1.

INTRODUCCIÓN

Problema estándar

Problema generalizado

CÁLCULO DE AUTOVALORES λ autovalor / valor propio

v autovector / vector propio

ÁLGEBRA LINEAL: los autovalores son las raíces del

Laboratori de Càlcul Numèric (LaCàN)
polinomio característico
Departament de Matemàtica Aplicada III
Universitat Politècnica de Catalunya (Barcelona)
http://www-lacan.upc.es

·2

Aplicaciones en ingeniería civil

Inconvenientes: – Cálculo dinámico de estructuras: sismos, vibraciones,

1. Cálculo de determinantes (∼n! operaciones), agrupación de viento...
términos
2. Acumulación de errores de redondeo – Análisis de pandeo
3. No se aprovechan las cualidades de las matrices (simetría,
definición positiva, estructura especial...) – Problemas de ondas: ingeniería marítima, problemas
medioambientales (contaminación acústica)

– Herramientas auxiliares para la resolución de sistemas de

Necesidad de algoritmos alternativos ecuaciones: número de condición (si SDP máx λi / mín λi),
más eficientes radio espectral (máx λi),

·3 ·4
 2. FUNDAMENTOS

En forma matricial
2.1 Problema estándar

Teorema 1 [Teorema espectral del álgebra]: Si es

simétrica, entonces diagonaliza (con autovalores reales) en
una base ortonormal.

U es ortogonal diagonalización de A
n autovectores ortonormales

Si A es simétrica y definida positiva (SDP)

n autovalores tales que

Si A es simétrica y semidefinida positiva

·5 ·6

2.2 Problema generalizado

Se busca una solución de la forma
con φ vector de desplazamientos nodales constante (modo)
y ω frecuencia de vibración (frecuencia propia)

Aplicación: Análisis modal en dinámica estructural

x: desplazamientos
nodales Sustituyendo en la ecuación de equilibrio

El desplazamiento en la viga se interpola a partir de los valores nodales

Ecuación de equilibrio (oscilaciones libres):
M: matriz de masa (SDP)
K: matriz de rigidez

·7 ·8
 ¿Cómo son los autovalores del problema generalizado?

simétricas ⇒ autovalores reales Teorema 2: si son simétricas y M es definida

positiva, entonces existen n autovalores reales

Ejemplo:
y n autovectores
• M-ortonormales:

• K-ortogonales:

con

los autovalores son

·9 · 10

2.3 Reducción del problema generalizado al

problema estándar

con

1. M invertible:
Aunque M y K sean simétricas, A* puede ser no simétrica.
Sólo es simétrica si K y M-1 conmutan 
2. K y M simétricas, y M definida positiva:
• Si M SDP  descomposición de Cholesky
A*
Se conserva la simetría
Sin embargo, a veces no conviene transformar el problema.
Por ejemplo, si M y K son matrices en banda, L es en banda
pero L-1 es una matriz llena  A* es llena. 
v* = λ v*
· 11 · 12
 Demostración del Teorema 2
3. PROPIEDADES GENERALES
de matrices simétricas

K y M simétricas, y M definida positiva  A* real y 3.1 Deflación
simétrica
PROBLEMA ESTÁNDAR:

Por el Teorema 1 (Teorema espectral del álgebra), A*
diagonaliza en una base ortonormal Solución propia
• autovalores reales λi
La matriz verifica
• autovectores ortonormales

El problema generalizado tiene autovalores λi y uk pasa a tener

autovectores que cumplen autovalor 0
• M-ortonormales:
Demostración:
• K-ortogonales:

· 13 · 14

3.2 Traslación

PROBLEMA GENERALIZADO:
PROBLEMA ESTÁNDAR:
con autovalores λi y autovectores ui
Solución propia
La matriz verifica tiene los mismos autovectores ui, pero con
autovalores
uk pasa a tener
autovalor 0 Demostración:

Demostración: (ejercicio)
PROBLEMA GENERALIZADO:

con
tiene los mismos autovectores ui, con autovalores

· 15 · 16
3.3 Cociente de Rayleigh Demostración:

PROBLEMA ESTÁNDAR: A real, simétrica

Cociente de Rayleigh

Expresión alternativa en la base de autovectores:

utilizando

· 17 · 18

Propiedades del cociente de Rayleigh Demostración 1.

Caso 1: A definida positiva

1. -
a)
2. -

3. Si con

b)

· 19 · 20
 Demostración 2.
Caso 2: A no definida definida positiva
Se considera p tal que y la
traslación

• El cociente de Rayleigh cumple

Demostración 3.
con
• B tiene vamos a comprobar que
autovalores

B definida positiva
(caso 1)

· 21 · 22

PROBLEMA GENERALIZADO:

=λiui

Cociente de Rayleigh

· 23 · 24
 4. MÉTODOS DE ITERACIÓN VECTORIAL Algoritmo IVD problema estándar
(von Mises o de las potencias)
Dado v0 casi-arbitrario
4.1 Método de iteración vectorial directa
La Iteración Vectorial Directa (IVD) proporciona el autovalor
dominante (el más alejado de cero) y el autovector asociado
Atención a la
nueva numeración
k = 0, 1, 2...

PROBLEMA ESTÁNDAR: A real, simétrica
• vector inicial casi-arbitrario v0
• iteraciones
Autovalor dominante
(con su signo)
• Convergencia: tal que

· 25 · 26

demostración convergencia IVD

Caso general: λn autovalor dominante con multiplicidad p

· 27 · 28
 Observaciones

PROBLEMA GENERALIZADO:

Existen otras versiones del algoritmo. Los vectores se
pueden normalizar dividiendo por su norma, pero hay otras
y utilizar IVD
opciones. Por ejemplo,

• vector inicial casi-arbitrario v0

• iteraciones

El vector inicial no es totalmente arbitrario

Convergencia
• Convergencia: tal que

· 29 · 30

Algoritmo Algoritmo IVD problema generalizado

ωk+1
yk

ωk+1 yk

El algoritmo se simplifica
obviando el cálculo de vk
· 31 · 32
 Algoritmo IVI problema estándar
4.2 Método de iteración vectorial inversa
La Iteración Vectorial Inversa (IVI) proporciona el autovalor
más cercano a cero (el mínimo en valor absoluto, con su ωk+1
signo) y el autovector asociado

PROBLEMA ESTÁNDAR: En la práctica no se

calcula A-1

tiene los mismo autovectores con autovalores

IVD con A-1 ?

· 33 · 34

Observaciones

PROBLEMA GENERALIZADO:

La convergencia se puede acelerar con una traslación

IVI para

IVI para A  IVD para A-1 ωk+1

yk

Cálculo del autovalor más cercano a un valor dado (o del

autovector asociado a un autovalor conocido)

ωk+1
zk+1

· 35 · 36
 Algoritmo Algoritmo IVI problema generalizado

≈ λ1 ?

(versión 1)
(versión 2)
· 37 · 38

5. OTROS MÉTODOS

Métodos de iteración polinómica
• iteración polinómica explícita
• iteración polinómica implícita

Métodos de ortogonalización
• descomposición en valores singulares (SVD)
• Jacobi

· 39