Determinacion de Autovalores y Autovectores

Técnicas Aproximadas en Mecánica
Capítulo 2:
Determinación de Autovalores y Autovectores
Universidad Simón Bolívar
Enero – Marzo 2012
Armando J. Blanco Álvarez y Boris M. Bossio
y Velásquez
q
Capítulo 2:
Determinación de Autovalores
y Autovectores
Contenido - Agenda
Determinación de autovalores
2.1. Introducción
2.2 Método de Potencias
2
Capítulo 2:
y Autovectores
Contenido - Agenda
2.1. Introducción
3
Capítulo 2:
y Autovectores
Introducción
En área de Mecánica de Materiales, con frecuencia, es

necesario resolver un pproblema de auto valores y auto
vectores para encontrar los esfuerzos y las direcciones
principales
p p dado un estado o tensor de esfuerzos.
En el área de Vibraciones Mecánicas es necesario

determinar autovalores y autovectores para hallar los
modos de vibración de una estructura.
4
Capítulo 2:
y Autovectores
Introducción
En distintas
di i á
áreas d la
de l Ingeniería
i í Mecánica
á i modelos
d l ded
sistemas con “n” grados de libertad pueden ser
planteados
l d de d forma
f matricial,
i i l all emplear
l matrices
i d
de
“n x n” elementos.
Como Usted recordará, los autovalores de un sistema

d “n”
de “ ” grados
d ded libertad
lib d pueden
d hallarse
h ll all plantear
l y
resolver un polinomio característico; sin embargo,
existen
i métodos
é d numéricos
éi para resolver
l este problema
bl
que resultan especialmente convenientes en la inmensa
mayoríaí de
d los
l casos.
5
Capítulo 2:
y Autovectores
Introducción
Si A es una matriz cuadrada, el polinomio definido

por:
p    det  A  I  (1)
se denomina polinomio característico de A.

L
Las raíces
í d p se denominan
de d i valores
l propios,
i
valores característicos o autovalores de la matriz A.
Si  es un valor propio de A, entonces, si el vector x
es no nulo y satisface:
Ax  x (2)
entonces x se denomina vector propio, propio vector
característico o autovector de la matriz A. 6
Capítulo 2:
y Autovectores
Introducción
•Sea {v(1),v(2),...,v(n)} un conjunto de vectores. Si
1v 1   2 v 2    3v 3   ...   n v n   0 (3)
sólo para k=0, k=1,...,n; entonces el conjunto es

linealmente independiente. Caso contrario, el
conjunto es linealmente dependiente.
•Si {v(1),vv(2),...,vv(n)} es un conjunto de vectores
linealmente independiente de Rn, entonces cualquier
vector de Rn puede expresarse como:
x  1v 1   2 v 2    3v 3   ...   n v n  (4)

7
Capítulo 2:
y Autovectores
Introducción
•Si A es una matriz y 1, 2,...,n son valores
característicos distintos de A, A con los vectores
característicos asociados x(1), x(2), ..., x(n), entonces
{x(1),x(2),...,x(n)} es linealmente independiente.
•Se dice que un conjunto de vectores {v(1), v(2), ..., v(n)}
es ortogonal si:
v    v    0
i t j
i j (5)
Sí además
v  v    1
i  t i
i; i  [1, n ] ((6))
el conjunto
j es ortonormal.
8
Capítulo 2:
y Autovectores
Introducción
•Una matriz P es ortogonal si P-1=PT
•Dos matrices A y B son similares o semejantes si
existe una matriz S tal que:
A  S 1 BS
(7)
semejantes si  es un
•Si A y B son matrices semejantes,
autovalor de A con el autovector x, y, dado que se
BS entonces  es un autovalor de
verifica que A=S-1BS,
B con autovector asociado Sx.
A  S 1 BS Ax  S 1 BSx  x SS 1 BSx  Sx
  es un autovalor de B
BS  Sx
BSx S B Sx
S    Sx
S  
Sx es un autovector de9 B
Capítulo 2:
y Autovectores
Introducción
•Los autovalores de una matriz triangular A son
solución de
(8)
det  A  I    aii     0
n
i 1
que se verifica sí y sólo sí para alguna i

  aii (9)
•Si A es una matriz simétrica n x n,, entonces los
autovalores de A son números reales y existen n
autovectores qque forman un conjunto
j ortonormal
•Una matriz H se denomina Hessenberg superior si
hij=00 para cualquier i≥j+2,
i≥j+2 esto es,
es los elementos
debajo de la subdiagonal inferior son todos nulos.
10
Capítulo 2:
y Autovectores
Contenido - Agenda
2.1. Introducción
11
Capítulo 2:
y Autovectores Método de Potencia de Mises
Un método intuitivo para la búsqueda de autovalores
de una matriz puede construirse partiendo de que al
cumplirse:
Ax  x
tendremos que, escogiendo el vector x unitario se
verifica también que
q
Axˆ  xˆ
Luego podemos construir un procedimiento iterativo
Luego,
k   k 1  k 1
Axˆ  xˆ
Para k suficientemente grande podríamos hallar un
autovalor de A (y su correspondiente autovector) por
este método.
12
Capítulo 2:
Considere la determinación de los autovalores de la
matriz:
a :  11 6  2
A    2 18 1  (1)
 12 24 13 
Los autovalores verifican
A  x
Ax (2)
Probemos el método iterativo intuitivo antes esbozado
para hallar los autovalores de A. Escojamos un vector
inicial dado por:
p
1 1
  1 
v0  1 vˆ0   1  (3)
3
1 1 13
Capítulo 2:
El producto Av0 es:
 11 6  2 1 15 
1  1  
Avˆ0    2 18 1   1   17  (4)
3 3
 12 24 13  1 25
La norma de Av0 es:

l  Avˆ0  19.4850 (5)
Pudiéndose escribir
 11 6  2 1 0.4444 
1 
Avˆ0    2 18 1  1  19 .4850  0.5037 
3   (6)
 12 24 13  1  0.7407 
14
Capítulo 2:
Con un nuevo v1 dado por:
0.4444
0 4444 
v1   0.5037  (7)
 0.7407
0 7407 
Tenemos:
 11 6  2 0.4444  6.4298  0.32584
Av1    2 18 1   0.5037   8.9187   19.7326 0.45198
   (8)
 12 24 13   0.7407  16.3856  0.83038
Al repetir
p el pproceso:
 11 6  2 0.32584 4.6354   0.2303
Av2    2 18 1  0.45198  8.3143   20.1259  0.4131 ((9))
 12 24 13  0.83038 17.7323  0.8810
15
Capítulo 2:
Se llega a:
 11 6  2 0.2303  3.2500  0.15888 
Av3    2 18 1   0.4131  7.8565   20.45550.38407 
 12 24 13   0.8810
0 8810 18.6048
18 6048 0.90952
0 90952 
 11 6  2 0.15888  2.2331  0.1080 
Av4    2 18 1  00.38407
A 38407   7.5051
7 5051   20.6752
20 6752 0.3630
0 3630 
...
 12 24 13  0.90952  19.1350 0.9255 
(10)
 11 6  2 3.38E - 008 4.7453E - 007  2.25E - 08 
Avn    2 18 1  0.3162   6.6407
 
  21.0  0.3162 
  
 12 24 13  0.9486  19.9223   0.9486 
16
Capítulo 2:
Luego,
0  (11)
1  21 u1   0.3162 

 0.9486
0 9486 
son un autovalor y un vector ppropio

p de la matriz
 11 6  2
A    2 18 1 
 12 24 13 
A continuación se presentará cómo generalizar el

procedimiento
procedimiento.
17
Capítulo 2:
Sea una matriz A (nxn). Sean sus autovalores i

ordenados de manera que
1  2  ...  n (12)
y los vectores propios correspondientes dados por ui.
Supongamos que el autovalor dominante es 1.
Sea v0 un vector (nx1) “arbitrario”. La secuencia
Avm 1
vm  ,m 1
Avm 1 (13)
verifica que:
lim v m  u1 lim Av m 1  1 (14)
m  m 18
Capítulo 2:
Al escribir el vector inicial en término de los

vectores propios se tiene:
vˆ0  c1uˆ1  c2uˆ 2  ...  cn uˆ n (15)
El primer vector de la secuencia es:
Av0
A
v1   1 Av0 (16)
Av0
v1  1 Ac1uˆ1  c2uˆ 2  ...  cn uˆ n 

v1  1 c1 Auˆ1  c2 Auˆ 2  ...  cn Auˆ n 
Pero, siendo los ui vectores propios entonces:
v1  1 c11uˆ1  c2 2uˆ 2  ...  cn n uˆ n  (17)
19
Capítulo 2:
El segundo vector es:
Av1  1 
v2    Av1 (18)
Av1  Av1 
Con el resultado (17) se tiene:

 1 
v2    A1 c11uˆ1  c2 2uˆ 2  ...  cn n uˆ n 
 (19)
 Av1 
 1 
v2   c11 Auˆ1  c2 2 Auˆ 2  ...  cn n Auˆ n 
Av 
 1 

v2   2 c11 uˆ1  c2 2 uˆ 2  ...  cn n uˆ n
2 2 2
 (20)
20
Capítulo 2:
Al proceder m veces se obtiene:
(21)

vm   m c11 uˆ1  c2 2 uˆ 2  ...  cn n uˆ n
m m m

Tomando el limite m -> infinito tenemos, dado que 1
es ell autovalor
l dominante
d i
lim vm   m c11 û1
m
m
(22)
Puesto que cada término de la secuencia es un vector
unitario, entonces:
lim vm  û1
m 
y, en consecuencia:
 m c11  1
m
(23)
obteniendo, al converger el primer vector propio. 21
Capítulo 2:
Por otra parte,
 
Avm 1  A  m 1 c11
m 1
uˆ1  c2 2
m 1
uˆ 2  ...  cn n
m 1
uˆ n 
  c  
m 1 m 1 m 1
Avm 1 m 1 1 1 Auˆ1  c2 2 Auˆ 2  ...  cn n Auˆ n
  c  uˆ1  c2 2 uˆ 2  ...  cn n uˆ n  (24)

m m m
Avm 1 m 1 1 1
y el limite del módulo de ésta expresión es:

A m 1  lim
li Av
lim
m m 
 
li  m 1 c11 uˆ1  c2 2 uˆ 2  ...  cn n uˆ n
m m m
 (25)
Nuevamente,, dado qque 1 es el autovalor dominante
lim Avm 1  lim  m 1c11 û1
m
m m
m 1
lim Avm 1  lim 1  m 1c11 û1 (26)
m  m 
22
Capítulo 2:
Utilizando nuevamente que
 m c11m  1
o, para m-1,
m 1
 m 1c11 1 ( )
(27)
tenemos qque,,
lim Av m 1  lim 1û1
m m
lim Av m 1  1 û1
m
lim Av m 1  1 (28)
m
obteniendo,, al converger,
g , el módulo del autovalor
dominante.
23
Capítulo 2:
Determinación de otros autovalores:
Método de Deflación
Nótese que, una vez determinado el autovalor
dominante se puede construir un vector según:
 A  1I v0  Av0  1Iv0
 A  1 I v0  Ac1uˆ1  c2uˆ2  ...  cnuˆn   1I c1uˆ1  c2uˆ2  ...  cnuˆn 
 A  1 I v0  c1 Auˆ1  c2 Auˆ2  ...  cn Auˆn   1 c1 Iuˆ1  c2 Iuˆ2  ...  cn Iuˆn 
 A  1 I v0  c11uˆ1  c22uˆ2  ...  cn nuˆn   1 c1uˆ1  c2uˆ2  ...  cnuˆn 
 A  1 I v0  1  1 c1uˆ1  2  1 c2uˆ2  ...  n  1 cnuˆn
(29)
 A  1 I v0  2  1 c2uˆ2  ...  n  1 cnuˆn
el cual es ortogonal a u1.
24
Capítulo 2:
Al expresar este nuevo vector en término de los
vectores propios se obtiene:
 A  1 I v0  c2 'uˆ2  c3'uˆ3 ...  cn 'uˆn (30)
pudiendo entonces realizar el procedimiento anterior
construyendo la secuencia:
Avm 1
vm  ,m 1 (31)
Avm 1
a partir del nuevo vector inicial

v0   A  1 I v0  c2 uˆ 2  c3 uˆ3 ...  cn uˆ n (32)
' ' '
y así determinar el segundo

g autovalor y el vector
propio asociado a él. 25
Capítulo 2:
En el caso de nuestro ejemplo anterior, tendremos
 11 6  2 1 0 0 1 - 5.9999 5 9999 
 A  1 I v0    2 18 1   210 1 0 1  - 3.9999  (33)
 12 24 13    1  4.0000
   0 0 1     4 0000 
Luego, construyendo la secuencia nuevamente
tendremos
 11 6  2 - 5.9999  - 97.9999 - 0.8427 
Av0    2 18 1  - 3.9999   - 55.9999  116.29 - 0.4815 
 12 24 13   4.0000   28.0000   0.2407 
 11 6  2 - 0.8427  - 12.6405 - 0.8763
Av1    2 18 1  - 0.4815   - 6.7416   14.4247 - 0.4673 (34)
 12 24 13   0.2407   1.6854   0.1168 
26
Capítulo 2:
La cual convergerá a:
 11 6  2 0.8944  12.5219  0.8944 
Avn    2 18 1   0.4472   6.2609
 
  14.0 0.4472
 


 12 24 13  - 3.32E - 009 - 2.32E - 008 - 1.6E - 009
Luego, ell segundo

L d autovalor
t l y su respectivo
ti vector
t
propio son:
0.8944
0 8944
2  14 u 2  0.4472 (35)
0.0000
0 0000
27
Capítulo 2:
Para calcular el siguiente autovalor y vector propio
continuamos de igual
g manera. El nuevo vector inicial
viene dado por:
 A  2 I  A  1 I v0  c3'uˆ3  c4 'uˆ4 ...  cn 'uˆn (36)
42  84. 28.  1 - 13.9999 

 A  2 I  A  1I v0   0 1.8135 2.7082 1  1.5E
1 5E - 007  (37)
84  168 56  1 - 27.9999 
Para llegar, luego de varias iteraciones a la solución

- 0.4472
3  7 u3   0 
 ((38))
- 0.8944
28
Capítulo 2:
Observaciones prácticas (I):

• Nótese que la secuencia de vectores obtenidas al
incrementar sucesivamente m,, ppara 1 negativo
g

Av m 1   m 1c11 uˆ1  1  m 1c11
m m 1

uˆ1  1uˆ1 (39)
cambia alternativamente el signo del vector obtenido.

Luego, compare el signo de la componente más
grande del autovector resultante luego de iteraciones
sucesivas y determine si este cambia. En ese caso, el
autovalor es negativo.
29
Capítulo 2:
Observaciones prácticas (II):

• Debido al error de redondeo, componentes
asociadas
i d a los
l autovectores
t t eliminados
li i d pueden d
aparecer nuevamente por lo que es recomendable
reortonormalizar
t li ell vector
t vm durante
d t ell proceso de
d
convergencia
vm 
 A  1I  A  2 I ... A  s I vm ((40))
 A  1I  A  2 I ... A  s I vm
30
Capítulo 2:
MatLab permite calcular los autovalores de A a

través del comando eig(A).
o eje
Por ejemplo
po
>> A=[11 6 -2;-2 18 1;-12 24 13]
A=
11 6 -2
-2 18 1
-12 24 13
>> eig(A)
ans =
21.0000
7.0000
14.0000
31
Capítulo 2:
Si se desea hallar además los autovectores entonces
se utiliza [V,E]=eig(A)
[V E]=eig(A) como se muestra
>> [V,E]=eig(A)
V=
-0.0000 -0.4472 -0.8944
-0.3162 0.0000 -0.4472
-0.9487 -0.8944 0.0000
E=
21.0000 0 0
0 7.0000 0
0 0 14.0000
En donde
E d d la l primera
i columna
l d V contiene
de i ell
autovector asociado al primer autovalor (21), la
segunda
d columna
l contiene
i ell autovector asociado
i d all
segundo autovalor (7) y así sucesivamente…. 32
Capítulo 2:
Universidad Simón Bolívar
Enero – Marzo 2012
Armando J. Blanco Álvarez y Boris M. Bossio
y Velásquez
q

Determinacion de Autovalores y Autovectores

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Determinacion de Autovalores y Autovectores

Transféré par

Droits d'auteur :

Formats disponibles

Técnicas Aproximadas en Mecánica

En área de Mecánica de Materiales, con frecuencia, es

En el área de Vibraciones Mecánicas es necesario

Como Usted recordará, los autovalores de un sistema

Si A es una matriz cuadrada, el polinomio definido

se denomina polinomio característico de A.

sólo para k=0, k=1,...,n; entonces el conjunto es

x  1v 1   2 v 2    3v 3   ...   n v n  (4)

que se verifica sí y sólo sí para alguna i

La norma de Av0 es:

son un autovalor y un vector ppropio

A continuación se presentará cómo generalizar el

Sea una matriz A (nxn). Sean sus autovalores i

Al escribir el vector inicial en término de los

v1  1 Ac1uˆ1  c2uˆ 2  ...  cn uˆ n 

Con el resultado (17) se tiene:

  c  uˆ1  c2 2 uˆ 2  ...  cn n uˆ n  (24)

y el limite del módulo de ésta expresión es:

a partir del nuevo vector inicial

y así determinar el segundo

Luego, ell segundo

42  84. 28.  1 - 13.9999 

Para llegar, luego de varias iteraciones a la solución

Observaciones prácticas (I):

cambia alternativamente el signo del vector obtenido.

Observaciones prácticas (II):

MatLab permite calcular los autovalores de A a

Vous aimerez peut-être aussi