Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
4 <strong>Numerische</strong> L<strong>in</strong>eare Algebra<br />
D.h., auch A (n−2) ist wieder symmetrisch. Symmetrische Hessenberg-Matrizen s<strong>in</strong>d Tridiagonalmatrizen.<br />
□<br />
Bemerkung 4.88 (Hessenberg-Normalform). Die Transformation e<strong>in</strong>er Matrix A ∈<br />
R n×n <strong>in</strong> Hessenberg-Form erfordert bei Verwendung der Householder-Transformationen<br />
5<br />
3 n3 + O(n 2 ) arithmetische Operationen. Im Fall symmetrischer Matrizen erfordert <strong>die</strong><br />
Transformation <strong>in</strong> e<strong>in</strong>e Tridiagonalmatrix 2 3 n3 + O(n 2 ) Operationen.<br />
Die Transformation <strong>in</strong> Hessenberg-Form benötigt demnach etwas mehr arithmetische Operationen<br />
als e<strong>in</strong>e QR-Zerlegung. Im Anschluss können <strong>die</strong> QR-Zerlegungen e<strong>in</strong>er Hessenberg-<br />
Matrix mit weitaus ger<strong>in</strong>gerem Aufwand erstellt werden. Weiter gilt, dass für <strong>die</strong> QR-<br />
Zerlegung e<strong>in</strong>er Hessenberg-Matrix A gilt, dass <strong>die</strong> Matrix RQ wieder Hessenberg-Gestalt<br />
hat. Beides fasst der folgende Satz zusammen:<br />
Satz 4.89 (QR-Zerlegung von Hessenberg-Matrizen). Es sei A ∈ R n×n e<strong>in</strong>e Hessenberg-<br />
Matrix. Dann kann <strong>die</strong> QR-Zerlegung A = QR mit Householder-Transformationen <strong>in</strong><br />
2n 2 + O(n) arithmetische Operationen durchgeführt werden. Die Matrix RQ hat wieder<br />
Hessenberg-Gestalt.<br />
Beweis: Es gilt a ij = 0 für i > j + 1. Wir zeigen, dass <strong>in</strong>duktiv, dass <strong>die</strong>se Eigenschaft für<br />
alle Matrizen A (i) gilt, <strong>die</strong> im Laufe der QR-Zerlegung entstehen. Zunächst folgt im ersten<br />
Schritt für v (1) = a 1 + ‖a 1 ‖e 1 hieraus v (1)<br />
k<br />
= 0 für alle k > 2. Die neuen Spaltenvektoren<br />
berechnen sich zu:<br />
a (1)<br />
i = a i − (a i , v (1) )v (1) . (4.14)<br />
Da v (1)<br />
k<br />
= 0 für k < 2 gilt (a (1)<br />
i ) k = 0 für k > i + 1, d.h. A (1) hat wieder Hessenberg-Form.<br />
Diese Eigenschaft gilt <strong>in</strong>duktiv für i = 2, . . . , n − 1.<br />
Da der (reduzierte) Vektor ṽ (i) <strong>in</strong> jedem Schritt nur zwei von Null verschiedene E<strong>in</strong>träge<br />
hat, kann <strong>die</strong>ser <strong>in</strong> 4 Operationen erstellt werden. Die Berechnung der n − i neuen Spaltenvektoren<br />
gemäß (4.14) bedarf je 4 arithmetischer Operationen. Insgesamt ergibt sich<br />
e<strong>in</strong> Aufwand von<br />
n−1 ∑<br />
i=1<br />
4 + 4(n − i) = 2n 2 + O(n).<br />
Es bleibt (als Übung) <strong>die</strong> Hessenberg-Gestalt der Matrix A ′ := RQ nachzuweisen.<br />
□<br />
In Verb<strong>in</strong>dung mit der Reduktion auf Hessenberg, bzw. auf Tridiagonalgestalt ist das QR-<br />
Verfahren e<strong>in</strong>es der effizientesten Verfahren zur Berechnung von Eigenwerten e<strong>in</strong>er Matrix<br />
A ∈ R n×n . Die QR-Zerlegung kann <strong>in</strong> O(n 2 ) Operationen durchgeführt werden, und im<br />
Laufe des QR-Verfahrens entstehen ausschließlich Hessenberg-Matrizen.<br />
Die Konvergenz des QR-Verfahrens hängt von der Separation der Eigenwerte |λ i |/|λ i+1 | ab.<br />
Je weiter <strong>die</strong> Eigenwerte vone<strong>in</strong>ander entfernt s<strong>in</strong>d, umso besser konvergiert das Verfahren.<br />
178