Wartości i wektory własne - Fatcat
Wartości i wektory własne - Fatcat
Wartości i wektory własne - Fatcat
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Wartości i <strong>wektory</strong> własne<br />
Dość często przy rozwiązywaniu problemów naukowych czy technicznych<br />
pojawia się konieczność rozwiązania dość specyficznego układu równań:<br />
Zależnego od n nieznanych zmiennych <br />
i pewnego parametru . Rozwiązaniem<br />
układu równań jest tzw. wektor własny :<br />
przynależny do wartości własnej <br />
Rozwiązanie sprowadz się do znalezienia<br />
rozwiązania problemu własnego. Powyższy układ równań wygodniej jest zapisać<br />
w postaci macierzowej:<br />
gdzie: A jest macierzą nxn zawierającą współczynniki układu.<br />
1
Wartości i <strong>wektory</strong> własne<br />
Nie zawsze układ równań, którego chcemy znaleźć rozwiązanie, przyjmuje tak prostą<br />
postać. Nierzadko mamy do czynienia z tzw. uogólnionym problemem własnym:<br />
gdzie: B jest macierzą nxn.<br />
Jeśli macierz B jest nieosobliwa to problem uogólniony można przekształcić<br />
do postaci:<br />
czyli do problemu własnego w podstawowej wersji. Konwersja problemu<br />
uogólniego do standardowego problemu wiąże się z koniecznością znalezienia<br />
macierzy B -1 czyli wykonaniem dodatkowych obliczeń.<br />
2
Wartości i <strong>wektory</strong> własne<br />
Pojęcia podstawowe.<br />
Def. Liczbę nazywamy wartością własną macierzy jeśli istnieje<br />
taki niezerowy wektor x dla którego zachodzi:<br />
Wektor x nazywamy (prawostronnym) wektorem własnym przynależnym do wartości<br />
własnej . Ciąg wszystkich wartości własnych nazywamy widmem macierzy A -Sp(A).<br />
Z powyższej definicji wynika:<br />
Macierz (A-I) jest osobliwa, więc:<br />
Wyznacznik ten jest wielomianem stopnia n zmiennej :<br />
Każda wartość własna jest pierwiastkiem wielomianu charakterystycznego<br />
macierzy A.<br />
3
Wartości i <strong>wektory</strong> własne<br />
Def. Wartości i wektroy własne macierzy transponowanej A T nazywamy<br />
lewostronnymi wartościami i lewostronnymi wektorami własnymi macierzy A.<br />
Wyznacznik macierzy po jej transponowaniu nie ulega zmianie. Dlatego widmo<br />
macierzy A jest równe widmu lewostronnemu.<br />
Tw. Jeżeli p<br />
jest wartością własną macierzy, a l<br />
jest jej lewostronną wartością własną<br />
oraz gdy<br />
Wówczas wektor własny x l<br />
jest ortogonalny do lewostronnego wektora własnego x p<br />
.<br />
Dla macierzy symetrycznej A=A T <strong>wektory</strong> własne są zarazem wektorami<br />
lewostronnymi. Jeżeli więc <strong>wektory</strong> własne przynależą do różnych wartości<br />
własnych to są do siebie ortogonalne.<br />
4
Wartości i <strong>wektory</strong> własne<br />
Def. Macierze A i B są podobne jeśli istnieje nieosobliwa macierz podobieństwa P, że:<br />
Tw. Jeżeli macierze A i B są podobne to mają identyczne widmo wartości własnych.<br />
Tw. Macierz Q mxn<br />
(m≥ n) nazywamy ortogonalną jeśli:<br />
Tw. Jeżeli macierz Q nxn<br />
jest ortogonalna to:<br />
Tw. Macierz symetryczna A jest ortogonalnie podobna do macierzy diagonalnej D:<br />
Tw. Wartości własne macierzy symetrycznej są rzeczywiste.<br />
5
Wartości i <strong>wektory</strong> własne<br />
Tw. (Schura) Suma kwadratów modułów wartości własnych jest ograniczona<br />
od góry przez kwadrat normy euklidesowej:<br />
Tw. Widmo macierzy ulega przesunięciu po dodaniu do niej macierzy jednostkowej<br />
pomnożonej przez liczbę:<br />
Widmo:<br />
zostaje zastąpione przez:<br />
6
Wartości i <strong>wektory</strong> własne<br />
Tw. (Gershgorina) Niech C i<br />
oznaczają koła domkniete na płaszczyźnie zespolonej<br />
o środkach w punktach a ii<br />
(elementy diagonalne macierzy A) i promieniach równych<br />
sumie modułów elementów z danego wiersza diagonali:<br />
wówczas:<br />
Jeżeli k kół C i<br />
tworzy zbiór rozłączny z pozostałymi kołami, to w zbiorze tym leży<br />
dokładnie k wartości wlasnych macierzy A.<br />
Wnioski:<br />
1) Jeżeli macierz jest symetryczna i diagonalnie dominująca o nieujemnych<br />
elementach na diagonali, to jest nieujemnie okreslona, a jeśli jest ona<br />
dodatkowo nieosobliwa to jest dodatnio określona. Macierz symetryczna silnie<br />
diagonalnie dominująca jest dodatnio okreslona wtedy i tylko wtedy gdy<br />
elementy na diagonali są dodatnie.<br />
2) W każdym kole rozłącznym z pozostałymi leży dokładnie jedna wartość własna.<br />
7
Wartości i <strong>wektory</strong> własne<br />
Lokalizacja i obliczanie wartości własnych.<br />
Wartości własne macierzy A leżą na płaszczyźnie zespolonej i zawarte są w kole<br />
o środku w 0 i promieniu równym promieniowi spektralnemu tej macierzy.<br />
Ponieważ:<br />
więc można przyjać że:<br />
Widma wartości własnych i lewostronnych wartości własnych są identyczne.<br />
Aby otrzymać lepsze oszacowanie położenia wartości własnych można więc<br />
zastosować twierdzenie Geshgorina dla A T . Koła zawierające wartości własne<br />
mają środki w a ii<br />
i promienie równe sumie modułów pozostałych elementów<br />
w i-tych kulmnach.<br />
Przykład. Podać lokalizację wartości własnych macierzy<br />
8
Wartości i <strong>wektory</strong> własne<br />
a) najgorsze oszacowanie – lokalizacja w kole o promieniu 4<br />
b) tw. Gershgorina – lokalizacja w kole o promieniu 3<br />
c) tw. Gershgorina dla A T – jedno z kół jest odseparowane (C' 3<br />
)i zdegenerowane<br />
znajduje się w nim dokładnie jedna wartośćwłasna (=2) - najlepsze oszacowanie<br />
9
Wartości i <strong>wektory</strong> własne<br />
Metoda potęgowa wyznaczania pojedynczych wartości własnych<br />
i wektorów własnych.<br />
Sposób postępowania:<br />
0) Ustalamy maksymalną liczbę iteracji ITM i wybiramy wektor x 0<br />
, tak aby:<br />
1) obliczamy wektor v i+1<br />
:<br />
oraz liczbę:<br />
Jeżeli m i+1<br />
=0 to przerywamy obliczenia. W przeciwnym razie obliczamy:<br />
2) sprawdzamy warunek: i < ITM. Jeśli tak to dokonujemy podstawienia i=i+1<br />
i powtarzamy krok 1.<br />
Jeżeli ciąg wektorów: x 0<br />
,x 2<br />
,x 4<br />
,..x 2j<br />
,... jest zbieżny do ustalonego wektora x, wówczas<br />
ciąg wartości: m 1<br />
,m 2<br />
,m 3<br />
,... jest zbieżny do pewnej liczby m. W takim przypadku<br />
może być realizowany jeden z 2 wariantów:<br />
1)<br />
2)<br />
10
W obu przypadkach norma wektora wynosi<br />
Wartości i <strong>wektory</strong> własne<br />
a wartość własna jest równa:<br />
lub<br />
Tw. Jeżeli wśród wartości własnych macierzy A nie ma różnych wartości własnych<br />
o równych modułach, to przy dowolnym wektorze startowym x 0<br />
, ciąg wektorów<br />
x 0<br />
,x 2<br />
,x 4<br />
,... jest zbieżny.<br />
Zbieżność metody potęgowej można zwiększyć przesuwając widmo macierzy A:<br />
Jeśli wartości własne zostały wyznaczone inną metodą to metoda potegowa<br />
może posłużyć do obliczania wektorów własnych. Najlepszą zbiezność do wektora<br />
własnwego odpowiadajacego wartości własnej 1<br />
uzyskuje się przesuwając widmo:<br />
gdzie: i<br />
jest nastepną w kolejności wartością własną po 1<br />
ale różną od niej. Najlepszą<br />
zbieżność do wektora odpowiadającego wartości n<br />
uzyskuje się dla<br />
gdzie: i<br />
wartością własną poprzedzającą n<br />
11
Wartości i <strong>wektory</strong> własne<br />
Algorytm LR i QR wyznaczania wartości własnych.<br />
Metoda LR jest to metodą iteracyjną. W pierwszej iteracji przyjmujemy:<br />
W każdej kolejnej iteracji wyznaczamy rozkład A i<br />
w postaci:<br />
gdzie: L i<br />
jest macierzą dolną z jedynkami na diagonali, a R i<br />
macierzą trójkątną górną.<br />
Rozkład taki można znaleźć przy użyciu metody eliminacji Gaussa.<br />
Rozkład ten pozwala przekształcić macierz A i<br />
do postaci A i+1<br />
zgodnie z wzorem:<br />
Postępując w ten sposób, po wielu iteracjach przekształcamy pierwotną macierz A<br />
w macierz trójkatną górną. Wówczas otrzymujemy relację pomiędzy elementami<br />
diagonalnymi macierzy trójkatnej a wartościami własnymi macierzy A:<br />
gdzie: a ii<br />
są elementami diagonalnymi macierzy A i<br />
.<br />
Wadą rozkładu tego jest fakt, że nie zawsze można znaleźć rozkład macierzy A i<br />
w postaci iloczynu LR. Powodem może być złe uwarunkowanie rozkładu.<br />
12
Wartości i <strong>wektory</strong> własne<br />
Z metody LR wywodzi się metoda QR. W metodzie tej, podobnie jak w metodzie<br />
LR w każdej iteracji dokonujemy macierzy A i<br />
. Rozkład ten ma postać:<br />
gdzie: R i<br />
jest macierzą trójkątna górną, a Q i<br />
jest macierzą ortogonalną<br />
lub dla macierzy zespolonej<br />
W podstawowej wersji metody QR po wykonaniu wielu iteracji (przekształceń),<br />
otrzymujemy macierz A i+1<br />
na diagonali której znajdują się wartości własne macierzy A.<br />
Wynika to z faktu podobieństwa macierzy w dwóch kolejnych iteracjach:<br />
Macierz A i+1<br />
jest podobna do macierzy A i<br />
, A i-1<br />
,...,A 1<br />
. Wadą podstawowej wersji<br />
metody QR jest duża czasochłonność. Przekształcenie A i<br />
do postaci A i+1<br />
wymaga<br />
nakładu obliczeń rzędu n 3 .<br />
13
Wartości i <strong>wektory</strong> własne<br />
Algorytm QR dla macierzy Hessenberga.<br />
Macierzą (górną) Hessenberga jets macierz, którą można zapisać w postaci:<br />
gdzie: T jest macierzą trójdiagonalną a U jest macierzą trókatną górną.<br />
Każda macierz kwadratowa jest ortogonalnie podobna do macierzy Hessenberga, więc<br />
ma ona to samo widmo wartości własnych co macierz H.<br />
W celu wyznaczenia wartości własnych macierzy H wyznaczamy ciąg miacierzy:<br />
Wszystkie macierze Q i<br />
oraz H i<br />
są macierzami Hessenberga.<br />
Ponieważ:<br />
wobec czego wszystkie macierze H i<br />
, i=1,2,3,.. są podobne. Elementy na diagonali<br />
kolejnych H i<br />
dążą do wartości własnych macierzy H 1<br />
=H.<br />
Jeżeli macierz H ma pojedyncze wartości własne takie, że są pomiedzy nimi pary<br />
sprzężone o identycznych modułach, to nie wszystkie elementy poddiagonalne dążą<br />
do 0. W granicy otrzymuje się macierz:<br />
14
Wartości i <strong>wektory</strong> własne<br />
gdzie: gwiazdki oznaczają elementy ustalone, kropki lementy których wartości mogą<br />
się zmieniać.<br />
Wartości własne leżą wtedy bezpośrednio na diagonali lub są wartościami własnymi<br />
macierzy 2x2 leżących na diagonali.<br />
Wadą metody może być powolna zbieżność. Zwiększenie wydajności uzyskuje się<br />
dokonując przesunięcia widma wartości własnych zgodnie z poniższym schematem:<br />
Wartość k i<br />
wybiera się jako równe otrzymanym już wartościom własnym<br />
czyli<br />
lub wartości k i<br />
oraz k i+1<br />
jako równe wartościom własnym macierzy 2x2<br />
znajdujących się w prawym dolnym rogu macierzy H i<br />
. Metodę QR można<br />
stosować do dowolenej macierzy. Ze względu na dużą wydajność metody<br />
dla macierzy Hessenberga zaleca się przekształecenie macierzy do<br />
postaci Hessenberga i zastosowanie QR.<br />
15
Wartości i <strong>wektory</strong> własne<br />
Metoda eliminacji Gaussa przekształacenia macierzy<br />
do postaci Hessneberga.<br />
Macierz A sprowadzamy do postaci Hessenberga dokonując (n-2) przekształceń,<br />
uzyskując kolejno macierze: A 1<br />
, A 2 ,..., A n-1 =H.<br />
Przekształcenie A i<br />
w A i+1<br />
przebiega w następujący sposób:<br />
1)spośród elementów<br />
wybieramy ten o największym module. Jeśli są to same elementy zerowe to A i+1<br />
=A i<br />
i dokonujemy kolejnego przekształcenia. Jeśli element znajduje się w k-tym wierszu,<br />
przestawiamy wiersze i kolumny o indeksach k oraz i+1.<br />
2) Obliczamy współczynniki<br />
Ze względu na wybór elementu podstawowego<br />
zapewniona jest stabilność numeryczna.<br />
3) Od j-tegi wiersza odejmujemy i+1 wiersz pomnożony przez m j<br />
(i)<br />
oraz do i+1 kolumny<br />
dodajemy j-tą kolumne pomnożoną przez m j<br />
(I)<br />
, J=I+2,I+3,...,n.<br />
Elementy<br />
są równe 0. i-ta kolumna macierzy A i<br />
jest równa i-tej kolumnie macierzy H.<br />
16
Metoda Hausholdera rozkładu QR.<br />
Wartości i <strong>wektory</strong> własne<br />
Definiujemy macierz Hausholdera w postaci:<br />
Def. Iloczyn zewnętrzny<br />
Własności macierzy Hausholdera:<br />
Macierz Hausholdera posłuży do znalezienia rozkładu QR.<br />
Określamy ciąg macierzy P (1) ,P (2) ,P (3) ,...P (n-1) przy pomocy których definiujemy macierz R<br />
(górną trójkatną):<br />
17
Wartości i <strong>wektory</strong> własne<br />
Zakładamy:<br />
Macierz H (1) jest macierzą Hausholdera sprowadzajacą pierwsza kolumnę macierzy A (a (1) 1 )<br />
do postaci:<br />
Przez P (2) oznaczamy:<br />
Macierz H (2) sprowadza pierwszą kolumnę macierzy o wymiarze (n-1)x(n-1)<br />
utworzonej z wierszy i kolumn o numerach 2,3,4,...,n macierzy P (1) A (a (2) ) do postaci:<br />
1<br />
Postępujemy w ten sposób otrzymując kolejno P (3) ,P (4) , itd.<br />
18
Wartości i <strong>wektory</strong> własne<br />
Macierz P (n-1) ma postać:<br />
A macierz H (n-1) ma wymiar 2x2.<br />
Po wyznaczeniu wszystkich macierzy P (i) , rozkład A=QR wyznaczamy<br />
według wzorów:<br />
Liczba operacji potrzebnych do uzyskania rozkładu Hausholdera wynosi:<br />
- mnożeń<br />
- dodawań<br />
- pierwiastkowań<br />
19
Wartości i <strong>wektory</strong> własne<br />
Przykład. Wyznaczyć rozkład QR macierzy<br />
i=1<br />
i=2<br />
20
Wartości i <strong>wektory</strong> własne<br />
Wartości i <strong>wektory</strong> własne macierzy symetrycznych.<br />
Dzięki symetrii macierzy, metody poszukiwania wartości i wektorów własnych<br />
posiadają wiele zalet:<br />
1. Dwukrotnie mniejsza liczba zajętych komórek pamięci niż dla „pełnej” macierzy<br />
2. Mniejszy nakłąd obliczeń<br />
3. Metody upraszczają się jeśli wartości własne są rzeczywiste<br />
4. Zadanie wyznaczenia wartości własnych jest dobrze uwarunkowane<br />
Tw. Jeżeli macierz A jest symetryczna i dodatnio określona, to dla dowolnego wektora<br />
początkowego x 0<br />
metoda potęgowa jest zbieżna.<br />
Tw. Jeżeli macierz A jest symetryczna i dodatnio określona,<br />
to algorytm QR generuje ciąg macierzy A (1) ,A (2) ,...<br />
zbieżny do macierzy diagonalnej.<br />
Algorytm QR zachowuje symetrię macierzy A (i) :<br />
Najczęściej jednak macierz symetryczną sprowadza się do postaci trójdiagonlanej.<br />
Wyznaczanie wartości i wektorów własnych macierzy trójdiagonalnej wymaga<br />
niewielkiego nakładu obliczeń.<br />
21
Wartości i <strong>wektory</strong> własne<br />
Przekształcenie macierzy symetrycznej do postaci trójdiagonalnej.<br />
Jeśli jako T oznaczymy macierz trójdiagonalną a przez A macierz symetryczną<br />
to istnieje taka macierz podobieństwa P:<br />
Macierz P można znaleźć stosując metodę Hausholdera lub Givensa.<br />
W metodzie Hausholdera liczba działań potrzebnych do sprowadzenia<br />
macierzy A do postaci T wynosi:<br />
- mnożeń<br />
- dodawań<br />
Błędy zaokrągleń w metodzie Hasuholdera:<br />
- pierwiastkowań<br />
gdzie:<br />
- oznacza dokładną postać macierzy trójdiagonalnej<br />
-stała zależna od sposobu zakrąglania liczb<br />
22
Wartości i <strong>wektory</strong> własne<br />
Metoda bisekcji poszukiwania wartości i wektorów własnych<br />
macierzy trójdiagonalnej.<br />
Sposób postępowania:<br />
1) wybieramy dowolną liczbę i obliczamy wartość wielomianu charakterystycznego<br />
rekurencyjnie:<br />
- wartość wielomianu (M=3n-3, D=2n-1)<br />
2) Korzystamy z poniższych twierdzeń:<br />
Tw. Jeżeli elementy a 2<br />
,a 2<br />
,...,a n<br />
(pozadiagonalne) są niezerowe, to wartości własne<br />
macierzy T są pojedyncze.<br />
23
Wartości i <strong>wektory</strong> własne<br />
Tw. Jeżeli elementy a 2<br />
,a 2<br />
,...,a n<br />
(pozadiagonalne) są niezerowe, to ciąg wartości<br />
<br />
<br />
n<br />
spełnia warunki:<br />
a) Jeżeli i<br />
dla pewnego i
Wartości i <strong>wektory</strong> własne<br />
25
Wartości i <strong>wektory</strong> własne<br />
Metoda bisekcji jest bardzo dokładna. Wadą jest uzyskiwanie duzych wartości<br />
ciągu 0<br />
1<br />
n<br />
jeśli znacznie różni się od wartości własnych T.<br />
Zaletą natomiast możliwośc obliczenia wartości własnej o określonym indeksie k.<br />
Liczba iteracji potrzebna do wyznaczenia k<br />
wynosi:<br />
Wektory własne<br />
Znając wartość własną macierzy T wektor własny wyznaczamy według wzorów:<br />
gdzie: b 1<br />
,b 2<br />
,...,b n<br />
– elementy diagonalne T<br />
a 2<br />
,a 3<br />
,...,a n<br />
– elementy pozadiagonalne T<br />
26