Professional Documents
Culture Documents
Marcos Raydan
Conceptos basicos
Equivalente
n
X
yi = aij xj .
j=1
Teorema
A posee n autovalores reales 1 , , n , y un conjunto
asociado de autovectores x1 , , xn que forman una base
ortonormal de Rn .
Teorema
Dada A Rnn simetrica, las siguientes condiciones son equivalentes:
(a) x T Ax > 0 para todo vector x 6= 0,
(b) todos los autovalores de A son numeros reales positivos,
(c) existe W Rnn no singular tal que A = W T W ,
(d) existe B Rnn definida positiva tal que A = B 2 ,
(e) para toda matriz X no singular, X T AX es definida positiva,
(f) todas las submatrices principales de A son definidas positivas.
kAxk
kAk = sup = max kAxk.
x6=0 kxk kxk=1
kAxk kAkkxk.
No es inducida, pero:
a11 a12 a1n l11 0 0 l11 l12 l1n
a12 a22 a2n l12 l22 0 0 l22 l2n
=
. . . . . . . . . . . .
a1n a2n ann l1n l2n lnn 0 0 lnn
De forma explcita:
2 l
a11 = l11 11 = a11 , l11 l1j = a1j for j = 2 . . . n, etc.
Algoritmo (1910)
For k = 1, 2, . . . , n Do
q
lkk akk k1 2
P
j=1 lkj
For i = k + 1, . . . , n Do
lik (aik k1
P
j=1 lij lkj )/lkk
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 14 / 101
Transformadas de Householder (Reflectores)
Problema
Encontrar la matriz Q tal que Qx sea el reflejo de x
con respecto a la recta (el espejo) v .
Claramente Qx = u + v Qu = u y Qv = v .
Respuesta
Q = I 2uu T
Mas Propiedades
Propiedades
(d) (ortogonal) Q T = Q 1
(a) Qu = u
(e) (autoinversa) Q 1 = Q
(b) Si u T v = 0, Qv = v
(f) (preserva la norma)
(c) (simetrica) Q = Q T
x Rn , kQxk2 = kxk2 .
Teorema Clave
Sean x, y Rn , x 6= y , pero kxk2 = kyk2 , entonces existe una unica
transformada de Householder Q tal que Qx = y .
Mas Propiedades
Propiedades
(d) (ortogonal) Q T = Q 1
(a) Qu = u
(e) (autoinversa) Q 1 = Q
(b) Si u T v = 0, Qv = v
(f) (preserva la norma)
(c) (simetrica) Q = Q T
x Rn , kQxk2 = kxk2 .
Teorema Clave
Sean x, y Rn , x 6= y , pero kxk2 = kyk2 , entonces existe una unica
transformada de Householder Q tal que Qx = y .
Mas Propiedades
Propiedades
(d) (ortogonal) Q T = Q 1
(a) Qu = u
(e) (autoinversa) Q 1 = Q
(b) Si u T v = 0, Qv = v
(f) (preserva la norma)
(c) (simetrica) Q = Q T
x Rn , kQxk2 = kxk2 .
Teorema Clave
Sean x, y Rn , x 6= y , pero kxk2 = kyk2 , entonces existe una unica
transformada de Householder Q tal que Qx = y .
Mas Propiedades
Propiedades
(d) (ortogonal) Q T = Q 1
(a) Qu = u
(e) (autoinversa) Q 1 = Q
(b) Si u T v = 0, Qv = v
(f) (preserva la norma)
(c) (simetrica) Q = Q T
x Rn , kQxk2 = kxk2 .
Teorema Clave
Sean x, y Rn , x 6= y , pero kxk2 = kyk2 , entonces existe una unica
transformada de Householder Q tal que Qx = y .
Q = I ww T
Problema Modelo
Dado z Rm y un ndice k {1, 2, . . . , m}
Encontrar Q tal que:
(1) (Qx)i = xi para todo i {1, 2, . . . , k 1} y x
(2) (Qz)i = 0 para todo i {k + 1, 2, . . . , m}
Falta definir wk ?
Forzando (w T z) = 1 ( 2w T z = w T w) y resolviendo la cuadratica,
obtenemos: v
u m
uX
wk = zk + signo(zk )t zi2
i=k
Clave
En la mayora de las aplicaciones Q no se necesita de forma explcita.
Basta con guardar los ws.
Clave
En la mayora de las aplicaciones Q no se necesita de forma explcita.
Basta con guardar los ws.
A = Q T TQ.
Corolario
Sea A Rnn simetrica. Existen Q Rnn
ortogonal y D Rnn diagonal tal que
A = Q T DQ.
A = UV T .
A = UV T .
AV = U A = UV T
Se obtiene la SVD reducida. Los i son los valores singulares, los ui
son los vectores singulares por la izquierda, y los vi son los vectores
singulares por la derecha.
Clave
Algunos metodos numericos eficientes para obtener la SVD se basan
en esta propiedad. Y en la que sigue ...
AT uj = j vj AAT uj = j Avj = j2 uj
De forma similar:
Avj = j uj AT Avj = j AT uj = j2 vj
Por lo tanto:
j2 es autovalor de AT A y de AAT .
Corolario
Si A es simetrica, j (A) = |j (A)|, j. Y si, ademas, A es PD,
j (A) = j (A), j.
1 2 r > r +1 = = n = 0,
entonces rango(A) = r ,
nulo(A) = exp{vr +1 , . . . , vn }
alc(A) = exp{u1 , . . . , ur }
1 2 r > r +1 = = n = 0,
entonces
r
X
A = Ur r VrT = i ui viT
i=1
A = V U T
Propiedades de la pseudoinversa
(A ) = A
AA A = A
A AA = A
x = A b es la solucion cuadrados mnimos de Ax b, de
mnima norma.
Teorema sorprendente
Toda matriz A Rnn se puede escribir como
A = QS
Ejemplo:
1 2 0 1 3 1
=
3 1 1 0 1 2
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 31 / 101
Parte IV
Funciones cuadraticas
1 t
q(x) = x Ax bt x + c,
2
donde A Rnn es una matriz simetrica, los vectores x, b Rn y la
constante c R.
Para el ejemplo
se obtiene que
2 2 0 1
A= 2 0 5 , b = 0 , c = 4 .
0 5 6 1
Ax = b.
Si b
/ alc(A) entonces q(x) no posee puntos estacionarios, es decir,
el gradiente no se anula para ningun x Rn .
(1 )x + y
f (x + (1 )y ) f (x) + (1 )f (y).
Caso convexo
Si A es semidefinida positiva y x es punto estacionario de
q(x), entonces x es minimizador global de q(x).
Y si A es PD entonces es un minimizador global aislado
(unico).
Convexidad
Si f es una funcion convexa y M [, +], entonces
los conjuntos de nivel {x : f (x) < M} y {x : f (x) M}
son convexos.
minn f (x)
xR
f (x)t d < 0.
El valor de f disminuye en d
Sean f : Rn R, f C 1 (Rn ), x Rn tal que f (x) 6= 0, y d Rn tal
que f (x)t d < 0. Entonces existe > 0 tal que
f (x + d) < f (x) para todo (0, ].
xk+1 = xk + k dk ,
xk+1 = xk k f (xk ),
donde
k = argmin>0 f (xk f (xk )).
Si aplicamos Newton:
x1 = x0 A1 (Ax0 b) = A1 b = x .
2
max (A) min (A)
E(xk+1 ) E(xk ).
max (A) + min (A)
Equivalente
2 (A) 1
kxk x kA kxk1 x kA ,
2 (A) + 1
xk+1 = xk k k gk ,
Rompe el zig-zag !
1 t
q(x) =x Ax x t b + c
2
Minimizar q es equivalente a resolver Ax = b si A es PD.
uit Auj = 0 si i 6= j.
xk = xk1 + k uk ,
donde k es optimo en uk :
r (x)t u
argmin>0 q(x + u) = ,
u t Au
donde r (x) = g(x) = b Ax.
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 57 / 101
Gradientes Conjugados: caso cuadratico
xk = xk1 + k uk para 1 k n,
(ukt rk1 )2
q(xk ) = q(xk1 ) ,
2ukt Auk
Motivados por
(ukt rk1 )2
q(xk ) = q(xk1 ) ,
2ukt Auk
Escoger uk como el vector mas cercano a rk1 :
Minimizar ku rk1 k2 preservando la A-conjugancia con los vectores
{u1 , . . . , uk1 }.
mientras rk 6= 0 hacer
k =k +1
t
k = rk1 uk /(ukt Auk )
xk = xk1 + k uk
rk = b Axk
k+1 = ukt Ark /(ukt Auk )
uk+1 = rk + k+1 uk
fin
Mejoras al algoritmo:
rk = rk1 k Auk .
Se cumple que
Ademas,
t
k = rk1 rk1 /(ukt Auk )
t t
k = rk1 rk1 /(rk2 rk2 )
mientras rk 6= 0 hacer
k =k +1
t
k = rk1 rk1 /(ukt Auk )
xk = xk1 + k uk
rk = rk1 k Auk
k+1 = rkt rk /(rk1
t rk1 )
uk+1 = rk + k+1 uk
fin
0
10
5
10
Error
10
10
15
10
20
10
1 2 3 4 5 6 7 8 9 10
Iterations
2
10
0
10
2
10
4
10
error
6
10
8
10
10
10
12
10
14
10
16
10
0 50 100 150 200 250 300
Iterations
A = E 1 AE T , b = E 1 b, y = E T x.
E T AE T = E T E 1 A = C 1 A
mientras rk 6= 0 hacer
k =k +1
k = rkt 1 hk1 /(ukt Auk )
xk = xk 1 + k uk
rk = rk1 k Auk
resolver Chk = rk
k+1 = rkt hk /(rkt 1 hk1 )
uk+1 = hk + k+1 uk
fin
V T (Axm b) = 0 V T (A(x0 + Vy ) b) = 0
para j = 1, 2, . . . , m hacer
wj = Avj
hij = viT wj para i = 1, 2, . . . , j
Pj
wj = wj i=1 hij vi
hj+1,j = kwj k2
si hj+1,j = 0, parar
sino vj+1 = wj /hj+1,j
fin
AVm = Vm+1 H
bm
VmT AVm = Hm
xm = x0 + Vm ym
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 75 / 101
Parte VIII
Estimacion de autovalores y
autovectores
Ax = x,
Pn () = det(I A)
det(I A) = Pn () = ( 1 )( 2 ) ( n ).
A = Q T Q.
Cociente de Rayleigh
x T Ax
(x) =
xT x
x, min (x) max . Si v es un autovector, (v ) = v .
Si x = v + e, con kek2 = , (x) = v + O(2 ).
para i = 0, 1, . . . hacer
yi+1 = Axi
xi+1 = yi+1 /kyi+1 k2
T
i+1 = xi+1 Axi+1
fin
Teorema: Convergencia
Si |1 | > |2 | |3 | |n | asociados a {v1 , v2 , . . . , vn }, y si v1T x0 6= 0,
entonces {xi } converge a v1 q-lineal con factor |2 /1 |. Y {i } converge a 1
q-lineal con factor (2 /1 )2 .
para i = 0, 1, . . . hacer
resolver (A I)yi+1 = xi
xi+1 = yi+1 /kyi+1 k2
T
i+1 = xi+1 Axi+1
fin
para i = 0, 1, . . . hacer
resolver (A i I)yi+1 = xi
xi+1 = yi+1 /kyi+1 k2
T
i+1 = xi+1 Axi+1
fin
Teorema: Convergencia
Todas las matrices en la sucesion {Ai } son similares ( poseen los
mismos autovalores), y
lim Ai = D
i
donde D es diagonal.
En el lmite se obtiene la factorizacion de Schur.
Verdades
Todas las matrices en la sucesion {Hi } son similares, preservan la forma
tridagonal y limi Hi = D.
Complejidad de esta variante: O(n3 ) una vez, y O(n) por iteracion!
para i = 0, 1, . . . hacer
factorizar Hi i I =: Qi Ri
Hi+1 := Ri Qi + i I
fin
Verdades
Todas las matrices en la sucesion {Hi } son similares, preservan la forma
tridagonal y limi Hi = D.
Escoger i = hn,n produce convergencia q-cubica al menor, y luego deflatar.
a1 b1 |
. .
b1 . . . .
|
..
. am1 bm1
|
bm1 am | bm
T =
bm |am+1 bm+1
. ..
|bm+1 . .
.
| bn1
| bn1 an
a1 b1 |
. .
b1 . . . .
|
..
. am1 bm1
|
bm1 am bm | 0
T
b =
0 |am+1 bm bm+1
.. ..
|bm+1 . .
| bn1
| bn1 an
T T1 0
T =T
b + ww = + ww T
0 T2
donde w = em + em+1 y = bm .
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 87 / 101
Divide y Venceras: T = T T y tridiagonal
Supongamos que ya tenemos la factorizacion de Schur de T1 y T2
(pensamiento recursivo):
T1 = Q1 1 Q1T y T2 = Q2 2 Q2T
Q1 1 Q1T
0
T = + ww T
0 Q2 2 Q2T
Q1T
Q1 0 1 0 T 0
T = + uu
0 Q2 0 2 0 Q2T
donde
Q1T
0
u= w
0 Q2T
Entonces los autovalores de T son los autovalores de (D + uu T )
donde D es diagonal con los autovalores de T1 y T2 .
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 88 / 101
Divide y Venceras: T = T T y tridiagonal
Como se calculan los autovalores de (D + uu T ) con D diagonal?
Cuentas:
det(D + uu T I) = det[(D I)(I + (D I)1 uu T )].
Quiero: det(I + (D I)1 uu T ) = 0
n
1 T T 1
X ui2
det(I + (D I) uu ) = 1 + u (D I) u =1+
di
i=1
La derivada:
n
X ui2
f 0 () =
(di )2
i=1
Observaciones:
f es monotona entre cada dos polos consecutivos.
Existe una raz en cada intervalo (di , di+1 ).
f () 1 cuando , y entonces existe otra raz mayor que dn si
> 0, y menor que d1 si < 0. Eso completa n raices.
Muy conveniente usar el Metodo de Newton (en paralelo) para calcular
esas n raices. Se sigue un proceso recursivo.
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 91 / 101
Metodo de Lanczos (A = AT )
Es el metodo de Arnoldi cuando A = AT ; pero Lanczos aparece en
1950 y Arnoldi en 1951 (i.e., Arnoldi extiende Lanczos).
AVm = Vm+1 H
bm
VmT AVm = Hm
Definiciones
Sea (j , sj ) un par autovalor-autovector de Tm . El escalar j se conoce como
un valor de Ritz, y el vector yj = Vm sj como el vector de Ritz asociado a j .
Teorema
Sea rj = Ayj j yj , j = 1, 2, . . . , m. Entonces en cada intervalo
[j krj k2 , j + krj k2 ] existe un autovalor j de A. Es decir, krj k2 mide
con que precision j aproxima a j . Ademas,
krj k2 = |m ||(sm )j |
Enfoque de optimizacion
Funcion objetivo : Cociente de Rayleigh
x T Ax
(x) =
xT x
2
(x) = (Ax (x)x)
xT x
Se puede usar Cauchy y sus variantes, secante, Newton, etc.
( 100 papers!)
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 96 / 101
Estimacion de autovalores-autovectores (A 6= AT )
Caso NO simetrico:
El metodo de las potencias y sus variantes quedan igual, salvo que la
convergencia de las iteraciones del Cociente de Rayleigh es
q-cuadratica en lugar de q-cubica.
El metodo QR y sus variantes ahora emulan la Factorizacion:
A = Q T TQ.
para i = 0, 1, . . . hacer
factorizar Hi =: Qi Ri
Hi+1 := Ri Qi
fin
Verdades
Todas las matrices en la sucesion {Hi } son similares, preservan la forma
Hessenberg y limi Hi = T .
Complejidad de esta variante: O(n3 ) una vez, y O(n2 ) por iteracion!
Verdades
Todas las matrices en la sucesion {Hi } son similares, preservan la forma
Hessenberg y limi Hi = T .
Escoger i como el autovalor del bloque 2 2 de la esquina mas abajo y a la
derecha de Hi , mas cercano a hnn , produce convergencia q-cuadratica al
menor, y luego deflatar.
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 100 / 101
Metodos de Krylov para n grande (A 6= AT )
VmT AVm = Hm
Raydan (USB) Algebra Lineal Numerica Abril - Julio 2012 101 / 101