Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Laboratorio de Matemáticas
Conceptos básicos
v vector propio asociado al valor propio λ
Av= λv
Polinomio característico de la matriz A
p(λ) = det(A- λ I)
Ecuación característica
p(λ) = 0
Resultados de álgebra
Teorema
Si una Matriz A nxn tiene n valores propios
distintos es diagonalizable y sus
correspondientes n vectores propios son
independientes, ∃ S y D:
A = S D S-1
Ak-1 = S Dk-1 S-1
Ejemplo 1: Cadena de Markov
Una máquina se inspecciona cada día para
comprobar si esta funcionando, estropeada
o esta siendo reparada, las probabilidades de
pasar de un estado a otro vienen dadas por:
F E R
E 0.2 0 0
c = S − 1 D1 = (c 1, c 2, c 3 )'
c1
Dk = (λ1 v1 , λ2 v2 , λ3 v3 ) c2 = c1λ1k −1v1 + c2 λk2−1v2 + c3λk3 −1v3
k −1 k −1 k −1
c
3
Sistema mecánico de masas y
resortes
x1
m1 m2
k1 k2 k3
x2
xi (t ) = Ai sin( wt + φi )
xi = − w2 Ai sin( wt + φi ) = − w2 xi
&&
− w 2 x1 + 15 x1 − 10 x2 = 0
− w 2 x2 − 10 x1 + 25 x2 = 0
Expresión matricial
-w2x1 + 15 x1-10 x2 = 0
-w2x2 - 10 x1 +25 x2 = 0
Kx = λ x
15 −10 x1 2 1
x
x = w x
−10 25 2 2
Métodos numéricos para hallar
valores y vectores propios
Método de las potencias
potencias
Instrucciones de MATLAB
Método de las potencias
Valores y vectores propios de A
Vector inicial u
Paso 1: Multiplicar A*u.
Paso 2: Normalizar el vector resultante.
Paso 3: Repetir los pasos 1 y 2 hasta que el
cambio en el factor de normalización sea
despreciable.
Método de las potencias
Inicializamos
Matriz
» A=[0.7 0.2 0.1;
0.2 0.0 0;
0.1 0.8 0.9]
Vector
» u=[1, 1, 1]';
Valores propios
» lambda = [];
Contador de iteraciones
» k=1;
Método de las potencias
Proceso
paso 1:
» v=A*u;
paso 2:
» [mx,i] =max(abs(v));
» lambda = [lambda v(i)];
» u = v/v(i);
» k=k+1;
paso 3:
actualiza las instrucciones del paso 1 y paso 2, hasta
llegar al valor propio y su correspondiente vector propio
con la precisión que desees.
Métodos Iterativos
Estimación inicial
x1
Proceso iterativo
x2, x3, ... , xk, ... → x*
Criterio de parada
|xk+1 − xk| < tol ó k ≥ maxiter
Convergencia del método de
las potencias
Si A es diagonalizable y posee un valor propio λi
dominante El método es convergente
Tipos de convergencia
Convergencia lineal
ek+1 / ek → cte < 1
Convergencia cuadrática
ek+1 / ek2 → cte < 1
La instrucción WHILE
no while
condición
sí
instrucción
instrucción
end
Sintaxis de la instrucción
WHILE
Bucle controlado por una condición
Sintaxis:
while condición
instrucciones
end
Las instrucciones se repiten mientras la
condición se verifique.
La instrucción IF
no if condición
sí
instrucción
instrucción
end
Sintaxis de la instrucción IF
Bifurcación condicional
Sintaxis:
if condición
instrucciones
end
Las instrucciones se realizan si la
condición se verifica.
La instrucción IF - ELSE
if condición
sí
no
instrucción instrucción
instrucción instrucción
end
Sintaxis de la instrucción
IF - ELSE
Dilema
if condición
instrucciones cierta
else
instrucciones falsa
end
Se ejecutan unas u otras instrucciones
según se verifique o no la condición.
Comparaciones y
operaciones lógicas
Comparaciones Operaciones lógicas
Menor <
Conjunción &
Mayor >
Mayor o igual >= Disyunción |
Menor o igual <= O exclusiva xor
Igual ==
Negación ~
Distinto ~=
Algoritmo potencias
Entrada: A, u, tol, maxiter
Salida: lambda, u, k
Proceso:
Inicializar las variables
Mientras no converja o no hayamos llegado a maxiter
Multiplicar A*u.
Normalizar el vector resultante
Calcular el error o incremento
Incrementar el contador de iteraciones
fin mientras
Advertir en caso de no convergencia
Ejemplo
» B=[-4 3 2; 4 1 0; 0 3 -1];
» u=[1 1 1]'; tol =0.001; maxiter=4;,
»[lambda,u,k]=potencias(B,u,tol,maxiter)
Aumenta el número de operaciones hasta obtener la
solución.
Tipo de convergencia
» e = abs(diff(lambda));
» m = length(e);
» r = e(2:m)./e(1:m-1)
Método de las potencias
inverso
λ v.p. de 1/λ v.p. de A
método A-1 mayor menor en
A-1 potencias en valor valor
absoluto absoluto
»[lambda,u,k]=potencias(inv(A),u,tol,maxi
ter);
» 1/lambda(5)
Desplazamiento con el método
de las potencias
λ v.p. de
método A mayor λ+k v.p. de
A potencias en valor A+kI
absoluto
A v.p. cerca de k
Valores propios
r = roots (P)
∗
Am×n = U m×m S V
m× n n× n
donde p = min(m,n)
Teorema
a) El rango k de A es igual al número de valores
singulares de A diferentes de cero.
b) Si A es una matriz real pxq, de rango k, para
un r < k , la matriz Ar de rango r que hace
mínimo a A − Ar 2
entre todas las matrices pxq, Ar de rango r
viene dada por Ar = σ1u1v1T + σ 2u2v2T + ... + σ rur vrT
y el mínimo es A - Ar 2
= σ r +1
Comprensión de datos
Foto discretizada
A=
1000×1000
10
12
14
16
18
20
2 4 6 8 10 12 14 16 18 20
» A=fotox;
Obtención de la SVD
» [V,S,U] = svd(A);
» S = diag(S)
10
12
14
16
18
20
2 4 6 8 10 12 14 16 18 20
A1=S(1)*U(:,1)*V(:,1)'
Aproximación de grado 2
2
10
12
14
16
18
20
2 4 6 8 10 12 14 16 18 20
A2=A1+S(2)*U(:,2)*V(:,2)'
Aproximación de grado 3
2
10
12
14
16
18
20
2 4 6 8 10 12 14 16 18 20
A3=A2+S(3)*U(:,3)*V(:,3)'
FIN