 2: Encontrar un entero p con 1 ≤ p ≤ n y xp = x ∞

x
Paso 3: Tomar x =
xp
Paso 4: Mientras que (k≤MAX) seguir los pasos 5 -10

Paso 5: Tomar y = Ax
Paso 6: Tomar µ = y p
Paso 7: Encontrar un entero p con 1 ≤ p ≤ n y p = y ∞

Paso 8: Si yp=0 entonces SALIDA Mensaje de Fracaso. Parar.

y
Paso 9: Tomar err = x −
yp ∞
y
x=
yp
Paso 9 : Si err < TOl entonces salida ( µ , x )
Salir.
Paso 10: hacer k=k+1

Paso 11 Salida (´Número máximo de iteraciones fue excedido’)

Parar.

Ejemplo 8
Usando el método de la potencia, hállese una aproximación del mayor valor
característico y del vector característico correspondiente al siguiente matriz:
 3 −1 0 
A = − 1 1 − 1
 0 − 1 5 

Dar el valor más aproximado para el valor propio máximo en la cuarta iteración.

13
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Solución:
El primer paso, elegimos el vector inicial para el desarrollo del método.
Sea el vector inicial x(o)= [ 0 0 2]t
Luego se debe encontrar un entero p con 1 ≤ p ≤ n y y p = y ∞ , donde n es la
dimensión de la matriz. x ∞ = max{ 0 , 0 , 2 } = 2
Entonces p=3 y x3 =2
x
Enseguida, se debe normalizar el vector inicial x=
xp
El vector inicial normalizado será:
x [0 0 2]
t
x (0) = = = [0 0 1]
t

x3 2
Ahora, encontraremos el primer valor propio µ (1) y su respectivo vector propio
normalizado x (1)
Ax(0)= µ (1) x(1)
En general, los siguientes valores serán encontrados como:
Ax(k)= µ (k+1) x(k+1), k≥1

Del ejemplo
Primera Iteración

 3 − 1 0  0   0   0 
Ax (0)
= − 1 1 − 1 0 = − 1 =µ x =5 − 1 / 5 ,
      (1) (1)

 0 − 1 5  1  5   1 
 0 
⇒x (1)
= − 1 / 5 , µ (1)= 5
 5 

Segunda Iteración

 3 − 1 0   0   1/ 5   1/26 
Ax = − 1 1 − 1 − 1 / 5 = − 6 / 5 =µ x =26/5 − 3 / 13 ,
(1)      (2) (2)

 0 − 1 5   5   26 / 5   1 
 1/26 
⇒ x = − 3 / 13,
( 2)
µ (2)= 5.2
 1 
Tercera Iteración
 3 − 1 0   1/26   9 / 26   9/136 
Ax = − 1 1 − 1 − 3 / 13 = − 33 / 26 =µ x =68/13 − 33 / 136 ,
(2)       (3) (3)

 0 − 1 5   1   68 / 13   1 

14
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

 1/136 
⇒ x ( 3) = − 33 / 13, µ (3)= 68/13= 5.3
 1 

Cuarta Iteración
 3 − 1 0   9/136   15 / 34   60/713 
  − 33 / 136    
Ax = − 1 1 − 1 
(3)
 =  − 89 / 68  =µ x =713/136 − 178 / 713 ,
(4) (4)

 0 − 1 5   1  713 / 136  1 
 60/713 
⇒ x = − 178 / 713 , µ (4)= 713/136= 5.2426
( 3)

 1 
Valor exacto: 5.2618

Método de la potencia Inversa Iterada (con desplazamiento)

Usa el método de la potencia pero su convergencia es más rápida. Este método se usa
para determinar el valor característico de A que está más cerca de un número
especificado q.
Supongamos que la matriz A tiene valores característicos λ1 λ 2 ........λn con vectores
característicos { v (1) v ( 2) ... v ( n ) } linealmente independientes. Si consideramos la matriz
( A − qI )−1 donde q ≠ λi para i=1,2,..,n. Los valores característicos de ( A − qI )
−1
son
1 1 1
, ..........
λ1 − q λ 2 − q λn1 − q

con vectores característicos v (1) v ( 2) ... v ( n ) .

Aplicando el método de la potencia:

y ( m ) = ( A − qI ) −1 x ( m −1) ó
( A − qI ) y ( m ) = x ( m −1) (5)
La ec. (5) puede resolverse usando Eliminación Gaussiana para obtener y ( m )
El valor de q se puede estimar como:

x ( 0) t Ax ( 0)
q=
x (0 ) t x ( 0)
Demostrar el algoritmo para este caso.

Ejemplo 9

Determine el valor propio más cercano a q=3, y su vector propio correspondiente, para
 3 −1 0  1
la matriz: A = − 1 1 − 1 , a partir de la aproximación inicial x0 = 1
 
 0 − 1 5  1

15
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

Solución

q=3
 2 .5 − 1 − 0 .5 
B = ( A − qI ) =  − 1 0 
−1
0
− 0.5 0 0.5 

1 1
 
y1 = Bx0 = − 1 µ1 = y1 (1) = 1 x1 =
y1  
= − 1 λ1 =
1
+q =4
µ1 µ1
 0   0 

 3.5   1 
 
y 2 = Bx1 =  − 1  µ 2 = y 2 (2) = 3.5 x 2 =
y2 
= − 0.2857 λ 2 =
1
+ q = 3.2857
µ2 µ2
− 0.5  − 0.1429

 2.8571   1 
y3 =  − 1  µ 3 = 2.8571 x3 = − 0.35 λ3 = 3.35
 
− 0.5714  − 0.2 

 2.95   1 
y 4 =  − 1  µ 4 = 2.95 x 4 =  − 0.339  λ 4 = 3.3390
  
− 0.6 − 0.2034

 2.9407   1 
y5 =  − 1  µ 5 = 2.9407 x5 =  − 0.3401 λ5 = 3.3401
  
− 0.6017 − 0.2046

Que son aproximaciones del valor propio λ = 3.3390 y el vector propio

 1 
x = − 0.3399 .

− 0.2047
Esta matriz tiene tres valores propios 0.3983, 3.3399 y 5.2618, y se nota claramente la
convergencia al más cercano a q=3.

Método de la potencia Inversa

Si estamos buscando el mínimo valor propio el problema de valores característico se

plantea
A −1 v = λ −1 v
Aplicando el método de la potencia:

16
UNI-FIM-DACIBAHCC Métodos Numéricos-MB536

y ( m ) = A −1 x ( m−1) ó
Ay ( m) = x ( m−1) (6)

La ecuación (6) puede solucionarse por el método de Eliminación Gaussiana para

encontrar y (m )

Ejemplo 10
Determine el valor propio de menor valor absoluto y su correspondiente vector propio,
de la siguiente matriz, utilice el método de la potencia inversa.
 2 −1 0 
A = − 1 2 − 1
 0 − 1 2 

Solución
0.75 0.50 0.25
B = A = 0.50 1.00 0.50
−1

0.25 0.50 0.75

1
w0 = 1
1
1.5 0.75
z1 = Bw0 =  2  =  1 
z1 1
p = 2, z1 ( p) = 2 w1 = = 0.5
z1 ( p ) z1 ( p )
1.5 0.75
1.25 0.7143
z 2 = Bw1 = 1.75 =  1 
z2 1
p = 2, z 2 ( p) = 1.75 w2 = = 0.5714
z 2 ( p) z 2 ( p)
1.25 0.7143
1.2143 0.7083
z 3 = Bw2 = 1.7143 =  1 
z3 1
p = 2, z 3 ( p) = 1.7143 w3 = = 0.5833
z 3 ( p) z 3 ( p)
1.2143 0.7083
1.2083 0.7073
z 4 = Bw3 = 1.7083 =  1 
z4 1
p = 2, z 4 ( p) = 1.7083 w4 = = 0.5854
z 4 ( p) z 4 ( p)
1.2083 0.7073

Estos valores son aproximados a los exactos:

 1  0.7071
 2
λ = 2 − 2 = 0.5858 x =  1  =  1 
1 
0.7071
 2  

17