Escolar Documentos
Profissional Documentos
Cultura Documentos
2. Eigenproblemas
2.1. Introduccin
Considerar el sistema mecnico resorte-masa ilustrado en la Figura 2-1. Aplicando la segunda ley de
movimiento de Newton, = , a cada masa individual resulta
La ecuacin (2.9) es un sistema de tres ecuaciones lineales algebraicas homogneas. Hay cuatro incgnitas:
1 , 2 , 3 , y (es decir, ). Claramente valores nicos de las cuatro incgnitas no pueden ser determinadas por las tres
ecuaciones. De hecho, la nica solucin, distinta de la solucin trivial = 0, depende de los valores especiales de ,
llamados eigenvalores (valores propios). La ecuacin (2.9) es un clsico eigenproblema. Los valores de que satisfacen
la ecuacin (2.9) son llamados eigenvalores. Valores nicos de = [1 2 3 ] no pueden ser determinados. Sin
embargo, para cada valor de , valores relativos de 1 , 2 , y 3 pueden determinarse. Los valores correspondientes de
son llamados eigenvectores (vectores propios). Los eigenvectores determinan el modo de oscilacin (es decir, los
valores relativos de 1 , 2 , y 3 ). La ecuacin (2.9) puede escribirse como
donde
Como se discuti en la Seccin 1.1, la ecuacin (2.12) puede tener una nica solucin (el caso considerado
en el Captulo 1), ninguna solucin, un infinito nmero de soluciones, o la solucin trivial, = 0, si el sistema de
ecuaciones es homogneo:
El Captulo 2 est interesado con soluciones a la ecuacin (2.13) distintas que = 0, las cuales son posibles
si la matriz de coeficientes contiene un parmetro desconocido, llamado un eigenvalor.
Los eigenvalores pueden ser reales o complejos y distintos o repetidos. Los elementos de los eigenvectores
correspondientes de no son nicos. Sin embargo, sus magnitudes relativas pueden ser determinadas.
La ecuacin (2.15) representa dos lneas rectas en el plano 1 2, ambos pasan a travs del origen
1 = 2 = 0. Reordenando la ecuacin (2.15) da
donde 1 y 2 son las pendientes de las dos lneas rectas. La Figura 2-2 ilustra la ecuacin (2.16) en el
plano 1 2. Ambas lneas rectas pasan a travs del origen cuando 1 = 2 = 0, lo cual es la solucin trivial. SI las
pendientes 1 y 2 son diferentes, no hay otra solucin, como se ilustra en la Figura 2-2a. Sin embargo, si 1 = 2 =
, como se ilustra en la Figura 2-2b, entonces las dos lneas rectas caen una encima de la otra, y hay un nmero infinito
de soluciones. Para cualquier valor de 1 , hay un valor correspondiente de 2 . La relacin de 2 a 1 es especificada por
el valor de la pendiente . Los valores de los cuales hacen que 1 = 2 = son llamados eigenvalores, y la
solucin del vector correspondiente a es llamado un eigenvector. Los problemas que involucran eigenvalores y
eigenvectores son llamados eigenproblemas.
Los eigenproblemas surgen en el anlisis de muchos sistemas fsicos. Ellos surgen en el anlisis del
comportamiento dinmico de sistemas mecnicos, elctricos, de fluidos, termales, y estructurales. Ellos tambin surgen
en el anlisis de sistemas de control. Los objetivos de este captulo son introducir las caractersticas generales de los
eigenproblemas, para presentar varios mtodos de resolver eigenproblemas simples, e ilustrar aquellos mtodos con
ejemplos.
Hay varios mtodos para resolver eigenproblemas. La ecuacin (2.14) puede resolverse estableciendo que la
determinante de ( ) sea igual a cero y resolviendo el polinomio resultante, el cual es llamado la ecuacin
caracterstica, para . Un mtodo iterativo, llamado el power method, est basado en la multiplicacin repetitiva de la
matriz de un eigenvector asumido por la matriz , lo cual eventualmente entrega tanto como . El power method y
el mtodo directo son ilustrados en este captulo. Un mtodo ms general y ms poderoso, llamado el mtodo QR, est
basado en conceptos ms avanzados. El mtodo QR es presentado en la Seccin 2.5.
Las caractersticas generales de los eigenproblemas son introducidos en el Seccin 2.1. Las caractersticas
matemticas de los eigenproblemas son presentadas en esta seccin.
donde la matriz es la matriz con la columna reemplazada por el vector . En general det() 0, y
valores nicos se encuentran se encuentran para .
Por lo tanto, = 0 a menos que det() = 0. En general, det() 0, y la nica solucin es la solucin
trivial, = 0. Para ciertas formas de , que involucren un escalar arbitrario no especificado, el valor de puede
seleccionar para forzar que det() = 0, de modo que una solucin distinta a la solucin trivial, = 0, es posible. En
aquel caso no es nico, pero valores relativos de pueden ser encontrados.
la cual tiene la misma forma que la ecuacin (2.25). La ecuacin (2.25) puede ser escrita de una forma
alterna como
Los eigenvalores pueden encontrarse expandiendo det( ) = 0 y encontrando las races del polinomio
resultante de orden , el cual es llamado la ecuacin caracterstica. Este procedimiento es ilustrado en la siguiente
discusin.
La ecuacin caracterstica, | | = 0, es
los cuales pueden demostrarse por sustitucin directa. A partir de la ecuacin (2.7), las frecuencias
naturales de oscilacin correspondientes, en trminos de = 2, donde 2 = , son
Los eigenvectores correspondientes a 1 hasta 3 son determinados como sigue. Para cada eigenvalor
( = 1,2,3), se encuentran las amplitudes 2 y 3 relativos a la amplitud 1 estableciendo que 1 = 1.0. Dos
cualesquiera de las tres ecuaciones dadas por la ecuacin (2.9) pueden usarse para resolver 2 y 3 con 1 = 1.0. A
partir de las ecuaciones (2.9) y (2.9c),
Resolviendo las ecuaciones (2.3a) y (2.33b) para 3 y sustituyendo aquel resultado en la ecuacin (2.33a)
resulta
Los modos de oscilacin correspondientes a estos resultados son ilustrados en la Figura 2-4.
En resumen, los eigenproblemas surgen a partir de sistemas de ecuaciones homogneas que contienen un
parmetro arbitrario no especificado en los coeficientes. La ecuacin caracterstica es determinada expandiendo la
determinante
En principio, la solucin de los eigenproblemas es sencilla. En la prctica, cuando el tamao del sistema de
ecuaciones es muy grande, expandir la determinante caracterstica para obtener la ecuacin caracterstica es difcil. En
consecuencia, procedimientos ms sencillos para resolver eigenproblemas son deseados. Un procedimiento numrico
iterativo, llamado el power method, y sus variaciones son presentados en la Seccin 2.3 para ilustrar la solucin
numrica de los eigenproblemas. El mtodo directo es presentado en la Seccin 2.4. El mtodo ms general, el mtodo
QR, es presentado en la Seccin 2.5.
Considerar el eigenproblema:
El power method est basado en la multiplicacin repetitiva de un eigenvector x (0) de prueba por la matriz
con un escalado del vector resultante , de modo que el factor de escalado se aproxime al eigenvalor ms grande y
el vector escalado se aproxime al eigenvector correspondiente. El power method y varias de sus variaciones son
presentados en esta seccin.
1. Asumir un valor de prueba x(0) para el eigenvector x. Seleccionar que un componente de x sea la
unidad. Designar aquel componente como el componente unitario.
2. Desarrollar la multiplicacin matricial:
4. Repetir los pasos 2 y 3 con x = x (1). Iterar hasta que converja. Al converger, el valor es el eigenvalor
ms grande de (en valor absoluto), y el vector es el eigenvector correspondiente (escalado a la unidad
en el componente unitario).
Cuando las iteraciones indican que el componente unitario podra ser cero, un componente unitario
diferente debe ser seleccionado. El mtodo es lento para converger cuando las magnitudes (en valor absoluto) de los
eigenvalores ms grandes son cercanamente los mismos. Cuando los eigenvalores ms grandes son de igual magnitud,
el power method, tal como se describi, falla.
Encontrar el eigenvalor ms grande (en valor absoluto) y el eigenvector correspondiente de la matriz dada
en la ecuacin (2.11):
Se asume (0) = [1.0 1.0 1.0]. Se escala el tercer componente para que sea el unitario. Entonces se
aplica la ecuacin (2.39).
El resultado de las primeras dos iteraciones desarrolladas y las subsecuentes iteraciones son presentadas en
la Tabla 2-1. Estos resultados fueron obtenidos en una computadora de 13 dgitos de precisin. Las iteraciones fueron
continuadas hasta que cambi por menos que 0.000001 entre iteraciones. La solucin final para el eigenvalor ms
grande, denotado como 1 , y el eigenvector correspondiente 1 es
Este problema convergi muy lentamente (30 iteraciones), el cual es un nmero muy grande para una
matriz de 3 3. Un procedimiento para acelerar la convergencia de un eigenproblema que converge muy lentamente
es presentado en el Ejemplo 2.5.
Los eigenvalores de la matriz 1, esto es, , son los recprocos de los eigenvalores de la matriz . Los
eigenvectores de la matriz 1 son los mismos que los eigenvectores de la matriz . El power method puede ser usado
para encontrar el eigenvalor ms grande (en valor absoluto) de la matriz 1, . El recproco de aquel eigenvalor
es el eigenvalor ms pequeo (en valor absoluto) de la matriz .
En la prctica el mtodo LU es usado para resolver el eigenproblema inverso en lugar de calcular la matriz
inversa 1. El power method aplicado a la matriz 1 est dado por
La ecuacin (2.58) est en la forma estndar = , donde = (+1) y = () . As, para un () dado,
(+1) puede encontrarse por el mtodo LU de Doolittle. El procedimiento es como sigue:
5. Escalar y(1) de modo que el componente unitario siga siendo unitario. As,
6. Repetir los pasos del 3 hasta el 5 con x (1). Iterar hasta que converja. Al converger, = 1/inverse y
x (k+1) es el eigenvector correspondiente.
Encontrar el eigenvalor ms pequeo (en valor absoluto) y el eigenvector correspondiente de la matriz dada
por la ecuacin (2.11):
Asumir (0) = [1.0 1.0 1.0]. Escalar el primer componente de para que sea unitario. El primer paso es
resolver y por el mtodo LU de Doolittle. Los resultados son
Los resultados de la primera iteracin desarrollada y las subsiguientes iteraciones son presentados en la
Tabla 2-2. Estos resultados fueron obtenidos en una computadora de 13 dgitos de precisin. Las iteraciones fueron
continuadas hasta que cambi por menos que 0.000001 entre iteraciones.
la cual resulta
1. Encontrar el eigenvalor extremo opuesto, el cual es ya sea el eigenvalor ms pequeo (en valor
absoluto) o el eigenvalor ms grande (en valor absoluto) de signo opuesto.
2. Encontrar eigenvalores intermedios.
3. Acelerar la convergencia para eigenproblemas que convergen muy lentamente.
Considerando una matriz cuyos eigenvalores son tanto positivos como negativos, por ejemplo, 1, 2, 4, y 8.
Para esta matriz, 8 es el eigenvalor ms grande (en valor absoluto) y 1 es el valor extremo opuesto. Se resuelve para el
eigenvalor ms grande (en valor absoluto), = 8, por el power method. Cambiar los eigenvalores por = 8
resulta en los eigenvalores 9, 6, 4, y 0. Resolver para el eigenvalor ms grande (en valor absoluto) de la matriz
cambiada, , = 9, por el power method. Entonces , = , + 8 = 9 + 8 =
1.
Ambos casos descritos se resuelven cambiando la matriz por el eigenvalor ms grande (en valor absoluto) y
aplicando el power method directo a la matriz cambiada. Hablando de forma general, no se conoce a priori cul ser el
resultado a obtener. Si todos los eigenvalores de una matriz tienen el mismo signo, el eigenvalor ms pequeo (en valor
absoluto) ser obtenido. Si una matriz tiene tanto eigenvalores positivos como negativos, el eigenvalor ms grande de
signo opuesto ser obtenido.
Ejemplo 2.3: El Power Method Directo Cambiado para Eigenvalores Extremos Opuestos
Encontrar el eigenvalor extremo opuesto de la matriz cambiando los eigenvalores por = Largest =
13.870584. Las matrices original y cambiada son:
Asumir (0) = [1.0 1.0 1.0]. Escalar el segundo componente a la unidad. Aplicar el power method a la
matriz da
Los resultados de la primera iteracin desarrollada y las subsiguientes iteraciones son presentados en la
Tabla 2-3. Estos resultados fueron obtenidos en una computadora de 13 dgitos de precisin con una tolerancia de
convergencia absoluta de 0.000001.
Ya que este eigenvalor, = 2.508980, tiene el mismo signo que el eigenvalor ms grande (en valor
absoluto), = 13.870584, es el eigenvalor ms pequeo (en valor absoluto) de la matriz , y todos los eigenvalores de
la matriz son positivos.
El procedimiento anterior es llamado el power method inverso cambiado. El procedimiento es como sigue:
Se asume (0) = [1.0 1.0 1.0]. Se escala el primer componente de a la unidad. Se resuelva para por
sustitucin hacia adelante usando = (0) :
lo cual resulta
lo cual resulta
La primera iteracin y las subsiguientes iteraciones son resumidas en la Tabla 2-4. Estos resultados fueron
obtenidos en una computadora de 13 dgitos de precisin con una tolerancia de convergencia absoluta de 0.000001.
El procedimiento indicado es llamado el power method inverso cambiado. El procedimiento es como sigue:
1. Obtener un estimado del eigenvalor , por ejemplo, por varias aplicaciones del power method
directo.
2. Cambiar los eigenvalores por = para obtener la matriz cambiada 1
.
method inverso aplicado a la matriz . El primer supuesto para ser el valor de correspondiente a
.
4. Resolver para = 1/. .
5. Resolver para = + .
El primer ejemplo del power method, Ejemplo 2.1, converge muy lentamente ya que los dos eigenvalores
ms grandes de la matriz estn muy juntos (esto es, 13.870584 y 8.620434). La convergencia puede acelerarse
usando los resultados de una iteracin previa, es decir la iteracin 5, cambiando los eigenvalores por el eigenvalor
aproximado, entonces usando el power method inverso sobre la matriz cambiada acelerar la convergencia. A partir del
Ejemplo 2.1, luego de 5 iteraciones, 5 = 13.694744 y (5) = [0.192991 0.188895 1.000000]. As, se cambia
la matriz por = 13.694744.
Este es el mismo resultado obtenido en el primer ejemplo con 30 iteraciones. La presente solucin requieri
slo 11 iteraciones: 5 para la solucin inicial y 6 para la solucin final.
2.3.5. Resumen
En resumen, el eigenvalor ms grande, = 13.870584, fue encontrado por el power method; el eigenvalor
ms pequeo, = 2.508981, fue encontrado tanto por el power method inverso como cambiando los eigenvalores por
el eigenvalor ms grande; y el tercer (e intermedio) eigenvalor, = 8.620434, fue encontrado cambiando los
eigenvalores. Los eigenvectores correspondientes fueron tambin encontrados. Estos resultados concuerdan con la
solucin exacta de este problema presentado en la Seccin 2.2.
El power method y sus variaciones presentados en la Seccin 2.3 se aplican a eigenproblemas lineales de la
forma
donde () es una funcin no lineal de , no pueden ser resueltos por el power method.Los
eigenproblemas lineales y los eigenproblemas no lineales pueden ambos ser resueltos por un enfoque directo el cual
involucre encontrar los ceros de la ecuacin caracterstica directamente.
Expandir la ecuacin (2.94), lo cual puede consumir tiempo para un sistema grande, resulta en un polinomio
de grado simo en . Las races del polinomio caracterstico pueden determinarse por los mtodos presentados en el
Seccin 3.5 para encontrar las races de los polinomios.
Expandir la ecuacin (2.95) resulta en una funcin no lineal de , la cual puede resolverse por los mtodos
presentados en el Captulo 3.
Un enfoque alterno de resolver para las races de la ecuacin caracterstica directamente es resolver las
ecuaciones (2.94) y (2.95) de forma iterativa. Esto puede alcanzarse aplicando el mtodo secante, presentado en la
Seccin 3.4.3, para las ecuaciones (2.94) y (2.95). Dos aproximaciones iniciales de son asumidas, 0 y 1 , los valores
correspondientes de la determinante caracterstica son calculados, y estos resultados son usados para construir una
relacin lineal entre y el valor de la determinante caracterstica. La solucin de aquella relacin lineal es tomada como
la siguiente aproximacin a , y el procedimiento es repetido de forma iterativa hasta la convergencia. Aproximaciones
iniciales razonables son requeridas, especialmente para los eigenproblemas no lineales.
El mtodo directo determina slo los eigenvalores. Los eigenvectores correspondientes deben determinarse
sustituyendo los eigenvalores en el sistema de ecuaciones y resolviendo para los eigenvectores correspondientes
directamente, o aplicando el power method inverso un tiempo como se ilustra en la Seccin 2.6.
La ecuacin (2.97) puede resolverse por el mtodo secante presentado en la Seccin 3.4.3. Establecemos
0 = 15.0 y 1 = 13.0. As,
Los determinantes en la ecuacin (2.98) fueron evaluados por eliminacin de Gauss, como se describe en la
Seccin 1.3.6. Se escribe la relacin lineal entre y ():
Los resultados de la primera iteracin desarrollada y las subsiguientes iteraciones son presentados en la
Tabla 2-6. La solucin es = 13.870585. La solucin es bastante sensible a los dos supuestos iniciales. Estos resultados
fueron obtenidos en una computadora de 13 dgitos de precisin.
El ejemplo 2.6 presenta la solucin de un eigenproblema lineal por el mtodo directo. Los eigenproblemas
no lineales tambin pueden resolverse por el mtodo directo, como se ilustra en el Ejemplo 2.7.
Se resuelve la ecuacin (2.103) por el mtodo secante. Establecemos 0 = 50.0 grados y 1 = 55.0 grados.
As,
Los resultados de la primera iteracin desarrollada y las subsiguientes iteraciones son presentados en la
Tabla 2-7. La solucin es = 53.131096 grados. Estos resultados fueron obtenidos en una computadora de 13 dgitos
de precisin y terminados cuando el cambio en () entre iteraciones fue menor que 0.000001.
2.5. El Mtodo QR
El power method presentado en la Seccin 2.3 encuentra eigenvalores individuales, as como el mtodo
directo presentado en la Seccin 2.4. El mtodo QR, por otro lado, encuentra todos los eigenvalores de una matriz de
forma simultnea. El desarrollo del mtodo QR es presentado por Strang en 1988. La implementacin del mtodo QR,
sin comprobacin, es presentada en esta seccin.
Las matrices triangulares tienen sus eigenvalores sobre la diagonal de la matriz. Considerar la matriz
triangular superior :
El mtodo QR usa transformaciones similares para transformar la matriz en forma triangular. Una
transformacin similar est definida como = 1 . Las matrices y se dice que son similares. Los eigenvalores
de matrices similares son idnticos, pero los eigenvectores son distintos.
El proceso Gram-Schmidt inicia con la matriz , cuyas columnas comprenden los vectores columna 1 ,
2 ,, , y construye la matriz , cuyas columnas comprenden un set de vectores ortonormales 1 , 2 ,, . Un set de
vectores ortonormales es un set de vectores unitarios mutuamente ortogonales. La matriz que conecta la matriz a la
matriz es la matriz triangular superior cuyos elementos son los vectores producto
El proceso QR inicia con el proceso Gauss-Schmidt, ecuacin (2.113). Aquel proceso es entonces invertido
para dar
Las matrices y son similares y puede mostrarse como sigue. Se premultiplica la ecuacin (2.113) por
1
para obtener
La ecuacin (2.116) muestra que las matrices y son similares, y as tienen los mismos eigenvalores.
Los pasos en el proceso Gram-Schmidt son como sigue. Se inicia con la matriz expresada como un set de
vectores columna:
Asumiendo que los vectores columna ( = 1,2, , ) son linealmente independientes, ellos abarcan el
espacio -dimensional. As, cualquier vector arbitrario puede ser expresado como una combinacin lineal de los
vectores columna ( = 1,2, , ). Un set ortonormal de vectores columna ( = 1,2, , ) puede crearse a partir de
los vectores columna ( = 1,2, , ) por los siguientes pasos:
Este proceso contina hasta que un set completo de vectores unitarios ortonormales es obtenido. Se
evaluar un vector ortonormal ms 3 para ilustrar el proceso. Para determinar 3 , primero se sustraen los
componentes de 3 en las direcciones de 1 y 2 . As,
Los elementos fuera de la diagonal de son los componentes de los vectores los cuales son sustrados a
partir de los vectores en la evaluacin de los vectores . As,
Los valores de , y , son calculados durante la evaluacin de los vectores unitarios ortonormales . As,
es simplemente ensamblada a partir de los valores ya calculados. As,
El primer paso en el proceso QR es establecer (0) = y factorar (0) por el proceso Gran-Schmidt en (0)
y (0) para obtener
(1) es similar a , as los eigenvalores son preservados. (1) es factorado por el proceso Gram-Schmidt
para obtener (1) y (1), y los factores son invertidos para obtener (2). As,
El proceso contina para determinar (3), (4),, () . Cuando () se aproxima a la forma triangular,
dentro de cierta tolerancia, los eigenvalores de son los elementos de la diagonal. El proceso es como sigue:
Las ecuaciones (2.129) y (2.130) son el algoritmo bsico QR. Aunque este generalmente converge, puede ser
bastante lento. Dos modificaciones son generalmente empleadas para incrementar su velocidad:
Se aplicar el mtodo QR para encontrar todos los eigenvalores de la matriz dad por la ecuacin (2.11) de
forma simultnea. Recordar:
Primero se resolver para 1 . Establecemos que 1 tenga la direccin de 1 , y se divide por la magnitud de
1 . As,
Resolver para 1 = 1 1 da
La matriz (0) es ensamblada a partir de los elementos calculados en el clculo de la matriz (0). As,
11 = 1 = 8.485281, 22 = 2 = 4.298700, y 33 = 3 = 8.232319. Los elementos fuera de la diagonal son
12 = 1 2 = 2.357023, 13 = 1 3 = 4.478343, y 23 = 2 3 = 9.443165. As, la matriz (0) est dada por:
Los elementos de la diagonal en la matriz (1) son la primera aproximacin a los eigenvalores de la matriz
. Los resultados de la primera iteracin desarrollada y las subsiguientes iteraciones son presentados en la Tabla 2-8.
Los valores finales de las matrices , , y estn dados a continuacin:
Los valores finales concuerdan bien con los valores obtenidos por el power method resumidos al final de la
Seccin 2.3. El mtodo QR no entrega los eigenvectores correspondientes. Los eigenvectores correspondientes a cada
eigenvalor pueden encontrarse por el power method inverso cambiado presentado en la Seccin 2.6.
2.6. Eigenvectores
Algunos mtodos para resolver eigenproblemas, tales como el power method, entregan tanto los
eigenvalores como los eigenvectores correspondientes. Otros mtodos, tales como el mtodo directo y el mtodo QR,
entregan solamente los eigenvalores. En estos casos, los eigenvectores correspondientes pueden evaluarse cambiando
la matriz por los eigenvalores y aplicando el power method inverso una vez.
Se establece el supuesto inicial para (0) = [1.0 1.0 1.0]. Se resuelve para por sustitucin hacia
adelante usando = .
As, = [0.291794 0.143498 1.000000], el cual es idntico al valor obtenido por el power
method directo en el Ejemplo 2.1.
No se desarrollar esta seccin, se pide al alumno revisar la Seccin 2.7 del material de estudio.
Resolver en excell o matlab los ejemplos desarrollados en este apunte para resolver
eigenproblemas. Probar sus rutinas con los ejercicios planteados en el material de consulta.