12.01.2015 Views

Calculul valorilor si vectorilor proprii

Calculul valorilor si vectorilor proprii

Calculul valorilor si vectorilor proprii

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

5.6. APLICAŢIILE DVS 417<br />

problema determinării rangului rămâne fără obiect. De aceea, pentru aplicaţii, este<br />

necesară o modalitate coerentă de apreciere a <strong>valorilor</strong> <strong>si</strong>ngulare neglijabile. Rangul<br />

rezultat după deciziile de neglijare, în conformitate cu criterii bine precizate,<br />

a <strong>valorilor</strong> <strong>si</strong>ngulare ”mici” va fi numit ”rangul numeric” al matricei iniţiale. Mai<br />

precis avem următoarea definiţie.<br />

Definiţia 5.6 Fie A ∈ IC m×n şi A = UΣV H DVS a matricei A. Rangul numeric<br />

al matricei A pentru o toleranţa ǫ fixată este definit de<br />

˜r = rang(A,ǫ) =<br />

min<br />

‖A−X‖ ≤ ǫ<br />

X ∈ IC m×n rangX, (5.119)<br />

i.e. este cel mai mic dintre rangurile tuturor matricelor de aceleaşi dimen<strong>si</strong>uni aflate<br />

la o distanţă – definită de norma spectrală – de matricea A mai mică decât toleranţa<br />

admisă 25 .<br />

DVS este un mijloc extrem de <strong>si</strong>gur de determinare a rangului numeric în sensul<br />

definiţiei de mai sus. În sprijinul acestei afirmaţii avem următoarea teoremă.<br />

Teorema 5.14 Dacă A = UΣV H este DVS a matricei A ∈ IC m×n , k < r = rangA<br />

şi<br />

k∑<br />

def<br />

A k = σ j u j vj H , (5.120)<br />

atunci<br />

j=1<br />

min ‖A−X‖ = ‖A−A k ‖ = σ k+1 . (5.121)<br />

rangX = k<br />

X ∈ IC m×n<br />

Demonstraţie. Precizăm mai întâi faptul că, atât în enunţul teoremei cât şi<br />

în cele ce urmează, utilizăm în exclu<strong>si</strong>vitate norma spectrală. Din (5.120) rezultă<br />

∑<br />

U H A k V = diag(σ 1 ,σ 2 ,...,σ k ,0,...,0), de unde rangA k = k. Rezultă A − A k =<br />

r<br />

j=k+1 σ ju j vj H, deundeavemUH (A−A k )V = diag(0,...,0,σ k+1 ,...,σ r ,0,...,0)<br />

şi, prin urmare, ‖A−A k ‖ = σ k+1 .<br />

Fie acum o matrice m × n (complexă) X de rang k, altfel arbitrară. Fie, de<br />

asemenea, subspaţiile liniare ¯X = KerX, ¯V = ImV(:,1:k+1) şi W = ¯X ⋂ ¯V din<br />

IC n . Întrucât dim ¯X = n − k şi dim¯V = k + 1 avem dimW ≥ 1. Există deci un<br />

vector unitar w ∈ W. Avem pe de o parte Xw = 0, iar pe de altă parte există<br />

z ∈ IC k+1 cu ‖z‖ 2 = 1 astfel încât w = V(:,1 : k+1)z = ∑ k+1<br />

i=1 z iv i . Obţinem<br />

Aw = ∑ k+1<br />

i=1 z iAv i = ∑ k+1<br />

i=1 z iσ i u i . Rezultă<br />

‖A−X‖ def<br />

= max ‖(A−X)x‖ ≥ ‖(A−X)w‖ = ‖Aw‖ = √ k+1 ∑<br />

|z i | 2 σi 2.<br />

‖x‖ = 1<br />

i=1<br />

25 În ceea ce priveşte nivelul toleranţelor practicate, acesta depinde de contextul aplicativ. De<br />

exemplu, dacă matricea provine din date experimentale cu un nivel cunoscut al erorilor de măsură,<br />

atunci nu are nici un sens ca ǫ să fie inferior acestui nivel. Dacă matricea iniţială se con<strong>si</strong>deră<br />

exactă, atunci se recomandă ǫ ≈ ε M ‖A‖, unde ε M este ep<strong>si</strong>lon maşină al formatului virgulă mobilă<br />

al maşinii pe care se efectuează calculele.

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!