Autovalores y Autovectores

Generalidades

Círculos de Gerschgorin

Método de las Potencias

Transformaciones Similares
Prof. Dra. Nélida Beatriz Brignole
Definición del Problema
Ax x x0
P  { i i  1, n } P : Espectro de A
(A   I) x  0
para que el sistema tenga otra solución además de x  0 :
det( A   I )  0 Polinomio caracterís tico

Anterior Siguiente
Ejemplo
1 0 2
A   0 1  1
 1 1 1 
1   0 2 
p( A)  det( A  I )   0 1    1  
  1 1 1   
(1   )(2  2  4)  0
1  1 2  1  3i 3  1  3i
1  1 0 2   x11  0
 0 1  1  1   x   0 
   12   
  1 1 1  1  x13  0
 
x1   
 0 
Anterior Siguiente
Interpretación geométrica
 La multiplicación por A dilata a x , contrae a x,
o revierte la dirección de x, dependiendo del
autovalor de A
Ax  x
  1 1    0

 1 1   0

Anterior Siguiente
Teorema de Gerschgorin
 Sea A C nxn

con autovalores i  i  1, n

 Sean los círculos
n
Z i   x  C / x - a ii  ri  ri  a ij
j 1
n j i
 Entonces i  D  Z i
i 1

Anterior Siguiente
 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
 Demostración
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
 Demostración (cont.)
n
[ xk ]i k  [ A]ii   [ A] [ x
j 1
ij k ]j

j i
n n
xk 
k  [ A]ii   [ A]
j 1
ij [ xk ] j  xk   [ A]
j 1
ij

j i j i
n
k  [ A]ii   [ A]
j 1
ij  ri cqd .
j i

Anterior Siguiente
Método de las Potencias
A xi  i xi  xi  L.I. 1  2    n
n
v0   x
i 1
i i

n n n
Av0  
i 1
i A xi  
i 1
i i xi  1 1 x1  
i 2
i i xi

 n
 i i 
v1  Av0  1 1  x1 

   
i 2 1 1
xi 

Anterior Siguiente
Método de las Potencias (cont.)
 n
 i i 
v2  Av1  A v0  1 1  A x1 
2

  
i 2 1 1
A xi 

 n
 i i 
A v0  1 1 1 x1 
2

  
i 2 1 1
i xi 

 n
i  i  
2
2

 1 1 x1 

 1
  xi 
 1  
 i  2

Anterior Siguiente
Método de las Potencias (cont.)
 n
 i i 
v2  Av1  A v0  1 1  A x1  
2
A xi 
 i  2 1 1 
 n
 i  i  
k

vk  A v0  1 1  x1  
k k
  xi 
 i  2 1  1  
lim vk  lim 1 1k x1   x1 1  2  converge lentamente
k  k 

1  1  1k  0   x1  0
1  1  1k     x1  

Anterior Siguiente
Algoritmo: Método de las Potencias

Dado v0   n
con v0 
1
para k  0 hasta converg.
repetir
zk  A vk
zk
vk 1 
zk 

Anterior Siguiente
 Efecto del Escalado

z k 1
A
zk Avk z k 1

vk 1   
zk  Avk 
z k 1
A
z k 1
 

A z k 1 A2 vk 1 Ak 1 v0
vk 1   
A z k 1 
2
A vk 1 Ak 1 v0
 

Anterior Siguiente
 Efecto del Escalado (cont.)
 n
   
k 1

1 1  x1     xi 
k 1 i i

 i  2 1  1  
vk 1  k 1
n
 i  i 
1 1k 1
x1     xi
i  2 1  1 


1  k 1
x1 x1
lim vk 1  lim 1
   1
k  k    k 1
x1  x1 
1 1
Anterior Siguiente
Velocidad de Convergencia
 
k

 determinad a por las relaciones  j  j  2, n

 1 
k
 2 
 relación dominante :  
 1 
 1  2  converge lentamente
 autovalores negativos  oscilación

v x
k 1
* converg. de orden lineal  lim C
k v x
k

Anterior Siguiente
Cálculo del Autovalor Dominante

Cociente de Rayleigh

Ax x
x Ax x x
T T

xT A x xT A x
 T
 2
x x x 2

Anterior Siguiente
Cálculo del Mínimo Autovalor
Ax x
A1 A x   A1 x
1
x  A1 x

si 1  2    n -1  n
1 1 1
  
n n -1 1
z k  A1 x k  A z k  xk
PA z k  P xk LU z k  P xk  vk

Anterior Siguiente
Algoritmo MP Inverso
Dado x0   n con x0 
1
factorizar PA  LU
para k  0 hasta converg.
repetir
LU z k  v k
zk
v k 1 
zk 
fin repetir
xm  P vm
xT A x
n 
xT x
Anterior Siguiente
Método de las Potencias con Corrimiento
A xj  j xj
A x j  ˆ I x j   j x j  ˆ x j
( A  ˆ I ) x j  (  j  ˆ ) x j
1
x j  ( A  ˆ I ) 1 x j
(  j  ˆ )
 |    |      |    |  |      | 
 n  n 1  ˆ  j 1 j 1

Anterior Siguiente
Shifting

Anterior Siguiente
Algoritmo MPI con Corrimiento
Dado x0   n con x0 
 1, ˆ  
ˆ I )  LU
factorizar P ( A  
para k  0 hasta converg.
repetir
LU z k  v k
zk
v k 1 
zk 
fin repetir
xm  P vm
xT ( A  ˆ I) x
   ˆ

xT x
Anterior Siguiente
Resumen
Método Ecuación Computa
Potencias
x ( k 1)  Ax ( k ) Máximo autovalor
λ
Inverso Mínimo autovalor λ
Potencias Ax ( k 1)  x ( k )
Con Autovalor más
shifting x ( k 1)  ( A   I ) x ( k )
lejano a μ
Con Autovalor más
shifting ( A   I ) x ( k 1)  x ( k ) cercano a μ
inverso

Anterior Siguiente
Conclusiones: Método 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 inicialización del autovector afecta la velocidad de convergencia

 Herramienta para propósitos especiales

– Muy buena si se conoce bien el problema
 Necesidad de herramientas de propósito general ...
– que exijan tomar menos decisiones
– que calculen todo el espectro a la vez
Anterior Siguiente
Transformaciones Similares
Las matrices A   ; B  
nxn nxn

se denominan SIMILARES si  S   nxn

1
no singular tal que A S BS

 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
Demostración
A x   x
S 1 B S x   x
B S x   S x
B y   y
Anterior Siguiente
Factorización Sucesiva
Propósito: Generar una sucesión de matrices similares,
tendiendo a lograr una forma especial

1
Ak  Sk 1 Ak 1 Sk 1
1 1 1
Ak 1  Sk Sk 1  S1 A1 S1  Sk 1 Sk

Anterior Siguiente
 Diagonalización
A xi  i xi i  1, n
A x1 x2  xn   1 x1 2 x2  n xn 
1 0  0 
0 2  0 
A X  x1 x2  xn   
    
 
0 0  n 
1
A X  X D X A X  D
•Autovalores distintos => Autovectores L.I. => Existe inversa de X
•Si A es simétrica => 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

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

 “Libros de tanta reputación 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 científica, como es el caso de
EISPACK, IMSL o NAG. “

Anterior Siguiente
Experiencia
 “Sin embargo, al ejecutar el código verificamos que el
programa comenzó a fallar y a generar datos erróneos. Tras
varias semanas de verificación del código, llegamos a la
conclusión que el código estaba mal: eran las rutinas de
autovalores. Y estudiando en profundidad dichas rutinas
percibimos que, por su implementación interna, tenía
comentado un escalado para que fuera más deprisa.
Eliminado el comentario del escalado, sí volvió a dar
resultados correctos. Sin embargo, esto ya sentó las dudas
sobre qué estabamos empleando para resolver nuestras
ecuaciones. Por otro lado, analizamos los límites internos
de las rutinas.“

Anterior Siguiente
Rutinas prefabricadas
 “Emplear rutinas ya prefabricadas es, en nuestra opinión, una buena
opción para cuando no es un cálculo que hagamos con frecuencia o que
suponga peso en los cálculos para nuestro algoritmo.”

 “En caso de que la diagonalización sea una parte importante de nuestro

trabajo, sólo podemos emplear rutinas prefabricadas para las primeras
fases de prototipado o para generar baterías de pruebas para asegurarnos
de la corrección de nuestras rutinas, y sin tomar como axiomas los
resultados numéricos de ninguna de las dos rutinas.”

 “Como rutinas prefabricadas hemos empleado las IMSL, que son bastante
buenas. Están en Fortran, lo que fué una ventaja en las primeras fases del
proyecto -en las que el Fortran fué nuestro lenguaje de programación- y
un inconveniente en las últimas fases -que portamos todo el código a C,
fundamentalmente por la gestión de memoria dinámica, de la que Fortran
77 carece y, en Fortran 90 y posteriores, es menos eficiente que en C.“

Anterior Siguiente
Matrices Triangulares
En general, det( A  I )  0
n
Si A es triangular   (a
i 1
ii  )  0

   aii i  1, n

¿Cómo transformar matrices arbitrarias

en matrices triangulares con los mismos autovalores?

Anterior Siguiente
Teorema de Schur
nxn
Sea A C
Entonces existe una matriz unitaria U tal que
1
T  U AU  U AU *

donde T es triangular superior.

Los elementos diagonales de T son los autovalores de A

Anterior Siguiente
Forma Real de Schur
Sea A  nxn . Entonces  U  nxn , ortogonal
tal que T  U T A U con
T11 T12 T13  T1k 
0 T22 T23  T2 k 
 
T  0 0 T33  T3k 
 
     
 0 0 0  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 págs 270-291
 Rao págs 315-324

Anterior Siguiente