Apuntes Metodos Numericos - Autovalores y Autovectores

Métodos Numéricos Aplicados a la Ingeniería
II. AUTOVALORES Y
AUTOVECTORES DE UNA
MATRIZ
2.1. Aspectos básicos.

2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales y
problemas de mínimos cuadrados
2.5. Método de QR de Francis para
problemas de valores propios.
2.6. Método mixtos evaluación de la
determinante Iteración en un subespacio
Autovalores y Autovectores de una Matriz Paá gina 1

II. AUTOVALORES Y AUTOVECTORES DE UNA MATRIZ
2.1. ASPECTOS BÁSICOS
Para ingresar a los estudios de los valores propios de una matriz

debemos tener cierta familiaridad con matrices y determinantes los
números complejos.
2.1.1. MATRICES, DEFINICIÓN, INTERPRETACIÓN
DEFINICIÓN: Llamaremos matriz a un arreglo rectangular de entes

(números, funciones, etc) ordenados en filas y columnas.
Filas
 a11 a12 Columnas

... a1i ... a1n 
a 
 21 a22 ... a2i ... a2n 
 a31 a32  a3i  a3n 
 
       
am1 am2  ami  amn 
  mn
2.1.2. ORDEN DE UNA MATRIZ: Se llama así al producto de las filas y

columnas.
3
2
4
;
 3 4 1 0 9
; aij  m n  aij  filas  columnas
 5  2 2  9
 8 7 0 5 25
2.1.3. MATRIZ FILA Y MATRIZ COLUMNA
MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que
posee sólo una fila y n columnas.
La representamos del siguiente modo: A   a11 , a12 , a13 , ..., a1n 1 n

MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a

aquella matriz que posee sólo una columna y m filas.
 a11 
a 
La representamos del siguiente modo: A   21 
  
 
a m1  mx1
2.1.4. IGUALDAD DE MATRICES: Las matrices A  aij ; B  bij son    

iguales si tienen el mismo orden; es decir el número de filas y columnas
de cada una deben de ser iguales y además cada elemento de una de
ellas tiene que ser igual al correspondiente de la otra.
Su representación matricial es:
A  B  aij  bij ; i 1,2,...,m j 1, 2,3,..., n
El resultado quiere decir que los elementos de las matrices A y C son

diferentes excepto el elemento que está en la segunda fila y primera
columna
2.1.5. PRODUCTO DE UN ESCALAR POR UNA MATRIZ:

 a11  a1n 
A      
a m1  a mn 
Ejemplo:
 2 4   10 20 
1. 5A  5  
 1  2    5  10 
PLANTA1 PLANTA 2 PLANTA 3 PLANTA 4

PRODUCTO  1 5600 2330 5400 4580
2. PRODUCTO  2 2330 4500 4500 2500
PRODUCTO  3 5040 4500 5600 9500
PRODUCTO  4 4580 2500 9500 4600

Esta matriz nos proporciona la cantidad de productos producidos por

una empresa en cuatro diferentes plantas cuando su producción
aumenta en diez veces.
Propiedades:
1 A   (A)
2 (    ) A  A   A
SUMA DE MATRICES: Dadas las matrices A   aij  m n y B  bij  m n ; la
suma de ambas A  B es otra matriz C   cij  m n en la que cada

elemento de C es igual a la suma de los elementos correspondientes
de A y B .

C  A  B  aij  bij mn  (a  b)ij  mn
Ejemplo:
8  5  5 6  3 1
1. A    ; B     C  A  B   
6 1  0 2   6 1
2. En una empresa
PRODUCTO  1 50 20 50 40
M1= PRODUCTO  2 20 40 40 50
PRODUCTO  3 50 50 60 90
PRODUCTO  4 40 25 90 60

PRODUCTO  1 50 20 50 40
M2= PRODUCTO  2 10 10 4 0
PRODUCTO  3 20 5 6 9
PRODUCTO  4 10 2 9 6
Esta matriz nos proporciona el costo para producir parte de cada uno de
los cuatro productos en cuatro plantas ubicadas en ciudades diferentes
se requiere saber el costo total de cada uno de los productos.

Matriz de costo total =

PRODUCTO  1 100 40 100 800
PRODUCTO  2 30 50 44 50
PRODUCTO  3 70 55 66 99
PRODUCTO  4 50 27 99 66
Propiedades:
1. A B  B A
2. A  ( B  C )  ( A  B)  C
3.  ( A  B )  A   B
4.  A;  0 tal que A  0  A
2.1.6. PRODUCTO DE MATRICES

El producto de las matrices A.   aij  m p y B  bij  p  n es una matriz
  m n . El producto de las matrices estará definido correctamente si
C  cij
A es conforme con B ; es decir si el número de columnas de la matriz

A es igual al número de filas de la matriz B .
  m p
A  aij   p n 
; B  bij   m n
C  A  B  cij
Donde el elemento cij es el producto escalar de la fila i de A por la

columna j de B , es decir:
p
cij   aik . bkj ; i  1,..., m ; j  1,..., n
k 1
Ejemplo:
1 2 2  1
1. A    ; B    ; Entonces:
1 3 0 2 

1 2   2  1 1(2)  2(0) 1(1)  2(2) 

C  AB   .   
1 3   0 2   1( 2)  3(0) 1(1)  3(2) 
 2 3
C   
 2 5
Propiedades:
1. A.B  B. A
2. A.( BC )  ( AB )C
3. A.( B  C )  AB  AC
4. ( B  C ) A  BA  CA
5. kA.B  AkB ; k  IR
2.1.7. TIPOS ESPECIALES DE MATRICES:
1. MATRIZ CUADRADA: Cuando m  n; se llama matriz cuadrada
de orden n y se denota por A   Aij  n n .

A2 : Matriz cuadrada de orden 2x2.
A3 : Matriz cuadrada de orden 3x3.
An : Matriz cuadrada de orden nxn.
Ejemplo:
1 2 3
 
1. A3   7 5 0
0 8 6 


0 9 8 7 6 5 4
 
3 2 78 5 8 6 9
5 7 0 0 0 78 0
 
2. A7   2 1 1 1 1 1 1
0 0 0 5 6 74 9 

8 0' 2 5 5 6 0
 
1 1 2 2 2 0 1
2. MATRIZ TRIANGULAR SUPERIOR: Llamaremos matriz

triangular superior a aquella matriz cuyos elementos aij son ceros para
i  j ; y se representa como:
 a11 a12 a13 a1n 

...
 
 0 a 22 a 23 ... a 2n 
A 0 0 a33 ... a3n 
 
      
 0 0 0 0 a nn 

3. MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular

inferior a aquella matriz cuyos elementos aij son ceros para i  j ; y se
representa como:
 a11 0 0... 0 
 
 a 21 a 22 0... 0 
A   a31 a32 a33 ... 0 
 
      
a a m3  a nn 
 m1 a m 2
4. MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella

matriz donde todos sus elementos aij son ceros para i  j , y se
representa de la siguiente forma:
 a11 0 0 ... 0 
 
 0 a 22 0 ... 0 
A 0 0 a33 ... 0 
 
      
 0 0 0 0 a nn 


5. MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los

elementos son igual a una constante K ; y se representa de la siguiente
manera:
K 0 0 ... 0
 
0 K 0 ... 0
A0 0 K ... 0
 
     
0 0 0 0 K 

6. MATRIZ IDENTIDAD: Es una matriz escalar con K  1 ; y se

representa de la siguiente manera:
1 0 0 ... 0
 
0 1 0 ... 0
A  0 0 1 ... 0
 
    
0 0 0 0 1 

7. MATRIZ TRANSPUESTA: Dada una matriz   m n ;

A  aij
llamaremos transpuesta de A denotada por At a la matriz  a ji  n m
 a11 a12 a13 ... a1n   a11 a 21 a31 ... a m1 

   
 a 21 a 22 a 23 ... a 2n   a12 a 22 a32 ... am2 
A  a31 a32 a33 ... a3n  A   a13 a 23 a33
  t ... a m3 
   
             
a   a mn 
 m1 a m 2 a m3 ... amn   a1n a 2n a3n ...
Ejemplo:
1 2 1 3
1. A     At   
 3 4   2 4
Propiedades:
1. It  I
2.  A t t  A
3.  kA t  kAt
4.  AB  t  B t . At
5.  A  B t  At  B t

8. MATRIZ SIMÉTRICA: Se dice que una matriz cuadrada es

simétrica si se cumple que los elementos aij  a ji ; i  j ; es decir A  At .
2 0 2 2 0 2
  t  
Ejemplo: A   0 4 5  A  0 4 5
2 5 3  2 5 3 
 
9. MATRIZ ANTISIMÉTRICA: Una matriz cuadrada A se llama anti

simétrica si A   At
Ejemplo:
 0 2 4 0 2  4  0 2 4
  t   t  
1. A   2 0 6  A  2 0  6   A    2 0 6
 4 6 6  4 6 0   4 6 0 
  
 A  At
0  4  0 4 0  4
2. A     At      At   
4 0   4 0 4 0 
 A  At
10. MATRIZ HERMITIANAS
Las matrices cuadradas cuyos elementos tienen simetría conjugada se
le llama matriz Hermitianas es decir: , en donde * indica la
conjugada compleja
Ejemplo:
, en donde
Observemos si todos los elementos de la matriz Hermitiana fueran

reales, entonces tenemos una matriz simétrica.

11. MATRIZ BANDA

Es una matriz cuadrada en donde la mayor parte de los elementos son
ceros y los elementos con valor significativo están agrupados alrededor
de su diagonal principal en este caso se llama matriz banda.
Ejemplo:
 1 1 0 0 0 
 
1 2 1 0 0 
A 0 1 2 1 0 
 
 0 0 1 2  1
 0 0 0 1 1 

Obs.
1. Las líneas paralelas a la diagonal principal se le llama
codiagonales.
2. El número total de diagonal y codiagonales con elementos
significativos es el ancho de banda (3 en este ejemplo).
3. Para matrices simétricas puede también hablarse de un ancho de
semi – banda; que incluye a la diagonal principal (2 en el ejemplo
precedente).
4. Una matriz banda tiene baja densidad. Considerando densidad
como la razón entre el número de elementos con valor significativo y el
número total de elementos.
2.1.8 DETERMINANTE DE UNA MATRIZ
Definición: Determinante de una matriz A denotada por det( A)  A .

 a11 a12 
Si A    ; entonces det( A)  a11 .a 22  a 21.a12
 a 21 a 22 

Ejemplo:
 1 2
1. A     det( A)  1(3)  2(1)  3  2  5
 1 3
2.1.8.1. MENOR COMPLEMENTARIO

Definición: Llamaremos menor complemento " M ij "
de un elemento de una matriz A de tercer orden al determinante de una

matriz cuadrada de segundo orden que se obtiene después de eliminar
la fila i y la columna j ; ( M ij ) .
El menor complementario de aij se denota por M ij .
 a11 a12 a13 

 
 
Ejemplo: A  aij 33   a 21 a 22 a23  el menor complementario de:
a 
 31 a32 a33 
 a 22 a 23 
a11 es M 11   
 a32 a33 
 a12 a13 
a 21 es M 21   
 a32 a33 
2.1.8.2. COFACTOR DE UN ELEMENTO

Sea aij un elemento de una matriz A denotaremos cofactor Aij y se
define como: Aij    1 i  j M ij
 a11 a12 a13 

 
Sea A   a 21 a 22 a 23  entonces
a 
 31 a32 a33 
A11    1 11 M 11  M 11
A12    11 2 M 12   M 12
A13    1 1 3 M 13  M 13
Entonces A  a11 M 11  a12 M 12  a13 M 13
Ejemplo:

1 0 0
  2.3
1. A  1 2 3  det( A)  1  10
 0 0 5 0,5
 
» A=[1 0 0;1 2 3;0 0 5]
A=
1 0 0
1 2 3
0 0 5
» det(A)
ans =
10
2.
 2 5 3
 
B   2 3 4   det( B )  2 3(1)  (4)(2)   5 (2)(1)  4(0)   3 ( 2)(2)  3(0) 
 0 2 1 

Por lo tanto det( B )  2(11)  10  12  44

» B=[2 5 3;-2 3 4;0 -2 1]
B=
2 5 3
-2 3 4
0 -2 1
» det(B)
ans =
44
2.1.8.3. Propiedades:
1. Si se intercambian una fila por una columna en su determinante

su valor no se altera.

a1 a2 a3 a1 b1 c1
Es decir: b1 b2 b3  a 2 b2 c2
c1 c2 c3 a 3 b3 c3
2. Si todos sus elementos de una fila o columna son ceros el

determinante es cero.
3. Si se intercambian dos filas o dos columnas continuas el
determinante cambia de signo.
a1 a2 a3 b1 b2 b3
Es decir: b1 b2 b3  a1 a2 a3
c1 c2 c3 c1 c2 c3
4. Si un determinante tiene dos filas ó dos columnas iguales o

proporcionales su valor es cero.
a1 a2 a3
Es decir: ka1 ka2 ka3  0
c1 c2 c3
5. Todos los elementos de una fila o columna de un determinante se

multiplica por un número el valor del determinante queda multiplicado
por el número.
ka1 a2 a3 a1 a2 a3 a1 a2 a3
Es decir: kb1 b2 b3  kb1 kb2 kb3  k b1 b2 b3
kc1 c2 c3 c1 c2 c3 c1 c2 c3
6. Si todos los elementos de una fila o columna son expresados

como la suma de dos o más números, el determinante puede expresarse
como la suma de dos o más determinantes.
a1  x a2 a3 a1 a2 a3 x a2 a3
Es decir: b1  y b2 b3  b1 b2 b3  y b2 b3
c1  z c2 c3 c1 c2 c3 z c2 c3
7. Si a cada uno de los elementos de una fila o columna se le

multiplica por m y a este resultado se le suma otra fila o columna el valor
del determinante no se altera.
a1 a2 a3 a1  ma 2 a2 a3
Es decir: b1 b2 b3  b1  mb2 b2 b3
c1 c2 c3 c1  mc2 c2 c3

2.1.8.4. Observaciones
La determinante de una matriz triangular es igual al producto de los
elementos de su diagonal principal.
, det(A) = (1)(5)(12)= 60
 1 0 0 0 0 
 
1 2 0 0 0 
A 0 1 10 0 0 
 ; det(A)= (1)(2)(10)(2)(20)=800
 0 0 1 2 0 
 0 0 0 1 20 

Para un producto matricial se cumple que: det(A.B.C)=det(A). det(B).

det(C)
2.1.8.5. MATRIZ DE COFACTORES

 a11 a12 a13 
 
Sea la matriz A   a 21 a 22 a 23  entonces llamamos matriz de
a 
 31 a32 a33 
 A11 A12 A13 

 
cofactores de la matriz A a la matriz CA   A21 A22 A23  ; donde
A A32 A33 
 31
Aij    1 i  j M ij
1 3 5  14 4  22 
   
Ejemplo: A   3 5 1   CA    4  22 14 
5 1 3    22 14  4 
 
2.1.8.6. MATRIZ ADJUNTA

Se llama así a la matriz transpuesta de la matriz de cofactores y se
 A11 A21 A31 

t  
denota por adj ( A)  CAt , adj ( A)  CA   A12 A22 A32 
A A23 A33 
 13
Ejemplo:
1 2 3  3 6  3  3 6  3
     
A  4 5 6   CA   6  12 6   adj ( A)   6  12 6 
7 8 9   3 6  3   3 6  3 
  
2.1.8.7. MATRIZ INVERSA.

Supongamos la matriz cuadrada A tiene det( A)  0 , entonces la
1 CA t
inversa de la matriz A denotada por A 1 es: A 1  adj ( A) 
A A
1 2 3
 
Ejemplo: A   4 5 6   A  ( 13)  2(4  12)  3(12  10)  9
2 3 1 

  13 8 2    13 7  3
   
CA   7 5 1   adj( A)   8 5 6 
 3 6  3   2 1  3 
 
  13 7  3
1 1 
A   8 5 6 
9
 2 1  3 
1 2 3    13 7  3  1 0 0
1 1    
Verificando tenemos: AA  4 5 6 . 8 5 6  0 1 0
9
2 3 1   2 1  3   0 0 1 
Una matriz cuadrada tiene inversa si y sólo si es una matriz no singular

en este caso se dice que es una matriz invertible.
Propiedades:
1.  AB  1  B 1 A 1

2.  A1 1  A
3.  A 1  1 A 1   IR
4. adj ( A)  A
n 1
Donde n es el orden de la matriz A
5. La inversión de matrices permite efectuar la operación equivalente
a la división del álgebra común.
6. Una matriz A se llama ortogonal si AA T=I, en particular si A es una

matriz cuadrada se tiene que A-1 = AT
Ejemplo:
21.1.8.8. RANGO DE UNA MATRIZ:

Se llama rango de una matriz A de orden nxn, al orden de la matriz
cuadrada mas grande contenida en A cuyo determinante es diferente
de cero y se denota r(A) = rango de A.
Debemos resaltar que el r(A) ≤ min:{m,n} donde la matriz A en de orden

de mxn.
Para determinar el rango de una matriz se debe de tener en

consideración que al determinar las matrices cuadradas es suficiente
que una de ellas tenga su determinante diferente de cero.
Ejemplo: Hallar el rango de la siguiente matriz:

1 2 4 
 
0 5 6 
A 
6 7 8
 
0 8 9 
 
Solución
Como la matriz es de orden 4x3, esto quiere decir que r(A) ≤ min{4,3} en
otras palabras r(A) ≤ 3
Determinamos las matrices de 3x3:
1 2 4 1 2 4 0 5 6 1 2 4
       
0 5 6 ; 0 5 6 ; 6 7 8 ; 6 7 8
6 7 8  0 8 9   0 8 9   0 8 9 
 
Como no existen más matrices de orden de 3x3 cuyos determinantes

sean ceros esto quiere decir que el orden de la matriz dada es 3.
Si en caso que sus determinantes fueran ceros entonces se prosigue a

determinar los determinantes de orden 2x2.
Aclaraciones:
- Toda matriz nula tiene como rango cero,
- Si una matriz A es de orden mxn no nula entonces su rango es
mayor que cero y menor igual que min (m,n)
- Si la matriz es de orden nxn su rango es mayor que cero y menor o
igual a n;
- Si la matriz es no nula de orden nxn , entonces existe su inversa si
solo si su determinante es diferente cero , en este caso se dice que la
matriz es no singular.
- De la afirmación anterior también se dice que una matriz cuadrada de
orden nxn tiene inversa si y solo si r(A) =n.
- Supongamos dos matrices A y B y que exista AB, entonces r(AB)≤
min{r(A), r(B)};
- También es necesario resaltar que existe otra manera de calcular el
rango de una matriz y es usando operaciones elementales o
transformaciones elementales.

2.1.8.9. OPERACIONES O TRANSFORMACIONES ELEMENTALES

Son operaciones con matrices que no alteran su orden ni su rango,
existiendo operaciones elementales por fila o por columnas.
1. La permutación de una fila por una columna se denota por H ij,
2. La permutación de columna por columna se denota por K ij;
3. El producto de todos los elementos de la fila i por un escalar “a”
distinto de cero se representa por Hi(a);
4. El producto de todos los elementos de una columna J por un
escalar “b” se denota por Kj(b);
5. La suma de los elementos de la fila I con los correspondientes
elementos de la fila j multiplicados por un escalar “k” es representado
por Hij(k);
6. La suma de los elementos de una columna i, con los
correspondientes elementos de una columna j multiplicado por un
escalar “p” se denota por Kij(p);
7. Debemos aclarar que a las operaciones de tipo H se les llama
operaciones de tipo fila y a las operaciones de tipo K se les llama
operaciones columna.
2.1.8.10. LONGITUD DE UN VECTOR

Supongamos x un vector en R 2, su longitud denotado por |x| es definido
como un número positivo o cero.
En términos de producto punto
Ejemplo: sea determinar su norma

Solución
=7.0711
Debemos tener en consideración que el campo de los números reales R

tiene el defecto de que un polinomio de grado n con coeficientes reales
no necesariamente tiene n ceros reales.
Por ejemplo carece de ceros reales, este defecto se

supera extendiendo el campo de tal manera que contenga al elemento i,
elemento que se caracteriza por la ecuación , que es el campo

C de los números complejos en donde sus elementos tienen la forma:
x=a+bi , en donde a, b son reales.
Su conjugado, norma, o modulo, se le define:
;,
Observe que:
1. ,
2. El campo de los complejos ya no tiene la anomalía de los reales,

es mas tenemos el teorema fundamental del algebra, que establece que
todo polinomio no constante con coeficientes complejos tiene al
menos un cero en el plano complejo.
3. La afirmación anterior permite afirmar que todo polinomio de
grado n se puede descomponer como un producto de n factores
lineales.

ANGULO ENTRE VECTORES
El coseno entre dos vectores es dado por
Ejemplo
Sean los vectores y , entonces el
ángulo entre ellos es:
PERPENDICULARIDAD DE VECTORES
Dos vectores son ortogonales si el coseno entre ellos es cero es decir si
solo si
Ejemplo
Sean los vectores x=(2,3,3,4), y =(4,-3,7,-5) son ortogonales pues:
X*y=2*4+3(-3)+3*7+4(-5)=0
2.1.9. ESPACIO VECTORIAL Cn

El espacio vectorial Cn, esta compuesto de todos los vectores
en donde los , Si al vector
complejo x es multiplicado por también complejo el resultado es otro

vector complejo así:

En consecuencia Cn, es un espacio vectorial sobre el campo de C. En

consecuencia en este espacio Cn. El producto interno se define:
,
2.1.10. NORMA DE VECTORES
La norma Euclidiana se define:
Podemos observar que,
1. ,
2. ,
3. ,
Consideremos A una matriz con elementos complejos, y A * denota su
conjugada transpuesta es decir en particular, si x es una
matriz de nx1 (o vector columna), entonces , es una matriz de

1xn o vector fila,
En general podemos definir norma de un vector x
Como casos particulares tenemos la norma Euclidiana cuando p=2

Máximo valor absoluto
Propiedades
1. ,
2. ,
3. ,
Estas propiedades son familiares en relación a la norma Euclidiana o

“longitud” de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma
consistente con la definición de norma de un vector:
, (x ),
La norma de es donde es el máximo valor
característico de At.A. También
Estas normas definidas satisfacen ,
2.1.10. VALOR PROPIO DE UN MATRIZ A

Ahora consideremos A una matriz de orden nxn cuyos elementos
pueden ser complejos y sea un escalar (numero complejo). Si la

ecuación
..................................................................................................(1)
Tiene una solución no trivial es decir entonces , es un valor

propio de A . Un vector x distinto de cero que satisface la ecuación (1) es
un vector propio de A correspondiente al valor propio .
Ejemplo: Consideremos la Ecuación siguiente
Esta ecuación nos afirma que -2 es un valor propio de matriz 3x3 y que
(1,3,-4)T, es un vector propio correspondiente.
Observemos que cualquier múltiplo distinto de cero de un vector propio

es también un vector propio correspondiente al mismo valor propio.
La condición de que la ecuación (1) tenga una solución no trivial es

equivalente a cada una de las siguientes afirmaciones:
1. , mapea algún vector distinto de cero en 0,......................(2).
2. , es singular,.............................................................(3)
3. ),........................................................................(4)

2.1.11. ECUACIÓN CARACTERÍSTICA DE LA MATRIZ A

Debemos decir que podemos resolver la relación (4) para las incógnitas
, y de esta manera determinamos los valores propios de A. Resaltando

que a esta relación se le conoce como ecuación característica de la
matriz A . Nosotros podemos escribir esta ecuación mas detalladamente
así:
a11   a12 a13 ... a1 j ... a1n  0

a a22   a23 ... a2 j ... 
a 2 n  0 
 21 
         0 
det   
 ai1 ai 2 ai 3 ... aij   ... ain  0
         0 
  
 an1 an 2 a n3 ... anj ... ann     
La función determinante se define como una suma de términos que son
productos de elementos de la matriz.
2.1.12. POLINOMIO CARACTERÍSTICO DE A,

Podemos observar que la ecuación (4) tiene la forma de un polinomio de
grado n en la variable , a esto se le llama polinomio característico de

A, de lo cual podemos decir que una matriz de nxn tiene exactamente n
valores propios, siempre y cuando se cuenten con las multiplicidades
que tienen como raíces de la ecuación característica.

Si x es un autovector asociado con el autovalor en estas
circunstancias , es decir la matriz A transforma el vector x en
un múltiplo escalar de si mismo. Cuando , es un numero real mayor
que uno, A tiene el efecto de alargar x en un factor de y cuando
, A disminuye a x en un factor de , cuando , los efectos

son similares pero en dirección contraria.
,
, , ,
Ax x
x x
x
Ax
Ax Ax
Ejemplo
Sea la matriz , calcular los autovalores de A
Los autovalores de A son ;
Un auto vector de A asociado con es una solución de
, así que , por lo tanto ,
esto quiere decir que cualquier valor no nulo de x 1, produce un

autovector para el autovalor , por ejemplo x1=1 tenemos el
autovector
De manera análoga un auto vector de A asociado con es una
solución de , así que , por lo
tanto , esto quiere decir que cualquier valor no nulo de x 1,
produce un autovector para el autovalor , por ejemplo x1=1
tenemos el autovector
Ejemplo
Dada la matriz A determinar,
1. Su ecuación característica y sus raíces
Siendo sus raíces , esto lustra el hecho de que
los valores propios de una matriz real no son necesariamente números

reales. Debemos decir que la metodología anterior es la directa y es la
mejor cuando se trata de matrices pequeñas.
2.1.13. RADIO ESPECTRAL DE UNA MATRIZ
Radio espectral de una matriz A se define así:
en donde es un autovalor de A

Ejemplo: Consideremos la matriz sus autovalores son,
, entonces
El radio espectral se encuentra estrechamente vinculada con la norma

de una matriz.
Para la norma matricial
 ,
 , para cualquier norma subordinada.
2.2. INDEPENDENCIA LINEAL
Diremos que los vectores no nulos son linealmente

independientes si el único conjunto de números reales tal
que , es , en caso contrario se dirá
que los vectores son dependientes.
Ejemplo
Dados los vectores: , son linealmente
dependientes de pues existen (1) y (2) tal que:
Si es un conjunto Linealmente Independiente de n

vectores en Rn, entonces para cada vector x en R n, existe un único
conjunto de número reales , tal que
,
, en este caso se dice que es una base de Rn.

Ejemplo:
Sean los vectores .Si los

números son tales que
Entonces
, de esta manera
tenemos que,
Pues la única solución al sistema es entonces el conjunto
, es Linealmente independiente en R 3, y por lo tanto es una

base de R3. Entonces cualquier vector en R3, puede escribirse de la
siguiente manera:
,.
2.2.2. INDEPENDENCIA LINEAL DE AUTOVECTORES
Si A es una matriz y son autovalores distintos de A con

autovectores correspondientes , entonces
, es linealmente independiente.
Un conjunto de vectores es ortogonal si
, Si, demás
entonces el conjunto es ortogonal.
Como , es un conjunto ortogonal de vectores

, es ortogonal si, solo si, , para cada

i=1,2,...,n.
2.2.3. INDEPENDENCIA LINEAL DE VECTORES ORTOGONALES

Un conjunto ortogonal de vectores que no contenga el vector cero es
linealmente independiente.
Ejemplo: El conjunto de vectores,
, forman un
conjunto ortogonal, pues para estos vectores tenemos que:
Este conjunto forman un conjunto ortogonal por heredar la ortogonalidad
de , y además
Diremos que una matriz Q de dimensiones nxn es una matriz ortogonal

si , debemos aclarar que esta terminología provienen del
hecho de que las columnas de una matriz ortogonal forman un conjunto
ortogonal.

Ejemplo. Considerando el ejemplo anterior la matriz ortogonal será:
Observemos que: Q*Qt=I
Además se tiene que,
2.2.4. AUTOVALORES Y AUTOVECTORES DE MATRICES

SEMEJANTES
Se dice que dos matrices A y B de dimensiones nxn son semejantes si

existe una matriz P tal que A=P-1BP. Dos matrices semejantes tienen los
mismos autovectores.
Supongamos que las matrices A y B son semejantes de orden nxn, y que

es un autovalor de A con un autovector asociado x. En estas
condiciones diremos que es un autovalor de B y además si A=P -1BP.,
entonces Px es un autovector de B asociado a
Obsérvese que la determinación de los autovalores de una matriz

triangular de orden nxn es relativamente sencilla, pues en este caso
es la solución de la ecuación
, si solo si para
algún i .
2.2.5. TEOREMA DE SCHUR Y GERSHGORIN

Diremos que dos matrices A y B son semejantes entre si cuando existe

una matriz no singular P tal que este concepto es importante

por que permite establecer que dos matrices que representan una
misma transformación lineal con respecto a dos bases distintas, son
semejantes entre si.
Teorema 1. Todas las matrices semejantes tienen los mismos valores

propios
Pues supongamos que A y B son dos matrices semejantes esto es
Veremos que A y B tienen el mismo polinomio característico
Obsérvese:
 Que se a considerado que el determinante del producto de dos

matrices es el producto de sus determinantes, y el determinante de la
inversa de una matriz es el reciproco de su determinante.
 El teorema anterior sugiere una manera para determinar los

valores propios de A. es decir convertir la matriz A en una matriz B por
medio de una transformación de semejanza y calcule los
valores propios de B. Si B es mas simple que A, el calculo de sus valores
propios es mas fácil. En el caso de que B sea triangular los valores
propios de B y de A son los elementos de la diagonal de B, es así como
medito SCHUR , según el siempre será posible al menos teóricamente
 Una matriz U será untaría si UU * =I, en donde U*, es la conjugada

transpuesta de U es decir .

TEOREMA DE SCHUR.
Sea A una matriz de orden nxn cualquiera, entonces existe una matriz U
ortogonal tal que T=U-1AU, donde T es triangular superior cuyos
elementos diagonales son los autovalores de la matriz A.
 Debemos manifestar que el teorema de Schur garantiza que la

matriz triangular existe, pero su prueba no proporciona la construcción
de T.
 En otras palabras SCHUR afirmo que toda matriz cuadrada es

unitariamente semejante a una matriz triangular.
Corolario 1: toda matriz cuadrada es semejante una matriz triangular.
Corolario 2. Toda matriz Hermitiana es semejante unitariamente a una

matriz diagonal.
Pues si A es Hermitiana, entonces A=A *, y sea U una matriz untaría tal

que UAU*, es triangular superior. En este caso (UAU *)*, es triangular
inferior, pero, (UAU*)*= U** A* U*= UAU*, De esta manera la matriz UAU *
es triangular superior e inferior en consecuencia se trata de una matriz
diagonal.
Ejemplo
LOCALIZACIÓN DE LOS VALORES PROPIOS
TEOREMA DE GERSHGORIN
Sea A una matriz nxn y denotemos por R i, el círculo del plano complejo
con centro en aii y radio , es decir

En donde C denota el conjunto de los números complejos. Entonces los

autovalores de la matriz A están contenidos en , es más, si la
unión de estos k círculos no se cortan con los demás n-k círculos
entonces dicha unión contiene precisamente k autovalores contando las
multiplicidades.
Ejemplo
Sea la matriz
Los círculos del teorema de Gershgorin son:
Como los R1 y R2 son disjuntos de R3, existen dos autovalores en

y uno con R3
Eje Imaginario
1 2 3 4 5 6 7 8
Eje
9 10 11
Autovalores y Autovectores de una Matriz Real Paá gina 33
2.3. FACTORIZACIONES ORTOGONALES Y PROBLEMAS DE

MÍNIMOS CUADRADOS
En ítems anteriores ya se ya se conceptualizo un espacio complejo C n,

En este espacio el producto nos permite definir el concepto de
ortogonalidad, es decir dos vectores x, y son ortogonales si , lo
que podemos generalizarlo considerando un conjunto en

Cn, diremos que los vectores vi y vj, son ortogonales si
Si , en este caso se dice que el conjunto de los vectores es
ortonormal
Ejemplo.
Determinar si los vectores son ortogonales x1 =[10,10] y . x2 =[-2,2]
Pues ,
Sin embargo si tenemos x1 =[10,10] y . x2 =[2,-2.0003], son casi

ortogonales lo que induce al estudio de criterios de Ortagonalizacion.
2.3.1. MÉTODO DE ORTAGONALIZACION DE GRAM SCHMIDT
Consideremos dos vectores x1 , y x2 en el plano XY linealmente

Independientes, a partir de estos vectores construyamos los vectores e 1
y e2, ortogonales.
Supongamos x1= e1, y e1 como componente de e 2 perpendicular a x 1,

en consecuencia , gráficamente es
X2 e2 X2
X1=e1
E1
En donde debemos de encontrar de tal manera que es

decir:
Consecuentemente se tiene que
De esta manera e2 se encuentra en función de x 1 y x2, y sean

ortogonalizado dichos vectores.
Ejemplo.
Ortogonalizar x1 =[4,6]t y . x2 =[8,0]t
Hacemos
Primero: consideramos el primer vector
Segundo: determinamos
Tercero: determinamos el segundo vector ortogonal.
4 –
3 –
Gráficamente
2 --
1-
–
1 2 3 4 5
-1 6
–
-2
--
-3
-4
Métodos Numéricos
- Aplicados a la Ingeniería
Para un conjunto de n vectores Linealmente

Independientes de n componentes. A partir de ellos se puede construir
un conjunto de ortogonal de la siguiente manera.
Primero: consideramos el primer vector
Segundo:
Tercero:
Ejemplo. Ver Antonio Nieves y Federico Domínguez
Afirmación 1. Una sucesión de vectores ortogonales
genera una base ortogonal del espacio generado por
para .
Cuando el proceso de Ortagonalizacion de Gram-Schmidt, se aplica a

las columnas de una matriz, se puede interpretar el resultado como una
factorización matricial.
Pues los productos internos que aparecen en el calculo se guarda en

una matriz que será uno de los factores.

Aplicamos el proceso a las columnas A 1, A2, ...,An de una matriz A de

mxn y finalmente se llega después de n pasos a una matriz B de mxn
cuyas columnas forman un conjunto de ortogonal.
2.3.2. PROBLEMA DE LOS MÍNIMOS CUADRADOS
El problema de los mínimos cuadrados para sistemas de ecuaciones

lineales es justamente una aplicación de las factorizaciones ortogonales.
Consideremos un sistema de m ecuaciones con n incógnitas, es decir
Ax=b
En este sistema de ecuaciones A es una matriz de mxn, x es de nx1, y b

es de mx1.
Vamos a considerar que el rango de A es n de donde .
Por lo general el sistema no tiene solución, como consecuencia de que

b no pertenece al espacio C m, de dimensión n. generado por las
columnas de A .
En consecuencia generalmente se quiere encontrar una x que minimice

la norma del vector residual b-Ax. La solución en mínimos cuadrados
del sistema planteado es el vector x que hace de , un mínimo
el cual x será único según el supuesto del rango de A.
LEMA: Si x es tal que A*(Ax-b)=0 entonces x es una solución del

problema de mínimos cuadrados1.
Si suponemos que A se a factorizado de la forma A= BT, la solución en

mínimos cuadrados del sistema Ax=b será la solución exacta del
sistema nxn Tx=(B*B )-1 B*b. el cual se verifica usando el lema anterior
A*Ax=(BT)*BTx=T* B*BTx = T* B*B(B*B )-1 B*b=T*B*b=A*b
La matriz (B*B )-1es un matriz diagonal , esta diagonal

es calculado por el algoritmo modificado de Gram-Schmidt cuyo
algoritmo evita el calculo de raíces cuadradas 2.
Otra manera de abordar el problema de mínimos cuadrados asociado

1
Ver demostracion en Analisis numeric de David Kincaid; Ward Cheney
2
Ver David Kincaid Ward Cheney pag. 254

al sistema Ax=b es utilizar directamente el lema citado de esta manera
, será un mínimo si A* (Ax-b)=0.
Suponiendo que la matriz A de mxn es de rango n entonces A *A es una

matriz de nxn no singular y solo existe una solución de mínimos
cuadrados que se determina resolviendo un sistema no singular de nxn
llamado sistema de ecuaciones normales.
A* Ax=A* b
En donde la matriz A* A es Hermitiana y definida positiva en

consecuencia se utiliza la factorización de Cholesky para solucionar el
sistema normal. Si A tiene rango menor que n el sistema será
consistente pero puede tener muchas soluciones.
FACTORIZACIÓN QR DE HOUSEHOLDER
En uno de los métodos mas útiles para factorizar ortogonalmente. La

idea es factorizar una matriz A de orden mxn como un producto
A=QR
En donde Q es una matriz unitaria de mxm y R una matriz triangular

superior de mxn, vale destacar que el algoritmo de factorización produce
Q*A=R
Construyéndose Q* paso a paso como un producto de matrices untaras

que tiene la forma de,
Esto se le conoce con el nombre de transformaciones de Householder
Primero, determinamos el vector con la característica que l-vv*,

sea untaría de tal manera que (I-vv * )A inicie con tener la forma de R es
decir una matriz triangular superior de orden mxm es decir su primera
columna debe de tener la forma , y denotamos la primera
columna de A con A1,
Queremos que , esto se realiza como sigue:

Primero, elegimos un número complejo , sea

real.
Segundo, hacer ,
En donde ,
Obsérvese que aquí se admite dos valores para , en este caso

nosotros elegimos la que permita realizar menos cancelaciones al
calcular el valor de v es decir,
Los siguientes pasos son similares al primero, pues después de k pasos

se habría conseguido multiplicar por la izquierda por k matrices untarías,
obteniendo de esta manera lo siguiente,
En donde
J : es una matriz triangular superior de KxK
0: es la matriz nula de (m-k)xk
H: es una matriz de kx(n-k)
W: es una matriz (m-k)x(n-k)
Se afirma que existe un vector tal que I-W*, es una matriz

unitaria de orden m-k con la característica de que (I-W *) tiene ceros por
debajo del elemento en su primera columna, esto es, .
En esta relación

, es una matriz unitaria y lo denotamos por U k+1, y el proceso
termina cuando la columna (n-1) ésima de R queda en la forma

apropiada y consecuentemente tenemos, Q * A = R, en donde Q* denota
el producto de todas las matrices unitarias que se han usado como
factores dado que Q es una matriz unitaria, A=QR .
Observemos que Q*= Qn-1Qn-2....Q1 en este caso ,

siendo
, se puede observar que Uk es Hermitiana
consecuentemente tenemos
Ejemplo.
Sea la matriz
Paso I
Primero: Calculamos , como , pues A1es real
Segundo, hacer ,

En este caso el primero factor unitario
Tercero. Calculamos U1A
Paso II
Primero: Calculamos ,
Segundo, hacer ,
Tercero. Calculamos U2 U1A

Paso III
Primero: Calculamos ,
Segundo,
En este caso la matriz triangular superior es
Tercero. Calculamos Q* U3 U2 U1A

Luego A=QR
Encuentre la solución en minemos cuadrados del sistema
Encuentre la factorización QR de la matrz
2.3. DESCOMPOSICION DE LOS VALORES SINGULARES Y

SEUDOINVERSAS
La descomposición en valores singulares es otra manera de factorizar matrices

que tiene una diversidad de aplicaciones en el mundo real.
Se afirma que toda matriz compleja A de orden mxn se puede factorizar en la

forma
A=PDQ
En donde

P= es una matriz de orden mxm
D= es una matriz de orden mxn
Q= es una matriz de orden nxn.
Ejemplo.
Se tiene que
De esta manera ,
Podemos considerar
, ,
Entonces A=PDQ

Apuntes Metodos Numericos - Autovalores y Autovectores

Cargado por

Copyright:

Formatos disponibles

Apuntes Metodos Numericos - Autovalores y Autovectores

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes Metodos Numericos - Autovalores y Autovectores

Cargado por

Copyright:

Formatos disponibles

Métodos Numéricos Aplicados a la Ingeniería

2.1. Aspectos básicos.

Autovalores y Autovectores de una Matriz Paá gina 1

II. AUTOVALORES Y AUTOVECTORES DE UNA MATRIZ

2.1. ASPECTOS BÁSICOS

Para ingresar a los estudios de los valores propios de una matriz

2.1.1. MATRICES, DEFINICIÓN, INTERPRETACIÓN

DEFINICIÓN: Llamaremos matriz a un arreglo rectangular de entes

 a11 a12 Columnas

2.1.2. ORDEN DE UNA MATRIZ: Se llama así al producto de las filas y

2.1.3. MATRIZ FILA Y MATRIZ COLUMNA

Autovalores y Autovectores de una Matriz Paá gina 2

MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a

2.1.4. IGUALDAD DE MATRICES: Las matrices A  aij ; B  bij son    

El resultado quiere decir que los elementos de las matrices A y C son

2.1.5. PRODUCTO DE UN ESCALAR POR UNA MATRIZ:

PLANTA1 PLANTA 2 PLANTA 3 PLANTA 4

Autovalores y Autovectores de una Matriz Paá gina 3

Esta matriz nos proporciona la cantidad de productos producidos por

SUMA DE MATRICES: Dadas las matrices A   aij  m n y B  bij  m n ; la

suma de ambas A  B es otra matriz C   cij  m n en la que cada

PLANTA1 PLANTA 2 PLANTA 3 PLANTA 4

Autovalores y Autovectores de una Matriz Paá gina 4

Matriz de costo total =

PLANTA1 PLANTA 2 PLANTA 3 PLANTA 4

2.1.6. PRODUCTO DE MATRICES

A es conforme con B ; es decir si el número de columnas de la matriz

Su representación matricial es:

Donde el elemento cij es el producto escalar de la fila i de A por la

Autovalores y Autovectores de una Matriz Paá gina 5

1 2   2  1 1(2)  2(0) 1(1)  2(2) 

2.1.7. TIPOS ESPECIALES DE MATRICES:

1. MATRIZ CUADRADA: Cuando m  n; se llama matriz cuadrada

de orden n y se denota por A   Aij  n n .

An : Matriz cuadrada de orden nxn.

Autovalores y Autovectores de una Matriz Paá gina 6

2. MATRIZ TRIANGULAR SUPERIOR: Llamaremos matriz

 a11 a12 a13 a1n 

3. MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular

4. MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella

Autovalores y Autovectores de una Matriz Paá gina 7

5. MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los

6. MATRIZ IDENTIDAD: Es una matriz escalar con K  1 ; y se

7. MATRIZ TRANSPUESTA: Dada una matriz   m n ;

llamaremos transpuesta de A denotada por At a la matriz  a ji  n m

 a11 a12 a13 ... a1n   a11 a 21 a31 ... a m1 

Autovalores y Autovectores de una Matriz Paá gina 8

8. MATRIZ SIMÉTRICA: Se dice que una matriz cuadrada es

9. MATRIZ ANTISIMÉTRICA: Una matriz cuadrada A se llama anti

10. MATRIZ HERMITIANAS

Las matrices cuadradas cuyos elementos tienen simetría conjugada se

le llama matriz Hermitianas es decir: , en donde * indica la

Observemos si todos los elementos de la matriz Hermitiana fueran

Autovalores y Autovectores de una Matriz Paá gina 9

11. MATRIZ BANDA

2.1.8 DETERMINANTE DE UNA MATRIZ

Definición: Determinante de una matriz A denotada por det( A)  A .

Autovalores y Autovectores de una Matriz Paá gina 10

2.1.8.1. MENOR COMPLEMENTARIO