\(\displaystyle \min_{i\leq j \leq n} \sum_{i=1}^n a_{ij}\leq
\lambda_k\leq \max_{i\leq j \leq n} \sum_{i=1}^n a_{ij} \)
Demostración
Siendo P y Q matrices simétricas y Q definida no negativa,
según [6] , para cualquier valor propio de P se cumple
(2) :
\(\lambda_k(P) \leq \lambda_k(P+Q) \)
Tomemos entonces A y descompongámosla de dos modos en dos
matrices simétricas tales que (3) y (4) :
\( A = A_{inf} + D_{inf}\; ; \;A = A_{sup} - D_{sup} \)
Siendo \( A_{inf} \;y\; A_{sup}\) matrices con todos sus elementos
no diagonales iguales a los de A, y el resto construidos en la
forma (5) :
\(\displaystyle \dot{a}_{rr} = a_{rr} - \left( \sum_{i=1}^n
a_{ir}- \min_{i\leq j \leq n} \sum_{i=1}^n a_{ij} \right) \)
Para A
inf, y
\( \displaystyle \ddot{a}_{rr} = a_{rr} + \left( \max_{i\leq
j \leq n} \sum_{i=1}^n a_{ij}- \sum_{i=1}^n a_{ir} \right) \)
Para A
sup , y donde a
rr son los elementos
diagonales de A. Si aplicamos la ecuación (2) a (5) y (6),
tendremos (7) y (8) :
\( \begin{array}{c} \lambda_k (A_{inf})\leq \lambda_k (A_{inf}+
D_{inf})= \lambda_k(A) \\ \\ \lambda_k (A) \leq \lambda_k (A_{sup}+
D_{sup})= \lambda_k(A_{sup}) \end{array} \)
Y a partir de ahí (9) :
\(\lambda_k (A_{inf})\leq \lambda_k (A)\leq \lambda_k (A_{sup})
\)
Pero resulta que \( A_{inf} \;y\; A_{sup}\) son matrices sigma
[7] que cumplen (10), (11) :
\( \displaystyle \lambda_k (A_{inf})= \min_{i\leq j \leq n}
\sum_{i=1}^n a_{ij}\; ; \;\lambda_k (A_{sup})= \max_{i\leq j
\leq n} \sum_{i=1}^n a_{ij} \)
Por lo que tendremos (12) :
\(
\(\displaystyle \min_{i\leq j \leq n} \sum_{i=1}^n a_{ij}\leq
\lambda_k(A)\leq \max_{i\leq j \leq n} \sum_{i=1}^n a_{ij}
\)
\)
Y queda demostrado lo que nos proponíamos.
Podemos aproximar el valor propio acotado mediante (13) :
\( \displaystyle \lambda_k \approx \frac{1}{n}\left(\sum_{j=1}^n
\sum_{k=1}^n a_{jk}\right) \)
ya que, para cualquier vector propio de A podemos poner (14) :
\(1 = \nu_{ij} + \varepsilon_{ij} \)
donde el subíndice j señala la componente j-ésima
del vector propio i-ésimo o el vector resíduo i-ésimo.
Desarrollando el cociente de Rayleig [8] para el vector definido
por (14) y relacionado con \(\lambda_k\) , tenemos (15) :
\( \displaystyle \frac{(\nu_k + \varepsilon_k)A(\nu_k + \varepsilon_k)
}{(\nu_k + \varepsilon_k)(\nu_k + \varepsilon_k) }= \frac{ \displaystyle
\lambda_k\sum_{j=1}^n \nu_{kj}+ \sum_{j=1}^n A \varepsilon_{kj}
}{ \displaystyle \sum_{j=1}^n \nu_{kj}+ \sum_{j=1}^n \varepsilon_{kj}
}= \frac{1}{n}\left(\sum_{j=1}^n \sum_{k=1}^n a_{jk}\right)
\)
o también (16) :
\(\lambda_k\left[ \frac{ \displaystyle \sum_{j=1}^n \nu_{kj}+(1/\lambda_k)
\sum_{j=1}^n A \varepsilon_{kj} }{ \displaystyle \sum_{j=1}^n
\nu_{kj}+ \sum_{j=1}^n \varepsilon_{kj} }\right]=\displaystyle
\frac{1}{n}\left(\sum_{j=1}^n \sum_{k=1}^n a_{jk}\right) \)
Y el miembro derecho de esta expresión nos asegura que
el izquierdo, que es una aproximación para \( \lambda_k\)
, está acotado por lo límites dados en (12).
EJEMPLO 1
Para la matriz :
\( A = \left( \begin{array}{cccccc} 3 & -4 & 2 & 0 & 0 & 2 \\
-4 & 1 & 4 & 2 & -1 & -2 \\ 2 & 4 & 0 & 4 & -1 & 0 \\ 0 & 2
& 4 & 2 & 2 & 1 \\ 0 & 1 & -1 & 2 & 1 & 2 \\ 2 & -2 & 0 & 1
& 2 & 1 \\ \end{array} \right) \)
Se cumple :
\(\exists \lambda_k : 0 < \lambda_k < 11 \)
Cotas obtenidas sumando por filas o columnas sus elementos.
Para λ
k podemos dar el valor aproximado:
\(\lambda_k\approx \displaystyle \frac{1}{n}\left(\sum_{j=1}^n
\sum_{k=1}^n a_{jk}\right) \approx 5,3 \)
Si tenemos en cuenta que la transformación de una matriz
simétrica mediante matrices de rotación da como
resultado otra matriz simétrica semejante, podemos hacer
:
- Aproximar los límites del entorno en el que está
contenido el valor propio acotado.
- Buscar cotas para otros valores propios.
El modo de afrontar las dos cuestiones a la vez es considerando
cada fila de una matriz, semejante a la inicial, función
de un parámetro (el ángulo de rotación de
la matriz de transformación) y determinando la varianza
mínima de los valores de las sumas de las filas de dicha
matriz, o el máximo y mínimo de la media de dichos
valores.
BIBLIOGRAFIA
1. Barrios, J. A., Gonzalez, C., Moreno, J. C., Algebra matricial
para economistas. Ed AC.
2. Horn, Roger A., Matrix analysis. Ed Cambridge University Press
1985. pp 343-388.
3. Parlett, B.N.; The Symmetric Eigenvalue Problem, Prentice-Hall,
Englewood Cliffs, NJ.
4. Gasca, M.; Cálculo Numérico, Ed. Mira.
5. Faddeeva, V.N. ;Métodos de Cálculo de Algebra
Lineal, Ed. Paraninfo.
6. Guelfand, I.M. ; Lecciones de Algebra Lineal, Serv. Ed. Universidad
del Pais Vasco.
7. Hervás, J.A.;Hormaza, M.V.; Hernandez,A.;Ajuria, M.B.;
Matriz Propia: Aplicación al cálculo de valores
y vectores propios. Report SA-12. Departamento de Ingenieria Mecánica,
UPV.
8. Chatelin, F.; Valeurs propres de matrices. Ed Masson; Paris.
9. Soft Warehouse : "Derive : A Mathematical Assistant"