Eigenproblemas

eigenproblemas
En este captulo se realiza un resumen sobre la Prediccin de la Demanda

Ssmica, pero enfocado al uso del Anlisis Esttico No lineal, conocido
comnmente como Pushover o tcnica del Empujn.
Comunidad para la Ingeniera Civil
Diplomado La Ingeniera Ssmica - Edificios Eigenproblemas
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
Reordenando la ecuacin (2.1) resulta
Para un movimiento de periodo estable a largo plazo,
donde () = [1 () 2 () 3 ()], = [1 2 3 ] es la amplitud de la oscilacin de las masas, y

es la frecuencia natural no amortiguada del sistema. Derivando la ecuacin (2.3) da
Sustituyendo la ecuacin (2.3b) en la ecuacin (2.2) da
Reordenando la ecuacin (2.4) resulta el sistema de ecuacin:
Figura 2-1: Sistema mecnico dinmico resorte-masa.
Mtodos Numricos y Programacin 35

La ecuacin (2.5) se volver adimensional usando y . As, = .

= y
Sustituyendo estas definiciones en la ecuacin (2.5) y dividiendo por da:
Definiendo el parmetro como sigue:
Sustituyendo la ecuacin (2.7) en la ecuacin (2.6) da el sistema de ecuaciones adimensionales:
Considerar un sistema especfico para el cual 1 = 40 Ncm, 2 = 3 = 4 = 20 Ncm, y 5 =

90 Ncm, y 1 = 2 = 3 = 2 kg. Establecemos = 10 Ncm y = 2 kg. Para estos valores, la ecuacin
(2.8) se vuelve:
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
La ecuacin (2.10) es un sistema de ecuaciones lineales algebraicas homogneas. La ecuacin (2.10) es la

forma clsica de un eigenproblema.

El captulo est dedicado a la solucin de sistemas de ecuaciones lineales algebraicas no homogneas:
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.
Cada matriz cuadrada no singular de tiene un set de eigenvalores ( = 1, , ) y

eigenvectores ( = 1, , ) que satisfacen la ecuacin
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.
Considerar un eigenproblema especificado por dos ecuaciones lineales algebraicas homogneas:
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.

Figura 2-2: Representacin grfica de la ecuacin (2.16).
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.
La organizacin del captulo se puede apreciar en la Figura 2-3.
Figura 2-3: Organizacin del captulo 2.

2.2. Caractersticas Matemticas de los Eigenproblemas
Las caractersticas generales de los eigenproblemas son introducidos en el Seccin 2.1. Las caractersticas
matemticas de los eigenproblemas son presentadas en esta seccin.
Considerar un sistema de ecuaciones lineales algebraicas no homogneas:
Resolviendo para segn la regla de Cramer resulta
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 .
Considerar un sistema de ecuaciones lineales algebraicas no homogneas:
Resolviendo para segn la regla de Cramer resulta
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.
Considerar que la matriz de coeficientes sea de la forma
donde es un escalar no especificado. Entonces
Los valores de son determinados de modo que
Los valores correspondientes de son los eigenvalores.
El sistema de ecuaciones homogneas generalmente se escribe de la forma
En muchos problemas = , y la ecuacin (2.24) se vuelve
= (1 ). Entonces la ecuacin (2.24) se vuelve

En problemas donde , se define la matriz

la cual tiene la misma forma que la ecuacin (2.25). La ecuacin (2.25) puede ser escrita de una forma
alterna como
la cual es la forma ms comn de declarar un eigenproblema.
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.
Considerar el problema dinmico resorte-masa especificado por la ecuacin (2.9):
La ecuacin caracterstica, | | = 0, es
Los eigenvalores son
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
donde Hz = Hertz = 1.0 ciclo/seg.
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),

Figura 2-4: Formas de modo.
Resolviendo las ecuaciones (2.3a) y (2.33b) para 3 y sustituyendo aquel resultado en la ecuacin (2.33a)
resulta
Sustituyendo 1 hasta 3 en la ecuacin (2.33c) 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
lo cual resulta en un polinomio de grado en . Resolver la ecuacin caracterstica resulta en eigenvalores

( = 1,2, , ). Los eigenvectores ( = 1,2, , ), correspondientes a los eigenvalores ( = 1,2, , ) se
encuentran sustituyendo los eigenvalores individuales en el sistema de ecuaciones homogneas, las cuales entonces se
resuelven para los eigenvectores.
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.
2.3. El Power Method
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.
2.3.1. El Power Method Directo

Cuando el valor ms grande de (en valor absoluto) es distinto, su valor puede encontrarse usando una
tcnica iterativa llamada el power method directo. El procedimiento es como sigue:
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:
3. Escalar (1) de modo que el componente unitario se mantenga como unitario:
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).
El algoritmo general para el power method es como sigue:
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.
Ejemplo 2.1: El Power Method Directo
Encontrar el eigenvalor ms grande (en valor absoluto) y el eigenvector correspondiente de la matriz dada
en la ecuacin (2.11):

Tabla 2-1: El power method.
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.
2.3.2. Bases del Power Method

No se desarrollar esta seccin, se pide al alumno revisar la Seccin 2.3.2 del material de estudio. En las
siguientes secciones se seguir la secuencia de las figuras, ecuaciones y ejemplos de acuerdo al material de estudio.
2.3.3. El Power Method Inverso

Cuando el eigenvalor ms pequeo (en valor absoluto) de la matriz es distinto, su valor puede
encontrarse usando una variacin del power method llamado el power method inverso. Esencialmente, este involucra
encontrar el eigenvalor ms grande (en magnitud) de la matriz inversa 1, el cual es el eigenvalor ms pequeo (en
magnitud) de la matriz . Recordar el eigenproblema original:

Multiplicando la ecuacin (2.53) por 1 da
Reordenando la ecuacin (2.54) resulta un eigenproblema para 1. As,
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
Multiplicando la ecuacin (2.56) por da
La cual puede escribirse como
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:
1. Resolver L y U tal que = A por el mtodo LU de Doolittle.

2. Asumir (0) . Designar que un componente de sea unitario.
3. Resolver por sustitucin hacia adelante usando la ecuacin
4. Resolver (1) por sustitucin en reversa usando la ecuacin
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.
El algoritmo del power method inverso es como sigue:

Ejemplo 2.2: EL Power Method Inverso
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
Resolver para por sustitucin hacia adelante usando = (0).
Resolver para (1) por sustitucin hacia atrs usando = .
Escalar (1) de modo que el componente unitario siga siendo unitario.
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 solucin final para el eigenvalor ms pequeo, denotado como 3 , y el eigenvector correspondiente 3 es

Tabla 2-2: El power method inverso.
2.3.4. El Power Method Variado o Cambiado

Los eigenvalores de una matriz pueden ser cambiados por un escalar sustrayendo = a partir de
ambos lados del eigenproblema estndar, = . As,
la cual resulta
la cual puede escribirse como
donde = ( ) es la matriz cambiada y = es el eigenvalor de la matriz cambiada.

Cambiar una matriz por un escalar, , cambia los eigenvalores por . Cambiar una matriz por un escalar no afecta los
eigenvectores. Cambiar los eigenvalores de una matriz puede usarse para:
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.
2.3.4.1. Eigenvalores Cambiados para Encontrar el Eigenvalor Extremo Opuesto

Considerar una matriz cuyos eigenvalores son todos del mismo signo, por ejemplo 1, 2, 4, y 8. Para esta
matriz, 8 es el eigenvalor ms grande (en valor absoluto) y 1 es el eigenvalor extremo opuesto. Se resuelve el eigenvalor
ms grande (en valor absoluto), = 8, por el power method directo. Cambiar los eigenvalores por = 8 resulta
en los eigenvalores 7, 6, 4, y 0. Resolver para el eigenvalor ms grande (en valor absoluto) de la matriz cambiada,
, = 7, por el power method. Entonces = , + 8 = 1. Este procedimiento entrega
el mismo eigenvalor que el power method inverso aplicado a la matriz original.

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.
EL procedimiento presentado es llamado el power method directo cambiado. El procedimiento es como

sigue:
1. Resolver para el eigenvalor ms grande (en valor absoluto) Largest .

2. Cambiar los valores de la matriz por = Largest para obtener la matriz cambiada .
3. Resolver para el eigenvalor de la matriz cambiada por el power method directo.
4. Calcular el eigenvalor extremo opuesto de la matriz por = + .
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
Escalar el componente unitario de (1)a la unidad da

Tabla 2-3: Eigenvalores cambiados para encontrar el eigenvalor extremo opuesto.
Tabla 2-3. Estos resultados fueron obtenidos en una computadora de 13 dgitos de precisin con una tolerancia de
convergencia absoluta de 0.000001.
El eigenvalor ms grande (en magnitud) de es , = 11.361604. As, el eigenvalor

extremo opuesto de la matriz es
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.
2.3.4.2. Eigenvalores Cambiados para Encontrar Eigenvalores Intermedios

Los eigenvalores intermedios caen entre el eigenvalor ms grande y el eigenvalor ms pequeo.
Considerar una matriz cuyos eigenvalores son 1, 2, 4, y 8. Resolver para el eigenvalor ms grande (en valor absoluto),
= 8, por el power method directo, y el eigenvalor ms pequeo, = 1, por el power method inverso.
Dos eigenvalores intermedios, = 2 y 4, restan por ser determinados. Si se supone que es = 5 y los
eigenvalores son cambiados por = 5, los eigenvalores de la matriz sern 4, 3, 1, y 3. Aplicando el power method
inverso a la matriz cambiada da = 1, a partir del cual = + = 1 + 5 = 4. El power method no es
un mtodo eficiente para encontrar eigenvalores intermedios. Sin embargo, puede ser usado para dichos propsitos.
El procedimiento anterior es llamado el power method inverso cambiado. El procedimiento es como sigue:
1. Suponer un valor Guess para el eigenvalor intermedio de la matriz cambiada.

2. Cambiar los eigenvalores por = Guess para obtener la matriz cambiada .
3. Resolver para el eigenvalor , de la matriz inversa cambiada 1
por el power
method inverso aplicado a la matriz .

4. Resolver para = 1/, .
5. Resolver para el eigenvalor intermedio = + .

Ejemplo 2.4: El Power Method Inverso Cambiado para Eigenvalores Intermedios
Se intentar encontrar un eigenvalor intermedio de la matriz suponiendo su valor, por ejemplo,

Guess = 10.0. La matriz cambiada correspondiente es
Resolver para y por el mtodo LU de Doolittle resulta:
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
Se resuelve para (1) por sustitucin hacia atrs usando (1) = .
lo cual resulta
Se escala (1) de modo que el componente unitario siga siendo unitario.
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.

Tabla 2-4: Eigenvalores cambiados para encontrar eigenvalores intermedios.
As, el eigenvalor ms grande (en valor absoluto) de la matriz 1

es , = 0.724866. En
consecuencia, el eigenvalor correspondiente de la matriz 1

es
As, el eigenvalor intermedio de la matriz es
y el eigenvector correspondiente es = [1.0 0.526465 0.216247].
2.3.4.3. Eigenvalores Cambiados para Acelerar la Convergencia

El concepto del cambio del eigenvalor puede utilizarse para acelerar la convergencia del power method para
un eigenproblema que converge lentamente. Cuando un estimado de un eigenvalor de la matriz es conocido, por
ejemplo, a partir de varias iteraciones iniciales del power method directo, los eigenvalores pueden ser cambiados por
este valor aproximado de modo que la matriz cambiada tenga un eigenvalor cercano a cero. Este eigenvalor puede
entonces ser encontrado por el power method inverso.
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
.
3. Resolver para el eigenvalor . de la matriz inversa cambiada 1

por el power
method inverso aplicado a la matriz . El primer supuesto para ser el valor de correspondiente a
.
4. Resolver para = 1/. .
5. Resolver para = + .
Ejemplo 2.5: El Power Method Inverso Cambiado para Acelerar la Convergencia
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.
Las matrices y correspondientes son
Establecemos (0) = (5) y continuamos escalando el tercer componente de a la unidad. Aplicar el

power method inverso a la matriz entrega los resultados presentados en la Tabla 2.5. Estos resultados en una
computadora de 13 dgitos de precisin con una tolerancia de convergencia absoluta de 0.000001. El eigenvalor
de la matriz cambiada es
As, el eigenvalor de la matriz original es
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.
Tabla 2-5: Eigenvalores cambiados para acelerar la convergencia.

2.4. El Mtodo Directo
El power method y sus variaciones presentados en la Seccin 2.3 se aplican a eigenproblemas lineales de la
forma
Los eigenproblemas no 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.
Para un eigenproblema lineal, la ecuacin caracterstica se obtiene a partir de
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.
Para un eigenproblema no lineal, la ecuacin caracterstica se obtiene a partir de
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.
Ejemplo 2.6: El Mtodo Directo para un Eigenproblema Lineal
Encontraremos el eigenvalor ms grande de la matriz dada por la ecuacin (2.11). As,

La determinante caracterstica correspondiente a la ecuacin (2.96) es
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 ():
donde (2 ) = 0 es la solucin deseada. As,
Resolviendo la ecuacin (2.99) para 2 para obtener (2 ) = 0 da
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.
Tabla 2-6: El mtodo directo para un eigenproblema lineal.

Ejemplo 2.7: El Mtodo Directo para un Eigenproblema No Lineal
Considerar el eigenproblema no lineal:
La determinante caracterstica correspondiente a la ecuacin (2.102) es
Se resuelve la ecuacin (2.103) por el mtodo secante. Establecemos 0 = 50.0 grados y 1 = 55.0 grados.
As,
Escribiendo la relacin lineal entre y () resulta
donde (2 ) = 0.0 es la solucin deseada. As,
Resolviendo la ecuacin (2.105) por 2 para obtener (2 ) = 0.0 resulta
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.
Tabla 2-7: El mtodo directo para un eigenproblema no lineal.

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 eigenproblema, ( ), est dado por
El polinomio caracterstico, | |, resulta
Las races de la ecuacin (2.110) son los eigenvalores de la matriz . As,
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 resultado es la factorizacin QR:
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
Postmultiplicar la ecuacin (2.115) por 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:
Se elige 1 para tener la direccin de 1 . Entonces se normaliza 1 para tener 1 :
donde 1 denota la magnitud de 1 :
Para determinar 2 , primero se sustrae el componente de 2 en la direccin de 1 para determinar el

vector 2 , el cual es normal a 1 . As,
Se elige 2 para que tenga la direccin de 2 . Entonces se normaliza 2 para obtener 2 :
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,
Se elije 3 para que tenga la direccin de 3 . Entonces se normaliza 1 para tener 3 :

La expresin general para es
y la expresin general para es
La matriz est compuesta de los vectores columna ( = 1,2, , ). As,
La matriz triangular superior es ensamblada a partir de los elementos calculados en la evaluacin de .

Los elementos de la diagonal de son las magnitudes de los vectores :
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:
1. Preprocesar la matriz en una forma ms triangularmente cercana.

2. Cambiar los eigenvalores cuando el proceso procede.
Con estas modificaciones, el algoritmo QR generalmente es el mtodo preferido para resolver

eigenproblemas.
Ejemplo 2.8: El Mtodo QR Bsico
Se aplicar el mtodo QR para encontrar todos los eigenvalores de la matriz dad por la ecuacin (2.11) de
forma simultnea. Recordar:
Los vectores columna asociados con la matriz , = [1 2 3 ], son
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
Luego se resolver para 2 . Primero se sustrae el componente de 2 en la direccin de 1 :
Al desarrollar los clculos se obtiene 1 2 = 2.357023 y
La magnitud de 2 es 2 = 4.294700. As, 2 = 2 2 da
Finalmente se resolver para 3 . Primero se sustraen los componentes de 3 en las direcciones de 1 y 2 :

Al desarrollar los clculos se obtiene 1 3 = 4.478343, 2 3 = 9.443165, y
La magnitud de 3 es 3 = 8.232319. As, 3 = 3 3 da
En resumen, la matriz (0) = [1 2 3 ] est dada por
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:
Puede mostrarse por multiplicacin de matrices que (0) = (0) (0) .
El siguiente paso es evaluar la matriz (1) = (0) (0). As,
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:

Tabla 2-8: El mtodo QR bsico.
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.
Ejemplo 2.9: Eigenvectores
Se aplicar esta tcnica para evaluar el eigenvector 1 correspondiente al eigenvalor ms grande de la

matriz , 1 = 13.870584, el cual fue obtenido en el Ejemplo 2.1. A partir de aquel ejemplo,
Cambiando la matriz por 1 = 13.870584, da
Se aplica el mtodo LU de Doolittle a y resulta y :

Se establece el supuesto inicial para (0) = [1.0 1.0 1.0]. Se resuelve para por sustitucin hacia
adelante usando = .
Se resuelve para por sustitucin hacia atrs usando = .
La solucin, incluyendo el escalar el primer componente a la unidad es,
As, = [0.291794 0.143498 1.000000], el cual es idntico al valor obtenido por el power
method directo en el Ejemplo 2.1.
2.7. Otros Mtodos
No se desarrollar esta seccin, se pide al alumno revisar la Seccin 2.7 del material de estudio.
Trabajo para la Sptima Semana:
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.

Eigenproblemas

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Eigenproblemas

Enviado por

Direitos autorais:

Formatos disponíveis

eigenproblemas

En este captulo se realiza un resumen sobre la Prediccin de la Demanda

Reordenando la ecuacin (2.1) resulta

Para un movimiento de periodo estable a largo plazo,

donde () = [1 () 2 () 3 ()], = [1 2 3 ] es la amplitud de la oscilacin de las masas, y

Sustituyendo la ecuacin (2.3b) en la ecuacin (2.2) da

Reordenando la ecuacin (2.4) resulta el sistema de ecuacin:

Figura 2-1: Sistema mecnico dinmico resorte-masa.

Mtodos Numricos y Programacin 35

La ecuacin (2.5) se volver adimensional usando y . As, = .

Definiendo el parmetro como sigue:

Sustituyendo la ecuacin (2.7) en la ecuacin (2.6) da el sistema de ecuaciones adimensionales:

Considerar un sistema especfico para el cual 1 = 40 Ncm, 2 = 3 = 4 = 20 Ncm, y 5 =

La ecuacin (2.10) es un sistema de ecuaciones lineales algebraicas homogneas. La ecuacin (2.10) es la

Mtodos Numricos y Programacin 36

El captulo est dedicado a la solucin de sistemas de ecuaciones lineales algebraicas no homogneas:

Cada matriz cuadrada no singular de tiene un set de eigenvalores ( = 1, , ) y

Considerar un eigenproblema especificado por dos ecuaciones lineales algebraicas homogneas:

Mtodos Numricos y Programacin 37

Figura 2-2: Representacin grfica de la ecuacin (2.16).

La organizacin del captulo se puede apreciar en la Figura 2-3.

Figura 2-3: Organizacin del captulo 2.

Mtodos Numricos y Programacin 38

2.2. Caractersticas Matemticas de los Eigenproblemas

Considerar un sistema de ecuaciones lineales algebraicas no homogneas:

Resolviendo para segn la regla de Cramer resulta

Considerar un sistema de ecuaciones lineales algebraicas no homogneas:

Resolviendo para segn la regla de Cramer resulta

Considerar que la matriz de coeficientes sea de la forma

donde es un escalar no especificado. Entonces

Los valores de son determinados de modo que

Los valores correspondientes de son los eigenvalores.

El sistema de ecuaciones homogneas generalmente se escribe de la forma

En muchos problemas = , y la ecuacin (2.24) se vuelve

= (1 ). Entonces la ecuacin (2.24) se vuelve

Mtodos Numricos y Programacin 39

la cual es la forma ms comn de declarar un eigenproblema.

Considerar el problema dinmico resorte-masa especificado por la ecuacin (2.9):

Los eigenvalores son

donde Hz = Hertz = 1.0 ciclo/seg.

Mtodos Numricos y Programacin 40

Figura 2-4: Formas de modo.

Sustituyendo 1 hasta 3 en la ecuacin (2.33c) resulta:

lo cual resulta en un polinomio de grado en . Resolver la ecuacin caracterstica resulta en eigenvalores

Mtodos Numricos y Programacin 41

2.3. El Power Method

2.3.1. El Power Method Directo

3. Escalar (1) de modo que el componente unitario se mantenga como unitario:

El algoritmo general para el power method es como sigue:

Ejemplo 2.1: El Power Method Directo

Mtodos Numricos y Programacin 42

Tabla 2-1: El power method.

2.3.2. Bases del Power Method

2.3.3. El Power Method Inverso

Mtodos Numricos y Programacin 43

Multiplicando la ecuacin (2.53) por 1 da

Reordenando la ecuacin (2.54) resulta un eigenproblema para 1. As,

Multiplicando la ecuacin (2.56) por da

La cual puede escribirse como

1. Resolver L y U tal que = A por el mtodo LU de Doolittle.

4. Resolver (1) por sustitucin en reversa usando la ecuacin

El algoritmo del power method inverso es como sigue:

Mtodos Numricos y Programacin 44