Analisis Numerico - Capítulo9

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 17

Capítulo 9

CONJUNTO DE EJERCICIOS 9.1


1. Encuentre los eigenvalores y eigenvectores asociados de las siguientes matrices 3 3 3. ¿Existe un
conjunto de eigenvectores linealmente independientes?
2 −3 6 2 0 1
   

a. A =  0 3 −4  b. A =  0 2 0 
0 2 −3 1 0 2
1 1 1 2 1 −1
   

c. A =  1 1 0  d. A =  0 2 1 
1 0 1 0 0 3
2. Encuentre los eigenvalores y los eigenvectores asociados de las siguientes matrices 3 3 3. ¿Existe un
conjunto de eigenvectores linealmente independientes?
1 0 0 2 −1 −1
   

a. A =  −1 0 1  b. A =  −1 2 −1 
−1 −1 2 −1 −1 2
2 1 1 2 1 1
   

c. A =  1 2 1  d. A =  0 3 1 
1 1 2 0 0 2
3. Use el teorema del círculo de Geršgorin para determinar las cotas para a) los eigenvalores y b) el radio
espectral de las siguientes matrices.
1 0 0 4 −1 0
   

a.  −1 0 1  b.  −1 4 −1 
−1 −1 2 −1 −1 4
3 2 1 4.75 2.25 −0.25
   

c.  2 3 0  d.  2.25 4.75 1.25 


1 0 3 −0.25 1.25 4.75
4. Use el teorema del círculo de Geršgorin para determinar las cotas para a) los eigenvalores y b) el radio
espectral de las siguientes matrices.
0 1 3 1 0 −1 1
   
−4
 0 −4 2 1   2 2 −1 1 
a.   1 b. 
2 −2 0   0 1 3 −2 
 

3 1 0 −4 1 0 1 4
1 1 0 0 3 −1 0 1
   
 1 2 0 1   −1 3 1 0 
c.   0 0 3 3  d.  0 1 9 2 
 

0 1 3 2 1 0 2 9
5. Muestre quevv11 == (2, −1)t t,,vv22 =
(2,−1) = (1, 1)t t,,yy vv33 =
(1,1) (1,3)
= (1, 3)t tson linealmente dependientes.
6. Considere los siguientes conjuntos de vectores. i) Muestre que el conjunto es linealmente indepen-
diente; ii) use el proceso de Gram-Schmidt para encontrar un conjunto de vectores ortogonales; iii)
determine un conjunto de vectores ortonormales a partir de los vectores en ii).
a. v1 = (2, −1)t , v2 = (1, 3)t
b. v1 = (2, −1, 1)t , v2 = (1, 0, 1)t , v3 = (0, 2, 0)t
c. v1 = (1, 1, 1, 1)t , v2 = (0, 1, 1, 1)t , v3 = (0, 0, 1, 0)t
d. v1 = (2, 2, 0, 2, 1)t , v2 = (−1, 2, 0, −1, 1)t , v3 = (0, 1, 0, 1, 0)t , v4 = (−1, 0, 0, 1, 1)t
7. Considere los siguientes conjuntos de vectores. i) Muestre que el conjunto es linealmente indepen-
diente; ii) utilice el proceso de Gram-Schmidt para encontrar un conjunto de vectores ortogonales; iii)
determine un conjunto de vectores ortonormales a partir de los vectores en ii)
a. v1 = (1, 1)t , v2 = (−2, 1)t
b. v1 = (1, 1, 0)t , v2 = (1, 0, 1)t , v3 = (0, 1, 1)t
Conjunto de ejercicios

c. v1 = (1, 1, 1, 1)t , v2 = (0, 2, 2, 2)t , v3 = (1, 0, 0, 1)t


d. v1 = (2, 2, 3, 2, 3)t , v2 = (2, −1, 0, −1, 0)t , v3 = (0, 0, 1, 0, −1)t , v4 = (1, 2, −1, 0, −1)t ,
v5 = (0, 1, 0, −1, 0)t

EJERCICIOS APLICADOS
8. En un artículo, J. Keener [KE] describe un método para clasificar equipos. Considere N equipos que
deseamos clasificar. Asignamos una puntuación a cada equipo con base en su desempeño contra el otro
y la fortaleza de sus oponentes. Suponga que existe un vector de clasificación r en RN con entradas
positivas ri que indican la fuerza del equipo i. La puntuación para i está determinada por
N
1
si = ai j r j ,
ni j=1

donde ai j ≥ 0 depende del registro que tiene el equipo i contra el equipo j y ni es el número de juegos
que ha jugado el equipo i. En este problema, hacemos que la matriz A tenga entradas
ai j
(A)i j = ,
ni

donde aij es el número de veces que el equipo i vence al equipo j. Es razonable suponer que la clasi-
ficación debería ser proporcional a la puntuación; es decir, Ar = λr donde λ es la constante de pro-
porcionalidad. Puesto que ai j ≥ 0 para todas las i y j, 1 ≤ i, j ≤ N , el teorema de Perron-Frobenius
que se analizó en el artículo de Keener garantiza la existencia de un eigenvalor mayor λ1 > 0 con un
eigenvector r con entradas positivas que determinan la clasificación de los equipos.
A principios de la temporada de béisbol 2014, los equipos en la División Central de la Liga Ame-
ricana tenían registros de acuerdo con lo siguiente:

CHI CLE DET KC MIN


CHI X 7-3 4-5 3-6 2-3
CLE 3-7 X 4-2 3-3 4-3
DET 5-4 2-4 X 6-3 4-4
KC 6-3 3-3 3-6 X 2-4
MIN 3-2 3-4 4-4 4-2 X

La entrada 7-3 indica que en 10 juegos efectuados entre CHI y CLE, CHI ganó 7 y perdió 3.
a. Encuentre la matriz de preferencia A.
b. Encuentre el polinomio característico de A.
c. Encuentre el eigenvalor positivo más grande de A.
d. Resuelva el sistema (A − λI ) r = 0 para el vector de clasificación r.
e. Proporcione la clasificación de los equipos.
9. Una matriz persimétrica es una matriz que es simétrica alrededor de ambas diagonales; es de-
cir, una matriz N 3 N A = (ai j ) es persimétrica si ai j = a ji = a N +1−i,N +1− j , para todas las
i = 1, 2, . . . , N y j = 1, 2, . . . , N . Diversos problemas de la teoría de comunicación tienen solucio-
nes que implican los eigenvalores y eigenvectores de las matrices cuya forma es persimétrica. Por
ejemplo, el eigenvector correspondiente al eigenvalor mínimo de la matriz persimétrica 4 3 4

2 0 0
 
−1
 −1 2 −1 0 
A=
0 2
 
−1 −1 
0 0 −1 2

da una respuesta de impulso de energía-canal unitario para una sucesión de error dada de longitud 2 y,
por consiguiente, el peso mínimo para cualquier sucesión de error posible.
a. Use el teorema del círculo de Geršgorin para mostrar que si A es la matriz determinada ante-
riormente y λ es su eigenvalor mínimo, entonces |λ − 4| = ρ(A − 4I ), donde ρ denota el radio
espectral.
Capítulo 9

b. Encuentre el eigenvalor mínimo de la matriz A por medio de hallar todos los eigenvalores A −4I
y calcular su radio espectral. A continuación, encuentre el eigenvector correspondiente.
c. Utilice el teorema del círculo de Geršgorin para mostrar que si λ es el eigenvalor mínimo de la
matriz
3 −1 −1 1
 
 −1 3 −1 −1 
B= ,
 −1 −1 3 −1 
1 −1 −1 3

entonces |λ − 6| = ρ(B − 6I ).
d. Repita la parte b) usando la matriz B y el resultado en la parte c).

EJERCICIOS TEÓRICOS
10. Muestre que los tres eigenvectores en el ejemplo 3 son linealmente independientes.
11. Muestre que un conjunto {v1 , . . . , vk } de k vectores ortogonales diferentes de cero es linealmente inde-
pendiente.
12. Muestre que si A es una matriz y λ1 , λ2 , . . . , λk son eigenvalores distintos con eigenvectores asociados
x1 , x2 , . . . , xk , entonces {x1 , x2 , . . . , xk } es un conjunto linealmente independiente.
13. Sea {v1 , . . . , vn } un conjunto de vectores ortonormales diferentes de cero en Rn y x ∈ Rn . Determine
los valores de ck , para k = 1, 2, . . . , n, si
n
x= ck vk .
k=1

14. Suponga que {x{x11,,xx22},},{x


{x11,,xx33},},yy{x
{x22,,xx33}} son todos linealmente independientes. ¿{x1 , x2 , x3 } debe ser
linealmente independiente?
15. Use el teorema del círculo de Geršgorin para mostrar que una matriz estrictamente diagonalmente
dominante debe ser no singular.
16. Pruebe que el conjunto de vectores {v1 , v2 , . . . , vk } descrito en el teorema Gram-Schmidt es ortogonal.

PREGUNTAS DE ANÁLISIS
1. Describa cómo se pueden multiplicar los círculos de Geršgorin en una hoja de cálculo como MS Excel.
Reproduzca la figura 9.1 para respaldar su análisis.
2. ¿Todos los vectores ortogonales son ortonormales? ¿Por qué sí o por qué no?
3. ¿Todos los vectores ortonormales son ortogonales? ¿Por qué sí o por qué no?
4. ¿Los vectoresvvv11,1,,vvv22,2,,yyyvvv333in
en RR222 pueden ser linealmente independientes? ¿Por qué sí o por qué no?
ininR

CONJUNTO DE EJERCICIOS 9.2


1. Muestre que el siguiente par de matrices no son similares.
2 1 1 2
a. A= y B=
1 2 2 1
2 0 4 −1
b. A= y B=
1 3 −2 2
1 2 1 1 2 0
   

c. A= 0 1 2  y B= 0 1 2 
0 0 2 1 0 2
1 2 1 1 2 1
   

d. A =  −3 2 2  y B= 0 1 2 
0 1 2 −3 2 2
Conjunto de ejercicios

2. Muestre que los siguientes pares de matrices no son similares.


1 1 2 2
a. A= y B=
0 3 1 2
1 1 −1 2
b. A= y B=
2 −2 1 2
1 1 −1 2 −2 0
   

c. A= −1 0 1  y B =  −2 0 2 
0 1 1 2 2 −2
1 1 −1 1 2 1
   

d. A= 2 −2 2  y B= 2 3 2 
−3 3 3 0 1 0

3. Defina A = PDP−1 para las siguientes matrices D y P. Determine A3.


2 −1 1 0
a. P= y D=
3 1 0 2
−1 2 −2 0
b. P= y D=
1 0 0 1
1 2 −1 0 0 0
   

c. P= 2 1 0  y D= 0 1 0 
1 0 2 0 0 −1
2 −1 0 2 0 0
   

d. P= −1 2 −1  y D =  0 2 0 
0 −1 2 0 0 2

4. Determine A4 para las siguientes matrices en el ejercicio 3.


5. Para cada una de las siguientes matrices, determine si es diagonalizable y, en tal caso, encuentre P y D
con A = PDP−1.
4 −1 2 −1
a. A= b. A=
4 1 −1 2
2 0 1 1 1 1
   

c. A= 0 1 0  d. A= 1 1 0 
1 0 2 1 0 1

6. Para cada una de las siguientes matrices, determine si es diagonalizable, y en tal caso, encuentre P y
D con A = PDP−1.
2 1 2 1
a. A= b. A=
0 1 1 2
2 1 1 2 1 1
   

c. A= 1 2 1  d. A= 0 3 1 
1 1 2 0 0 2

7. Para las matrices en el ejercicio 1 de la sección 9.1 que tienen tres eigenvectores linealmente indepen-
dientes, forme la factorización A = PDP−1.
8. Para las matrices en el ejercicio 2 de la sección 9.1 que tienen tres eigenvectores linealmente independien-
tes, forme la factorización A = PDP−1.
9. i) Determine si las siguientes matrices son definidas positivas y, en tal caso, ii) construya una matriz
ortogonal Q para cada Q t A Q 5 D, donde D es una matriz diagonal.

2 1 1 2
a. A= b. A=
1 2 2 1
2 0 1 1 1 1
   

c. A= 0 2 0  d. A= 1 1 0 
1 0 2 1 0 1
Capítulo 9

10. i) Determine si las siguientes matrices son definidas positivas y, en tal caso, ii) construya una matriz
ortogonal Q para cada Q t A Q 5 D, en donde D es una matriz diagonal.

4 2 1 3 2 1
   

a. A =  2 4 0  b. A =  2 2 0 
1 0 4 1 0 1
1 −1 −1 1 8 4 2 1
   
 −1 2 −1 −2   4 8 2 1 
c. A =  d. A = 
3 0   2 2 8 1 
 
 −1 −1
1 −2 0 4 1 1 1 8

11. Muestre que cada una de las siguientes matrices son no singulares, pero no diagonalizables.

2 1 0 2 −3 6
   

a. A =  0 2 0  b. A =  0 3 −4 
0 0 3 0 2 −3
2 1 −1 1 0 0
   

c. A =  0 2 1  d. A =  −1 0 1 
0 0 3 −1 −1 2

12. Muestre que las siguientes matrices son singulares, pero diagonalizables.

2 −1 0 2 −1 −1
   

a. A =  −1 2 0  b. A =  −1 2 −1 
0 0 0 −1 −1 2

13. Muestre que la matriz dada en el ejemplo 3 de la sección 9.1,

2 0 0
 

A= 1 1 2 
1 −1 4

es similar a las matrices diagonales


     
3 0 0 2 0 0 2 0 0
D1 =  0 2 0 , D2 =  0 3 0 , y D3 =  0 2 0 .
0 0 2 0 0 2 0 0 3

14. Muestre que no hay matriz diagonal para la matriz determinada en el ejemplo 4 de la sección 9.1,

2 1 0
 

B= 0 2 0 .
0 0 3

EJERCICIOS APLICADOS
15. En el ejercicio 22 de la sección 6.6 se usó una matriz simétrica

1.59 1.69 2.13


 

A =  1.69 1.31 1.72 


2.13 1.72 1.85

para describir la longitud promedio de las alas de las moscas de fruta descendientes del apareamiento
de tres mutantes de las moscas. La entrada ai j representa la longitud promedio de las alas de una mosca
descendiente de una mosca macho de tipo i y una mosca hembra de tipo j.
a. Encuentre los eigenvalores y los eigenvectores asociados de esta matriz.
b. ¿Esta matriz es definida positiva?
Conjunto de ejercicios

EJERCICIOS TEÓRICOS
16. Suponga que A y B son matrices n 3 n no singulares. Pruebe que A B es similar a B A.
17. Muestre que A es similar a B, y que B es similar a C, entonces A es similar a C.
18. Muestre que si A es similar a B, entonces
a. det(A) = det(B).
b. El polinomio característico de A es el mismo que el polinomio característico de B.
c. A es no singular si y sólo si B es no singular.
d. Si A es no singular, muestre que A−1 es similar a B −1 .
e. At es similar a Bt.
19. Pruebe el teorema 9.10.
20. Pruebe el teorema 9.13.

PREGUNTAS DE ANÁLISIS
1. Lea el texto al margen del inicio de esta sección. Analice con detenimiento porqué sería mejor llamar
ortogonales a las matrices ortonormales.
2. ¿Las matrices ortogonales (ortonormales) preservan el ángulo y la longitud? ¿Por qué sí o por qué no?
3. ¿Qué es la factorización de Takagi y cómo difiere de la descomposición de Shur?
4. ¿Qué es la descomposición polar y cómo difiere de la descomposición de Shur?

CONJUNTO DE EJERCICIOS 9.3


1. Encuentre las primeras tres iteraciones obtenidas con el método de potencia aplicado a las siguientes
matrices.

2 1 1 1 1 1
   

a.  1 2 1 ; b.  1 1 0 ;
1 1 2 1 0 1
Use x(0) = (1, −1, 2)t . Use x(0) = (−1, 0, 1)t .
1 −1 0 4 1 1 1
   
c.  −2 4 −2 ;  1 3 −1 1 
d. ;
0 −1 2  1 −1 2 0 

1 1 0 2
Use x(0) = (−1, 2, 1)t .
Use x(0) = (1, −2, 0, 3)t .

2. Encuentre las primeras tres iteraciones obtenidas con el método de potencia aplicado a las siguien-
tes matrices.
4 2 1 1 1 0 0
   
a.  0 3 2 ;  1 2 0 1 
b.   0 0 3 3 ;
1 1 4

0 1 3 2
Use x(0) = (1, 2, 1)t .
Use x(0) = (1, 1, 0, 1)t .
5 −2 − 12 3
−4 0 12 21
   
2
 −2 5 3
− 12   1 −2 0 1 
c.  1 2
d.
 2 2 
; ;
 
3
5 −2  0 0 
 1 1
 −2

2
 2 2
3
2
− 12 −2 5 0 1 1 4
Use x(0) = (1, 1, 0, −3)t . Use x(0) = (0, 0, 0, 1)t .

3. Repita el ejercicio 1 usando el método de potencia inversa.


4. Repita el ejercicio 2 usando el método de potencia inversa.
Capítulo 9

5. Encuentre las primeras tres iteraciones obtenidas con el método de potencia simétrica aplicado a las
siguientes matrices.
2 1 1 1 1 1
   

a.  1 2 1 ; b.  1 1 0 ;
1 1 2 1 0 1
Use x(0) = (1, −1, 2)t . Use x(0) = (−1, 0, 1)t .
4.75 2.25 −0.25 4 1 −1 0
   
c.  2.25 4.75 1.25 ;  1 3 −1 0
d. ;

−0.25 1.25 4.75 5 2

 −1 −1 
0 0 2 4
Use x(0) = (0, 1, 0)t .
Use x(0) = (0, 1, 0, 0)t .

6. Encuentre las primeras tres iteraciones obtenidas con el método de potencia simétrica aplicado a
las siguientes matrices.
1 3 4 2 −1
   
−2
a.  1 3 −1 ; b.  2 0 2 ;
3 −1 2 −1 2 0
Use x(0) = (1, −1, 2)t . Use x(0) = (−1, 0, 1)t .
4 1 1 1 5 −2 − 12 3
   
2
 1 3 −1 1 
c. ;  −2 5 3
−2 1
d. 2
;

 1 −1 2 0 
  
5 −2
 1 3
 −2
1 1 0 2 2

3
2
− 12 −2 5
Use x(0) = (1, 0, 0, 0)t .
Use x (0)
= (1, 1, 0, −3) .t

7. Use el método de potencia para aproximar el eigenvalor dominante de las matrices en el ejercicio 1.
Itere hasta alcanzar una tolerancia de 1024 o hasta que el número de iteraciones exceda 25.
8. Use el método de potencia para aproximar el eigenvalor dominante de las matrices en el ejercicio 2.
Itere hasta alcanzar una tolerancia de 1024 o hasta que el número de iteraciones exceda 25.
9. Use el método de potencia inversa para aproximar el eigenvalor dominante de las matrices en el ejer-
cicio 1. Itere hasta alcanzar una tolerancia de 1024 o hasta que el número de iteraciones exceda 25.
10. Use el método de potencia inversa para aproximar el eigenvalor dominante de las matrices en el ejercicio
2. Itere hasta alcanzar una tolerancia de 1024 o hasta que el número de iteraciones exceda 25.
11. Use el método de potencia simétrica para aproximar el eigenvalor dominante de las matrices en el
ejercicio 5. Itere hasta alcanzar una tolerancia de 1024 o hasta que el número de iteraciones exceda 25.
12. Use el método de potencia simétrica para aproximar el eigenvalor dominante de las matrices en el
ejercicio 6. Itere hasta alcanzar una tolerancia de 1024 o hasta que el número de iteraciones exceda 25.
13. Use la deflación de Wielandt y los resultados del ejercicio 7 para aproximar el segundo eigenvalor
dominante de las matrices en el ejercicio 1. Itere hasta alcanzar una tolerancia de 1024 o hasta que el
número de iteraciones exceda 25.
14. Use la deflación de Wielandt y los resultados del ejercicio 8 para aproximar el segundo eigenvalor
dominante de las matrices en el ejercicio 2. Itere hasta alcanzar una tolerancia de 1024 o hasta que el
número de iteraciones exceda 25.
15. Repita el ejercicio 7 con la técnica 2 de Aitkens y el método de potencia para el eigenvalor dominante.
16. Repita el ejercicio 8 con la técnica 2 de Aitkens y el método de potencia para el eigenvalor dominante.

EJERCICIOS APLICADOS
17. Siguiendo la línea del ejercicio 11 en la sección 6.3 y el ejercicio 13 en la sección 7.2 suponga que una
especie de escarabajo tiene un periodo de vida de 4 años y que una hembra en el primer año tiene una tasa
de supervivencia de 12 , en el segundo año, de 14 , y en el tercer año, de 18 . Además, suponga que una hembra
pare, en promedio, dos hembras nuevas en el tercer año y cuatro en el cuarto año. La matriz que des-
cribe una sola contribución de las hembras en un año a la población femenina en el año siguiente es
0 0 2 4
 
 1 0 0 0 
A= 2
 0 1 0 0 ,

4
0 0 18 0
Conjunto de ejercicios

donde, de nuevo, la entrada en la i-ésima fila y la j-ésima columna denota la contribución probabilística
que hace una hembra de edad j a la población de hembras del siguiente año de edad i.
a. Use el teorema del círculo de Geršgorin para determinar una región en el plano complejo que
contiene todos los eigenvalores de A.
b. Use el método de potencia para determinar el eigenvalor dominante de la matriz y su eigenvector
asociado.
c. Use el algoritmo 9.4 para determinar cualquier eigenvalor y eigenvector restantes de A.
d. Encuentre los eigenvalores de A mediante el polinomio característico de A y el método de Newton.
e. ¿Cuál es su predicción de largo plazo para la población de estos escarabajos?
18. Un sistema dinámico lineal se puede representar por las ecuaciones

dx
= A(t)x(t) + B(t)u(t), y(t) = C(t)x(t) + D(t)u(t),
dt

donde A es una matriz variable n 3 n, B es una matriz variable n 3 r, C es una matriz variable m 3 n,
D es una matriz variable m 3 r, x es un vector variable n-dimensional, y es un vector variable m-dimen-
sional y u es un vector variable r dimensional. Para que el sistema sea estable, la matriz A debe tener
todos sus eigenvalores con parte real positiva para todas las t. ¿El sistema es estable si

2 0 1 0 0
   
−1 −1
a. A(t) =  −2.5 −7 4 ?  0 −2 1 0 
b. A(t) =  ?
0 0 0 0 1 

−5 −5
−1 −1 −2 −3

19. La matriz tridiagonal (m − 1) × (m − 1)

1 + 2α 0 . .. .. . . . . . . . .0.
 
−α
... ..
−α. . 1 +. 2α ... .
. . . . ..
 
... ... −α ...
 
... . ... . ... .
 
0. . . ... ... 0
 
A= .. . . . ...
 
. ... . . ...

.. ... ... . ...
 
.. ... ... ... −α
 
... ...
 
.. ...
 
. . . . . . . . . . . . .
 
0 0 −α 1 + 2α

participa en el método de diferencia regresiva para resolver la ecuación de calor. (Consulte la sección
12.2.) Para la estabilidad del método, necesitamos ρ(A−1 ) < 1. Con m 5 11, aproxime ρ(A−1 ) para
cada uno de los siguientes.
a. α= 1
4
b. α= 1
2
c. α= 3
4

¿Cuándo es estable el método?


20. Los eigenvalores de la matriz A en el ejercicio 19 son
2
πi
λi = 1 + 4α sen , para i = 1, . . . , m − 1.
2m

De1.nuevo, ¿cuándo es estable


Compare la aproximación en el ejercicio 21 con el valor real de ρ(A−1 ). <
el método?
21. Las matrices A y B (m 2 1) 3 (m 2 1) determinadas por

1+α − α2 0.. .. . . . . . . . . . . 0. 1−α α


0.. .. . . . . . . . . . . 0.
   
... ..  2 .. .
... .. .. 
. . . ...  .. .. 
 
− α2 . . 1 +. α − α2. . 1 . . .
... .  .
 
2 ..
... .... 2 .. . . .. 
α α

... ... ...
α
.. 
   
... .. ... . . . . . .
... ...
 
..
A= 0. . . ... .... ... 0  y B= 0. . . . 0
  
... . ... ..
.. . . . .. . . .
   
. ... . .. . ...  . . . .

.. ... .. . .. . . . . 
... .... ... ...
  
. . . . . .
  
.. ... ... . . . − α2  .. .. ... ...
   α

.. . .. .. ... .. . .. .. ... 2 
  
.
  
0 . . . . . . . . . . . . .0 − α2 1 + α 0 . . . . . . . . . . . . .0 α
2
1−α
Capítulo 9

participan en el método Crank-Nicolson para resolver la ecuación de calor. (Consulte la sección 12.2.)
Con m 5 11, aproxime ρ(A−1 B) para cada uno de los siguientes.
a. α= 1
4
b. α= 1
2
c. α= 3
4

22. El siguiente sistema homogéneo de ecuaciones diferenciales lineales de primer orden


x1 (t) = 5x1 (t) + 2x2 (t)
x2 (t) = x1 (t) + 4x2 (t) − x3 (t)
x3 (t) = − x2 (t) + 4x3 (t) + 2x4 (t)
x4 (t) = x3 (t) + 5x4 (t)

se puede escribir en forma de matriz-vector x (t) = Ax(t), donde


x1 (t) 5 2 0 0
   
 x2 (t)   1 4 −1 0 
x(t) = 
 x3 (t)  y A =  0 −1
.
4 2 
 

x4 (t) 0 0 1 5

Si la matriz A tiene eigenvalores reales y diferentesλλ11, ,λλ22, ,λλ33, ,yyλλ44con eigenvalores correspondien-
tesvv11,,vv22,,vv33,,yyvv44,, la solución general para el sistema de ecuaciones diferenciales es
x = c1 eλ1 t v1 + c2 eλ2 t v2 + c3 eλ3 t v3 + c4 eλ4 t v4 ,

dondecc11,,cc22,,cc33, ,yycc44son constantes arbitrarias.


a. Use el método de potencia, la deflación de Wielandt y el método de potencia inversa para aproxi-
mar los eigenvalores y eigenvectores de A.
b. De ser posible, forme una solución general para el sistema de ecuaciones diferenciales.
c. De ser posible, encuentre las soluciones únicas del sistema de ecuaciones diferenciales que satis-
facen la condición inicial x(0) = (2, 1, 0, −1)t .

EJERCICIOS TEÓRICOS
23. Deflación de Hotelling. Suponga que se ha obtenido el eigenvalor más grande λ1 en magnitud y un
eigenvector relacionado v(1) para la matriz simétrica A n 3 n. Muestre que la matriz
λ1
B = A− v(1) (v(1) )t
(v(1) )t v(1)

tiene los mismos eigenvalores λ2 , . . . , λn que A, excepto que B tiene eigenvalor 0 con eigenvector v(1)
en lugar de eigenvector λ1. Use este método de deflación para encontrar λ2 para cada matriz en el ejer-
cicio 5. Desde el punto de vista teórico, este método puede continuar para encontrar más eigenvalores,
pero pronto el error de redondeo hace que el esfuerzo sea inútil.
24. Técnica de aniquilación Suponga que la matriz A n 3 n tiene eigenvalores λ2 , . . . , λn ordenados por
|λ1 | > |λ2 | > |λ3 | ≥ · · · ≥ |λn |,

con eigenvectores linealmente independientes v(1) , v(2) , . . . , v(n) .


a. Muestre que si se aplica el método de potencia con un vector inicial x(0) determinado por

x(0) = β2 v(2) + β3 v(3) + · · · + βn v(n) ,

entonces la sucesión {µ(m) } descrita en el algoritmo 9.1 convergerá en λ2.


b. Muestre que para cualquier vector x = i=1 n
βi v(i) , el vector x(0) = (A − λ1 I )x satisface la
propiedad determinada en la parte a).
c. Obtenga una aproximación para λ2 para las matrices en el ejercicio 1.
d. Muestre que este método puede continuar para encontrar λ3 mediante x(0) = (A − λ2 I )(A − λ1 I )x.
25. Muestre que la i-ésima fila de B = A − λ1 v(1) xt es cero, donde λ1 es el mayor valor de A en valor
absoluto, v(1) es el eigenvector asociado de A para λ1 y x es el vector definido en la ecuación (9.7).
Conjunto de ejercicios

PREGUNTAS DE ANÁLISIS
1. El método de potencia se puede usar para encontrar el eigenvalor dominante de una matriz simétrica. El
método requiere una aproximación inicial. ¿Cómo se puede seleccionar esta aproximación inicial en la
práctica?
2. ¿El método de potencia funciona si el eigenvalor dominante tiene multiplicidad r? En este caso, ¿cuál
sería el eigenvector calculado?
3. Describa el método de cociente de Rayleigh. ¿Cómo se compara el error con el método de potencia?

CONJUNTO DE EJERCICIOS 9.4


1. Use el método de Householder para transformar las siguientes matrices en forma tridiagonal.
12 10 4 2 −1 −1
   

a.  10 8 −5  b.  −1 2 −1 
4 −5 3 −1 −1 2
1 1 1 4.75 2.25 −0.25
   

c.  1 1 0  d.  2.25 4.75 1.25 


1 0 1 −0.25 1.25 4.75

2. Use el método de Householder para transformar las siguientes matrices en forma tridiagonal.
4 −1 −1 0 5 1.5
   
−2 −0.5
 −1 4 0 −1   −2 5 1.5 −0.5 
a.  b. 
0 4 −1 1.5 5
 
 −1   −0.5 −2 
0 −1 −1 4 1.5 −0.5 −2 5
8 0.25 0.5 2
 
−1
 0.25 −4 0 1 2 
c.  0.5 0 5 0.75
 
−1 
 2 1 0.75 5
 
−0.5 
−1 2 −1 −0.5 6

2 0 0
 
−1 −1
 −1 3 0 −2 0 
d. 0 4 2 1
 
 −1 
0 2 8 3
 
 −2 
0 0 1 3 9

3. Modifique el algoritmo 9.5 del método de Householder para calcular las matrices similares de Hessen-
berg superior para las siguientes matrices no simétricas.

2 3 2 3
   
−1 −1
a.  2 0 1  b.  2 3 −2 
−2 1 4 3 1 −1
5 4 4
   
−2 −3 −1 −1 −1
 0 4 2 −1   −1 4 0 −1 
c.  1 d.
3 2  4
   
−5  −1 −1 −1 
−1 4 0 3 −1 −1 −1 4

EJERCICIOS APLICADOS
4. El siguiente sistema homogéneo de ecuaciones diferenciales de primer orden

x1 (t) = 5x1 (t) − x2 (t) + 2x3 (t) + x4 (t)


x2 (t) = −x1 (t) + 4x2 (t) + 2x4 (t)
x3 (t) = 2x1 (t) + 4x3 (t) + x4 (t)
x4 (t) = x1 (t) + 2x2 (t) + x3 (t) + 5x4 (t)
Capítulo 9

se puede escribir en forma de matriz-vector x (t) = Ax(t), donde

x1 (t) 5 −1 2 1
   
 x2 (t)   −1 4 0 2
x(t) = 
 x3 (t)  y A=
 2
.
0 4 1

x4 (t) 1 2 1 5

La construcción de la solución general para el sistema de ecuaciones diferenciales


x(t) = c1 eλ1 t v1 + c2 eλ2 t v2 + c3 eλ3 t v3 + c4 eλ4 t v4

requiere los eigenvaloresλλ11,,λλ22,,λλ33, ,yy λλ44de A. Para encontrar los eigenvalores de A con el método QR
se requiere una matriz tridiagonal simétrica similar a A. Use el método de Householder para encontrar
esa matriz.

PREGUNTAS DE ANÁLISIS
1. Al calcular los eigenvalores de matrices simétricas, las transformaciones de Householder colocarán la
matriz en forma tridiagonal. ¿Por qué la matriz no se puede diagonalizar por completo con este método?
2. ¿La transformación de Householder preserva el ángulo y la longitud? ¿Por qué sí o por qué no?

CONJUNTO DE EJERCICIOS 9.5


1. Aplique dos iteraciones del método QR sin cambio a las siguientes matrices.
2 −1 0 3 1 0
   

a.  −1 2 −1  b.  1 4 2 
0 −1 2 0 2 1
4 −1 0 1 1 0 0
   
c.  −1 3 −1   1 2 −1 0 
d. 
0 −1 2  0 −1 3 1 

0 0 1 4
1 0 0 0.5 0.25 0 0
   
−2
 1 −3 −1 0   0.25 0.8 0.4 0
e.  f. 

 0 −1 1 1   0 0.4 0.6 0.1
 

0 0 1 3 0 0 0.1 1

2. Aplique dos iteraciones del método QR sin cambio a las siguientes matrices.

2 0 3 1 0
   
−1
a.  −1 −1 −2  b.  1 4 2 
0 −2 3 0 2 3
4 2 0 0 0 5 0 0 0
   
−1
 2 4 2 0 0   −1 4.5 0.2 0 0 
c.  0 2 4 2 0 d. 0 0.2 1 0
   
  −0.4 
 0 0 2 4 2 0 0 3 1
   
  −0.4 
0 0 0 2 4 0 0 0 1 3

3. Use el algoritmo QR para determinar, dentro de 1025, todos los eigenvalores para las matrices dadas
en el ejercicio 1.
Conjunto de ejercicios

4. Use el algoritmo QR para determinar, dentro de 1025, todos los eigenvalores de las siguientes matrices

2 −1 0 3 1 0
   

a.  −1 −1 −2  b.  1 4 2 
0 −2 3 0 2 3
4 2 0 0 0 5 −1 0 0 0
   
 2 4 2 0 0   −1 4.5 0.2 0 0 
c.  0 2 4 2 0  d.  0 0.2 1 0 
   
   −0.4
 0 0 2 4 2   0 0 3 1 

−0.4
0 0 0 2 4 0 0 0 1 3

5. Use el método de potencia inversa para determinar, dentro de 1025, todos los eigenvectores para las
matrices dadas en el ejercicio 1.
6. Use el método de potencia inversa para determinar, dentro de 1025, todos los eigenvectores para
las matrices dadas en el ejercicio 4.

EJERCICIOS APLICADOS
7. En el ejemplo principal de este capítulo, el sistema lineal Aw = −0.04(ρ/ p)λw se debe resolver para
w y λ, con el fin de aproximar los eigenvalores λk del sistema Strum-Liouville.
a. Encuentre los cuatro eigenvalores µ1 , . . . , µ4 de la matriz

2 0 0
 
−1
 −1 2 −1 0 
A=
 0 2

−1 −1 
0 0 −1 2

dentro de 1025.
b. Aproxime los eigenvalores λ1 , . . . , λ4 del sistema en términos de ρ y p.
8. La matriz tridiagonal (m 2 1) 3 (m 2 1)

1 − 2α 0 .. .. . . . . . . . . . 0.
 
α
.. ..
.. .
α .. 1 −. 2α α .. ..
. . ...
 
... . ... .. .
 
... ... . .. . .
 
0. . . . .. 0
 
A= .. . . . . . . . ... ..
 
. . . .

.. .. ... . ... . .
..
 
.. .. ... ...
 
.. ...
 
.
α
.. .. .. . ..
 
.
0.............. 0
 
α 1 − 2α

interviene en el método de diferencia regresiva para resolver la ecuación de calor (consulte la sección
12.2). Para la estabilidad del método, necesitamos ρ(A) < 1. Con m 5 11, aproxime los eigenvalores
de A para cada uno de los siguientes.
1 1 3
a. α= b. α= c. α=
4 2 4
¿Cuándo es estable el método?
9. Los eigenvalores de la matriz A en el ejercicio 8 son
2
πi
λi = 1 − 4α sen , para i = 1, . . . , m − 1.
2m
Compare las aproximaciones en el ejercicio 14 con los eigenvalores reales. De nuevo, ¿cuándo es
estable el método?
10. El siguiente sistema homogéneo de ecuaciones diferenciales lineales de primer orden
x1 (t) = −4x1 (t) − x2 (t)
x2 (t) = −x1 (t) − 4x2 (t) + 2x3
x3 (t) = 2x2 (t) − 4x3 (t) − x4 (t)
x4 (t) = −x3 (t) + 4x4 (t)
Capítulo 9

puede escribirse en forma de matriz-vector x (t) = Ax(t), donde

x1 (t) 4 −1 0 0
   
 x2 (t)   −1 −4 2 0
x(t) =  y A=
 0
,
 x3 (t)  2 −4 −1 

x4 (t) 0 0 −1 −4

para construir la solución general para el sistema de ecuaciones diferenciales,


x(t) = c1 eλ1 t v1 + c2 eλ2 t v2 + c3 eλ3 t v3 + c4 eλ4 t v4 ,

dondecc11,,cc22,,cc33, ,yycc44son constantes arbitrarias yλλ11,,λλ22,,λλ33, ,yyλλ44son eigenvalores con los eigenvectores
correspondientesxx11,,xx22,,xx33, ,yyxx44. .
a. Use el método QR para encontrar λ1 , . . . , λ4 .
b. Use el método de potencia inversa para encontrar x1 , . . . , x4 .
c. Forme la solución general de x (t) = Ax(t).
d. Encuentre la única solución que satisface x(0) = (2, 1, −1, 3)t .

EJERCICIOS TEÓRICOS
11. a. Muestre que la matriz de rotación cos θ − sen θ aplicada al vector x = (x1 , x2 )t tiene el efec-
sen θ cos θ
to geométrico de rotar x un ángulo θ sin cambiar su magnitud respecto a la norma l2.
b. Muestre que la magnitud de x respecto a la norma l∞ se puede cambiar mediante una matriz de
rotación.
12. Si P es la matriz de rotación con pii = p j j = cos θ y pi j = − p ji = sen θ, para j < i. Muestre que
para cualquier matriz A n 3 n,

a pq , si q = i, j,
(A P) pq = (cos θ)a pj + (sen θ)a pi , si q = j,

(cos θ)a pi − (sen θ)a pj , si q = i.

a pq , si p = i, j,
(P A) pq = (cos θ)a jq − (sen θ)aiq , si p = j,

(sen θ)a jq + (cos θ)aiq , si p = i.

13. Muestre que el producto de una matriz triangular superior (a la izquierda) y una matriz Hessenberg
superior produce una matriz Hessenberg superior.
14. Si Pk denota una matriz de rotación de la forma determinada en la ecuación (9.17).
a. Muestre que P2t P3t difiere de una matriz triangular superior sólo en la mayoría de las posiciones
(2, 1) y (3, 2).
b. Suponga que P2t P3t · · · Pkt difiere de una matriz triangular superior sólo en la mayoría de las posi-
ciones (2, 1), (3, 2), . . . , (k, k −1). Muestre que P2t P3t · · · Pkt Pk+1
t
difiere de la matriz triangular
superior sólo en la mayoría de las posiciones (2, 1), (3, 2), . . . , (k, k − 1), (k + 1, k).
c. Muestre que la matriz P2t P3t · · · Pnt es Hessenberg superior.
15. El método de Jacobi para una matriz simétrica A se describe por medio de
A1 = A,
A2 = P1 A1 P1t

y, en general,

Ai+1 = Pi Ai Pit .
Conjunto de ejercicios

La matriz Ai+1 tiende a una matriz diagonal, donde Pi es una matriz de rotación seleccionada para
eliminar un elemento grande fuera de la diagonal en Ai. Suponga que a j,k y ak, j se establecerán en 0,
donde j = k. Si a j j = akk , entonces

1 b
(Pi ) j j = (Pi )kk = 1+ √ ,
2 c + b2
2

c
(Pi )k j = √ = −(Pi ) jk ,
2(Pi ) j j c2 + b2

donde

c = 2a jk sgn(a j j − akk ) y b = |a j j − akk |

o, si a j j = akk ,

2
(Pi ) j j = (Pi )kk =
2
y

2
(Pi )k j = −(Pi ) jk = .
2

Desarrolle un algoritmo para implementar el método de Jacobi al obtener a21 = 0. Entonces, establez-
ca a31 , a32 , a41 , a42 , a43 , . . . , an,1 , . . . , an,n−1 alrededor de cero. Esto se repite hasta que se calcula una
matriz Ak con
n n
|ai(k)
j |
i=1 j=1
j=i

suficientemente pequeña. Entonces, los eigenvalores de A se pueden aproximar mediante las entradas
diagonales de Ak.
16. Repita el ejercicio 3 usando el método de Jacobi.

PREGUNTAS DE ANÁLISIS
1. La descomposición RQ transforma una matriz A en el producto de una matriz triangular superior R
(también conocida como triangular derecha) y una matriz ortogonal Q. ¿Cómo difiere esta descompo-
sición de la descomposición QR?
2. La transformación de Householder se puede usar para calcular la transformación QR de una matriz
A m 3 n con m ≥ n. ¿La transformación de Householder se puede usar para calcular la transformación
RQ?

CONJUNTO DE EJERCICIOS 9.6


1. Determine los valores singulares de las siguientes matrices.
2 1 2 1
 
a. A =
1 0 b. A =  1 1 
0 1
2 1 1 1 0
   
 −1 1   −1 0 1
c. A =  d. A = 

1 1  0 1 −1
   

2 −1 1 1 −1
Capítulo 9

2. Determine los valores singulares de las siguientes matrices.


−1 1 1 1 0
 
a. A =
1 1 b. A =  1 0 1 
0 1 1
1 −1 0 1 1
   
 1 1   0 1 0 
c. A =   0 1  d. A =   1 1 0 
   
 1 0   0 1 0 
 

−1 1 1 0 1

3. Determine una descomposición en valores singulares para las matrices en el ejercicio 1.


4. Determine una descomposición en valores singulares para las matrices en el ejercicio 2.
5. Sea A la matriz dada en el ejemplo 2. Muestre que (1, 2, 1)t , (1, −1, 1)t , y (−1, 0, 1)t son eigenvecto-
res de At A asociados a los eigenvalores λ1 = 5, λ2 = 2, y λ3 = 1., respectivamente.

EJERCICIOS APLICADOS
6. Dados los datos

xi 1.0 2.0 3.0 4.0 5.0


yi 1.3 3.5 4.2 5.0 7.0

a. Use la técnica de descomposición en valores singulares para determinar el polinomio de mínimos


cuadrados de grado 1.
b. Use la técnica de descomposición en valores singulares para determinar el polinomio de míni-
mos cuadrados de grado 2.
7. Dados los datos

xi 1.0 1.1 1.3 1.5 1.9 2.1


yi 1.84 1.96 2.21 2.45 2.94 3.18

a. Use la técnica de descomposición en valores singulares para determinar el polinomio de mínimos


cuadrados de grado 2.
b. Use la técnica de descomposición en valores singulares para determinar el polinomio de míni-
mos cuadrados de grado 3.
8. Determine una relación entre el número de peces y el número de especies de peces en las muestras to-
madas para una parte de la Gran Barrera de Coral, P. Sale y R. Dybdahl [SD] se ajustan a un polinomio
lineal de mínimos cuadrados para el siguiente conjunto de datos, recopilados en muestras durante un
periodo de dos años. Sea x el número de peces en la muestra y y el número de especies en la muestra.

x y x y x y
13 11 29 12 60 14
15 10 30 14 62 21
16 11 31 16 64 21
21 12 36 17 70 24
22 12 40 13 72 17
23 13 42 14 100 23
25 13 55 22 130 34

Determine el polinomio lineal de mínimos cuadrados para estos datos.


9. El siguiente conjunto de datos, presentado en el Subcomité Antimonopolio del Senado, muestra las
características de supervivencia a choques de automóviles en varias clases. Encuentre el polinomio
cuadrático de mínimos cuadrados que aproxima estos datos. (La tabla muestra el porcentaje de vehícu-
los relacionados con accidentes en los que la lesión más grave fue fatal o grave.)
Conjunto de ejercicios

Peso Porcentaje de
Tipo promedio presencia
1. Doméstico lujoso regular 4800 lb 3.1
2. Doméstico intermedio regular 3700 lb 4.0
3. Doméstico económico regular 3400 lb 5.2
4. Doméstico compacto 2800 lb 6.4
5. Extranjero compacto 900 lb 9.6

EJERCICIOS TEÓRICOS
10. Suponga que A es una matriz m 3 n. Muestre que rango(A) es igual a rango(At).
11. Muestre que nulidad(A) 5 nulidad(At ) si y sólo si A es una matriz cuadrada.
12. Suponga que A tiene la descomposición en valores singulares A 5 U S V t. Determine, con justificación,
una descomposición en valores singulares de At.
13. Suponga que A tiene la descomposición en valores singulares A 5 U S V t. Muestre que rango(A) 5
rango(S).
14. Suponga que la matriz A m 3 n tiene la descomposición en valores singulares A 5 U S V t. Exprese la
nulidad(A) en términos de rango(S).
15. Suponga que la matriz A n 3 n tiene la descomposición en valores singulares A 5 U S V t. Muestre que
existe A21 existe si y sólo si S21 y encuentre la descomposición en valores singulares para A21 cuando
existe.
16. La parte ii) del teorema 9.26 establece que nulidad(A) = nulidad(At A). ¿También es cierto que nulida-
d(A) 5 nulidad(A At )?
17. La parte iii) del teorema 9.26 establece que rango(A) = rango(At A). ¿También es cierto que rango(A) 5
rango(A At )?
18. Muestre que si A es una matriz m 3 n y P es una matriz ortogonal n 3 n, entonces P A tiene los mismos
valores singulares que A.
19. Muestre que si A es una matriz no singular n 3 n con valores singulares s1 , s2 , . . . , sn , entonces el
número de condición l2 de A es K 2 (A) = (s1 /sn )2 .
20. Use el resultado en el ejercicio 19 para determinar los números de condición de las matrices cuadradas
no singulares en los ejercicios 1 y 2.

PREGUNTAS DE ANÁLISIS
1. Un sistema lineal Ax 5 b con más ecuaciones que incógnitas recibe el nombre de sistema lineal sobre-
determinado. ¿Cómo se puede usar la técnica de valor singular para resolver un sistema lineal sobrede-
terminado cuando existe una solución?
2. La importancia de la descomposición en valores singulares en muchas aplicaciones es que podemos
deducir las características más importantes de una matriz m 3 n usanto una matriz que, a menudo, es
significativamente más pequeña. Encuentre algunos ejemplos adicionales en los que esta técnica podría
ser útil.
3. Proporcione algunos ejemplos sobre cómo se puede utilizar la aproximación por mínimos cuadrados
en diferentes disciplinas. Por ejemplo, podemos seleccionar algunas como la ingeniería eléctrica y
computacional, la estadística, los negocios o la economía, por nombrar algunas.

PREGUNTAS DE ANÁLISIS (FINAL DEL CAPÍTULO)


1. Proporcione una descripción general de la implementación SVD en la biblioteca
GSL.
2. Proporcione una descripción general del proyecto Apache Mahout y las implicacio-
nes para implementación SVD.
Capítulo 9

CONCEPTOS CLAVE
Algoritmo QR Método de Householder Transformación de similitud
Círculo Geršgorin Método de potencia Valor singular
Deflación Wielandt Método de potencia inversa Valores singulares
Descomposición en valores Método de potencia Vector ortogonal
singulares simétrica Vector ortonormal
Matriz de rotación Métodos de deflación
Matriz ortogonal Transformación de
Matriz simétrica Householder

REVISIÓN DEL CAPÍTULO


El tema general del capítulo es la aproximación de eigenvalores y eigenvectores. Termina
con una técnica para factorizar una matriz arbitraria que requiere estos métodos de aproxi-
mación.
Los círculos de Geršgorin proporcionan una aproximación cruda para colocar los ei-
genvalores de una matriz. El método de potencia se puede usar para encontrar el eigenvalor
dominante y un eigenvector asociado para una matriz arbitraria A. Si A es simétrica, el méto-
do de potencia simétrica provee una convergencia más rápida para el eigenvalor dominante
y un eigenvector relacionado. El método de potencia inversa encontrará el eigenvalor más
cercano a un valor determinado y un eigenvector asociado. Este método, a menudo, se usa
para refinar un eigenvalor y para calcular un eigenvector una vez que se ha encontrado un
eigenvalor por alguna otra técnica.
Los métodos de deflación, como la deflación de Wielandt, obtienen otros eigenvalores
una vez que se conoce el eigenvalor. Estos métodos se usan si sólo se requieren algunos
eigenvalores ya que son susceptibles al error de redondeo. El método de potencia inversa
debería usarse para mejorar la precisión de los eigenvalores aproximados obtenidos a partir
de una técnica de deflación.
Los métodos con base en transformaciones de similitud, como el método de Househol-
der, se usan para convertir una matriz simétrica en una matriz similar que es tridiagonal (o
Hessenberg superior si la matriz no es simétrica). Posteriormente, técnicas como el método
QR se pueden aplicar a la matriz (o Hessenberg superior) para obtener aproximaciones para
todos los eigenvalores. Los eigenvectores asociados se pueden encontrar con un método ite-
rativo, como el de potencia inversa, o modificar el método QR para incluir la aproximación
de eigenvectores. Nosotros restringimos nuestro estudio a las matrices simétricas y sólo
presentamos el método QR para calcular los eigenvalores para el caso simétrico.
La descomposición en valores singulares se analiza en la sección 9.6. Se usa para fac-
torizar una matriz m 3 n en la forma U S V t, donde U es una matriz ortogonal m 3 m, V es
una matriz ortogonal n 3 n y S es una matriz m 3 n, cuyas únicas entradas diferentes de
cero se encuentran a lo largo de la diagonal principal. Esta factorización tiene aplicaciones
importantes que incluyen procesamiento de imágenes, compresión de datos y resolución de
sistemas lineales sobredeterminados que surgen en las aproximaciones de mínimos cuadra-
dos. La descomposición en valores singulares requiere el cálculo de eigenvalores y eigen-
vectores, por lo que es adecuado concluir el capítulo con esta técnica.
Los libros de Wilkinson [Wil2] y Wilkinson y Reinsch [WR] son clásicos en el estudio
de los problemas de eigenvalores. Stewart [Stew2] también es una buena fuente de informa-
ción sobre el problema general y Parlett [Par] considera el problema simétrico. Un estudio
del problema no simétrico se puede encontrar en Saad [Sa1].

También podría gustarte