UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE CIENCIAS

SECCIÓN DE POSGRADO Y SEGUNDA ESPECIALIZACIÓN

PROFESIONAL

Tésis para Optar el Grado de Maestro en Ciencias con Mención en

Matemática Aplicada

TITULO

Solución de una Ecuación Polinomial Matricial por el Método de

Newton

Por

Julio César Barraza Bernaola

Asesor

Msc. William Carlos Echegaray Castillo

Lima-Perú

2012
Tabla de Contenido

1 Preliminares 2
1.1 Producto de Kronecker . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Diagonalización Por Transformaciones Similares . . . . . . . . . . . . . 8
1.2.1 Descomposición de Schur . . . . . . . . . . . . . . . . . . . . . . 8

2 Cálculo Diferencial en Espacios Vectoriales Normados 13

2.1 Diferenciabilidad de Funcionales . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Diferencial de Gateaux . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Diferencial de Fréchet . . . . . . . . . . . . . . . . . . . . . . . . 15

3 Teoría de Polinomios Matriciales 24

4 Cálculo de la Solvente de la Ecuación Polinomial Matricial 30

4.1 Método de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Convergencia del Método de Newton . . . . . . . . . . . . . . . . . . . 34
4.3 Ejemplos Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

5 Aplicación 49
5.1 Grados de Libertad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2 Vibración Libre de un Edi…cio Simple . . . . . . . . . . . . . . . . . . . 50
5.2.1 Ecuación de Rigidez para un Edi…cio Simple . . . . . . . . . . . 50
5.2.2 Frecuencias Naturales . . . . . . . . . . . . . . . . . . . . . . . . 52

6 Conclusiones 56

ii
Dedicatoria

El presente trabajo se la dedico a mi familia por todo el apoyo y las palabras de aliento.
A mi madre, que Dios la tenga en su gloria, por sus enseñanzas y amor. A mi padre por
brindarme los recursos para obtener una carrera y aconsejarme siempre. A mi esposa
por estar a mi lado apoyándome siempre para cumplir mis objetivos.

iii
Agradecimientos

Mi más sincero agradecimiento al Profesor Asesor Magister William Carlos Echegaray

Castillo, al Ing. Leonardo Flores Gonzalez por su apoyo y colaboración en los problemas
de vibraciones que aparecen en el campo de la ingeniería Civil.

iv
Resumen

Sea P (X) = X m + A1 X m 1 + + Am 1 X + Am ; un polinomio matricial con Ai ; X

matrices complejas de orden n n (i = 1; ; m) :
En el presente trabajo de tesis implementaremos el método de Newton basado en
la descomposición de Schur y la derivada de Fréchet para la resolución númerica de
la ecuación polinomial matricial P (X) = 0; se da un teorema de existencia de la
solvente de dicha ecuación y se prueba la convergencia del método cuando el punto
inicial es próximo a una solvente simple. Presentamos un algoritmo y el programa que
lo implementa, …nalmente utilizaremos el método propuesto para resolver un problema
donde se presenta este tipo de ecuaciones

v
Abstract

Let P (X) = X m + A1 X m 1 + + Am 1 X + Am ; a polynomial matrix with Ai ; X of

complex matrices n n (i = 1; ; m) :
This thesis will implement the Newton method based on the decomposition Schur
and the derivative of Fréchet for the numerical resolution of equation polynomial matrix
P (X) = 0; we give an existence theorem that the solvent equation and proves the
convergence of especially when the point initial is close to a simple solvent. We present
an algorithm and program that implements it, …nally we use the method proposed to
resolve an issue where this type of equations.

vi
Notación

A La conjugada transpuesta de A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
coli A Columna i esima de la matriz A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
diag (u) matriz diagonal formado por los elementos del vector u . . . . . . . . . . . . . . 29
DG T (x; h) Diferencial de Gateaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Fm n Espacio de matrices de orden m n en el campo C ó R . . . . . . . . . . . . . . . . . 2
0
G (X) H Derivada de Frechet de G en X y la dirección H . . . . . . . . . . . . . . . . . . . . 30
Lf (x; h) Diferencial de frechet de la función f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
L (X; Y ) Espacio de las transformaciones lineales del espacio X al espacio Y . . 17
P (X) Polinomio con coe…cientes matriciales con variable X . . . . . . . . . . . . . . . . . . 24
P( ) Matriz en lambda asociada al polinomio de matrices P (X). . . . . . . . . . . . . .24
[q1 ; q2 ; ; qn ] Matriz cuyas columnas son los elementos de los vectores
qi : i = 1 n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
T raz A Traza de la matriz A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
vec A Vector formado por las columnas de la matriz A . . . . . . . . . . . . . . . . . . . . . . . . . 2
El producto de Kronecker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
k kF Norma de Frobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

vii
Introducción

En el presente trabajo estudiamos las ecuaciones polinomiales matriciales del tipo:

P (X) = A0 X m + A1 X m 1
+ + Am 1 X + Am = 0

donde A0 ; A1 ; ; Am ; X 2 Cn n :
Este tipo de ecuaciones polinomiales aparece en la teoría de sistemas de ecuaciones
diferenciales, en el análisis dinámico de vibraciones [10], el estudio de los procesos casi
aleatorio de nacimiento-muerte [8], en el problema con ruidos de Wiener-Hopf de las
cadenas de Markov [3].
En el capítulo (1) y (2) introducimos los conceptos del producto de Kronecker y
la descomposición de Schur, así como la derivada deFrechet en la cuál está basado
el algoritmo del método de Newton para el cálculo de la solución de las ecuaciones
polinomiales matriciales.
En el capítulo (3) desarrollamos la teoria de los polinomios matriciales y su relación
con las ecuaciones matriciales del tipo

m m 1
P ( ) = A0 + A1 + + Am 1 + Am = 0

en la cuál se basa la aplicación que presentamos en la última parte de este trabajo

En el capítulo (4) desarrollamos el Método de Newton para encontrar una solución
de la ecuación polinomial matricial y hacemos el estudio de su convergencia.
En el capítulo (5) se presenta un aporte del método propuesto para hallar el periodo
de vibración de un edi…cio simple.

1
Capítulo 1

Preliminares

1.1 Producto de Kronecker

Una noción que es bastante usado en el estudio de matrices y otras aplicaciones, es el
producto Kronecker, producto directo ó producto tensor de matrices. Este producto
es de…nido para dos matrices de tamaños arbitrarios sobre cualquier anillo. Estamos
interesados en matrices sobre el campo de los escalares F = R ó C

De…nición 1.1 ([1]). Sea la matriz A 2 F m n

se de…ne el operador vec como
0 1
col1 A
B .. C
vecA = B
@ . C
A
coln A

que pertenece a F nm

Notamos que vecA es un vector columna de tamaño nm obtenido por el apilamiento

de las columnas de la matriz A

Proposición 1.1 ([1]). Sea A 2 F m n

y B 2 Fn m
: Entonces,

T T
T raz (AB) = vecAT vecB = vecB T vecA

Prueba. De la de…nición de traza se tiene que

X
n
T raz (AB) = f ili (A) coli (B)
i=1
Xn
T
T raz (AB) = coli AT coli (B)
i=1

2
 2 3
col1 (B)
6 .. 7
T raz (AB) = col1 AT coln AT 6 . 7
4 5
coln (B)
T
T raz (AB) = vecAT vecB

Proposición 1.2 ([1]). Sea A; B 2 F m n

: Entonces,

vec (A + B) = vecA + vecB

Prueba. De la de…nición
0 1
col1 (A + B)
B .. C
vec (A + B) = B
@ . C
A
coln (A + B)
0 1
col1 A + col1 B
B .. C
vec (A + B) = B
@ . C
A
coln A + col1 B
0 1 0 1
col1 A col1 B
B . C B .. C
vec (A + B) = B
@
.. C+B
A @ . C
A
coln A col1 B
vec (A + B) = vecA + vecB

Ahora de…niremos el producto Kronecker

De…nición 1.2. Sea A 2 F n m y B 2 F l k : Entonces, el producto Kronecker es

denotado por A B y es de…nido por la matriz por bloques
2 3
a11 B a12 B a1m B
6 .. .. .. .. 7
A B=6
4 . . . . 75
an1 B an2 B anm B

a menudo denotaremos A B = (aij B)

A diferencia del producto de matrices, el producto Kronecker A B no restringe

acerca del tamaño de la matriz A o de la matriz B.

Observación 1.1. En general A B 6= B A

3
Proposición 1.3 ([1]). Sea A; B 2 F n m
y C 2 F l k : Entonces

(A + B) C = A B+B C
C (A + B) = C A+C B

Prueba. De la de…nición

(A + B) C = ((aij + bij ) C)
(A + B) C = (aij C + bij C)
(A + B) C = (aij C) + (bij C)
(A + B) C = A B+B C

de manera análoga se prueba C (A + B) = C A+C B

Proposición 1.4 ([1]). Sea A 2 F n m

,B 2 F l k
y C 2 F p q : Entonces

A (B C) = (A B) C

Prueba. De la de…nición
2 3
b11 C b12 C b1k C
6 . .. .. .. 7
B C=6
4 .
. . . . 75
bl1 C bl2 C blk C

luego t (B C) viene dado por

2 3
tb11 C tb12 C tb1k C
6 . .. .. .. 7
t (B C) = 6
4 .
. . . . 75
tbl1 C tbl2 C tblk C
t (B C) = (tB) C (1.1)

tambien tenemos que

2 3
a11 (B C) a12 (B C) a1m (B C)
6 .. .. .. .. 7
A (B C) = 6
4 . . . . 7
5
an1 (B C) an2 (B C) anm (B C)

4
usando la ecuación (1.1)
2 3
(a11 B) C (a12 B) C (a1m B) C
6 .. .. .. .. 7
A (B C) = 6
4 . . . . 7
5
(an1 B) C (an2 B) C (anm B) C
2 3
a11 B a12 B a1m B
6 . . . .. 7
A (B C) = 6
4 .
. .. .. . 7
5 C
an1 B an2 B anm B
A (B C) = (A B) C

Proposición 1.5 ([1]). Sea A 2 F n m

,B 2 F l k
y C 2 F m q ; y D 2 F k p : Entonces

(A B) (C D) = AC BD

Prueba. De la de…nición, tenemos

0 10 1
a11 B a1m B c11 D c1p B
B . .. .. C B . .. .. C
(A B) (C D) = B
@ .
. . . C B .
A@ . . . CA
an1 B anm B cm1 D cmp D

entonces el bloque ij de la matriz (A B) (C D) es

3 2
h i6 c 1j D
.. 7
((A B) (C D))ij = ai1 B aim B 6
4 . 5
7
cmj D
X
m X
m
((A B) (C D))ij = aik Bckj D = aik ckj BD
k=1 k=1
!
Xm
((A B) (C D))ij = aik ckj BD = (AC)ij BD
k=1
((A B) (C D))ij = AC BD

lo cual prueba este teorema.

Proposición 1.6. Si A 2 F n n
y B 2 Fm m
son matrices no singulares. Entonces

1 1 1
(A B) =A B

5
Prueba. Usando la proposición (1.5) tenemos

1 1 1 1
(A B) A B = AA BB
1 1
(A B) A B = I I=I

Proposición 1.7 ([1]). Sea x 2 F n 1

y y 2 F m 1 : Entonces

xy T = x yT = yT x

y
vec xy T = y x (1.2)

Prueba. Sea x = (x1 ; x2 ; ; xn )T ; y = (y1 ; y2 ; ; ym )T

entonces
0 1
x1 y 1 x1 y 2 x1 ym
B C
B x2 y 1 x2 y 2 x2 ym C
xy T
= B
B .. .. C
C (1.3)
@ . . A
xn y 1 xn y 2 xn ym
0 1
x1 y T
B C
B x2 y T C
xy T
= B
B .. C C=x yT
@ . A
xn y T

tambien de (1.3)
xy T = y1 x y 2 x ym x = yT x

aplicando la función vec a la última ecuación

0 1
y1 x
B C
B y2 x C
vec xy T
=B
B .. C=y
C x
@ . A
ym x

Proposición 1.8 ([1]). Sea A 2 F n m

,B 2 F m l
y C 2 F l k : Entonces

vec (ABC) = C T A vecB

Prueba. Considerando ei 2 Rl 1
con 1 en la i esima componente y ceros en los

6
demas entonces
h i
coli BeTi = 0 coli B 0 de orden m l

luego
X
l
B= coli BeTi (1.4)
i=1

por lo que
! !
X
l X
l
ABC = A coli BeTi C= A coli BeTi C
i=1 i=1
X
l
ABC = A coli BeTi C
i=1

aplicando la función vec tenemos

!
X
l
vec (ABC) = vec A coli BeTi C
i=1

de la proposición (1.2) tenemos

X
l
vec (ABC) = vec A coli BeTi C
i=1
Xl
T
vec (ABC) = vec A coli B C T ei
i=1

usando la ecuación (1.2)

X
l
vec (ABC) = C T ei (A coli B)
i=1

usando la proposición (1.5) tenemos

X
l
vec (ABC) = CT A (ei coli B)
i=1
X
l
T
vec (ABC) = C A (ei coli B)
i=1

7
de (1.2)

X
l
T
vec (ABC) = C A vec coli BeTi
i=1
X
l
T
vec (ABC) = C A vec coli BeTi
i=1

usando la ecuación (1.4) concluimos que

vec (ABC) = C T A vecB

1.2 Diagonalización Por Transformaciones Similares

Escoger o cambiar a un sistema de coordenadas mas apropiado es siempre deseable en
el algebra lineal. Para un operador lineal L sobre un espacio de dimensión …nita V , el
objetivo es encontrar una base B de V tal que la representación de L con respecto de
la base B sea tan simple como sea posible.

De…nición 1.3 ([14]). Dos matrices A y B de orden n n; se dice que son similares
siempre que exista una matriz no-singular P tal que P 1 AP = B

El problema fundamental es dada una matriz A, reducirla a la forma mas simple

posible por medio de una transformación de similaridad.

1.2.1 Descomposición de Schur

La descomposición de Schur usa una transformación de similaridad unitaria para
transformar una matriz cuadrada arbitraria en una matriz triangular superior

De…nición 1.4 ([13]). Sea A una matriz de orden m n. La transpuesta de la matriz

A es una matriz de orden n m
0 1
a11 a21 am1
B C
B a12 a22 am2 C
A =B
T
B .. .. .. C
C
@ . . . A
a1n a2n amn

8
la conjugada transpuesta de A es la matriz
0 1
a11 a21 am1
B C
B a12 a22 am2 C
A =A =B
B
T
.. .. .. C
C
@ . . . A
a1n a2n amn

De…nición 1.5 ([13]). Sea u1 ; u2 ; ; uk 2 Cn : entonces los vectores ui son

ortonormales si (
0 si i =
6 j
ui uj =
1 si i = j
equivalentemente si U = [u1 u2 uk ] entonces

U U = Ik

donde Ik es la matriz identidad de orden k k: A la matriz U se le llama matriz

ortonormal.

De…nición 1.6 ([14]). Sea A una matriz de orden n n y sea U una matriz
no-singular de orden n n: Entonces las matrices A y B = U 1 AU se dicen que son
similares. También decimos que B es obtenido por una transformación de similardad.

Teorema 1.9 ([14]). Sea A una matriz de orden n y B = U 1 AU similar a A. Entonces

los valores propios de A y B son los mismos y tienen las mismas multiplicidades. Si
; x son un valor propio y vector propio correspondiente de A, entonces ; U 1 x son
el valor propio y vector propio correspondiente de B.
1 1
Prueba. Tenemos que det (U ) det (U ) = det (U U ) = det (I) = 1; luego

1
det ( I A) = det U det ( I A) det (U )
1
det ( I A) = det I U AU
det ( I A) = det ( I B)

Esto es, A y B tienen el mismo polinomio característico, y por tanto tienen los mismos
valores propios y las mismas multiplicidades.
Si ; x son un valor propio y vector propio correspondiente de A, entonces

1 1 1
B U x = U AU U x
1 1 1
B U x = U Ax = U x
1 1
B U x = U x

9
 1
así, de este modo ; U x son el valor propio y vector propio correspondiente de B.

Teorema 1.10 ([14]). Sea A 2 Cn n . Entonces existe una matriz unitaria U 2 Cn n

y una matriz triangular superior B 2 Cn n tal que

A = U BU (1.5)

y los elementos de la diagonal de B son los valores propios de A

Prueba. Sea 1 ; 2 ; ; n un ordenamiento de los valores propios de A. Sea x1 el

vector propio correspondiente normalizado, esto es x x = 1: Podemos extender a una
base de Cn ; y aplicando el proceso de Gram-Schmidt, obtener una matriz unitaria
X = (x1 X2 ) : Entonces
!
x1
X AX = A x1 X 2
X2
!
x1
X AX = Ax1 AX2
X2
!
x1 Ax1 x1 AX2
X AX =
X2 Ax1 X2 AX2
!
1 x1 x1 x1 AX2
X AX =
1 X 2 x1 X2 AX2

Dado que la matriz X es unitaria entonces x1 x1 = 1 y X2 x1 = 0; vector nulo de orden

(n 1) 1: Luego !
1 x 1 AX 2
X AX =
0 A1
Por tanto los valores propios de A1 son 2 ; ; n ; aplicando el mismo proceso a la
matriz A1 2 C(n 1) (n 1) ; podemos obtener una matriz unitaria U2 tal que
!
2
U2 A1 U =
0 A2

y haciendo !
1 0
V2 =
0 U2
tenemos que V2 es unitaria puesto que
! !
1 0 1 0
V2 V2 = = = In
0 U2 U2 0 In 1

10
también XV2 es unitaria, puesto que

(XV2 ) XV2 = V2 X XV2

(XV2 ) XV2 = I

por lo que V2 X AXV2 es de la forma

0 1
1
B C
V2 X AXV2 = @ 0 2 A
0 A3

Continuando con la reduccón obtenemos matrices unitarias V3 ; V4 ; ; Vn 1 donde

U = XV2 V3 ; ; Vn 1

es la matriz unitaria buscada y

B = U AU

Una versión estrictamente real del teorema (1.10) es enunciado en el siguiente

teorema

Teorema 1.11 ([14]). Si A 2 Rn n

; existe una matriz ortogonal Q 2 Rn n
tal que
0 1
A1
B C
B A2 C
QT AQ = B
B ...
C 2 Rn
C
n
;1 k n
@ A
0
Ak

donde cada Ai es una matriz real 1 1; o una matriz real 2 2 con un par de valores
propios complejos conjugados.

Prueba. Supongamos que la matriz A tiene un valor propio 2 C; y su vector pro-

pio correspondiente x 2 Cn ; por tanto y x son también valor y vector propio
correspondiente de A; puesto que A 2 Rn n :
Sea = + i ; x = u + iv: Entonces

x+x x x
u = ; vi = (1.6)
2 2
+
= ; i= (1.7)
2 2

11
luego

x+x x x
Au = A =A +A
2 2 2
x x
Au = + = (u + iv) + (u iv)
2 2 2 2
+
Au = u + iv
2 2
Au = u v (de 1.7)

también

x x
A (vi) = A
2
x x
A (vi) =
2 2

A (vi) = (u + iv) (u iv)

2 2
+
A (vi) = u + iv
2 2
A (vi) = u i + iv (de 1.7)

de donde Av = u + v : Tenemos entonces

Au = u v
Av = u + v

luego

A u v = Au Av

A u v = u v u+ v

A u v = u v L

donde !
L=

notamos que los valores propios de L son = +i y = i

12
Capítulo 2

Cálculo Diferencial en Espacios

Vectoriales Normados

2.1 Diferenciabilidad de Funcionales

En este capítulo, trataremos la generalización de los conceptos de diferenciales,
gradientes, para espacios normados, se introduce el diferencial de Gateaux de una
transformación de un espacio vectorial a un espacio vectorial normado.

2.1.1 Diferencial de Gateaux

Sea X un espacio de Banach, Y un espacio normado y T : D ! R una
transformación de…nido sobre un dominio D X con rango R Y:

De…nición 2.1 ([7]). Si T es una transformación de D hacia R; x 2 D X y sea

h 2 X un elemento arbitrario, el diferencial de Gateaux DG T de T en x en la dirección
h 2 X se de…ne como

T (x + h) T (x)
DG T (x; h) = lim (2.1)
!0

cuando el límite existe.

La existencia de la derivada Gateaux requiere la existencia de la diferencial de

Gateaux. Pero también requiere que la derivada de…na un operador que sea lineal y
acotada en la dirección que se toma la derivada.

De…nición 2.2 ([7]). Sea T : X ! Y una transformación de un espacio vectorial X

hacia un espacio vectorial normado Y: Una función DG T : X X ! Y es la derivada
Gateaux en x 2 X y en la dirección y 2 X si

13
 1. El diferencial de Gateaux

T (x + h) T (x)
DG T (x; h) = lim
!0

existe para todo h 2 X

2. DG T (x; ) es lineal, y

3. La transformación DG T (x; ) es acotada

La transformación T que usamos en el presente trabajo, actua desde un espacio

vectorial normado X hacia un espacio vectorial normado Y

T :X!Y

y el diferencial de Gateaux DG T ( ; ) transforma

DG T ( ; ) : X X!Y

para cualquier x 2 X; la transformación

DG T (x; ) : X ! Y

es lineal y acotado. Frecuentemente usaremos la notación

DG T (x; ) 2 L (X; Y )

Ejemplo 2.1. Se da X = Rn ; Y = R y f : X ! Y; si f (x) = f (x1 ; x2 ; ; xn )

con x = (x1 ; x2 ; ; xn ) 2 X es una funcional sobre Rn que tiene derivadas parciales
continuas con respecto a cada variable xi .
Entonces

f (x + h) f (x)
DG f (x; h) = lim
!0
DG f (x; h) = rf (x) h

por lo tanto la diferencial de Gateaux de f es

X
n
@f (x)
DG f (x; h) = hi
i=1
@xi

14
2.1.2 Diferencial de Fréchet
El diferencial de Gateaux generaliza el concepto de derivada direccional de las funciones
reales en un espacio …nito-dimensional. La existencia del diferencial de Gateaux es
un requerimento bastante débil dado que el diferencial de Gateaux puede existir y la
derivada de Gateaux no, mientras que para que exista la derivada de Gateaux tiene que
existir el diferencial de Gateaux, además el producto de dos funciones diferenciables
Gateaux no necesariamente es diferenciable Gateaux , sin embargo, debido a que su
de…nición no requiere de ninguna norma sobre X, es por lo que las propiedades del
diferencial de Gateaux no son fácilmente relacionados con la continuidad. Cuando X
es normado, una de…nición mas apropiada es dada por la diferencial de Fréchet.

De…nición 2.3 ([7]). Sea T la transformación de…nida sobre un dominio abierto

D X en un espacio vectorial normado X hacia un espacio vectorial normado Y:
Si para un x 2 D …jo y para cada h 2 X existe una transformación lineal y acotada A
tal que

para todo > 0 existe > 0 = khk < =) kT (x + h) T (x) Ahk < khk (2.2)

entonces se dice que T es diferenciable Fréchet en x y A se dice que es el diferencial

Fréchet en x con incremento h:

Esta de…nición es equivalente a decir que

kT (x + h) T (x) Ahk
lim =0 (2.3)
khk!0 khk

Proposición 2.1 ([9]). Si la transformación T tiene una diferencial de Fréchet, esta

es única.

Prueba. Supongamos que A1 y A2 son dos diferenciales de Fréchet de T: Como A1 y

A2 son lineales y acotados entonces de la de…nicón (2.2) se tiene que para cada > 0
existe un > 0 tal que

kT (x + h) T (x) A1 hk < khk

kT (x + h) T (x) A2 hk < khk

siempre que khk <

15
haciendo d (h) = T (x + h) T (x) tenemos

kA1 h A2 hk = kd (h) A2 h (d (h) A1 h)k

kA1 h A2 hk k(d (h) A1 )k + kd (h) A2 xk
kA1 h A2 hk 2 khk

entonces
kA1 h A2 hk
lim =0
h!0 khk
Si u 2 D X; entonces tu ! 0; cuando t ! 0; donde u 6= 0; entonces

kA1 (tu) A2 (tu)k

lim =0
t!0 ktuk

por la linealidad de A1 y A2 , A1 A2 es lineal

kA1 (tu) A2 (tu)k

0 = lim
t!0 ktuk
k(A1 A2 ) (tu)k kt (A1 A2 ) (u)k
0 = lim = lim
t!0 ktuk t!0 ktuk
jtj k(A1 A2 ) (u)k k(A1 A2 ) (u)k
0 = lim = lim
t!0 jtj kuk t!0 kuk
k(A1 A2 ) (u)k
0 =
kuk

k(A1 A2 ) (u)k = 0

esto es para cualquier u 2 D X

como T es acotado entonces T es continua ver [2] pag 25, entonces

A1 A2 = 0

por tanto A1 = A2 :

Teorema 2.2 ([2]). Si T es una transformación acotada en D una vecindad de x y si

una transformación lineal A tiene la propiedad de la ecuación (2.3),entonces A es una
transformación lineal y acotada, esto es, A es la derivada de Fréchet.

Prueba. Como T es acotado existe un M > 0 tal que kT (x)k M para todo x 2 D:
De la de…nición (2.2) se tiene que para = 1, existe un > 0 tal que

k(T (x + h) T (x) A (h))k khk

16
entonces

kAhk = kT (x + h) T (x) (T (x + h) T (x) A (h))k

kAhk kT (x + h)k + kT (x)k + k(T (x + h) T (x) A (h))k
kAhk 2M + khk 2M + (2.4)

ahora para kuk 1, tenemos que k uk entonces

kA ( u)k = kAuk 2M +

luego tenemos
2M +
kAuk (2.5)

como
kAk = sup (kAxk) kAxk
kxk=1

tomando el supremo en la ecuación (2.5) sobre kuk 1

2M +
kAk

esto es, A es acotada.

Teorema 2.3 ([2]). Si T es diferenciable en x, entonces es continua en x.

Prueba. Sea A = T 0 (x) : entonces A 2 L (X; Y ) : Dado un > 0; elegimos un > 0 tal
que < 1+kAk ; de aqui tenemos

khk < entonces k(T (x + h) T (x) A (h))k < khk

dado que T es diferenciable, luego

kT (x + h) T (x)k = kT (x + h) T (x) Ah + Ahk

kT (x + h) T (x)k kT (x + h) T (x) Ahk + kAhk
kT (x + h) T (x)k khk + kAhk khk + kAk khk
kT (x + h) T (x)k = khk (1 + kAk) < (1 + kAk) <

por tanto T es continua en x:

Teorema 2.4 ([2]). Sea f : Rn ! R Si cada derivada parcial Di f existe en un entorno

17
de x y es continuo en x entonces f 0 (x) existe y una fórmula para ello es

X
n
f 0 (x) h = Di f (x) hi h = (h1 ; h2 ; ; hn ) 2 Rn
i=1

Prueba. Sea ei = (0; 0; ; 1; 0; 0) el i-ésimo vector unitario y

v0 = x
vi = vi 1
+ hi ei

de aqui tenemos que los vectores v i y v i 1

di…eren en una sola coordenada, entonces

f (x + h) f (x) = f (v n ) f v 0
Xn
f (x + h) f (x) = f vi f vi 1

i=1

por el teorema del valor medio para funciones de una variable

f vi f vi 1
= f vi 1
+ hi ei f vi 1

f vi f vi 1
= hi Di f v i 1
+ i hi ei

donde 0 < i < 1; entonces

1
X
n
khk f (x + h) f (x) Di f (x) hi =
i=1

1
X
n X
n
i 1
khk hi Di f v + i hi ei Di f (x) hi
i=1 i=1

1
X
n
khk f (x + h) f (x) Di f (x) hi =
i=1

1
X
n
khk hi Di f v i 1
+ i hi ei Di f (x)
i=1

18
usando la desigualdad triangular de Cauchy-Schwarz

1
X
n
khk f (x + h) f (x) Di f (x) hi
i=1
v
u n
uX
khk khk t
1
[Di f (v i 1 + i hi ei ) Di f (x)]2
i=1
v
u n
X
n
uX
khk 1
f (x + h) f (x) Di f (x) hi t [Di f (v i 1 + i hi ei ) Di f (x)]2
i=1 i=1
v
u n
X
n
uX
khk 1
f (x + h) f (x) Di f (x) hi t [Di f (v i 1 + i hi ei x)]2
i=1 i=1

como
vi 1
+ i hi ei x = k(h1 ; ; hi 1 ; i hi ; 0; ; 0)k khk

cuando khk ! 0 y por la continuidad de Di f en x tenemos

1
X
n
khk f (x + h) f (x) Di f (x) hi ! 0
i=1

por tanto " #

1 X
n
lim f (x + h) f (x) Di f (x) hi = 0
h!0 khk
i=1

P
n
entonces Di f (x) es la derivada de Fréchet.
i=1

Teorema 2.5 ([2]). Sea f : Rn ! Rm ; y sea f1 ; f2 ; ; fn las componentes de la

función f . Si todas las derivadas parciales Di f existen en un entorno de x y son
continuas en x, entonces f 0 (x) existe, y

X
n
0
(f (x) h)i = Dj fi (x) hj para todo h 2 Rn
j=1

Prueba. Sea J la matriz derivada de Fréchet en x : Jij = Di fj (x)

Por la de…nición de la norma tenemos
" #2
1 X X
n n
kf (x + h) f (x) Jhk2
= fi (x + h) fi (x) Dj fi (x) hj
khk2 khk2 i= j=1

19
ahora como
Pn
fi (x + h) fi (x) j=1 Dj fi (x) hj
! 0 para i = 1; ;n
khk

entonces
kf (x + h) f (x) Jhk2
!0
khk2
por tanto
kf (x + h) f (x) Jhk
lim =0
h!0 khk
esto es J es la derivada de Fréchet de f en x
La derivada de Fréchet para una matriz de funciones f : Cn n
! Cn n
en el punto
X es una transformación lineal L

n L
Cn ! Cn n

E ! L (X; E)

tal que para todo E 2 Cn n

f (X + E) f (X) L (X; E) = o (kEk) (2.6)

que es la derivada de Fréchet en X en la dirección E

En adelante Lf denota la derivada de Frechet de la función f:

A continuación demostraremos dos teoremas para obtener la suma y el producto

de funciones f; g; h 2 Cn n

Teorema 2.6 ([4]). Si g y h son diferenciable Fréchet en X entonces f = g + h es

diferenciable Fréchet y

Lf (X; E) = Lg (X; E) + Lh (X; E)

Prueba. De la ecuación (2:6)

f (X + E) f (X) = ( g + h) (X + E) ( g + h) (X)
f (X + E) f (X) = g (X + E) + h (X + E) g (X) h (X)
f (X + E) f (X) = (g (X + E) g (X)) + (h (X + E) h (X))
f (X + E) f (X) = (o (kEk) + Lg (X; E)) + (o (kEk) + Lh (X; E))
f (X + E) f (X) = o (kEk) + o (kEk) + Lg (X; E) + Lh (X; E)

20
entonces tenemos

f (X + E) f (X) ( Lg (X; E) + Lh (X; E)) = o (kEk) + o (kEk)

= o (kEk)

por tanto existe la derivada de Fréchet y

Lf (X; E) = Lg (X; E) + Lh (X; E)

Teorema 2.7 ([4]). Si g; h son diferenciables Fréchet en X entonces f = gh es

diferenciable Fréchet y

Lf (X; E) = Lg (X; E) h (X) + g (X) Lh (X; E)

Prueba. Tenemos

f (X + E) = (gh) (X + E)
f (X + E) = g (X + E) h (X + E)

como g y h son diferenciable Fréchet entonces

f (X + E) = (g (X) + Lg (X; E) + o (kEk)) (h (X) + Lh (X; E) + o (kEk))

f (X + E) = g (X) h (X) + g (X) Lh (X; E) + Lg (X; E) h (X) + o (kEk)
f (X + E) = f (X) + g (X) Lh (X; E) + Lg (X; E) h (X) + o (kEk)

por tanto

f (X + E) f (X) (g (X) Lh (X; E) + Lg (X; E) h (X)) = o (kEk)

por lo tanto f es diferenciable Fréchet y

Lf (X; E) = Lg (X; E) h (X) + g (X) Lh (X; E)

Proposición 2.8 ([6]). Sea f (X) = A0 X m + A1 X m 1 + Am donde Ai ; X 2 Cn n

con 0 i m: Entonces el diferencial de Fréchet viene dado por

( ! )
X
m X
m i
Lf (X; H) = Aj X m (j+i)
HX i 1
(2.7)
i=1 j=0

Prueba. Lo haremos por inducción sobre m

21
 para m = 1; de la ecuación (2.7)

Lf (X; H) = A0 H

por lo tanto es verdadero

Supongamos que se cumple para n = m, por tanto asumimos que
( ! )
X
m X
m i
Lf (X; H) = Aj X m (j+i)
HX i 1
(2.8)
i=1 j=0

probaremos que es cierto para n = m + 1: Esto es para

f (X) = A0 X m+1 + A1 X m + Am X + Am+1

probaremos que
( ! )
X
m+1 Xi
m+1
Lf (X; H) = Aj X m+1 (j+i)
HX i 1
(2.9)
i=1 j=0

de la ecuación polinómica

f (X) = A0 X m+1 + A1 X m + Am X + Am+1

f (X) = A0 X m + A1 X m 1
+ Am X + Am+1

usando el teorema (2.6) con g = (A0 X m + A1 X m 1

+ Am ) X y h = Am+1 : Entonces

Lf (X; H) = Lg (X; H) + Lh (X; H)

Lf (X; H) = Lg (X; H)

ahora sea r = (A0 X m + A1 X m 1

+ Am ) y s = X; usando el teorema (2.7) tenemos

Lf (X; H) = Lr (X; H) s (X) + r (X) Ls (X; H)

de la ecuación (2.8)
( ! )
X
m X
m i
Lr (X; H) = Aj X m (j+i)
HX i 1

i=1 j=0

22
además Ls (X; H) = H: entonces
( ! )
X
m X
m i
Lf (X; H) = Aj X m (j+i)
HX i 1
X + A0 X m + A1 X m 1
+ Am H
i=1 j=0
( ! )
X
m X
m i
Lf (X; H) = Aj X m (j+i)
HX i + A0 X m + A1 X m 1
+ Am H
i=1 j=0

haciendo un cambio de índice l = i + 1; tenemos

( ! )
X
m+1 Xl
m+1
Lf (X; H) = Aj X m+1 (j+l)
HX l 1
+ A0 X m + A1 X m 1
+ Am H
l=2 j=0

entonces
( ! )
X
m+1 Xi
m+1
m+1 (j+i) i 1
Lf (X; H) = Aj X HX + A0 X m + A1 X m 1
+ Am H
i=2 j=0
(2.10)
ahora de (2.9) tenemos que el primer término, esto es cuando i = 1; viene dado por

X
m X
m
Aj X m j HX 0 = Aj X m j H
j=0 j=0
Xm
Aj X m j HX 0 = A0 X m H + A1 X m 1 H + Am H
j=0
Xm
Aj X m j HX 0 = A0 X m + A1 X m 1
+ Am H
j=0

entonces en la ecuación (2.10) se tiene

( ! )
X
m+1 Xi
m+1 X
m
m+1 (j+i) i 1
Lf (X; H) = Aj X HX + Aj X m j HX 0
i=2 j=0 j=0
( ! )
X
m+1 Xi
m+1 X1
m+1
Lf (X; H) = Aj X m+1 (j+i)
HX i 1
+ Aj X m+1 (j+1)
HX 1 1

i=2 j=0 j=0

( ! )
X
m+1 Xi
m+1
Lf (X; H) = Aj X m+1 (j+i)
HX i 1

i=1 j=0

con lo cual queda probado la proposición.

23
Capítulo 3

Teoría de Polinomios Matriciales

P
En este capítulo se estudian los polinomios matriciales de la forma P (X) = mi=0 Ai X
m i

y la ecuación P (X) = 0; donde A0 ; A1 ; ; Am ; X son matrices de orden n n:

Aquí se estudia algunos aspectos de la solución de la ecuación P (X) = 0, así como
P
su relación con la matriz de polinomios P ( ) = m i=0 Ai
m i

De…nición 3.1 ([11]). Una ecuación polinomial matricial se de…ne como sigue

P (X) = A0 X m + A1 X m 1
+ + Am 1 X + Am = 0 (3.1)

donde A0 ; A1 ; ; Am ; X 2 Cn n :
Si A0 = I donde I es la matriz identidad de orden n n; entonces diremos que P (X)
es mónico.

De…nición 3.2 ([11]). Una matriz S que satisface la ecuación (3.1) es llamado una
solvente, o mas precisamente solvente derecha de P (X).

En relación con el polinomio P (X) tenemos el polinomio matricial

m m 1
P ( ) = A0 + A1 + + Am 1 + Am (3.2)

el cuál nos lleva al problema de valores propios asociado a P ( )

m m 1
P ( ) v = A0 + A1 + + Am 1 + Am v = 0 (3.3)

Si P ( 0 ) es singular, 0 es llamado valor propio polinomial y el vector propio v0

correspondiente a 0 es llamado vector propio polinomial de P ( ) ; esto es

P ( 0 ) v0 = 0 (3.4)

24
Teorema 3.1 ([11]). Si un problema de valores propios polinomial (3.3) tiene un
conjunto de n vectores propios linealmente independientes v1 ; v2 ; ; vn
correspondientes a distintos valores propios 1 ; 2 ; ; n ; entonces Q Q 1 es una
solvente de la matriz polinomial (3.1), donde Q = [v1 ; v2 ; ; vn ] y
= diag ( 1 ; 2 ; ; n)

Prueba. De la de…nición de P (X)

1 1 m 1 m 1 1
P Q Q = A0 Q Q + A1 Q Q + + Am 1 Q Q + Am
1 m 1 m 1 1 1 1
P Q Q = A0 Q Q + A1 Q Q + + Am 1 Q Q + Am QQ
1 m m 1 1
P Q Q = A0 Q + A1 Q + + Am 1 Q + Am Q Q

Por otro lado tenemos que

p p p p
Am p Q = [Am p 1 v1 ; Am p 2 v2 ; ; Am p n vn ] para 0 p m

entonces
" #
X
m X
m
p
X
m
p
X
m
p p
Am p Q = Am p 1 v1 ; Am p 2 v2 ; ; Am p n vn
p=0 p=0 p=0 p=0

luego usando las ecuaciones (3.2) y (3.4) tenemos

X
m
p m m 1
Am p Q = A0 Q + A1 Q + + Am 1 Q + Am Q = 0
p=0

por lo tanto
1
P Q Q =0

El siguiente teorema nos da información sobre el número de solventes de P (X)

Teorema 3.2 ([11]). Supongamos que P ( ) en (3.3) tiene p valores propios

distintos f i gpi=1 ; con n p mn; y el correspondiente conjunto de vectores
p
propios fvi gi=1 satisface la condición de Haar (cada conjunto de n vectores es
linealmente independiente), entonces existe al menos np solventes diferentes de P (X) ;
y exactamente igual si p = mn; que vienen dados por

S = Qdiag ( i ) Q 1 ; Q = [q1 ; q2 ; ; qn ]

donde el conjunto de valores y vectores propios f i ; qi gni=1 son elegidos de entre el

conjunto de valores y vectores propios f i ; vi gpi=1 de P ( )

25
Prueba. Como v1 ; v2 ; ; vp satisfacen la condición de Haar, entonces sean vi1 ; vi2 ; ; vin
un subconjunto de n vectores propios asociados a los valores propios i1 ; i2 ; ; in

De…nimos la matrices Q y como

Q = [vi1 ; vi2 ; ; vin ] = diag ( i1 ; i2 ; ; in )

entonces del teorema (3.1) se tiene que Q Q 1 es una solvente de P (X)

Ahora existen np conjuntos distintos de valores propios por tanto el polinomio
P (X) tiene al menos np solventes. Si p = mn entonces P (X) tiene exactamente mn
n
solventes.
P
m
m p
Lema 3.1 ([11]). Sea el polinomio N ( ) = Rp ; Si Rp es una matriz triangular
p=0
superior de orden n n, para p = 0; 1; ; m entonces

Y
n
det (N ( )) = fj;j ( )
j=1

P
m
donde fj;j (t) = [Rp ]jj tm p
p=0

Prueba. Como Rp es una matriz triangular superior entonces N ( ) es una matriz

triangular superior, luego el det (N ( )) es el producto de los elementos de la diagonal,
es decir
Y n
det (N ( )) = [N ( )]j;j
j=

además
X
m
m p
[N ( )]i;j = [Rp ]ij (3.5)
p=0

para i = j tenemos

X
m
m p
[N ( )]j;j = [Rp ]jj
p=0
[N ( )]j;j = fj;j ( )

por tanto
Y
n
det (N ( )) = fj;j ( )
j=1

Teorema 3.3 ([11]). Sea P (X) = A0 X m + A1 X m 1 + + Am 1 X + Am una matriz

polinomial con Ap = U Rp U para p = 0; 2; ; m; donde U es una matriz unitaria y
las matrices Rp son triangulares superiores. Entonces, si para i; j = 1; 2; ; n; si;j

26
 P
m
es una solución del polinomio de coe…cientes escalares fi;j (t) = [Rp ]ij tm p
yi>j
p=0
implica que fj;j (si;i ) 6= 0; entonces existe un solvente S de P (X) = 0 de la forma
S = U RU para alguna matriz triangular superior R

Prueba. De…namos
X
m
N (X) = Rp X m p

p=0

Si R es un solvente de N (X) = 0; esto es N (R) = 0

entonces

P (U RU ) = A0 (U RU )m + A1 (U RU )m 1
+ + Am 1 U RU + Am
P (U RU ) = A0 U Rm U + A1 U Rm 1 U + + Am 1 U RU + Am U U

por otro lado tenemos que Ap U = U Rp ; entonces

P (U RU ) = U R0 Rm U + U R1 Rm 1 U + + U Rm 1 RU + U Rm U
!
Xm
P (U RU ) = U Rp Rm p U = U (N (R)) U = 0
p=0

por lo tanto U RU es solución de P (X) = 0

Por tanto es su…ciente demostrar que existe una solvente de N (X) = 0
Para el problema de valores polinomial asociado N ( ) ; del lema (3.1) tenemos

Y
n
det (N ( )) = fj;j ( )
j=1

luego la matriz N ( ) es singular si y solo si det (N ( )) = 0

esto es, el conjunto de todas las soluciones de fj;j ( ) = 0 para j = 1; ; n es tambien
un conjunto de los valores propios de N ( ) :
Para cada valor propio elegido i = si;i para i = 1; 2; ; n tenemos un vector
propio asociado xi ; luego de la ecuación (3.3) podemos encontrar un vector propio xi
resolviendo el sistema
N ( i ) xi = 0

27
de la ecuación (3.5), obtenemos
0 10 1 0 1
f1;1 ( i ) f1;2 ( i ) (i)
x1 0
B .. CB (i) C B C
B 0 f2;2 ( i ) . CB x2 C B 0 C
B CB C B C
B .. .. .. CB .. C B .. C
N ( i ) xi = B . 0 . fn 2;n 1 ( i) . CB . C=B . C
B CB C B C
B .. CB C B C
@ . fn 1;n 1 ( i) A@ A @ A
(i)
0 0 fn;n ( i ) xn 0

ahora como para i > j implica que fj;j (si;i ) 6= 0 entonces

fjj ( i ) 6= 0 para j = 1; ;i 1

Como la matriz N ( i ) es triangular superior, podemos encontrar la solución del sistema

usando el método de sustitución hacia atras.
entonces
fn;n ( i ) x(i)
n = 0

(i)
que xn = 0 es una solución trivial, continuando

(i)
fn 1;n 1 ( i ) xn 1 + fn 1;n ( i ) x(i)
n = 0

por lo anterior se tiene que

(i)
fn 1;n 1 ( i ) xn 1 =0
(i)
así xn 1 = 0 es solución trivial, continuando de esta manera, obtenemos

(i)
xk = 0 para k = i + 1; ;n (3.6)

en la ecuación i esima tenemos

(i) (i)
fi;i ( i ) xi + fi;i+1 ( i ) xi+1 + + fi;n ( i ) x(i)
n = 0

usando (3.6) se tiene

(i)
fi;i ( i ) xi = 0

como i es valor propio de N ( ) ; se tiene que fi;i ( i ) = 0; luego

(i)
0 xi = 0

(i) (i)
luego xi es un escalar arbitrario, elegimos xi = 1
(i)
para las ecuaciones k = i 1; i 2; ; 1 usando (3.6) y xi = 1; obtenemos el

28
sistema
0 (i)
1
x1
1B C 0 1
0 B ... C 0
f1;1 ( i ) f1;2 ( i ) B C B C
B CB (i) C B 0 C
B 0
..
.
..
. CB
B
xi 1 C B
C B C
B CB C=B .. C
B .. .. .. .. .. CB 1 C B . C
B . 0 . . . . CB C B C
@ AB 0 C @ C
A
0 0 fi 1;i 1 ( i) fi 1;n ( i ) B
B ..
C
C
@ . A 0
0

ahora como por hipótesis fk;k ( i ) 6= 0; entonces el sistema tiene rango igual a (i 1)
(i)
por lo que podemos obtener xk para k = i 1; i 2; ; 1. Por lo tanto para cada
i = 1; 2; ; n el vector propio xi ; tiene la forma
T
(i) (i) (i)
xi = x1 x2 xi 1 1 0 0

Ahora con el conjunto de vectores x1 ; x2 ; ; xn hallados por el método de arriba,

formamos la matriz Q

Q = [x1 ; x2 ; ; xn ]
0 1
1
B C
B 0 1 C
B C
B . . C
Q = B .. . . 1 C
B C
B . . .. C
@ . . A
0 0 0 1

el cual es no singular y por tanto los vectores fx1 ; x2 ; ; xn g forman un conjunto

linealmente independiente.
Por el teorema (3.1), la matriz triangular superior R el cual es solvente de N (X) = 0
puede ser obtenido por R = Qdiag( 1 ; 2 ; ; n )Q 1

Corolario 3.1 ([11]). Sea la ecuación polinomial matricial el cual tiene todos sus
coe…cientes matriciales triangulares superiores ( o triangulares inferiores) y se cumplen
las hipótesis del teorema (3.3). Entonces existe una solvente.

Prueba. La prueba se induce directamente, pues en este caso Ap = Rp para

p = 1; 2; ; m:

29
Capítulo 4

Cálculo de la Solvente de la
Ecuación Polinomial Matricial

Este capítulo trata de la resolución númerica de la ecuación

P (X) = A0 X m + A1 X m 1
+ + Am 1 X + Am = 0

El algoritmo utilizado es el método de Newton, el cálculo está basado en la derivada

de Frechet y la descomposición de Schur, también trata acerca de la convergencia del
método.

4.1 Método de Newton

El método de Newton para una función real f : R ! R; es un proceso iterativo para
resolver la ecuación f (x) = 0; basado en la existencia de la derivada de f en cada paso
y en la elección de un punto inicial próximo que garantice la convergencia, esto es
9
Dado x0 >
=
f (xk ) + f 0 (xk ) hk = 0 k = 0; 1;
>
;
xk+1 = xk + hk

El método iterativo de Newton, es también utilizado para encontrar la solución de

la ecuación matricial no lineal
G (X) = 0 (4.1)

donde G : Cn n
! Cn n
: De…nimos Hk 2 C n n
como la solución de la ecuación lineal

G (Xk ) + G0 (Xk ) Hk = 0 (4.2)

30
donde el operador lineal G0 (X) H : Cn n ! C n n es la derivada de Fréchet de G en X
y la dirección H. Entonces el método iterativo de Newton para la ecuación matricial
no lineal (4.1) puede ser de…nido por
9
Dado X0 >
=
0 k = 0; 1;
G (Xk ) + G (Xk ) Hk = 0
>
;
Xk+1 = Xk + Hk

Por lo tanto, cada paso del método de Newton implica encontrar la solución H 2 Cn n
de la ecuación lineal
G0 (Xk ) Hk = G (Xk ) (4.3)

Para la ecuación polinomial matricial P (X) = 0; usando la ecuación (2.7), se tiene que
la ecuación (4.2) puede ser reemplazada por
( ! )
X
m X
m i
P 0 (X) H = Aj X m (j+i)
HX i 1
= P (X) (4.4)
i=1 j=0

Encontraremos las solventes de la matriz polinomial resolviendo la ecuación lineal

(4.4). Usaremos el producto de Kronecker y la función vec:
Usando el operador vec, entonces vec (P 0 (X) H) es representado por

vec (P 0 (X) H) = vec B1 H + B2 HX + + Bm HX m 1

usando la proposición (1.2)

vec (P 0 (X) H) = vec (B1 HI) + vec (B2 HX) + + vec Bm HX m 1

usando la proposición (1.8)

vec (P 0 (X) H) =
m 1
(I B1 ) vec (H) + X T B2 vec (H) + + XT Bm vec (H)
m 1
vec (P 0 (X) H) = I B1 + X T B2 + + XT Bm vec (H)
!
X
m
i 1
0
vec (P (X) H) = XT Bi vec (H)
i=1
!!
Xm X
m i
T i 1
vec (P 0 (X) H) = X Aj X m (j+i)
vec (H) (4.5)
i=1 j=0

donde
Bp = A0 X m p
+ A1 X m (p+1)
+ + Ap ; p = 1; 2; ;m (4.6)

31
y !
X
m X
m i
T i 1
D= X Aj X m (j+i)

i=1 j=0

entonces
Dvec (H) = vec ( P (X)) (4.7)

el cual es un sistema lineal de n2 n2

En el siguiente paso reduciremos el tamaño de la ecuación (4.7) a n n:
Dado X 2 Cn n , calculamos la descomposición de Schur de X

Q XQ = R

donde Q es una matriz unitaria y R es una matriz triangular superior. Entonces

QRk Q = X k k2Z

sustituyendo esta ecuación en (4.4) tenemos

( ! )
X
m X
m i
P 0 (X) H = Aj X m (j+i)
HQRi 1 Q = P (X)
i=1 j=0

haciendo H 0 = HQ
( ! )
X
m X
m i
P 0 (X) H = Aj X m (j+i)
H 0 Ri 1 Q = P (X)
i=1 j=0

por tanto
B1 H 0 Q + B2 H 0 RQ + + Bm H 0 Rm 1 Q = P (X)

de donde obtenemos

B1 H 0 + B2 H 0 R + + Bm H 0 Rm 1
= P (X) Q

esto es
P 0 (R) H 0 = B1 H 0 + B2 H 0 R + + Bm H 0 Rm 1
=C (4.8)
P i
donde C = P (X) Q; Bi = m j=0 Aj X
m (j+i)
:
Ahora tomamos la función vec en la ecuación (4.8)

vec (P 0 (R) H 0 ) = vec B1 H 0 + B2 H 0 R + + Bm H 0 Rm 1

Xm
i 1
0 0
vec (P (R) H ) = RT Bi vec (H 0 )
i=1

32
haciendo
X
m
i 1
~=
D RT Bi
i=1

~ es una matriz de orden n2

donde D n2 ; tenemos

m 1
~ =I
D B1 + RT B2 + + RT Bm

luego
h i
m 1
~ ij = Iij B1 + RT
D B2 + + RT Bm
ij ij
~ ij = Iji B1 + [R]
D B2 + + Rm 1
Bm
ji ji
~ ij = Rji
D 0
B1 + [R]ji B2 + + Rm 1
Bm
ji
X
m
~ ij =
D Rk 1
Bk
ji
k=1

como R es triangular superior entonces D~ es una matriz triangular inferior por bloques,
luego 0 1
~ 11
D
B ~ ~ 22 C
B D21 D C
~
D=B .B C
. ... C
@ . A
~ n1
D ~ nn
D
por tanto nos queda el sistema

~
Dvec (H 0 ) = vec (C)

usando la sustitución por bloques hacia adelante

~ 1 c1
h01 = D11
0
h = D ~ 1 c2 ~ 1 h0 1
D
2 22 21
..
.
h0n = D ~ nn1 cn ~ n11 h0 1
D ~ n;n1 1 h0 n
D 1

donde h0i y ci son la i esima columna de la matriz H 0 y C respectivamente.

Algoritmo 1. Dada las matrices R; B1 ; B2 ; ; Bm las cuales estan de…nidas en (4.6)

y (4.8) y números positivos i; j (i j y i; j ~ ij
n) el siguiente algoritmo calcula D

for r = 1 : m
D~ ij ~ ij + Rr
D 1
(j; i) Br

33
 end
Algoritmo 2. (Solución de la ecuación P 0 (X) H = P (X) por descomposición de
Schur). Dado A0 ; ; Am ; X 2 Cn n y usando la descomposición de Schur de X;
X = QRQ : El algoritmo encuentra H 2 Cn n el cual es solución de
P 0 (X) H = P (X) en (4.4)
Bm A0 ; R1 I
for i = 1 : m 1
Bm i Bm i+1 X + Ai
Ri+1 Ri R
end
C (B1 X + Am ) Q
for i = 1 : n
d 0
for j = 1 : i 1
Use el algoritmo (1) y calcule D ~ ij
d d+D ~ ij H(:; j)
end
Use el algoritmo (1) y calcule D~ ii
H(:; j) ~ 1 (C (:; i) d)
D ii
end
H HQ

4.2 Convergencia del Método de Newton

En este sección se muestra que el método de Newton converge cuadráticamente cuando
el punto inicial esta lo su…cientemente cerca de una solvente simple.
Estableceremos primero que k k es la norma de Frobenius si se trata de matrices y
la norma euclideana si se trata de vectores.
De…nición 4.1 ([6]). Diremos que P 0 (X) es regular, si la transformación P 0 (X) es
biyectiva.
Proposición 4.1. P 0 (X) es regular si y solo si inf kHk=1 kP 0 (X) Hk > 0
Prueba. Dado que el operador P 0 (X) es regular si y solo es inyectivo, esto es si y solo
si existe el operador inversa de P 0 (X) denotado por inv (P 0 (X)) entonces

kP 0 (X) Hk 1
inf = inf kP 0 (X) Hk = >0
H2X kHk kHk=1 kinv (P 0 (X))k

34
Lema 4.1 ([6]). Dada las matrices Aj ; Bj ; A; B 2 Cn n
y la correspondiente matriz
polinomial de…nido en (3.1) tenemos

1. (a) kAk = kvec (A)k

(b) vec ( A + B) = vec (A) + vec (B) para todo ; 2C
!
Pn P
n
(c) vec Aj XBj = BjT Aj vec (X)
j=1 j=1
2 n2
(d) vec (P 0 (X) H) = P (X) vec (H) donde la matriz P (X) 2 Cn y esta
dado por !
Xm
i 1
X
m i
P (X) = XT Aj X m (j+i)
i=1 j=0

(e) P 0 (X) es regular si y solo si P (X) es una matriz no singular, y entonces

c = inf kP 0 (X) Hk = min kP (X) vec (H)k > 0

kHk=1 kHk=1

Prueba. 1. (a) De la de…nición de norma de frobenius tenemos

! 12
X
n X
n
kAk = a2ij
i=1 j=1

por otro lado 0 1

col1 A
B .. C
vec (A) = B
@ . C
A
coln A
tomando la norma euclideana
! 21
X
n
kvec (A)k = kcolj Ak2
j=1
! 12
X
n X
n
2
kvec (A)k = kaij k
j=1 i=1
! 12
X
n X
n
kvec (A)k = kaij k2
i=1 j=1

(b) Tenemos que vec ( A) = vec (A) y usando la proposición (1.2)

vec ( A + B) = vec ( A) + vec( B)

vec ( A + B) = vec (A) + vec(B)

35
 (c) Usando la proposición (1.2) tenemos que

X
n X
n
vec Aj XBj = vec (Aj XBj )
j=1 j=1

por otro lado de la proposición (1.8) se tiene que

vec (ABC) = C T A vecB

entonces !
X
n X
n
vec (Aj XBj ) = BjT Aj vec (X)
j=1 j=1

con lo que se prueba que

!
X
n X
n
vec Aj XBj = BjT Aj vec (X)
j=1 j=1

(d) Este item ya fue probado, ver la ecuación (4.5)

(e) De la de…nición P 0 (X) H es regular si y solo si la transformación P 0 (X) es
biyectiva esto es si y solo si la transformación P 0 (X) tiene inversa
si y solo si la ecuación

vec (P 0 (X) H) = P (X) vec (H) = P (X)

tiene una única solución, esto es si y solo si P (X) es una matriz no-singular,
entonces
c = inf kP 0 (X) Hk > 0
kHk=1

de la proposición (4.1).

Proposición 4.2 ([6]). Sean m 2 N; y A; B; C 2 Cn n

matrices. Entonces

P1
m
1. (a) kAm Bmk c kA Bk donde c = kAkj kBkm 1 j

j=0

P
m
(b) Am Bm Cj 1
(A B) C m j
kA Bk (c1 kA Bk + c2 kA Ck)
j=1
con

Xm
m j 2 m j
X2
m
c1 = kA Bk kAk ; c2 = m kCkj kAkm j 2

j=2
j j=0

36
Prueba. El primer item lo haremos por inducción matemática sobre m
para m = 1; tenemos que

kAm B m k = kA Bk kA Bk con c = 1

Suponiendo que se cumple para m entonces debemos probar que se cumple para m + 1

1
Am+1 B m+1 = 2Am+1 2B m+1
2

sumando y restando los términos Am B; B m A y agrupando convenientemente

Am+1 B m+1 =
1
Am+1 Am B B m+1 B m A + Am+1 + Am B B m+1 + B m A
2
1
Am+1 B m+1
= kAm (A B) B m (B + A) + Am (A + B) + B m (A B)k
2
1
Am+1 B m+1
= k(Am + B m ) (A B) + (Am B m ) (A + B)k
2
1
Am+1 B m+1
k(Am + B m )k k(A B)k + k(Am B m )k k(A + B)k
2

usando la hipótesis de inducción

1
Am+1 B m+1 k(Am + B m )k k(A B)k + c kA Bk k(A + B)k
2
1
Am+1 B m+1 k(A B)k (kAm + B m k + c kA + Bk)
2
1
Am+1 B m+1 k(A B)k (kAkm + kBkm + (kAk + kBk) c)
2 !
1
mX1
Am+1 B m+1 k(A B)k kAkm + kBkm + (kAk + kBk) kAkj kBkm 1 j
2 j=0

Am+1 B m+1
!
1 X1
m X1
m
k(A B)k kAkm + kAkj kBkm j
+ kBkm + kAkj+1 kBkm 1 j
2 j=0 j=0
!
1 X
m X1
m
= k(A B)k kAkj kBkm j
+ kBkm + kAkj+1 kBkm 1 j
2 j=0 j=0
!
1 X
m X
m
= k(A B)k kAkj kBkm j
+ kBkm + kAkj kBkm j
2 j=0 j=1
!
1 X
m
j m j
X
m
j m j
= k(A B)k kAk kBk + kAk kBk
2 j=0 j=0

37
de donde !
X
m
Am+1 B m+1 k(A B)k kAkj kBkm j

j=0

con lo cuál queda establecido el item (a)

Ahora probaremos el item (b)
Sea E = B A; entonces desarrollando el binomio de Newton

B m = (A + E)m

tenemos que

término 1 : Am
X
término 2 : términos que contienen a E
X
término 3 : términos que contienen a E; E

y todos los demás términos, entonces

X1
m X
B m = (A + E)m = Am + Ai EAm 1 i
+ Al EAi EAj +
i=0 l+i+j=m 2

luego
X1
m X
m m
A B = Ai EAm 1 i
Al EAi EAj +
i=0 l+i+j=m 2

X
m X1
m X
m
Am Bm Cj 1
(A B) C m j
= Ai EAm 1 i
Cj 1
(A B) C m j

j=1 i=0 j=1

X
Al EAi EAj +
l+i+j=m 2

X
m X1
m X
m
m m j 1 m j i m 1 i
A B C (A B) C = A (A B) A Cj 1
(A B) C m j

j=1 i=0 j=1

X
A EAi EAj +
l

l+i+j=m 2

tomando la norma de Frobenius

X
m
m m
A B Cj 1
(A B) C m j
r1 + r2
j=1

38
donde
X1
m X
m
r2 = Ai (A B) Am 1 i
Cj 1
(A B) C m j

i=0 j=1

haciendo j = i + 1

X
m X
m
j 1 m j
r2 = A (A B) A Cj 1
(A B) C m j

j=1 j=1

X
m X
m
j 1 m j
r2 = A (A B) A Cj 1
Aj 1
+ Aj 1
(A B) C m j

j=1 j=1

X
m X
m
j 1 m j
r2 = A (A B) A Aj 1
(A B) C m j

j=1 j=1

X
m
Cj 1
Aj 1
(A B) C m j

j=1

X
m X
m
r2 = Aj 1
(A B) Am j
Cm j
Cj 1
Aj 1
(A B) C m j

j=1 j=1

entonces tenemos

X
m X
m
r2 Aj 1
(A B) Am j
Cm j
+ Cj 1
Aj 1
(A B) C m j

j=1 j=1

X
m X
m
r2 kA Bk kAkj 1
Am j
Cm j
+ kA Bk Aj 1
Cj 1
kCkm j

j=1 j=1

usando la parte (a) de esta proposición convenientemente, tenemos que

m j 1
X
A m j
C m j
kA Ck kCkl kAkm j 1 l

l=0
j 2
X
Aj 1
Cj 1
kA Ck kCkl kAkj 2 l

l=0

39
entonces
m j 1
!
X
m X
r2 kA Bk kA Ck kAkj 1
kCkl kAkm j 1 l

j=1 l=0
j 2
!
X
m
m j
X l j 2 l
+ kA Bk kA Ck kCk kCk kAk
j=1 l=0
"m j 1 j 2
#
X
m X X
r2 kA Bk kA Ck kCkl kAkm 2 l
+ kCkl+m j
kAkj 2 l

j=1 l=0 l=0

haciendo el cambio de variable t = l + m j; tenemos

"m j 1
X
m X
r2 kA Bk kA Ck kCkl kAkm 2 l

j=1 l=0
#
X2
m
+ kCkt kAkm 2 t

t=m j
"m j 1
X
m X
r2 kA Bk kA Ck kCkl kAkm 2 l

j=1 l=0
#
X2
m
+ kCkl kAkm 2 l

l=m j
!
X
m X2
m
l m 2 l
r2 kA Bk kA Ck kCk kAk
j=1 l=0

X2
m
r2 kA Bk kA Ck m kCkl kAkm 2 l

l=0
r2 kA Bk kA Ck c2

P2
m
donde c2 = m kCkl kAkm 2 l

l=0

40
 tambien

X
r1 = Al EAi EAj +
l+i+j=m 2
X
r1 kAkl kEk kAki kEk kAkj +
l+i+j=m 2
X X
r1 kAkl+i+j kEk2 + kAkl+i+j kEk3 +
l+i+j=m 2 l+i+j=m 3
!
X
m
m
r1 kA Bk kA Bk kAkm j
kA Bkj 2

j=2
j
r1 kA Bk (c1 kA Bk)
Pm
donde c1 = j=2
m
j
kAkm j
kA Bkj 2

P
m
Teorema 4.3 ([6]). Dada la matriz polinomial P (X) = Am i X i y las matrices
i=0
X; Y; H 2 Cn n y b = max fkXk ; kY k ; kHkg.
Si el max1 l m kAl k = a entonces

kP (X + H) P (X) P 0 (Y ) Hk 2m+1 abm 2

kHk (kHk + kX Y k) si b 1

y
P (X + H) = P (X) + P 0 (Y ) H + O kHk2 cuando kHk ! 0

Prueba. Tenemos que

X
m
P (X + H) P (X) = Am i (X + H)i Xi
i=1

además
X
m X
i
P 0 (Y ) H = Am i Y j 1 HY i j

i=1 j=1

luego entonces
!
X
m
i
X
i
0 i j 1 i j
kP (X + H) P (X) P (Y ) Hk = Am i (X + H) X Y HY
i=1 j=1
!
X
m X
i
kP (X + H) P (X) P 0 (Y ) Hk = Am i (X + H)i Xi Y j 1 HY i j

i=2 j=1

!
X
m
i
X
i
i j 1 i j
= Am i X (X + H) Y ( H) Y
i=2 j=1

41
kP (X + H) P (X) P 0 (Y ) Hk
!
Xm
i
X
i
kAm i k Xi (X + H) Yj 1
( H) Y i j

i=2 j=1

aplicando la proposición (4.2) con A = X; B = X + H; C=Y

X
i
Xi (X + H)i Yj 1
( H) Y i j
kHk (c1 kHk + c2 kX Y k)
j=1

entonces
"
X
m Xi
i
kP (X + H) P (X) 0
P (Y ) Hk a kHk kHk kHkj 2
kXki j

i=2 j=2
j
#
X
i 2
+ kX Y ki kY kj kXki j 2

j=0

como kXk ; kY k ; kHk b con b > 1 entonces

" #
X
m Xi
i i X
i 2
kP (X + H) P (X) P 0 (Y ) Hk a kHk kHk b 2
+ kX Y ki bi 2

i=2 j=2
j j=0

ahora bi 2
bn 2 , luego
" #
X
m Xi
i X
i 2
kP (X + H) P (X) P 0 (Y ) Hk a kHk bn 2
kHk + kX Y ki 1
i=2 j=2
j j=0

" #
X
m Xi
i
a kHk bn 2
kHk + kX Y k i (i 1)
i=2 j=2
j
" #
Xm X i
i X
m
a kHk bn 2
kHk + kX Yk i (i 1)
i=2 j=2
j i=2

por propiedades de sumatorias

Xi
i
= 2i 1 i
j=2
j

y que i (i 1) 2i para todo i 1 entonces

" #
X
m X
m
kP (X + H) P (X) P 0 (Y ) Hk a kHk bn 2
kHk 2i 1 i + kX Yk 2i
i=2 i=2

42
como

X
m X
m
i
2 2i = 2m+1 1 2m+1 y
i=2 i=0
X
m Xm
2i 1 i 2i 2m+1
i=2 i=2

entonces

kP (X + H) P (X) P 0 (Y ) Hk a kHk bn 2
kHk 2m+1 + kX Y k 2m+1
kP (X + H) P (X) P 0 (Y ) Hk abn 2 2m+1 kHk (kHk + kX Y k)

para la otra aseveración hacemos Y = X; entonces

kP (X + H) P (X) P 0 (X) Hk abn 2 2m+1 kHk2

con lo que queda probado el teorema.

Teorema 4.4 ([6]). Supongase que S 2 Cn n es una solvente simple de la ecuación

polinomial P (X) = 0 y P0 (S) es regular. Entonces, si la matriz inicial X0 esta
su…cientemente cerca de S, el algoritmo

Xk+1 = Xk Q (Xk ) con

P 0 (Xk ) Q (Xk ) = P (Xk )

converge cuadraticamente a S. Mas precisamente. Si

n c0 o
kX0 SkF = "0 < " = min ;
c

donde c = 2m+1 a (1 + kSk)m 2 con a = maxr=1;:::;m fkAr kg y

c0 = inf fkP 0 (Xk ) Hk ; kHkF = 1; kX Sk g > 0 para 2 (0; 1] su…cientemente
pequeño, entonces tenemos

1. (a) i. lim Xk = S
k!1
c
ii. kXk Sk "0 q k con q = "
c0 0
< 1 para k = 0; 1; 2; : : : ;
c 2
iii. kXk+1 Sk c0
kXk Sk para k = 0; 1; 2; : : : ;

Prueba. Sea b = 1 + kSkF y X 2 Cn n

tal que kX SkF < "
Por propiedad de normas

kX SkF = kvec (X S)k = kvec (X) vec (S)k "

43
tambien
jkvec (X)k vec kSkj < kvec (X) vec (S)k "

por lo tanto
kvec (X)k vec kSk + "

luego
kXkF kSkF + " 1 + kSkF = b

Como c0 > 0, por la proposición (4.1) la derivada de Fréchet es regular en

fX 2 Cn n = kX SkF < "g ; luego la función (X) está bien de…nido por

(X) = X Q (X) ; P 0 (X) Q (X) = P (X)

para toda X tal que kX SkF < "

Como S es solvente de P (X) ; usando el lema (4.1) y el teorema (4.3)

k (X) Sk = kX Q (X) Sk
= kX S Q (X)k
= kvec (X S Q (X))k
= kvec (X S) vec (Q (X))k
1
= vec (X S) vec P 0 (X) P (X)
1
= vec (X S) P (X) vec (P (X))
1
k (X) Sk = P (X) (P (X) vec (X S) vec (P (X)))

usando la proposición (4.1)

1
k (X) Sk kP (X) vec (X S) vec (P (X))k
c0
1
k (X) Sk kvec (P 0 (X) (X S)) vec (P (X))k
c0
1
k (X) Sk kvec (P 0 (X) (X S) P (X))k
c0
1
k (X) Sk kP 0 (X) (X S) P (X)kF
c0
1
k (X) Sk kP 0 (X) (X S) P (X) + P (S)kF
c0

usando el teorema (4.3) con H = (X S) entonces

kP (X) P (S) P 0 (X) (X S)kF c kX Sk (kX Sk + kX Xk)

c kX Sk2

44
por tanto
c
k (X) Sk kX Sk2 (4.9)
c0
La prueba del item (ii) y (iii) se sigue por inducción sobre i:
Por hipótesis, kX0 SkF = "0 < " y por lo tanto

X1 = X0 Q (X0 )

c
esta bien de…nido, sea q = "0 ; como por de…nición
c0
c0 c
"0 < ! "0 < 1 ! q < 1
c c0

de la ecuación (4.9) se tiene que

c
k (X0 ) Sk kX0 Sk2
c0
c
kX1 Sk kX0 Sk2
c0

y tambien tenemos que

c c
kX1 Sk = kX0 Sk2 = "20
c0 c0
c
kX1 Sk "0 "0 = "0 q < " 0
c0

Suponiendo que la a…rmación del item (ii) y (iii) es valida para i probaremos que es
valida para i + 1
kXi+1 SkF = k (Xi ) SkF

ahora por la ecuación (4.9)

c
kXi+1 SkF kXi Sk2
c0

como
c c
kXi Sk2 kXi Sk kXi Sk
c0 c0
por hipotesis de inducción

c c
kXi Sk kXi Sk kXi Sk "0 q i
c0 c0
q kXi Sk q"0 q i = "0 q i+1

entonces
kXi+1 SkF "0 q i+1

45
esto prueba los item (ii) y (iii)
Ahora para la prueba del item (i), teniendo en cuenta que q < 1

kXi+1 SkF "0 q i+1 < "0 < "

lo cuál prueba que la sucesión de matrices fXi+1 g es convergente y converge a S

4.3 Ejemplos Numéricos

En esta sección presentamos algunos resultados de la solución de ecuaciones
polinomiales matriciales, los cuales fueron hechos con Matlab, las iteraciones para el
método de Newton son terminados cuando el error residual de P (Xk )

kP (Xk )kF
< nu
kA0 kF kXk km
F + kA1 kF kXk km
F
1
+ + kAm kF

16
donde u = 1:1 (10 ) y n es el orden de las matrices.

Ejemplo 4.1. Sea el polinomio matricial

! !
2 1 6 0 12
P (X) = X + X+
2 9 2 14

utilizando el punto inicial

!
11:6517 0
X0 =
0 11:6517

se obtiene la solución ! !
4 0 1 2
S1 = y S2 =
2 2 0 3
respectivamente, ambos con 10 iteraciones.

Ejemplo 4.2. Sea el polinomio matricial

! !
51:6 0 17500 10000
P (X) = X2
0 100 10000 10000

utilizando el punto inicial

!
193638:3089074608 0
X0 =
0 193638:3089074608

46
se obtiene la solución !
17:6255 7:4304
S=
3:8341 8:4564
la cual converge con 21 iteraciones.

Ejemplo 4.3. Sea el polinomio

0 1 0 1 0 1
0 0 1 1 1 0 20 2 1
B C B C B C
P (X) = X 4 + @ 0 0 0 A X 2 + @ 0 1 1 A X + @ 2 20 0 A
1 0 0 1 0 1 1 0 20

utilizando el punto inicial

0 1
38:6488 0 0
B C
X0 = @ 0 38:6488 0 A
0 0 38:6488

se obtiene la solución
0 1 0 1
2:056 0:113 0:149 2:170 0:004 0:142
B C B C
S1 = @ 0:057 2:054 0:063 A y S2 = @ 0:048 2:170 0:049 A
0:088 0:003 2:062 0:197 0:00003 2:169

respectivamente, ambos con 16 iteraciones.

Usando los puntos iniciales
0 1 0 1
38:6488 0 0 38:6488 0 0
B C B C
X0 = @ 0 38:6488 0 A X0 = @ 0 38:6488 0 A
0 0 38:6488 0 0 38:6488

se obtiene la solución
0 1 0 1
0:797 3:736 2:170 0:545 0:065 2:150
B C B C
S3 = @ 0:067 1:673 0:137 A y S4 = @ 0:197 2:176 0:157 A
1:616 4:674 0:390 1:941 0:055 0:365

respectivamente, ambos con 30 iteraciones.

47
Ejemplo 4.4. Sea el polinomio
0 1
2 1 0 0
B C
B 1 2 1 0 C
P (X) = X 2
327:35 B
B
C
C
@ 0 1 2 1 A
0 0 1 1

utilizando el punto inicial

0 1
108:841 0 0 0
B C
B 0 108:841 0 0 C
X0 = B C
B 0 0 108:841 0 C
@ A
0 0 0 108:841

se obtiene la solución
0 1
24:5502 7:0714 1:2673 0:6140
B C
B 7:0714 23:2829 7:6853 1:8813 C
S1 = B
B
C y
C
@ 1:2673 7:6853 22:6689 8:9527 A
0:6140 1:8813 8:9527 15:5976
0 1
24:5502 7:071 4 1:267 3 0:6140
B C
B 7:0714 23:283 7:685 3 1:881 3 C
S2 = B
B
C
C
@ 1:267 3 7:685 3 22:669 8:952 7 A
0:6140 1:881 3 8:952 7 15:598

respectivamente ambos con 10 iteraciones

48
Capítulo 5

Aplicación

5.1 Grados de Libertad

En dinámica estructural [10], el número de coordenadas independientes necesario para
especi…car la con…guración o posición de un sistema en cualquier instante de tiempo
se conoce como el número de grados de libertad. Toda estructura continua tiene
un número in…nito de grados de libertad. En la idealización mediante un modelo
matemático el número de grados de libertad es …nito. A continuación mostramos
algunas estructuras con diversos grados de libertad

Ejemplo 5.1. Estructuras que pueden ser representadas con un grado de libertad

Y
Estructura con un grado de libertad

Ejemplo 5.2. Grá…co que representa a una estructura con dos grados de libertad

Y2

Y1

Estructura con dos grados de libertad

49
5.2 Vibración Libre de un Edi…cio Simple
Cuando una estructura no está sometida a excitación externa (fuerza o desplazamiento
del soporte) y su movimiento esta gobernado solo por las condiciones iniciales, se
considera que esta en vibración libre. Existen, ocasionalmente, circunstancias en la
que es necesario determinar el movimiento de la estructura en condiciones de vibración
libre, pero son casos especiales. No obstante, el análisis de la estructura en movimiento
libre proporciona las propiedades dinámicas más importantes de la estructura que son
las frecuencias naturales y los correspondientes modos normales

5.2.1 Ecuación de Rigidez para un Edi…cio Simple

Un edi…cio simple puede ser de…nido como un edi…cio en el cuál no se producen
rotaciones en los mienbros horizontales a la altura de los pisos. Para obtener la
deformación horizontal en un edi…cio debemos suponer las siguientes condiciones

1. Toda la masa de la estructura esta concentrada al nivel de los pisos

2. Las viga en los pisos son in…nitamente rigidas, con relación a la rigidez de las
columnas

3. La deformación de la estructura es independiente de las fuerzas axiales presentes

en las columnas.

La primera condición transforma el problema, de un sistema de in…nitos grados de

libertad (debido a la masa uniformemente distribuido) a un sistema que tiene solamente
tantos grados de libertad como números de masas concentradas a nivel de los pisos
La segunda condición introduce el requisito de que las uniones entre las vigas y las
columnas estén …jas sin rotación
La tercera condición establece que las vigas rígidas en los pisos permanezcan
horizontales durante el movimiento de la estructura
La …gura representa el modelo de un edi…cio

50
 Y3
F3(t) m3

k3
Y2
F2(t) m2

k2

Y1
F1(t) m1

k1

Una alternativa para representar un edi…cio simple es adoptar un modelo de resortes

y masas como se muestra en el grá…co (5.1)

y1 y2 y3

F 3 (t) F 2 (t) F 2 (t)

m1 m2 m3

k1 k2 k3

Grá…co 5.1: Modelo de masas concentradas y resortes para representar un edi…cio

y1 y2 y3

F 1 (t) m1y´´ F 2 (t) m2y´´ F 3 (t) m3y´´

k1y1 k 2 (y 2 -y 1 ) k 3 (y 3 -y 2 )

Debe tenerse en cuenta que las representaciones que aparecen en las …guras son
equivalentes. En consecuencia, las ecuaciones del movimiento, se pueden obtener de
cualquiera de ellos, así tenemos:

m1 y•1 + k1 y1 k2 (y2 y1 ) F1 (t) = 0

m2 y•2 + k2 (y2 y1 ) k3 (y3 y2 ) F2 (t) = 0
m3 y•3 + k3 (y3 y2 ) F3 (t) = 0

este sistema de ecuaciones constituye la formulación de rigidez de las ecuaciones del

movimiento de un edi…cio simple de tres pisos. Utilizando la forma matricial este
sistema puede escribirse como

M y• + Ky = F (t)

51
donde M y K son respectivamente las matrices de masas y de rigidez, dadas por
0 1 0 1
m1 0 0 k1 + k2 k2 0
B C B C
M = @ 0 m2 0 A K=@ k2 k2 + k3 k3 A
0 0 m3 0 k3 k3

y donde y; y•; F; son, respectivamente, los vectores de desplazamiento, aceleración y

fuerzas dadas por
0 1 0 1 0 1
y1 y•1 F1 (t)
B C B C B C
y = @ y2 A ; y• = @ y•2 A ; F = @ F2 (t) A
y3 y•3 F3 (t)

5.2.2 Frecuencias Naturales

El problema de vibración libre requiere que el vector fuerza [F ] sea igual a cero en
cualquiera de las formulaciones de las ecuaciones del movimiento. La ecuación que
modela este comportamiento es la siguiente

M y• + Ky = F

entonces para la ecuación de la rigidez tenemos la ecuación

M y• + Ky = 0

Buscamos soluciones reales que representan la parte real de

p = qei t

donde q es independiente de t. Luego tenemos que

2 i t
p• = q e

por lo tanto la ecuación queda determinado por

2 i t
Mq e + Kqei t = 0

luego
2
Mq + Kq ei t = 0

52
el cuál tiene soloción si y solo si

2
M K q=0

Proposición 5.1. Sea S una solvente de la ecuación polinomial matricial

P (X) = M X 2 K entonces el par ( ; q) valor y vector propio de S es solución de la
ecuación M 2 K q = 0

Prueba. Tenemos que Sv = v entonces reemplazando

2 2
M K q = M q Kq
2
M K q = M ( q) Kq = M (Sq) Kq
2
M K q = M S ( q) Kq = M S (Sq) Kq
2
M K q = M S 2q Kq = M S 2 K q

como S es solvente de la ecuación polinomial entonces

2
M K q=0

Por tanto proponemos resolver la ecuación polinomica matricial, para encontrar el

par ( ; q) que resuelve el problema de la ecuación diferencial

Algoritmo 3. Dada la ecuación diferencial M y• + Ky = F (t)

Paso 1. Resolver M X 2 K = 0
Paso 2. Calcular Xv = v
Paso 3. Hacer y = V u donde V = [v1 ; v2 ; ; vn ] es la matriz de vectores propios
de X
Paso 4 Resolver D1 u• + D2 u = c donde

D1 = V T M V; D2 = V T KV; c = V TF

Paso 6. La solución viene dado por

y = u1 (t) v1 + u2 (t) v2 + + un (t) vn

Los siguientes ejemplos determinan el cálculo de los valores y vectores propios que
determinan la solución

Ejemplo 5.3 ([10] pag 256). El grá…co (5.2) muestra un edi…cio simple, de iguales
propiedades en todos sus pisos. Para esta estructura hallaremos sus frecuencias

53
naturales

k Y4
m
Y3
k
m
Y2
k

m
Y1
k

Grá…co 5.2: Edi…cio simple

donde

kp:seg 2
m = 1 y
cm
kp
k = 327:25 para todos los pisos
cm

para esta edi…cio la matriz de masa M y de rígidez K vienen dado por

0 1 0 1
1 0 0 0 2 1 0 0
B C B C
B 0 1 0 0 C B 1 2 1 0 C
M =B
B
C
C K = 327:35 B
B
C
C
@ 0 0 1 0 A @ 0 1 2 1 A
0 0 0 1 0 0 1 1

de acuerdo a la ecuación resolveremos el siguiente problema

M X2 K=0

el cual tiene como solución la matriz

0 1
24:5502 7:0714 1:2673 0:6140
B C
B 7:0714 23:2829 7:6853 1:8813 C
X=B B 1:2673
C
C
@ 7:6853 22:6689 8:9527 A
0:6140 1:8813 8:9527 15:5976

54
hallando sus valores y vectores propios tenemos
0 1
0:2280 0:5774 0:6565
0:4285
B C
B 0:4285 0:5774 0:2280
0:6565 C
V = B
B
C
C
@ 0:5774 0:0000 0:5774
0:5774 A
0:6565 0:5774 0:4285
0:2280
0 1
6:2836 0 0 0
B C
B 0 18:0928 0 0 C
B
D = B C
0 0 27:7198 0 C
@ A
0 0 0 34:0034

donde las frecuencias naturales vienen dado por

0 1 0 1
6:2836 1:0001
B C B C
1 B 18:0928 C B 2:8796 C
f= B C=B C
2 B 27:7198 C B 4:4118 C
@ A @ A
34:0034 5:4119

55
Capítulo 6

Conclusiones

La principal ventaja de este método es que es de convergencia cuadrática cuando el

punto inicial es próximo y la derivada de frechet es no-singular, sin embargo cada
iteración es bastante extensa.
Uno de los aspectos sensibles del método de Newton es la elección del punto inicial,
la aproximación inicial que se utiliza es empírica, se utilizó la regla establecida por [6]
la cuál establece iniciar como punto inicial la matriz kI; donde k es de…nida para el
caso cuadrático P (X) = AX 2 + BX + C como
q
kBkF + kBk2F + 4 kAkF kCkF
k=
2 kAkF

y en el caso general
X
m
k = maxf1; kAi kF g
i=1

sin embargo, muchas veces el punto inicial es dado por el investigador.

El método propuesto trabaja correctamente cuando la derivada de Frechet es no
singular, hay estudios para casos particulares cuando la derivada de frechet es singular,
como en el cálculo de las solventes de la ecuación polinomial matricial para una matriz
simétrica y centro-simétrica generalizada ver [15]

56
Bibliografía

[1] Bernstein, Dennis S.Matrix Mathematics:Theory, Facts, and Formulas (Second

Edition) Published by Princeton University Press, 2009.

[2] Cheney, Ward. Analysis for Applied Mathematics, Springer 2001

[3] Chun-Hua Guo. On a quadratic matrix equation associated with an M-matrix,

IMA Journal of Numerical Analysis (2003) 23 (1): 11-27.

[4] Higham, Nicholas. Functions of Matrices, Siam 2008

[5] Horn Roger y Johnson Charles, Matrix Analysis, Cambridge University Press 1990

[6] Kratz y Stickel, Numerical Solution of matrix polynomial equations by Newton’s

method, IMA J. Numer. Anal., 7(1987), 355-369

[7] Kurdila Andrew y Zabarankin Michael. Convex Functional Analysis, Birkhäuser

Verlag 2005

[8] Latouche and Ramaswami, Introduction to Matrix Analytic Methods in Stochastic

Modeling, SIAM, Philadelphia, PA, 1999.

[9] Luenberger, David. Optimization by Vector Space Methods, John Wiley, New
York, 1969.

[10] Paz Mario, Structural Dynamics, Theory and Computation, Van Nostrand Rein-
hold Company, Second Edition,1985

[11] Seo Jong y Kim Hyun, Solving Matrix Polynomials by Newton’s Method With
Exact Line Searches.

[12] Spivak Michael, Calculus on Manifolds, Addison-Wesley Publishing Company 1965

[13] Stewart G.W. Matrix Algorithms Vol I, Siam Philadelphia 1998

[14] Stewart G. W. Matrix Algorithms Vol II, Siam Philadelphia 2001

57
[15] Yin Huan Han and Hyun Min Kim, Solving Matrix Polynomikal by Newton’s
Method, KSIAM Vol 14 No 12, 113-124, 2010

58