Lino Alvarez - Aurea Martinez METODOS NUMERICOS

TEMA 4:
CALCULO NUMERICO
DE AUTOVALORES
1 INTRODUCCION
La dctcrminacion dc autovaorcs y autovcctorcs dc una
matriz cuadrada A dc ordcn n cs un procma quc sc
prcscnta cn numcrosas ramas dc a `atcmatica tcora
dc LLl. dctcrminacion dc ccs dc conicas y cuadricas.
disc no dc sistcmas dc intormacion. cstudio dc as oscia-
cioncs dc cicrtas cstructuras. optimizacion inca
Lado quc os autovaorcs son as raccs dc poinomio
caractcrstico
P( det(AI (1
n
|
n
+a
1

n1
+. . .+a
n1
+a
n
|,
cs caro quc os mctodos dc cacuo dc autovaorcs no
pucdcn scr mas quc itcrativos (ya quc sc. un c Tco-
rcma dc Ac cs imposic rcsovcr mcdiantc un n umcro
nito dc opcracioncs ccmcntacs os poinomios dc .rado
mayor o i.ua quc `
115
na primcra posiidad para c cacuo dc os auto-
vaorcs cs c cacuo (mcdiantc os amados metodos
clasicos dc os coccicntcs dc poinomio caractcrstico
na vcz conocidos cstos. c procma sc rcducc a a rcso-
ucion dc una ccuacion a.craica por os mctodos ya
cstudiados
Sin cmar.o. cstos mctodos no sc usan haituamcntc
dcido a su .ran incstaiidad numcrica. dcrivada dc
a .ran scnsiiidad dc os ccros dc un poinomio a os
camios cn sus coccicntcs
Ejemplo 1 .- (Wilkinson)
Sea A una matriz cuyo polinomio caracterstico es
P( ( 1( 2 . . . ( 20.
Si en el calculo de los coecientes hubiesemos cometi-
do un error en el coeciente correspondiente a
19
de
orden 10
7
de modo que tuviesemos
Q( P( 2
23

19
los autovalores (que son 1, 2, . . . , 20) pasaran a ser
complejos con parte imaginaria grande: 2.S1 i, 2.`1 i . . .
Ls dccir. una pcquc na variaci on cn os datos ori.ina
una .ran variacion cn os autovaorcs Aparccc cntonccs
a ncccsidad dc mcdir c condicionamiento dc procma
dc autovaorcs
116
2 CONDICIONAMIENTO DEL PROBLEMA
DE AUTOVALORES
Ejemplo 2 .- (Davis-Moller)
A

1!9 `0 1`!
`3 1S0 `!o
2 9 2`

Sp(A {1, 2, 3}
A + A

1!9 `0 1`!
`3 1S0.01 `!o
2 9 2`

Sp(A + A {0.203, 2.300S, 3.`019}

Por tanto, A esta mal condicionada.
lara mcdir c condicionamicnto sc ticnc c si.uicntc
Teorema 1 .- (Bauer-Fike)
Sea A una matriz diagonalizable con autovalores
1
,

2
, . . . ,
n
. Se considera P inversible tal que P
1
AP
D diag(
i
. Sea . una norma matricial tal que
para toda matriz diagonal diag(
i
se verique
diag(
i
max
i=1,...,n
|
i
|.
(Las normas usuales .
1
, .
2
, .

verican esta
propiedad).
117
Entonces, para toda matriz A se tiene:
Sp(A + A
n
i=1
D
i
donde:
D
i
{z C |z
i
| cond(P.A}
con cond(P P.P
1
.
Como sc pucdc oscrvar. c condicionamicnto dc proc-
ma dc autovaorcs no dcpcndc dc n umcro dc condicion
dc a matriz A, sino dc dc a matriz dc paso P a una
matriz dia.ona
Corolario 1 .-
Sp(A + A
n
i=1
{z C |z
i
| (A.A}
donde:
(A int{cond(P P
1
AP D}.
(A sc dcnomina n umero de condicion de A para
el calculo de autovalores y vcrica quc (A 1.
Cuanto mas pcquc no sca c n umcro dc condicion. mcor
condicionado cstara c procma
118
Observaci on 1 .-
1. Dado que toda matriz A normal es diagonaliza-
ble a traves de una matriz unitaria (Teorema de
Schur), si consideramos la norma matricial .
2
se tiene que
2
(A 1.
Por tanto, toda matriz normal es bien condi-
cionada.
2. En el ejemplo de Davis-Moller, problema mal
condicionado, se tiene
2
(A 12S9.
3 METODOS CLASICOS DE CALCULO DEL
POLINOMIO CARACTERISTICO
lrcscntarcmos soamcntc os dos mctodos mas scncios
3.1 Metodo de Leverrier (1840).-
Sca A una matriz con poinomio caractcrstico
P( (1
n
|
n
+ a
1

n1
+ . . . + a
n1
+ a
n
|
y con autovaorcs
1
,
2
, . . . ,
n
. Scan
s
k

n

i=1

k
i
, k 1, . . . , n.
lor as tormuas dc `cwton sc ticnc quc
s
r
+ a
1
s
r1
+ . . . + a
r1
s
1
+ ra
r
0, r 1, . . . , n.
lor otra partc.

i
Sp(A
k
i
Sp(A
k
s
k
tr(A
k
.
119
Lntonccs. c mctodo dc Lcvcrricr consistc cn
1 Cacuar s
k
tr(A
k
, k 1, . . . , n.
2 Cacuar os coccicntcs a
k
mcdiantc
a
1
s
1
,
a
r

s
r
+ a
1
s
r1
+ . . . + a
r1
s
1
r
, r 2, . . . , n.
3.2 Metodo de Krylov (1931).-
Lada una matriz A, por c Tcorcma dc Caycy-Lamiton
A
n
+ a
1
A
n1
+ . . . + a
n1
A + a
n
I 0.
Sca u 0 un vcctor cuaquicra Lntonccs
A
n
u + a
1
A
n1
u + . . . + a
n1
Au + a
n
u 0.
Si dcnotamos v
i
A
ni
u, i 1, . . . , n, sc ticnc
n

i=1
a
i
v
i
A
n
u.
Considcrcmos a matriz V quc ticnc como coumnas i-
csimas os vcctorcs v
i
y c vcctor a quc ticnc como coor-
dcnadas os coccicntcs a
i
, cntonccs a i.uadad antcrior
pucdc cscriirsc
V a A
n
u.
Si cc.imos u dc mancra quc c sistcma {v
1
, . . . , v
n
}
sca incamcntc indcpcndicntc y a matriz V tacimcntc
invcrsic. cntonccs os coccicntcs dc poinomio carac-
tcrstico son soucion dc sistcma inca antcrior
Lntonccs. c mctodo dc Iryov consistc cn
120
1 Lc.ir u adccuado (lor ccmpo. u (1, 0, . . . , 0.
2 Cacuar a matriz V (v
1
| . . . |v
n
mcdiantc
v
n
u,
v
k
Av
k+1
, k n 1, . . . , 1.
3 Cacuar b A
n
u mcdiantc
b Av
1
.
! Cacuar os coccicntcs (a
1
, . . . , a
n
rcsovicndo c
sistcma dc ccuacioncs incacs V a b.
Observaci on 2 .- Los metodos que se utilizan en la
practica para el calculo de autovalores son metodos
que no precisan del polinomio caracterstico (lo cual
conducira a inestabilidades numericas).
De hecho, se utilizan los metodos de calculo de
autovalores para obtener las races de un polinomio
cualquiera. Basta tener en cuenta que todo poli-
nomio
q(
n
+ a
1

n1
+ . . . + a
n1
+ a
n
es polinomio caracterstico de su matriz de compa na
A

a
1
a
2
. . . a
n1
a
n
1 0 . . . 0 0
0 1 . . . 0 0
. . . . . . . . . . . . . . .
0 0 . . . 1 0

121
4 EL METODO DE LA POTENCIA
Lntrc os mctodos quc no prccisan dc cacuo dc poi-
nomio caractcrstico dcstaca por su scncicz c metodo
de la potencia iterada (\icandt - 19!! y todas sus
variantcs
4.1 El metodo de la potencia iterada.-
Sc utiiza para cacuar c autovaor dc mayor moduo
(autovalor dominante dc una matriz dia.onaizac
Sc considcra A M
nn
(R una matriz dia.onaizac
con autovaorcs
1
,
2
, . . . ,
n
, quc supondrcmos ordc-
nados cn a torma
|
1
| |
2
| . . . |
n
|.
Lsta hipotcsis impica a cxistcncia dc una matriz in-
vcrsic P (p
1
|p
2
| . . . |p
n
ta quc P
1
AP diag(
i
.
lor tanto. c sistcma {p
1
, p
2
, . . . , p
n
} cs una asc dc C
n
tormada por autovcctorcs
Ap
i

i
p
i
, i 1, . . . , n,
dondc p
i
(p
i1
, p
i2
, . . . , p
in
.
L mctodo dc a potcncia itcrada pcrmitc cacuar c au-
tovaor dominantc
1
y sc asa cn a construccion dc una
succsion {u
k
}, con u
k
(u
k
1
, u
k
2
, . . . , u
k
n
, cn a torma
u
0
C
n
aritrario.
u
k+1
Au
k
, k 0, 1, . . .
122
\amos a cstudiar varios dc os casos posics
A) |
1
| > |
2
| . . . |
n
|. (lor tanto.
1
R.
Sc ticnc c si.uicntc rcsutado
Teorema 2 .- Si elegimos u
0
adecuadamente (en
concreto, si:
u
0

1
p
1
+
2
p
2
+ . . . +
n
p
n
basta tomar
1
0) entonces existe, al menos, un
ndice i {1, . . . , n} tal que:
im
k
u
k+1
i
u
k
i

1
.
B) |
1
| |
2
| . . . |
r
| > |
r+1
| . . . |
n
|,

1

2
. . .
r
R.
Sc ticnc c si.uicntc rcsutado
Teorema 3 .- Si elegimos u
0
adecuadamente (en
concreto, si:
u
0

1
p
1
+
2
p
2
+ . . . +
n
p
n
basta tomar
1
p
1
+. . . +
r
p
r
0) entonces existe, al
menos, un ndice i {1, . . . , n} tal que:
im
k
u
k+1
i
u
k
i

1
.
123
C) |
1
| |
2
| > |
3
| . . . |
n
|,
1

2
R.
Sc ticnc c si.uicntc rcsutado
Teorema 4 .- Si elegimos u
0
adecuadamente (en
concreto, si:
u
0

1
p
1
+
2
p
2
+ . . . +
n
p
n
basta tomar
1
p
1
+
2
p
2
0) entonces existe, al
menos, un ndice i {1, . . . , n} tal que:
im
k
u
2k+2
i
u
2k
i

2
1
.
(Por tanto,
1

,
2

.)
Observaci on 3 .- Tambien, si se elige u
0
tal que

1
p
1

2
p
2
0, entonces existe, al menos, un ndice
i {1, . . . , n} tal que:
im
k
u
2k+3
i
u
2k+1
i

2
1
.
D) |
1
| |
2
| > |
3
| . . . |
n
|,
1

2
C.
Sc pucdc adaptar c mctodo para cacuar r y tacs
quc

1
re
i
(
2
re
i

124
Observaci on 4 .- (Potencia normalizada)
Incluso en el caso mas sencillo |
1
| > |
j
|, j 1,
si
1
es muy grande en modulo (o muy peque no), al
calcular u
k
para k grande, este tiende en norma a
(o a 0) con los consiguientes problemas numericos.
Para evitar esta dicultad es conveniente trabajar
con el vector normalizado y
k
, esto es, para u
0
C
n
arbitrario, se denen:
y
0

u
0
u
0

,
y
k+1

Ay
k
Ay
k

, k 0, 1, . . .
Se puede probar entonces que:
y
k

u
k
u
k

, k 0, 1, . . .
(por tanto, y
k
1) y que:
im
k
Ay
k
|
1
|.
Ademas:
im
k
y
k
p, (para
1
> 0),
im
k
(1
k
y
k
p, (para
1
< 0),
donde p es un autovector unitario asociado a
1
.
Por tanto, por el metodo de la potencia norma-
lizada se calculan simultaneamente el autovalor domi-
nante y un autovector asociado.
125
4.2 Aceleracion de la convergencia.-
La vcocidad dc convcr.cncia dc a.oritmo dcpcndc. cn
c caso dc un autovaor dominantc. dc a ma.nitud dc
cocicntc |

1
|, sicndo mayor a vcocidad cuanto mcnor
sca c cocicntc
n mctodo para acccrar a convcr.cncia cs c metodo
de la potencia trasladada quc consistc cn apicar
c mctodo dc a potcncia a a matriz (A pI cn u.ar
dc a a matriz A.
Lado quc os autovaorcs dc (ApI son
i
p, i
1, . . . , n, sc ci.c p dc torma quc
1
p sca c autovaor
dominantc y quc c nucvo cocicntc |

2
p

1
p
| sca mucho
mcnor quc c anti.uo Lc csta torma. c mctodo dc a
potcncia apicado a a matriz (A pI convcr.cr a mas
rapidamcntc a
1
p. Iinamcntc. a partir dc
1
p sc
dctcrmina
1
.
Ejemplo 3 .-
Supongamos A M
22
(R con autovalores

1
1!,
2
12 |

1
|
12
1!
0.S`
Si tomamos p 11 el autovalor dominante es
1
p.
Entonces:
|

2
p

1
p
|
12 11
1! 11

1
3
0.333 << 0.S`
126
Por tanto, hay convergencia mas rapida al autovalor
dominante
1
p 3
1
3 + p 1!.
Pero si tomamos p 1` entonces el autovalor
dominante pasa a ser
2
p. En este caso:
|

1
p

2
p
| |
1! 1`
12 1`
|
1
3
0.333 << 0.S`
Por tanto, hay convergencia mas rapida al autovalor
dominante
2
p 3
2
3 + p 12.
As pues, mediante una eleccion adecuada de p se
puede obtener por el metodo de la potencia trasladada
tambien el autovalor de menor modulo.
Otra posiiidad para acccrar a convcr.cncia dc mc-
todo dc a potcncia cs utiizar c metodo de Aitken
(ya cxpicado antcriormcntc consistcntc cn construir
una nucva succsion
w
k
i

u
k
i
u
k+2
i
(u
k+1
i

2
u
k
i
2u
k+1
i
+ u
k+2
i
, k 0, 1, . . .
Iinamcntc. si a matriz A cs simctrica con autova-
orcs
1
> . . . >
n
, sc pucdc utiizar c metodo de
Rayleigh.
lara co. dado un vcctor no nuo x R
n
, sc dcnc c
cociente de Rayleigh dc x como c n umcro

x
t
Ax
x
t
x
.
127
Lado quc
1
max
x=0
x
t
Ax
x
t
x
, sc pruca quc a succsion
{
k
} construida mcdiantc

(u
k

t
Au
k
(u
k

t
u
k

(u
k

t
u
k+1
(u
k

t
u
k
, k 0, 1, . . .
convcr.c a
1
mas rapidamcntc quc a succsion {
u
k+1
i
u
k
i
}.
4.3 Calculo de autovalores intermedios: deacion.-
Lcmos visto quc cmpcando c mctodo dc a potcncia itc-
rada podcmos aproximar c autovaor dominantc
1
. Ls
natura prc.untarsc si sc pucdc utiizar c conocimicnto
dc
1
y dc un autovcctor asociado p
1
para cacuar c
rcsto dc os autovaorcs
na casc dc mctodos. quc utiizan csta intormacion
para transtormar A cn otra matriz dondc sc ha cimi-
nado c autovaor dominantc
1
sin variar c rcsto dc os
autovaorcs. son os amados metodos de deacion, dc
os cuacs vcrcmos dos ccmpos
Metodo de Hotelling.-
Si A cs una matriz norma cntonccs c Tcorcma dc Schur
asc.ura quc cxistc una asc ortonorma dc autovcctorcs
{p
1
, p
2
, . . . , p
n
}, csto cs. ta quc
p

i
p
j

ij
, i, j 1, . . . , n.
Sc construyc cntonccs a matriz
A
1
A
1
p
1
p

1
128
quc vcrica
A
1
p
j
0, si j 1,
A
1
p
j

j
p
j
, si j 1.
lor tanto. Sp(A
1
{0,
2
, . . . ,
n
}.
Apicando c mctodo dc a potcncia itcrada a a matriz
A
1
sc oticnc su autovaor dominantc. quc cs c autovaor
intcrmcdio
2
.
Metodo de transformacion por semejanza.-
Sca
1
autovaor dc A con autovcctor asociado p
1
. Sca
H a matriz dc Louschodcr ta quc Hp
1
p
1

2
e
1
.
Lntonccs. tcnicndo cn cucnta quc H
t
H
1
H, sc
vcrica
HAH
1

1
c
0 B

con B M
(n1)(n1)
ta quc Sp(B {
2
, . . . ,
n
}.
Apicando c mctodo dc a potcncia itcrada a a matriz
B sc oticnc su autovaor dominantc. quc cs c autovaor
intcrmcdio
2
.
4.4 El metodo de la potencia inversa.-
Lstc mctodo sc utiiza para. dado un vaor aritrario q,
cacuar c autovaor dc A mas proximo a q.
Supon.amos quc dicho autovaor cs
s
, cs dccir
|
s
q| < |
i
q|, i s.
129
Lntonccs sc ticnc quc
|
1

s
q
| > |
1

i
q
|, i s.
Lado quc os autovaorcs dc a matriz (A qI
1
son
1

i
q
, i 1, . . . , n, sc ticnc quc
1

s
q
cs c autovaor
dominantc dc a matriz (A qI
1
.
lor tanto. para cacuar
1

s
q
asta apicar c mctodo
dc a potcncia itcrada a a matriz (AqI
1
. Lntonccs.
ci.icndo u
0
C
n
, sc contruyc a succsion
u
k+1
(A qI
1
u
k
, k 0, 1, . . .
lor o visto antcriormcntc. si u
0
csta adccuadamcntc
cc.ido. cxistc. a mcnos. un ndicc i {1, . . . , n} ta
quc
im
k
u
k+1
i
u
k
i

s
q
.
Iinamcntc. a partir dc sc oticnc
s

s
q +
1

.
Como cs haitua. cn cada itcracion no sc cacua a
matriz invcrsa (AqI
1
sino quc sc rcsucvc c SLL
(A qIu
k+1
u
k
.
Como a matriz dc sistcma cs a misma cn todas as
itcracioncs. cs convcnicntc utiizar un mctodo dc tactori-
zacion (por ccmpo. LU para rcsovcr c sistcma. ya quc
dicha tactorizacion sc rcaiza una unica vcz
130
Adcmas. c mctodo pcrmitc cacuar un autovcctor
asociado p, pucs
im
k
(
s
q
k
|
s
q|
k
u
k
u
k

p.
Observaci on 5 .- En el caso en que tanto
s
como
q son reales, esta expresion coincide con la obtenida
por el metodo de la potencia normalizada:
im
k
u
k
u
k

p, (si
s
> q),
im
k
(1
k
u
k
u
k

p, (si
s
< q).
5 METODOS DE REDUCCION
La idca tundamcnta dc cstos mctodos consistc cn trans-
tormar a matriz A cn otra scmcantc (por o tanto. con
os mismos autovaorcs para a cua sca mas scncio
cacuar c poinomio caractcrstico
Sc cstudiara un mctodo dc rcduccion a matriccs mas
simpcs (Louschodcr y dos mctodos para c cacuo
dc poinomio caractcrstico dc as matriccs simpicadas
(Givcns y Lyman
131
5.1 El metodo de transformacion de Householder.-
L mctodo transtorma una matriz A cuaquicra cn otra
scmcantc de tipo Hessenberg superior. csto cs. con
ccros por dcao dc a sudia.ona

+ + . . . . . . +
+ + . . . . . . +
+

0 + +

Lado quc son matriccs scmcantcs. sus poinomios ca-

ractcrsticos son i.uacs. y por tanto tamicn o son sus
autovaorcs
Lada A M
nn
(R, sc dctcrminaran (n 2 matriccs
dc Louschodcr H
1
, . . . , H
n2
(orto.onacs y simctricas
tacs quc. particndo dc A
1
A, cada una dc as matri-
ccs
A
k+1
H
1
k
A
k
H
k
H
k
A
k
H
k
, k 1, . . . , n 2,
tcn.a ccros cn a coumna k-csima por dcao dc a su-
dia.ona
Lc csta torma. a matriz
A
n1
H
1
n2
. . . H
1
1
AH
1
. . . H
n2
(H
1
. . . H
n2

1
A(H
1
. . . H
n2

cs dc tipo Lcsscncr. supcrior y scmcantc a A.

132
Observaci on 6 .- Si la matriz A es simetrica, en-
tonces tambien lo son todas las matrices A
k
y, por
tanto, A
n1
es una matriz tridiagonal simetrica, pues
tambien tiene ceros por encima de la superdiagonal.
L paso dc a matriz A
k
a a matriz A
k+1
sc rcaiza dc
a si.uicntc mancra
Sc toma c vcctor a
k
R
nk
tormado por os cc-
mcntos dc a coumna k-csima dc A
k
a partir dc su-
dia.ona (incusivc Sc ci.c a matriz dc Louschodcr
H( v
k
M
(nk)(nk)
(R ta quc H( v
k
a
k
a
k

2
e
1
.
Sc construyc cntonccs a nucva matriz dc Louschodcr
H
k

I
k
0
0 H( v
k

H(v
k
, con v
k

0
v
k

R
n
.
Lntonccs a matriz A
k+1
H
k
A
k
H
k
ticnc ccros cn a
coumna k-csima por dcao dc a sudia.ona
Observaci on 7 .- En la practica no se calcula H
k
sino directamente el producto H
k
A
k
H
k
. Deniendo:
w
k

v
k
v
k

2
,
q
k
2(I w
k
w
t
k
A
k
w
k
,
p
k
2(I w
k
w
t
k
A
t
k
w
k
,
se tiene:
A
k+1
A
k
w
k
p
t
k
q
k
w
t
k
.
133
Ademas, si A es simetrica, entonces p
k
q
k
, y por
tanto:
A
k+1
A
k
w
k
p
t
k
(w
k
p
t
k

t
.
Todo o antcrior pucdc rcsumirsc cn os si.uicntcs rcsu-
tados
Teorema 5 .- Dada una matriz A M
nn
(R, exis-
te una matriz ortogonal H, producto de (n 2 ma-
trices de Householder, tal que H
t
AH es de tipo Hes-
senberg superior.
Corolario 2 .- Dada una matriz A M
nn
(R si-
metrica, existe una matriz ortogonal H, producto de
(n 2 matrices de Householder, tal que H
t
AH es
tridiagonal simetrica.
5.2 El metodo de Givens para matrices tridiagonales
simetricas.-
Sca a matriz tridia.ona simctrica
B

b
1
c
1
0
c
1
b
2
c
2
c
2

b
n1
c
n1
0 c
n1
b
n

134
Supondrcmos quc todos os ccmcntos sudia.onacs vc-
rican
c
i
0, i 1, . . . , n 1.
(Si a. un c
i
tucsc nuo. sc podra dcscomponcr B cn dos
matriccs cn as condicioncs antcriorcs
Lcnotarcmos por B
i
, i 1, . . . , n, a sumatriz prin-
cipa dc B tormada por sus primcras i as c i coumnas
Scan p
i
(, i 0, . . . , n, os poinomios dcnidos por
rccurrcncia
p
0
( 1,
p
1
( b
1
,
p
i
( (b
i
p
i1
( c
2
i1
p
i2
(, i 2, . . . , n.
Sc vcrica cntonccs
Teorema 6 .-
p
i
( det(B
i
I, i 1, . . . , n.
Ademas, si q
i
( (1
i
p
i
(, i 0, 1, . . . , n,
entonces la sucesion {q
n
, q
n1
, . . . , q
1
, q
0
} es una su-
cesion de Sturm relativa al polinomio caracterstico
p
n
( det(B I y a cualquier intervalo.
lor tanto. utiizando a succsion dc Sturm sc pucdcn
ocaizar y cacuar as raccs dc p
n
(, quc son os auto-
vaorcs dc B, dcntro dc intcrvao |B, B|.
135
5.3 El metodo de Hyman para matrices Hessenberg
superior.-
Sca B M
nn
(R una matriz Lcsscncr. supcrior ta
quc todos sus ccmcntos sudia.onacs vcriqucn
b
i+1,i
0, i 1, . . . , n 1.
Considcrcmos a matriz
B I (p
1
|p
2
| . . . |p
n
.
Si k( cs un poinomio cuyos coccicntcs dcpcndcn dc
B, c sistcma inca
(B I x k(e
1
sc pucdc rcsovcr dc mancra scncia por sustitucion rctro-
.rada si cc.imos aritrariamcntc x
n
(por c x
n
1.
dado quc B I si.uc sicndo Lcsscncr. supcrior
Si cs una raz dc k( cntonccs sc ticnc (BI x 0,
dc modo quc cs un autovaor dc B y x un autovcctor
asociado lor tanto k( cs. savo un tactor. c poinomio
caractcrstico det(B I.
Tomando x
n
1 cs taci cacuar det(BI cn tuncion
dc k(
(B I x k(e
1
x
1
p
1
+ x
2
p
2
+ . . . + x
n1
p
n1
+ p
n
k(e
1
p
n
k(e
1

n1

i=1
x
i
p
i
136
Lntonccs
det(B I det(p
1
| . . . |p
n1
|p
n

det(p
1
| . . . |p
n1
|k(e
1

n1

i=1
x
i
p
i

det(p
1
| . . . |p
n1
|k(e
1

b
11
b
12
. . . b
1,n1
k(
b
21
b
22
. . . b
2,n1
0
b
32

b
3,n1
0

b
n1,n2
b
n1,n1
0
0 b
n,n1
0

(1
n+1
k(b
21
b
32
. . . b
n,n1
A n dc cacuar k( c mctodo mas scncio cs rc-
sovcr por sustitucion rctro.rada c sistcma inca

(b
11
x
1
+b
12
x
2
+. . . +b
1n
x
n
k(
b
21
x
1
+(b
22
x
2
+. . . +b
2n
x
n
0
b
32
x
2
+. . . +b
3n
x
n
0
. . . . . . . . . . . .
b
n,n1
x
n1
+(b
nn
x
n
0
con x
n
1.
137
Sc ticnc cntonccs c si.uicntc rcsutado
Teorema 7 .- Sea B M
nn
(R una matriz Hes-
senberg superior con todos sus elementos subdiago-
nales sean no nulos. Sea la sucesion de polinomios:
x
n
( 1,
x
i
(
1
b
i+1,i
|(b
i+1,i+1
x
i+1
( + b
i+1,i+2
x
i+2
(
+. . . + b
i+1,n
x
n
(|, i n 1, n 2, . . . 1.
Entonces:
det(B I (1
n+1
k(b
21
b
32
. . . b
n,n1
,
donde:
k( (b
11
x
1
( + b
12
x
2
( + . . . + b
1n
x
n
(.
Lc csta torma sc pucdc otcncr k( y aproximar sus
raccs (os autovaorcs dc B. por os mctodos ya vistos
para poinomios
6 METODOS DE FACTORIZACION
Son mctodos asados cn as tactorizacioncs ya cstudiadas
para a matriz A a tactorizacion LU y a QR, y quc
pcrmitcn cacuar simut ancamcntc todos os autovaorcs
dc A. Lstudiarcmos os dos mctodos mas simpcs
138
6.1 El metodo LR (Rutishauser - 1952) .-
Sc asa cn a tactorizacion LU dc una matriz L a.o-
ritmo cs como si.uc
Sca A una matriz quc admita tactorizacion LU.
Sc toma A
1
A y. a partir dc a tactorizacion LU dc
A
k
L
k
R
k
, sc construyc A
k+1
R
k
L
k
.
Lc csta a torma sc ticnc a succsion dc matriccs {A
k
}
todas scmcantcs a A
A
k+1
R
k
L
k
L
1
k
A
k
L
k
. . .
L
1
k
. . . L
1
1
A
1
L
1
. . . L
k
(L
1
. . . L
k

1
A(L
1
. . . L
k
.
Teorema 8 .- Sea A M
nn
(R una matriz in-
versible con todos sus autovalores de modulo dife-
rente:
|
1
| > |
2
| > . . . > |
n
| > 0.
Existe, al menos, una matriz inversible P tal que
P
1
AP diag(
i
.
Supongamos que las matrices P y P
1
admiten fac-
torizacion LU. Entonces, la sucesion {A
k
} generada
por el metodo LR converge a una matriz triangular
superior. En particular:
im
k
(A
k

ii

i
, 1 i n,
im
k
(A
k

ij
0, 1 j < i n.
139
6.2 El metodo QR (Francis, Kublanovskaya - 1960) .-
Sc asa cn a tactorizacion QR dc una matriz L a.o-
ritmo cs como si.uc
Sca A una matriz cuaquicra
Sc toma A
1
A y. a partir dc a tactorizacion QR dc
A
k
Q
k
R
k
, sc construyc A
k+1
R
k
Q
k
.
Lc csta a torma sc ticnc a succsion dc matriccs {A
k
}
todas scmcantcs a A
A
k+1
R
k
Q
k
Q
1
k
A
k
Q
k
. . .
Q
1
k
. . . Q
1
1
A
1
Q
1
. . . Q
k
(Q
1
. . . Q
k

1
A(Q
1
. . . Q
k
.
Teorema 9 .- Sea A M
nn
(R una matriz in-
versible con todos sus autovalores de modulo dife-
rente:
|
1
| > |
2
| > . . . > |
n
| > 0.
Existe, al menos, una matriz inversible P tal que
P
1
AP diag(
i
.
Supongamos que la matriz P
1
admite factorizacion
LU. Entonces, la sucesion {A
k
} generada por el meto-
do QR verica:
im
k
(A
k

ii

i
, 1 i n,
im
k
(A
k

ij
0, 1 j < i n.
140
Observaci on 8 .- No se puede hablar en el caso
del algoritmo QR de la convergencia de la sucesion
{A
k
}, ya que no se puede asegurar la existencia de
los lmites:
im
k
(A
k

ij
, 1 i < j n.
En cambio, si la matriz A es simetrica, tambien lo
son todas las A
k
y, por tanto:
im
k
(A
k

ij
0, 1 i < j n,
esto es, la sucesion {A
k
} converge a la matriz dia-
gonal de autovalores.
(Esto ultimo no se verica para el algoritmo LR.)
141

142