Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
4 <strong>Numerische</strong> L<strong>in</strong>eare Algebra<br />
Beispiel 4.81 (Inverse Iteration nach Wieland). Es sei:<br />
mit den Eigenwerten:<br />
⎛<br />
⎞<br />
2 −0.1 0.4<br />
⎜<br />
⎟<br />
A = ⎝0.3 −1 0.4⎠<br />
0.2 −0.1 4<br />
λ 1 ≈ −0.983, λ 2 = 1.954, λ 3 = 4.029.<br />
Wir wollen alle Eigenwerte mit der <strong>in</strong>versen Iteration bestimmen. Startwerte erhalten wir<br />
durch Analyse der Gerschgor<strong>in</strong>-Kreise:<br />
K 1 = K 0.5 (2), K 2 = K 0.2 (−1), K 3 := K 0.3 (4).<br />
Die drei Kreise s<strong>in</strong>d disjunkt und wir wählen als Shift <strong>in</strong> der Inversen Iteration σ 1 = 2,<br />
σ 2 = −1 sowie σ 3 = 4. Die Iteration wird stets mit v = (1, 1, 1) T und Normierung bezüglich<br />
der Maximumsnorm gestartet. Wir erhalten <strong>die</strong> Näherungen:<br />
σ 1 = 2 : µ (1)<br />
1 = −16.571, µ (2)<br />
1 = −21.744, µ (3)<br />
1 = −21.619, µ (4)<br />
1 = −21.622,<br />
σ 2 = −1 : µ (1)<br />
2 = 1.840, µ (2)<br />
2 = 49.743, µ (3)<br />
2 = 59.360, µ (4)<br />
2 = 59.422,<br />
σ 3 = 4 : µ (1)<br />
3 = 6.533, µ (2)<br />
3 = 36.004, µ (3)<br />
3 = 33.962, µ (4)<br />
3 = 33.990.<br />
Diese Approximationen ergeben <strong>die</strong> folgenden Eigenwert-Näherungen:<br />
λ 1 = σ 1 + 1/µ (4)<br />
1 ≈ 1.954, λ 2 = σ 2 + 1/µ (4)<br />
2 ≈ −0.983, λ 3 = σ 3 + 1/µ (4)<br />
3 ≈ 4.029.<br />
Alle drei Näherungen s<strong>in</strong>d <strong>in</strong> den ersten wesentlichen Stellen exakt.<br />
Das Beispiel demonstriert, dass <strong>die</strong> <strong>in</strong>verse Iteration mit Shift zu e<strong>in</strong>er wesentlichen Beschleunigung<br />
der Konvergenz führt, falls gute Schätzungen der Eigenwerte vorliegen.<br />
4.6.4 Das QR-Verfahren zur Eigenwertberechnung<br />
Wir haben bereits <strong>die</strong> QR-Zerlegung e<strong>in</strong>er Matrix A <strong>in</strong> e<strong>in</strong>e orthogonale Matrix Q ∈ R n×n<br />
sowie e<strong>in</strong>e rechte obere Dreiecksmatrix R ∈ R n×n kennengelernt. Das QR-Verfahren zur<br />
Berechnung der Eigenwerte von A beruht auf der folgenden Beobachtung:<br />
A = QR = QR(QQ T ) = Q(RQ)Q T , (4.13)<br />
d.h., <strong>die</strong> Matrix A ist orthogonal ähnlich zur Matrix RQ, hat also <strong>die</strong> gleichen Eigenwerte<br />
wie <strong>die</strong>se. Wir def<strong>in</strong>ieren:<br />
174