METODO PARA
EL CALCULO DE VALORES Y VECTORES PROPIOS DOMINANTES DE UNA
MATRIZ - PARTE II
Continía en PARTE
III - PARTE IV
Viene de PARTE
I.
Análogamente, si consideramos la siguiente iteración
y descomponemos, queda (22) :
\( A^{p+1}Q = A·M_p = M_{p+1}\approx \hat{M}_{p+1} = [\beta][\lambda^{(p)}][\alpha^T] \)
La matriz \( [\alpha^T]\) depende únicamente de los vectores
iniciales de iteración, que se han tomado linealmente independientes,
por lo que podemos considerarla no singular para escribir (23)
:
\( \begin{array}{l}
\hat{M}_{p+1} = A·\hat{M}_p = [\beta][\lambda^{(p+1)}][\alpha^T]
= [\beta][\lambda^{(p)}][\lambda^{(1)}][\alpha^T] = \\
\\
[\beta][\lambda^{(p)}][\alpha^T][\alpha^T]^{-1}[\lambda^{(1)}][\alpha^T]
= \hat{M}_p[\alpha^T]^{-1}[\lambda^{(1)}][\alpha^T] = \hat{M}_p·\Sigma_R
\end{array} \)
Lo que significa que \(\hat{M}_p\) es una matriz propia de A.
Para el cálculo de los vectores de Jordan asociados
a los R valores propios de mayor módulo, tenemos
(24) :
\( A·\hat{M}_p = \hat{M}_p[\alpha^T]^{-1}[\lambda^{(1)}][\alpha^T] \)
Y multiplicando a derecha por \( [\alpha^T]^{-1}\)(25) :
\( A·\hat{M}_p[\alpha^T]^{-1} = \hat{M}_p[\alpha^T]^{-1}[\lambda^{(1)}] \)
Por lo que \(\hat{M}_p[\alpha^T]^{-1}\) da los vectores de Jordan
buscados.
Los valores propios de la matriz dada en (23) y que llamamos
matriz sigma, coinciden con los valores propios dominantes
de la matriz inicial.
La matriz sigma puede obtenerse sin más que considerar
una matriz arbitraria V de la misma dimensión que , puesto
que, teniendo en cuenta (23), podemos hacer (26) :
\( \hat{M}_{p+1} = A·\hat{M}_p = \hat{M}_p·\Sigma_R \rightarrow
V^{\;T}·\hat{M}_{p+1} =V^{\;T}· \hat{M}_p·\Sigma_R \)
Y de ahí obtener mediante (27) :
\( \Sigma_R = \left[V^{\;T}· \hat{M}_p \right]^{-1}\left[V^{\;T}·\hat{M}_{p+1}
\right] \)
lo cual siempre es posible al haber elegido V arbitraria.
Queda así resuelto el problema de extracción
de los R valores propios de mayor módulo de una matriz
y sus vectores propios correspondientes.
Una variante sobre el algoritmo anterior puede hacerse considerando
un solo vector de iteración para obtener una base
de Krilov del subespacio dominante [13].
Sea v vector cualquiera de dimensión n y supongamos
que A posee n vectores propios. Podemos expresar v como
combinación lineal de dichos vectores propios (28)
:
\(\displaystyle v = \alpha_1q_1 +\ldots + \alpha_nq_n = \sum_{i=1}^n \alpha_iq_i \)
Si aplicamos p veces la matriz A sobre el vector v, obtenemos
(29) :
\( \displaystyle A^pv = \alpha_1\lambda_1^pq_1 +\ldots + \alpha_n \lambda_n^pq_n = \sum_{i=1}^n \alpha_i \lambda_i^pq_i \)
Cada uno de estos vectores propios, \(q_i\), puede expresarse
en función de los vectores de la base canónica,
lo cual nos permite escribir (30) :
\( A^pv = \alpha_1\lambda_1^p\left(\beta_{11}, \ldots ,\beta_{1n} \right) +\ldots + \alpha_n \lambda_n^p\left(\beta_{n1}, \ldots ,\beta_{nn} \right) \)
Consideramos entonces r iteracciones, a partir de una p-ésima
dada, para escribir la matriz de dimensión nxr (31) :
\( M_p =\displaystyle \left[ \begin{array}{ccc} \sum_{i=1}^n
\alpha_i \lambda_i^p\beta_{i1} & \cdots & \sum_{i=1}^n \alpha_i
\lambda_i^{p+\gamma-1}\beta_{i1}\\ \sum_{i=1}^n \alpha_i \lambda_i^p\beta_{i2}
& \cdots & \sum_{i=1}^n \alpha_i \lambda_i^{p+\gamma-1}\beta_{i2}
\\ . & \cdots & . \\ \sum_{i=1}^n \alpha_i \lambda_i^p\beta_{in}
& \cdots & \sum_{i=1}^n \alpha_i \lambda_i^{p+\gamma-1}\beta_{in}
\\ \end{array} \right]\; \alpha_i , \beta_{ik}, \lambda_i \in
\Re \)
Teniendo en cuenta la hipótesis dada en (2) podemos
aproximar los elementos de (31) para escribir (32) :
\( \tilde{M}_p =\displaystyle \left[ \begin{array}{ccc} \sum_{i=1}^r
\alpha_i \lambda_i^p\beta_{i1} & \cdots & \sum_{i=1}^r \alpha_i
\lambda_i^{p+\gamma-1}\beta_{i1}\\ \sum_{i=1}^r \alpha_i \lambda_i^p\beta_{i2}
& \cdots & \sum_{i=1}^r \alpha_i \lambda_i^{p+\gamma-1}\beta_{i2}
\\ . & \cdots & . \\ \sum_{i=1}^r \alpha_i \lambda_i^p\beta_{in}
& \cdots & \sum_{i=1}^r \alpha_i \lambda_i^{p+\gamma-1}\beta_{in}
\\ \end{array} \right]\; \alpha_i , \beta_{ik}, \lambda_i \in
\Re \)
Y esta matriz puede descomponerse en la forma (33) :
\( \left[ \begin{array}{ccc} \beta_{11} & \cdots & \beta_{r1}
\\ \beta_{12} & \cdots & \beta_{r2} \\ . & \cdots & .\\ \beta_{1n}
& \cdots & \beta_{rn} \\ \end{array} \right]\left[ \begin{array}{ccc}
\alpha_1\lambda_1^p & . & 0 \\ . & . & . \\ 0 & . & \alpha_r\lambda_r^p
\\ \end{array} \right]\left[ \begin{array}{cccc} 1 & \lambda_1
& \cdots & \lambda_1^{r-1} \\ . & . & \cdots & . \\ 1 & \lambda_r
& \cdots & \lambda_r^{r-1} \\ \end{array} \right] \)
De estos tres factores, con dimensiones respectivas nxr,
rxr y rxn, el de la derecha es una matriz de Vandermonde [12]
con determinante distinto de cero, siempre que todos los \(\lambda_i\)
sean distintos entre si, el central es una matriz diagonal cuyos
elementos dependen de los \(\lambda_i\) (todos ellos estrictamente
superiores a cero) y de los \(\alpha_i\) que a su vez dependen
del vector elegido para la iteracción y que por tanto pueden
elegirse distintos de cero, y el de la izquierda es la matriz
de los coeficientes de los r vectores propios asociados a los
r valores propios dominantes, que tiene rango r lo que significa
que existe al menos un bloque de dimensión rxr en (33)
que es NO SINGULAR.
Obtengamos ahora la siguiente iteración \(\tilde{M}_{p+1}\)
(34) :
\( \tilde{M}_{p+1} \cong A·\tilde{M}_p \cong\displaystyle
\left[ \begin{array}{ccc} \sum_{i=1}^r \alpha_i \lambda_i^{p+1}\beta_{i1}
& \cdots & \sum_{i=1}^r \alpha_i \lambda_i^{p+\gamma}\beta_{i1}\\
\sum_{i=1}^r \alpha_i \lambda_i^{p+1}\beta_{i2} & \cdots & \sum_{i=1}^r
\alpha_i \lambda_i^{p+\gamma}\beta_{i2} \\ . & \cdots & . \\
\sum_{i=1}^r \alpha_i \lambda_i^{p+1}\beta_{in} & \cdots & \sum_{i=1}^r
\alpha_i \lambda_i^{p+\gamma}\beta_{in} \\ \end{array} \right]\;
\alpha_i , \beta_{ik}, \lambda_i \in \Re \)
Que puede también descomponerse en la forma (35) :
\( \left[ \begin{array}{ccc} \beta_{11} & \cdots & \beta_{r1}
\\ \beta_{12} & \cdots & \beta_{r2} \\ . & \cdots & .\\ \beta_{1n}
& \cdots & \beta_{rn} \\ \end{array} \right]\left[ \begin{array}{ccc}
\alpha_1\lambda_1^p & . & 0 \\ . & . & . \\ 0 & . & \alpha_r\lambda_r^p
\\ \end{array} \right]\left[ \begin{array}{cccc} \lambda_1&
\lambda_1^2 & \cdots & \lambda_1^r \\ . & . & \cdots & . \\
\lambda_r & \lambda_r^2 & \cdots & \lambda_r^r \\ \end{array}
\right] \)
Una comparación entre las dos matrices de la derecha
en (33) y (35) nos permite escribir (36) :
\(\left[ \begin{array}{cccc} 1 & \lambda_1
& \cdots & \lambda_1^{r-1} \\ . & . & \cdots & . \\ 1 & \lambda_r
& \cdots & \lambda_r^{r-1} \\ \end{array} \right]\left[
\begin{array}{cccc}
0 & 0 & \cdots & a_1 \\
1 & 0 & \cdots & a_2 \\
0 & 1 & \cdots & a_3 \\
. & . & \cdots & . \\
0 & 0 & \cdots & a_r \\
\end{array}
\right] = \left[ \begin{array}{cccc} \lambda_1&
\lambda_1^2 & \cdots & \lambda_1^r \\ . & . & \cdots & . \\
\lambda_r & \lambda_r^2 & \cdots & \lambda_r^r \\ \end{array}
\right] \)
donde (37) :
es la llamada matriz de Frobenius, o "companion matrix"
[14],para la que se cumple que (38)
\( w^r - a_r·w^{r-1} - \ldots - a_1 = 0 \)
es su polinomio característico .
Por todo ello (34) quedará (39) :
\( \tilde{M}_{p+1} = A·\tilde{M}_p = \tilde{M}_p·S \)
Y\(\tilde{M}_p\) es una matriz propia de A
Si premultiplicamos la anterior expresión por\(\tilde{M}_p^T\)
obtenemos (40) :
\( \tilde{M}_p^T·\tilde{M}_{p+1} = \tilde{M}_p^T·\tilde{M}_p·S \)
Y por tanto (41) :
\( \left[\tilde{M}_p^T·\tilde{M}_p\right]^{-1}\left[\tilde{M}_p^T·\tilde{M}_{p+1}\right] = S \)
Ya que, según [15], la inversa indicada siempre existe
.
Para el cálculo de los vectores propios asociados
a los r valores propios dominantes, tomamos la ecuación
(39) donde A es de dimensión n x n, M es de dimensión
n x r, y S es de dimensión rxr y tiene la forma dada
en (37).
Continuar leyendo en ... PARTE III - PARTE
IV viene de ... PARTE
I