Mecanica de Medios Continuos

Capitulo 10
Preliminares en la solucin de Eigen problemas

El O bjetivo de este y el siguiente captulo es para describir los actuales procedimientos de
solucin que solan solucionar el eigenproblemas de inters. Antes de presentar los
algoritmos, hablamos en este captulo de algunas consideraciones bsicas importantes
para la solucin de eigenproblemas.
resumiemdo los eigenproblemas que queremos solucionar. Podemos llegar al ms simple

problema encontrado el estndar en el siguiente eigenproblema:
K = (10.1)
donde K es la matriz de rigidez de un elemento finito solo o de un ensamblaje de
elemento .
K tiene la orden n, y para un ensamblaje de elemento en media amplitud de banda /Mk
(es decir, la amplitud de banda total es +1), y que K es positivo semi definido o p ositivo
definido. All
son n eigenvalores y eigenvectores correspondientes (10.1). El ith eigenpair es
denotado como (, ) donde los eigenvalues son ordenados acorde a sus magnitudes:
0 .. n-1 n (10.2)
La solucin para p eigenpairs puede ser escrita K =

donde es una n x p matriz con sus columnas iguales a los p eigenvectores y es p x
p una matriz diagonal que pone eigenvalues c orrespondiente en una lista. Como un
ejemplo, (10.3) puede representar
la solucin de p ms baja de los eigenvalores y eigenvectores correspondiente de K, en
cuyo caso = [11.. p] y = diagonal ( ) i=1.., p
Recordamos esto si K es un positivo definido, 0 , i=1..,n y si K es positivo
semidefinido 0 , i=1..,n
donde el nmero del cero eigenvaores es igual al nmero de modos de cuerpo rgido en el
sistema.
La solucin del problema eigenvalue en (10.1) es, por ejemplo, busca la
evaluacin de una matriz de rigidez de un elemento o en el clculo del nmero de
condicines de una matriz de rigidez de una estructura. Hablamos en el Artculo 4.3.2 que
la representacin de la matriz de rigidez de elemento en su forma cannica (es decir, i.e en
la base del eigenvector) es usada para evalar la eficacia del elemento. En este caso todos
los eigenvalores y los vectores de K deben ser calculados. Por otra parte , para evaluar el
nmero de condicin de una matriz de rigidez , slo los eigenvalores ms pequeos y ms
grandes se requieren (ver el Artculo 8.2.6).
Antes de seguir generalizado los eigenproblemas , deberamos mencionar que otro
estndar eigenproblemas tambin tendra que ser solucionado. Por ejemplo, podemos requerir
los eigenvalores de la matriz M de masas, en cuyo caso M sustituye K (10.1). Del mismo
modo, podemos usarlo para los eigenvalores de conductividad o una matriz de capacidad de
calor en el flujo de calor.
En el anlisis (ver el Artculo 7.2).
Es muy muy frecuente considerar Eigenproblemas para ser solucionado en el modo de
vibracin en el anlisis de superposicin (ver el Artculo 9.3). En este caso consideramos
generalizado el eigen problema,
K = M
(10.4)
donde K y el M son, respectivamente, la matriz de rigidez y la matriz de masas del

elemento finito
ensamblaje. Los eigenvalores , y eigenvectores
son las frecuencias de vibracines
libres.
Los ( radianes/segundos) cuadr, w2 , y vectores de forma y modo correspondientes
respectivos. El
las de propiedades de K. La matriz de masas puede ser dividida en bandas, en cuyo caso su
media amplitud de banda mM es igual a mK , o M puede ser diagonal con m 0; es decir,
alguna diagonal de los elementos pueden ser posiblemente cero. Una matriz de masas
dividida en bandas , obteniendo en consecuencia una masa , siempre sera definido como
positivo , mientras que una matriz de masas concentrada es positiva definido slo si todos los
elementos diagonales son ms grandes que cero. En general, una matriz de masas diagonal
es positiva semidefinida.
En analoga con (10.3), la solucin para p eigenvalores y eigenvectors correspondientes de

(10.4) pueden ser escritos
K = M
KO = MOA
(10.5)
donde las columnas en son loseigenvectores y es una matriz diagonal que pone los
Eigenvalores correspondientes.
Por supuesto , eigenproblemas g eneralizados en (10.4) reduce al estndar de los
eigenproblemas
en (10.1) si el M es una matriz de identidad. En otras palabra s, el eigenvalues y eigenvectores
en (10.3) tambin puede ser pensado como frecuencias cuadradas y formas de modo de
vibracin del el sistema cuando la masa de unidad es especificada en cada nivel de la
libertad. Correspondiente al posible eigenvalores en la solucin de (10.1), el eigenproblema
generalizado en (10.4) tiene eigenvalores 0 , i=1..,n donde el nmero de cero
eigenvalores es otra vez igual al nmero de modos del cuerpo rgido en el sistema.
Dos adicional generaliz ando eigenproblemss debera ser mencionado brevemente. Un

segundo
el problema es solucionado en anlisis lineal que se tuerce, en cuyo caso consideramos (ver la
seccion (6.8.2)
tK = t- t K
(10.6)
Preliminares de la Solucin de Eigenproblems Captulo. 10

Donde t- r K
rK son la rigidez matrices correspondiente a tiempos (es decir, niveles
de carga)
t - t y t, respectivamente.
Un tercero generaliza que un eigenproblema es encontrado en el anlisis de transferencia
de calor , donde Se considera la ecuacin
K = C
(10.7)
donde K es la matriz de conductividad de calor y C es la matriz de capacidad de calor. Los
eigenvalores y los eigenvectors son eigenvalores termicos y sus formas de modo ,
respectivamente. La solucin de (10.7) se requiere en el anlisis de transferencia de calor
usando la superposicin de modo (ver el Ejercicio 9.25).
El matrices K y C en (10.7) son positivos definido o positivo semidefinido, de modo que
los eigenvalores de (10.7) son 0 , i=1..,n
En esto y el siguiente captulo hablamos de la solucin del eigenproblemas K = y K
K = M
en (10.1) y (10.4). Encuentran con frecuencia en estos eigenproblemas
prctica. Sin embargo, hay que realizar que todos los algoritmos para ser presentados
tambin son aplicables a la solucin de otros eigenproblemas, a condicin de que ellos sean
de la misma forma y las matrices satisfazcan las condiciones apropiadas de carcter decisivo
positivo, de semicarcter decisivo, y etcetera
Por ejemplo, para solucionar el problema en (10.7), el M de la matriz de masas
simplemente tiene que ser sustituido por la matriz de capacidad de calor C, y la matriz K es
la matriz de conductividad de calor.
Considerando la solucin de ordenador actual de eigenproblemas r equerido, recordamos

esto en la introduccin a procedimientos de solucin de ecuacin en el anlisis esttico
(ver el Artculo 8.1),
observamos la importancia de usar procedimientos de clculos eficaces . Esto es hasta ms
riguroso en clculos de eigensistemas porque la solucin de eigenvalores y sus
eigenvectores correspondientes requieren, en general, mucho ms esfuerzo de ordenador
que la solucin de ecuaciones de equilibrio esttico
Una consideracin particularmente importante consiste en que los algoritmos de solucin
debe ser estables, que es ms difcil de conseguir en las eigensoluciones.
Una variedad de mtodos de solucin de eigensistemas ha sido desarrollada y es relatada en
la literatura (ver, por ejemplo, a J. H. Wilkinson ). La mayor parte de las tcnicas han sido
ideadas para matrices bastante generales . Sin embargo, en el anlisis de elemento finito
estamos preocupados con la solucin de eigenproblemas especficos resumido encima, las
matrices tiene propiedades especficas tal como ser divisibles en bandas, positivas y as
sucesivamente los algoritmos de solucin de eigensistemas deberan aprovechar estas
propiedades a fin de hacer una solucin posible ms econmica.
El objetivo en este captulo es poner la fundacin para un entendimiento cuidadoso de
mtodos de eigensoluciones eficaces. Esto es llevado a cabo por la primera discusin de las
propiedades de las matrices, eigenvalores, y eigenvectores de los problemas de inters y
luego presenta algunas tcnicas de solucin aproximadas . Los mtodos de solucin actuales
recomendados para el uso son presentados en el Captulo 11.
10.2 HECHOS FUNDAMENTALES USADOS EN LA SOLUCIN

DE EIGENSISTEMAS
Antes de que el funcionamiento de cualquier procedimiento de solucin eigensistema puede
ser correctamente estudiado, es
necesario primero para entender a fondo las propiedades diferentes de las matrices y eigen
valores y eigenvectores se consideran. En particular, encontraremos que todos los mtodos
de solucin son,
esencia, basada en estas propiedades fundamentales . Por lo tanto queremos resumir en esta
seccin las propiedades importantes del matrices y sus eigensistemas, aunque algunos de
Segundo. 10.2
Hechos fundamentales Usados en la Solucin de Eigensystems
El material ha sido presentado ya en otras secciones del libro. Como indicado en

El artculo 10.1, consideramos el eigenproblema K = M
que reduce a K =
cuando M = I, pero las observaciones hechas soy igualmente aplicables a otro eigenproblemas
de inters.
10.2.1 Propiedades de Eigenvectors
la solucin de eigenproblem generalizado K <j> = de la maana <|> cede n
eigenvalues Ai...
, un", como el mostrado en (10.2), y eigenvectores correspondientes
<l> yo...
, Cada eigenpair (A, <}>,) satisface (10.4); es decir; tenemos
K <(), = A, M <|>; yo - 1..., n (10.8)
El significado debera ser bien entendido. La ecuacin dice esto si establecemos
un vector A, M <j>yo y uso es como un vector de carga R en la ecuacin KU = R, entonces U =
<}>.
El pensamiento puede sugerir inmediatamente el uso de algoritmos de solucin estticos para
el clculo de un eigenvector. Veremos ms tarde que el algoritmo de descomposicin LDL
en efecto es un parte importante de procedimientos eigensoluciones.
La ecuacin en (10.8) tambin expone que un eigenvector slo es definido dentro de un
mltiplo de s; es decir, tambin tenemos
(10.9)
K (<un}>,) = A, M (<un |> i)
debe ser una constante distinta a cero. Por lo tanto, con <J>, siendo un eigenvector, a4>, tambin
es un eigenvector, y decimos que un eigenvector slo es definido por su direccin en el nel espacio dimensional se considera. Sin embargo, en nuestra discusin nos referimos a los
= 1, que fija las longitudes de los
eigenvectores satisfacen (10.8) y tambin su relacin
eigenvectores, es decir, la magnitud absoluta de los elementos en cada eigenvector. Sin
embargo, nosotros puede notar que los eigenvectors slo todava son definidos dentro de un
multiplo de-1.
Una relacin importante que los eigenvectors satisfacen es la del M orto normalidad; es decir,
Tenemos = 8ij (10.10)
donde dij es el delta de Kronecker. Esta relacin sigue de la orto normalidad

De los eigenvectors y de los eigenproblemas estndar (ver el Artculo 2.5) y adelante en el
Segundo
tion 10.2.5. Pre multiplicndose (10.8) por <j> j transportado y utilizando la condicin en
(10.10), para
obtener
jKj = \Aj (10.11)
Significa que los eigenvectores tambin son K-ortogonal. Usando las relaciones en (10.10)
y (10.11) hay que tener presente que el M-y K-ortogonalidad siguen de (10.8)
y (10.8) es la ecuacin bsica para estar satisfecha. En otras palabras, si creemos que nosotros
tenenmos un eigenvector y eigenvalor, luego como un control substituirlos en (10.8)
(ver el Ejemplo 10.3).
Hasta ahora no hemos hecho ninguna mencin de eigenvalores mltiples y eigenvectores
correspondientes
Es importante tomar en cuenta que en este caso los eigenvectores no son nicos, pero que
siempre puede elegir un juego de la M ortonormal eigenvectores que atraviesan el subespacio
esto
equivale a un eigenvalor mltiple (ver el Artculo 2.5). En otras palabras, asuma esto A,
tiene la multiplicidad m (es decir. A, = A, +i = = Ai +, -i); entonces podemos elegir el m
eigenvector
842
Prolegmenos a la Solucin de Captulo Eigenproblems. 10
<!>/... , aquella envergadura el m de subespacio dimensin correspondiente al eigenvalues
de la magnitud A, y que satisfacen la relacin orthogonality en (10.10) y (10.11). Como
alguna vez, los eigenvectors no son nicos ; en cambio, el eigenspace correspondiente a A,
es nico.
Demostramos los resultados por medio de algunos ejemplos.
EJEMPLO 10.1: La matriz de rigidez y la matriz de masas de un dos nivel del sistema de
libertad son
- [U]
Se cree que dos eigenpairs del problema K <|> = Ac |) son
1
2
(di, Vi) = (1,
V5
);
{di, V2) = (6,
V5
(a)
2
V5
y dos eigenpairs del problema K <j) = de la maana <|) son
1
V5
(gi, Wi) =
j);
igz, W2) =
(b)
Verifique que en efecto tenemos en (a) y (b) el eigensolutions de los problemas K <j> = <un |> y
K <(> = de la maana <|), respectivamente.
Considere primero el problema K <(> = un <f). Los valores dados en (a) en efecto son el
einsolution
si ellos satisfacen la relacin en (10.8) con el M = yo y, para fijar las longitudes de los vectores, el
relaciones de orthonormality en (10.10) con M = yo. La substitucin en (10.3), que expresa el
o
V5
2
V5
6
V5
2
V5
6
V5
Evaluando (10.10), obtenemos
vfvi =
vjvi =
V5
V5 V5
"2 6
"2 6
2 24
2 24
_5 5 _
_5 5 _
"1"
"0"
"0"
<|) yo =
0
; <|> 2 1
0
0_
0
1
Segundo. 10.2
2
843
V2V2
LVs Contra.
V5
1
=1
V5
V [V2
0
Por lo tanto, las relaciones en (10.3) y (10.10) estn satisfechas, y tenemos Ai = di, A2 = <2,
<|> yo = Vi, y <|> 2 = V2.
Para comprobar si tenemos en (b) el eigensolution a K <() = de la maana <|>, seguimos en un
camino anlogo. Substituyendo en (10.5), tenemos
5
-2
20
0 12
wflVIwi wfMw, =
[f
-2] [5 ][!]
=0
W2MW2
=
[yo-]l0
1
wfMw2 = W2MW1 = 0
De ah, las relaciones en (10.5) y (10.10) estn satisfechas y tenemos
Ai = gi;
A2 = gi',
<|> yo Wi ~"' <1*2 ~ W2
EJEMPLO 10.2:
K<= <un |>
Considere el eigenproblem
con K
y muestre que los eigenvectors correspondiente a eigenvalue mltiple no son nicos.
(a)
donde <|) 3 es nico. Estos valores podran ser comprobados como en el Ejemplo 10.1. Sin
embargo, cualquiera lineal
las combinaciones de 1 y <|) 2 dado en (a) que satisfacen las condiciones orthonormality en
(10.10) con
"
2
-1
0"
-1
2
0
0"
K =
-1
4
-1
;M=
0
1
0
0
-1
2_
_0
0
5_
"
1
1
1
1
\/2
; V2 V2
_ 0.
0,
2
-1
0
-1
4
-1
0
-1
2
844
Prolegmenos a la Solucin de Captulo Eigenproblenns. 10
M = Yo tambin sera eigenvectors. Por ejemplo, podramos usar

1
V2
Yo
\/2
<|) yo =
1
y
<|> 2
1
V2
0
\/2
0
Que stos en efecto sean eigenvectors correspondiente a Ai = A2 = 2 puede ser otra vez
comprobado como en
Ejemplo 10.1. Hay que notar que cualquier eigenvectors <}> yo y <(> 2 proporcionan una base al
nico
eigenspace de dos dimensiones que equivale a Ai y A2.
La solucin de (10.4) para todo p requiri eigenvalues y eigenvectors correspondiente
fue establecido en (10.5). Usando las relaciones en (10.10) y (10.11), podemos escribir ahora
-A
(10.12)
= yo (10.13)
y
donde las columnas p de 4> son el eigenvectors. Es muy importante notar esto (10.12) y
(10.13) son condiciones que el eigenvectors debe satisfacer, pero que si el M orthonormality
y K-orthogonality estn satisfechos, los vectores p no necesariamente no tienen que ser
eigenvectors a menos que
p = n. En otras palabras, suponga que X tiendas p vectores, p <n, y que XKX = D y
XMX = yo; entonces los vectores en X y los elementos diagonales en D pueden o pueden
no ser
eigenvectors y eigenvalues de (10.4). Sin embargo, si p - n, entonces X = 4> y D = A ser
slo cause la envergadura de eigenvectors el espacio n-dimensional completo y diagonalize
el
matrices K y M. Para subrayar esta observacin presentamos el ejemplo siguiente.
y los dos vectores
las relaciones en (10.11) y (10.10)] pero que ellos no son eigenvectors.

Para el control dejamos a vj y V2 ser las columnas en
y evaluamos (10.12) y (10.13).
As, obtenemos
1
Vi
1
0
1
1
1
1
V2
=
[
(4 - V2) 0
0 (4 + V2),
(a)
V2
0
0
Segundo. 10.2
845
1
V2
1
V2
"
1
1
V2
0
1
1
V2
0
"1 0
01
De ah, las relaciones orthogonality estn satisfechas. Mostrar que Vi y \2 no es eigenvectors,
nosotros
emplee (10,8). Por ejemplo,
2
1
\/2
" "
1
2
Kv, =
-1 +
1
4
V2
Mv,
1
V2
\/2
. 0.
Sin embargo, el vector Kvi no puede ser igual al vector aMvi, donde ser un escalar; es
decir, Kvi no es
iguale a Mvi, y por lo tanto Vi no es un eigenvector. Del mismo modo, V2 no es un
eigenvector y el
los valores (4 - V2) y (4 + V2) calculado en (a) no son eigenvalues. Eigenvalues actual y
dan eigenvectors correspondiente en el Ejemplo 10.4.
En la presentacin precedente consideramos las propiedades del eigenvectors del
problema K <(> = de la maana <j>, y deberamos comentar brevemente ahora sobre las
propiedades del eigen
los vectores contaron en la solucin de los otros problemas eigenvalue del inters. El
comentario
es simple: las relaciones orthogonality habladas aqu sostienen igualmente para el
eigenvectors del
problemas encontrados en anlisis de transferencia de calor y anlisis que se tuerce . Es decir
tambin tenemos
en anlisis que se tuerce, usando la nota en (10.6),
= J.
<|> r'K <|>; = A, 5,]
<pr 'K = Un J
(10.14)
y en el anlisis de transferencia de calor , usando la nota e n (10.7), tenemos
= Sij; -
A, 6, j |
= YO; = UN J
(10.15)
En cuanto al eigenproblem K <|> = la prueba de las relaciones en (10.14) y
(10.15) depende del hecho que eigenproblems generalizado puede ser transformado a a
forma estndar. Hablamos de este asunto adelante en el Artculo 10.2.5.
10.2.2 Los Polinomios Caractersticos
del Eigenproblem K ()> = AMcf)
y de Sus problemas de Coaccin Asociados
Una propiedad importante del eigenvalues del problema K <t> = de la maana <|> consiste en
que ellos son el

races del polinomio caracterstico ,
p (A) - det (K - de la maana)
(10.16)
846
Prolegmenos a la Solucin de Captulo Eigenproblenns. 10
Podemos mostrar que esta propiedad se deriva de la relacin bsica en (10.8). Volviendo a
escribir (10.8)
en la forma
(K - A.M) <(, = 0
(10.17)
observamos que (10.8) slo puede estar satisfecho para el no trivial <j>. (es decir, 4> yo no
ser igual a a
vector nulo) a condicin de que la matriz K - A, el M es singular. Esto significa esto si
descomponemos en factores
K - A, el M en una unidad baja la matriz triangular L y una matriz triangular superior S
utilizacin
Eliminacin de Gauss, tenemos s n = 0. Sin embargo, desde entonces
p (A), = det LS = n Sii
(10.18)
1=1
resulta que p {\), = 0. Adems, si A, tiene la multiplicidad m, tambin tenemos
s-i, n-i = = s ~m+i, n-m+i = 0. Wc debera notar esto en el factorization de K - A, M,
los intercambios pueden ser necesarios, en cuyo caso el factorization de K - A, M con sus filas
y
posiblemente sus columnas intercambiadas son obtenidas (cada fila y cada intercambio de
columna entonces
introduce u n cambio de signo del determinante que debe ser considerado; ver la Seccin
2.2). Si ningunos intercambios son realizados, o la fila y los intercambios de columna
correspondientes son
realizado, que en la prctica siempre es casi posible (pero ver el Ejemplo 10.4 para un caso
donde no es posible), la matriz de coeficiente permanece simtrica. En este caso podemos
escribir
para (10.18)
p (A), = det LDL = pies du
(10.19)
1=1
donde LDL es el factorization de K - AiM o de la matriz sacada de ello por interchang
filas de ing y columnas correspondientes, es decir, usando un pedido diferente para los grados
de sistema
de la libertad (ver el Artculo 8.2.5). La condicin 5 = 0 es ahora d = 0, y cuando A, tiene
multiplicidad m, el ltimo m de elementos en D es el cero.
En el Artculo 8.2.5 hablamos de la propiedad de secuencia de Sturm de la caracterstica
los polinomios de los problemas de coaccin se asociaron con el problema K <|> = <un |>. El
mismo
las propiedades que observamos en aquella discusin tambin son aplicables a la caracterstica
los polinomios de los problemas de coaccin se asociaron con el problema K <J> = de la
maana <)>. El
la prueba sigue del hecho que eigenproblem generalizado K <t> = de la maana <t> puede ser
la transaccin
formado a un estndar eigenproblem para cual la propiedad de secuencia de Sturm del carcter
los polinomios de istic sostienen. Mandando la prueba al Artculo 10.2.5, Ejemplo 10.11, nos
deja
resuma el resultado importante.
El eigenproblem del rth asoci el problema de coaccin correspondiente a
K <t> = de la maana <|> es dado por
K '-"* <!> <' ' =
(10.20)
son obtenidos suprimiendo de K y

donde todos matrices son de la orden n - r y
y
M de las ltimas filas r y columnas. El polinomio caracterstico del rth asoci la estafa
el problema de straint es
pW (AY!) = det (KW - un <' ''MW) (10.21)
y en cuanto al caso especial M = yo, el eigenvalues del (r + l) san problema de coaccin
separe a aquellos del problema de coaccin rth ; es decir, como declarado en (8.38), otra vez
tenemos
< Al,
a-"': <Ar' A < Ar"
AW.-: <
(10.22)
Considere el ejemplo siguiente.
1 0"
ri -\
2
4 - 1
;M=
1
1 2_
1
2_
Segundo. 10.2
847
K =
(b) Solucione para el eigenvectors <|), yo = 1, 2, 3, usando la relacin en (10.17) y el

M orthonormality condicin del eigenvectors.
(c) Calcule el eigenvalues de los problemas de coaccin asociados y muestre que el eigen
la propiedad de separacin de valor dada en (10.22) sostiene.
Usando (10.16), obtenemos el polinomio caracterstico
pi \) = (2 - iA) (4 - A) (2 - A) - (-1) (-1) (2 - A) - (-1) (-1) (2
|A)
De ah, p (A) = - |A' + SA - llA + 12
y tenemos
Ai = 2; A2 = 4;
A3 = 6
Para obtener eigenvectors correspondiente, usamos la relacin en (10.17). Para Ai tenemos
"1-1 0"
-1
2
-1 <|), = 0
(a)
0-1
IJ
La matriz de coeficiente K - AiM en (a) puede ser descompuesta en factores en LDL sin
intercambios. Utilizacin
el procedimiento describi en el Artculo 8.2.2, obtenemos
1
1
"1
1 0"
-1
1
1
1 -1
<|> 1 = 0
(b)
0
1
0
1
-1
Notamos esto da - 0.0. Para evaluar <j> yo, obtenemos de (b),

1
-1
0
1
-1
0
<|>, = 0
Usando tambin <() rM <() yo = 1, tenemos
<l>
_1_ _1
V2 V2 V2.
Obtener <(> 2 y <|> 3, seguimos de un modo anlogo. Evaluacin K
de (10.17),
0
-1
A2M, obtenemos
-1
0
<|) 2 0
0
-1
En este caso no podemos descomponer en factores la matriz de coeficiente que conserva
synunetry; es decir, necesitamos a
slo intercambie las primeras y segundas filas (y no las columnas correspondientes). Esta fila
848
intercambie resultados en la relacin
-1 0 - 1
0-1
<|> 2 = 0
0-1
0
La factorizacin de la matriz de coeficiente en una unidad baja la matriz triangular L y un
triangular superior
matriz S, obtenemos
1
0
1
0
1
-1 0-r
-1 0
0
YO
<|> 2 = 0
y de ah, saa = 0. Para solucionar para <|> 2, usamos
-1
0
-r
-1
0
0
= 1. As, obtenemos
y
<j> 2 - 0
=
1]
Para contar <)> 3, evaluamos K - AjM y tenemos

-1 -1
0
-1
-2
<|> 3 = 0
-1
0
-1
-1
La matriz de coeficiente puede ser fectorized en LDL sin intercambios; es decir, tenemos
1
-1
1 1 0"
1
11
<J> 3 = 0
0
0
1
Notamos esto -0. Para contar |> 3 usamos

-1
-1
0"
-1
-1
0
y <)> 3M ()> 3 = 1. De ah,
<J> 3 - 0
i =
fJ ___ J_1
VZ V2 vzJ
Los eigenvalues del primer problema de coaccin asociado son obtenidos de la solucin de
r
2
-r
1-1 4
<|> < = UN <'>
yo 0
01
(1)
De ah, + 7
A*/ = 4 - V2;
A' = 4 + V2
Tambin Af = 4, y de ah la propiedad de separacin eigenvalue dada en (10.22) est en este
caso:
y
Segundo. 10.2
849
Hechos fundamentales Usados en la Solucin de Eigensystenns
1. Para el eigenvalues de los primeros y segundos problemas de coaccin asociados,

4-V2 <4 <4 + V2
2. Para el eigenvalues de K J> = de la maana <)> y el primer problema de coaccin asociado,
2 < (4 - V2) <4 < (4 + V2) <6
Un hecho importante que sigue de la propiedad de la separacin de eigenvalues como
expresado en (10.22) es el siguiente. Suponga que podamos descomponer la matriz en
factores K - / son
en LDL; es decir, ninguno de los problemas de coaccin asociados tiene un cero
eigenvalue. Para
la simplicidad de la discusin nos dej primero suponer que todos eigenvalues sean
distintos; es decir, hay no
eigenvalues mltiple. El hecho importante es que en la descomposicin ofK-/son, el
el nmero de elementos negativos en D es igual al nmero de eigenvalues ms pequeo
que/a.
A la inversa, si A, </u, <A, +i, hay exactamente yo elementos diagonales negativos en D. La
prueba
es obtenido usando la propiedad de separacin en (10.22) y es relativamente fcilmente
perfilado por el
consideraciones siguientes. Respecto a Fig. 10.1, suponga esto en el esbozo del carcter
polinomios de istic unimos por lneas recta s todo eigenvalues r = 0, 1..., con
Af = Ai, y llamada la curva que resulta Ci. Del mismo modo, establecemos curvas Cz,
C3... , como
indicado en Fig. 10.1. Considere ahora que A, </a <A, +i y dibujan una lnea vertical corre
sponding a/A en la cifra de los polinomios caractersticos ; es decir, esta lnea establece
donde
/A est con relacin al eigenvalues de los problemas de coaccin asociados . Notamos que el
la lnea correspondiente a jx debe cruzar las curvas Ci... , C, y debido al eigenvalue
JL
t
p '2 U' 2l
p {X
X2
A3
Construccin de curvas C, para los polinomios caractersticos del problema

La figura 10.1
K <t) = de la maana <t) y de los problemas de coaccin asociados
850 Prolegmenos a la Solucin de Eigenproblems
Captulo. 10
la propiedad de separacin no puede cruzar las curvas C. + yo...
desde entonces
= n du (10.23)
, C. Sin embargo,
1=1
y ya que cada cruce de/x uith un sobre Ck equivale a un elemento negativo
apareciendo en D, tenemos exactamente yo elementos negativos en D.

Estas consideraciones tambin sostienen en caso de eigenvalues mltiple; es decir, en Fig. 10.1
nosotros
encontrara simplemente que algunos eigenvalues son iguales, pero el argumento dado encima
no iba
cambio.
La propiedad de la cual el nmero de elementos negativos en D es igual al nmero
el eigenvalues ms pequeo que/a puede ser usado directamente en la solucin de eigenvalues
(ver la Seccin
11.4.3). A saber, asumiendo un cambio jx y comprobando si/a es ms pequeo o ms grande
que el
eigenvalue requerido, podemos reducir sucesivamente el intervalo en el cual el eigenvalue
debe
mentir. Demostramos el procedimiento de solucin en el ejemplo siguiente.
EJEMPLO 10.5: Use el hecho que el nmero de elementos negativos en D, donde LDL' =
K - / son, es igual al nmero de eigenvalues ms pequeo que/a a fin de calcular A2 de
donde
2
-1
0"
K
-1
4
-1
M =
1
0
"YO
2
Tres eigenvalues del problema han sido calculados ya en el Ejemplo 10.4. Nosotros
ahora siga en los pasos sistemticos siguientes.
1. Djenos asumir/a = 1 y evaluar LDL de K - / son,
K - / son =
-3
2
-1
0
0"
-1
De ah,
LDL =
1 - YO
0
1
14
-I
Ya que todos los elementos en D son ms grandes que el cero, tenemos Ai> 1.
Ahora intentamos -8, donde
K -/iM =
-2 - 1
-1 - 4
0 -1
0"
-1
-2
'
1
-2
1
y
LDL
1
1
Ya que tres elementos diagonales son ms pequeos que el cero, resulta que A3 <8.
= 5, para cual
3. La siguiente estimacin/x debera estar lgicamente entre 1 y 8; elegimos
-5
0
-1
K - / son =
-1 - 1
-1 - k
Segundo. 10.2
2
851
Hechos fundamentales Usados en la Solucin de Elgensystems
0"
y
LDL =
21
1 -1
0
1
1
-1
Ya que dos elementos negativos estn en D, tenemos A2 <5.

4. La siguiente estimacin debe estar entre 1 y 5. Djenos usar/a = 3, en cuyo caso
K-ijM
Yo
2
-1
0
-1
1
-1
0"
-1
1
-2
y
T -2
1
1
0
1
1
De ah A2> 3, porque hay slo un elemento negativo en D.

El modelo del procedimiento de solucin ha sido establecido ahora. Tan fer sabemos que
3 <A2 <5. A fin de obtener una estimacin ms cercana en A2 seguiramos eligiendo un
cambio
los fi en el intervalo 3 a 5 e investigan si el nuevo cambio es ms pequeo o ms grande
que A2.
Eligiendo siempre un nuevo cambio apropiado, eigenvalue requerido puede ser determinado
muy exactamente (ver el Artculo 11.4.3). Hay que notar que no tuvimos que usar
intercambios en el factorizations de K -/iM realizado encima.
10.2.3 Cambio
Un procedimiento importante que es usado extensivamente en la solucin de eigenvalues y
eigenvec
las colinas cambian. El objetivo de cambiar es acelerar los clculos del requerido
eigensystem. En la solucin = de la maana <|>, realizamos un cambio p en K contando
K = K - p.m.
y entonces consideramos el eigenproblem
(10.24)
(10.25)
Identificarse como el eigenvalues y eigenvectors de K<= de la maana ()> estn relacionados con
aquellos
del problema K |i = volvemos a escribir (10.25) en la forma
Kvji - yMiji
(10.26)
donde y = p + [yo. Sin embargo, (10.26) es, de hecho, el eigenproblem K<=
entonces
la solucin de este problema es nica, tenemos
\i - p + pi\
y desde
<}>, = ij;
(10.27)
En otras palabras, el eigenvectors o/K * | yo =
son el mismo como el eigenvectors de
Los K <|> = de la maana |>, pero el eigenvalues han sido disminuidos por p. Una aplicacin
frecuente de
el cambio ocurre en el clculo de modos de cuerpo rgido cuando un algoritmo debe ser usado
esto
no es diseado explcitamente para calcular el cero eigenvalues. Ilustramos tal aplicacin en
el ejemplo siguiente.
852
EJEMPLO 10.6: Considere el eigenproblem
3
-3
-3
]<!>-> [] 2] .
(a)
Calcule el eigenvalues y eigenvectors. Entonces imponga un cambio p =-2 y solucione otra vez
para el
eigenvalues y eigenvectors correspondiente.
Para calcular el eigenvalues usamos el polinomio caracterstico
-18A
/? (A) = det {K - de la maana) =
y as obtenga a Ai = 0, A2 = 6. Para calcular <J> yo y <J> 2 usamos la relacin en (10.17) y el
-1. Tenemos
masa orthonormality condicin
1
3
-3
-3
3
<|> yo = 0; de ah, <|> yo =
V6
1
(b)
y.
1
y
r-9 _9" |
-9
de ah, <|> 2 =
-9
V2
1
(c)
~V2
Imponiendo un cambio de p =-2, obtenemos el problema
[-:
> - 'K
Siguiendo como antes, tenemos
(d)
p {K) = A - lOA + 16
y obtenga como las races A1 = 2, A2 = 8. De ah los eigenvalues han aumentado en 2; es decir,
ellos tienen
disminuido por p.
El eigenvectors sera calculado usando (10.17). Sin embargo, notamos que esta relacin
otra vez cede las ecuaciones en (b) y (c), y por lo tanto los eigenvectors del problema en (d) son
aquellos del problema en (a).
Una observacin importante que resulta de la susodicha discusin consiste en que, en
principio , nosotros
slo necesito algoritmos de solucin para calcular el eigenvalues y eigenvectors
correspondiente
del problema K ()> = de la maana <}) cuando todos eigenvalues son ms grandes que el cero.
Esto sigue,
porque si los modos de cuerpo rgido estn presentes , siempre podemos actuar sobre una
matriz de rigidez cambiada
esto da todos eigenvalues positivo.
Da n aplicaciones extensas del cambio en el Captulo 11, donde vario e igensyshablan de algoritmos de solucin de tem.
10.2.4 Efecto de misa Cero
Usando una matriz de masas lumped, el M es diagonal con el positivo y posiblemente
algn cero
elementos diagonales. Si todos los elementos mu son ms grandes que el cero, el

eigenvalues A, no puede por lo general
sea obtenido sin el uso de un algoritmo de solucin eigenvalue como descrito en el
Captulo 11.
0
2
0
J
Yo
Segundo. 10.2
853
Sin embargo, si el M tiene algunos elementos diagonales cero, diga que los elementos
diagonales r en el M son el cero, nosotros
puede decir inmediatamente que el problema Kc |> = de la maana <}> tiene el eigenvalues un" =
un"-i =
= un"-r+i = oo y tambin puede construir eigenvectors c
orrespondiente por la inspeccin.

Para obtener el susodicho resultado, djenos recordar el objetivo fundamental en un
eigensolution.
Es importante recordar que todo que requerimos es un vector <J> y escalar un que satisfacen
el
ecuacin
K <J> = DE LA MAANA ()>
(10.4)
donde 4> es no trivial; es decir, <}> es un vector con al menos un elemento en ello distinto a
cero. En otro
las palabras, si tenemos un vector c)> y escalar un que satisfacen (10.4), entonces A y c)> son
un eigenvalue
A, y eigenvector
respectivamente, donde hay que notar que esto no importa como <j>
y A han sido obtenidos. Si, por ejemplo, podemos adivinar <J> y A, deberamos tomar
seguramente
ventaja de ello. Esto puede ser el caso cuando los modos de cuerpo rgido estn presentes en el
estructural
ensamblaje de elemento. As, si sabemos que el ensamblaje de elemento puede someterse a un
rgido
modo de cuerpo, tenemos Ai = 0 y tenemos que buscar c)> yo para satisfacer la ecuacin K<yo =
0. En
general, la solucin de <}> debo ser obtenido usando a un solucionista de ecuacin, pero en
un finito simple
ensamblaje de elemento podemos ser capaces de identificarnos por inspeccin.
En caso de elementos diagonales cero r en un M de la matriz de masas diagonal, siempre
podemos
inmediatamente establezca r eigenvalues y eigenvectors correspondiente. Volver a escribir el
eigenproblema en (10.4) en la forma
M <|> =
(10.28)
donde/x = A~ encontramos esto si rrikk - 0, tenemos un eigenpair (/x, <|>,) = (0, Ct); es
decir,
0
...010...0]; = 0 (10.29)
<|) f = [0
t
elemento de fcth
Esto c)>, y/i, en (10.29) en efecto son un eigenvector y eigenvalue de (10.28) es verificado por
simplemente substituyendo en (10.28) y notando que (/i, <|),) es una solucin no trivial. Desde
[jl =
Un "', por lo tanto encontramos que dan un eigenpair de Kcj> = de la maana <|> por (Aj, <|> j)
= (oo, Ca).
La consideracin del caso de elementos diagonales cero r en el M, resulta que hay infinito r
el eigenvalues, y eigenvectors correspondiente pueden ser tomados para ser vectores de unidad
con cada uno
vector de unidad que tiene 1 en una posicin correspondiente a un elemento de masas cero en
M Desde A.
es entonces un eigenvalue de multiplicidad r, eigenvectors correspondientes no son nicos
(ver
El artculo 10.2.1). Adems, notamos que la longitud de un eigenvector no puede ser fijada
usando
la condicin de M orthonormality. Demostramos como establecemos el eigenvalues y
eigenvectors por medio de un breve ejemplo.
-1
-1
2
-1
-1
2
-I
Establezca A3, A4 y <{> 3, ()> 4.
T
0"
0
<|> 4 =
0
'0
1
0
_0
854
Hay dos elementos diagonales cero en el M; de ah, A3 =>, A4 = o . Como correspondiente
eigenvectors podemos usar
Deberamos notar que = 0 ya que yo = 3, 4, y por lo tanto la magnitud de los elementos en

<)>, no puede ser fijado usando el M orthonormality condicin.
10.2.5 Transformacin de Eigenprob generalizado ! Em
K <f = de la maana <pies a una Forma Estndar
Eigenproblems ms comunes que son encontrados en el anlisis cientfico general son
el estndar eigenproblems, y la mayor parte de otro eigenproblems pueden ser reducidos a
una forma estndar.
Por esta razn, la solucin del estndar eigenproblems ha llamado mucha atencin en
el anlisis numrico, y muchos algoritmos de solucin estn disponibles. El objetivo de esta
seccin
debe mostrar como el eigenproblem K <|> = AMc |> puede ser reducido a una forma estndar. El
las implicaciones de la transformacin son dobles. En primer lugar, porque la transformacin
es posible,
el uso puede ser hecho de varios algoritmos de solucin disponibles para el estndar
eigenproblems.
Veremos que la eficacia del procedimiento eigensolution empleado depende a a
el grado grande en la decisin si realizar una transformacin a una forma estndar.
En segundo lugar, si eigenproblem generalizado puede ser escrito en la forma estndar , las
propiedades de
el eigenvalues, eigenvectors, y los polinomios caractersticos of the generalizaron eigenprob
Lem puede ser deducido de las propiedades de las cantidades correspondientes del estndar
eigenproblem. La realizacin que las propiedades de estndar eigenproblems son ms fcilmente
tasado, es en gran medida por los segundos motivos que la transformacin a un estndar
el eigenproblem es importante para ser estudiado. En efecto, despus de presentar la
transformacin proce
dures, mostraremos como las propiedades del eigenvectors (ver el Artculo 10.2.1) y el
las propiedades de los polinomios caractersticos (ver el Artculo 10.2.2) del problema Kc}) =
AMc |> son sacados de las propiedades correspondientes del estndar eigenproblem.
En el siguiente suponemos que el M sea positivo definido. Es as cuando el M es
diagonal con > 0, yo - 1..., n, o el M es dividido en bandas, como en un anlisis de masas
consecuente. Si
El m es diagonal con algunos elementos diagonales cero, primero tenemos que realizar
condensa esttico
tion en los niveles sin masa de libertad como descrito en el Artculo 10.3.1. Asuncin de
aquel M
es positivo definido, podemos transformar eigenproblem generalizado K<= de la maana <|>
presentado
(10.4) usando una descomposicin de M de la forma
M = SS (10.30)
donde S es cualquier matriz no singular. Substituyendo al M en (10.4), tenemos
K <|> = EL CULO" *})
(10.31)
'
La premultiplicacin de ambos lados de (10.31) por S y definiendo un vector,
= S <|>
(10.32)
Segundo. 10.2
obtenemos el estndar eigenproblem,

855
(10.33)
donde K = SEORES"'"
(10.34)
Una de dos descomposiciones del M es usada en general: Cholesky factorization o el
la descomposicin espectral del M Tjie Cholesl factorization del M es obtenida como
descrito en
El artculo 8.2.4 y producciones M = LmLm. En (10.30) a (10.34) por lo tanto tenemos
S = Lm
(10.35)
La descomposicin espectral del M requiere la solucin de eigensystem completo del M.
La denotacin de la matriz de orthonormal eigenvectors por R y la matriz diagonal de eigenval
ues por D, tenemos

M = RDR
(10.36)
y usamos en (10.30) para (10.34),
S = RUTHERFORD (10.37)
Hay que notar que cuando el M es diagonal, los matrices S en (10.35) y (10.37) son el
mismo, pero cuando el M es dividido en bandas, ellos son diferentes.
La consideracin de la eficacia de la solucin de eigenvalues requerido y eigenvec
colinas de (10.33), es el ms importante que K tenga la misma amplitud de banda que K cuando
el M es
diagonal. Sin embargo, cuando el M es dividido en bandas, K en (10.3 3) es en general una
matriz llena, que hace
la transformacin ineficaz en casi todos los anlisis de elemento finito de pedido grande . Esto
va
hgase ms aparente en el Captulo 11 cuando vario eigensystem los algoritmos de solucin son
hablado.
Comparando Cholesky factorization y la descomposicin espectral del M, puede ser
notado que el uso de los factores de Cholesky es en general computacionalmente ms
eficiente que
el uso de tjie de la descomposicin espectral porque menos operaciones estn implicadas en el
clculo
Lm que R y D. Sin embargo, la descomposicin espectral del M puede ceder un ms exacto

solucin de K<= de la maana <}>. Suponga que el M sea de mal carcter con respecto a la
inversin; entonces
el proceso de transformacin al estndar eigenproblem tambin es de mal carcter. En este caso
es importante emplear el procedimiento de transformacin ms estable. Utilizacin de
Cholesky
el factorization del M sin el giro, encontramos que Lm' tiene elementos grandes en muchas
posiciones
debido al enganche en el M y Lm\ Por consiguiente, el K es calculado con poca precisin,
y eigenvalues ms bajo y eigenvectors correspondiente son determinados inexactamente.
Por otra parte , usando la descomposicin espectral del M, la exactitud buena puede ser
obtenido en los elementos de R y D, aunque algunos elementos en son pequeos en la
relacin
a los otros elementos. El mal acondicionamiento de M es concentrado ahora en slo el pequeo
los elementos de D, y la consideracin K, slo aquellas filas y las columnas que equivalen al
los pequeos elementos en D tienen elementos grandes, y los eigenvalues de la talla normal son
ms probables
ser conservado exactamente.
Considere los ejemplos siguientes de transformar el problema eigenvalue generalizado
K<= AM4> a una forma estndar.
~2 1 0"
K =
-1 2 - 1
;M=
131
0 - 11
_0 1 2
1
1
1
V3
V2
V6
1
V3
; <l> 2 0
; J> 3 2
V6
1
1
1
V2
, V6_
856
eigenproblem.
Primero calculamos el LDL'" la descomposicin del M,
1 h 0'
M
1
0
1
YO
De ah, Cholesky fector del M es (ver el Artculo 8.2.4)

V2
1
jm V2
0
1
V2
__ 1_
y
VI o
1
V40
Vio
La matriz del estndar eigenproblem K = Lm'KLm est en este caso,
3
V5
V5
2
K =
2
4
3
2
5
4
EJEMPLO 10.9: Considere el generalizedjeigenproblem en el Ejemplo 10.8. Use el espectral
descomposicin de M para calcular la matriz K de un estndar correspondiente eigenproblem.
El eigenvalues y eigenvectors correspondiente del problema M <|> = <j> pueden ser calcu
Segundo. 10.2
De ah, la descomposicin M = RDR es

857
1
V3
1
V2
1
V6
1
V3
1 1'
V3 V3
M
1
V3
0
2
V6
1
V2
0
1
V2
1
1
1
V3
Vi Ve
V6 V6 V6
Notando que S = RUTHERFORD y S = D R porque RR = yo, obtenemos
1
V3
11
V3 V3
S-' =
1
2
0
1
2
1
2V6
11
V6 2V6
La matriz del estndar eigenproblem es K = S 'KS
es decir,
K
12
3
1
V3
1
1
VI
1
1
1
3V2
1
2V6
1
3V2 2V6
6
Deberamos notar que la matriz K obtenido aqu es diferente de la matriz K sacado en
Ejemplo 10.8.
En la susodicha discusin slo consideramos el factorization de M en el M = SS y
entonces la transformacin de K <}) = AM4> en la forma dada en (10.33). Indicamos esto
esta transformacin puede ceder resultados inexactos si el M es de mal carcter. En tal caso esto
parece natural para evitar la descomposicin de M y en cambio usar un factorization de K.
Volviendo a escribir Kc |> = de la maana <|> en la forma M<= (1/A) K <J>, podemos usar un
procedimiento anlogo
obtener el eigenproblem
M <j> = - <|> (10.38)
A
donde M =
K = SS
(10.39)
(10.40)
=
S <|>
(10.41)
y S es obtenido usando el factor Cholesl o la descomposicin espectral de K. Si K es
bien fraudulento (Htioned, la transformacin tambin es bien condicionada. Sin embargo,
desde entonces
siempre es
el
dividido en bandas, M siempre es una matriz llena, y la transformacin es por lo general
ineficaz para el
solucin de Kc |> = de la maana <J>.
858
Ya que indicamos antes, la posibilidad de realmente solucionar eigenprob-g eneralizado
Lem por la primera transformacin de esto en una forma estndar es slo una razn por
qu consideramos el
encima de transformaciones. La segunda razn consiste en que las propiedades del
eigensolution del
eigenproblem generalizado puede ser deducido de las propiedades de la solucin del
corre
estndar de sponding eigenproblem. Expresamente, podemos sacar las propiedades
orthogonaUty
del eigenvectors como dado en (10.10) y (10.11), y la propiedad de secuencia de Sturm
del
polinomios caractersticos del eigenproblem K) = de la maana *}) y de su estafa asociada
problemas de straint como dado en (10.22). En ambos casos ningunos
fundamentalmente nuevos conceptos tienen que ser
probado; en cambio, las propiedades correspondientes del estndar eigenproblem, que es
Ob
tained de eigenproblem g eneralizado, son usados. Damos las pruebas en el siguiente
ejemplos como una aplicacin de la transformacin de eigenproblem g eneralizado a
Stan
forma de dard.
EJEMPLO 10.10: Muestre que el eigenvectors del problema K <|> = de la maana <|) son M-y
Kortogonal y hablan del orthogonality del eigenvectors de los problemas K <|> =
dado en (10.6) y K <|) = corriente alterna <|) dado en (10.7).
El eigenvector orthogonality es probado transformando eigenproblem generalizado a
una forma estndar y utilizacin del hecho que el eigenvectors de un estndar eigenproblem con
a
la matriz de synmietric es orthqgonal. Considere primero el problema K <|> = IMPORTE]) y
asuma aquel M
es positivo definido. Entonces podemos usar la transformacin en (10,30) a (10.34) para obtener,
como un
eigenproblem equivalente,
donde M = SS'; K = S-'KS ";

Pero desde el eigenvectors
= AfSy
= S <|)
del problema = A tienen las propiedades (ver el Artculo 2.7)
tenemos, substituyendo
= 5: = A,-6
(a)
Si el M no es positivo definido, consideramos el M eigenproblem <|> = (1/A) K <|> (con K
positivo definido o un cambio debe ser impuesto; ver el Artculo 10.2.3). Ahora usamos la
transformacin
donde K = SS;
M = S-'MS'
y las propiedades
La substitucin por
<|> fK <}) j = Sy-;
('')
= S <|>
obtenemos
con el eigenvectors que ahora es K-orthonormalized, porque el problema M <|) = (1/A) K <|> era
considerado. Para obtener los mismos vectores que en el problema K <|> = de la maana ,
tenemos que multiplicarnos el
eigenvectors <)>, del problema M <|> = (1/A) K <|> por los factores Va i = yo...
, n.
Considerando estas pruebas, notamos que arreglamos el eigenproblems de tal modo que
la matriz se asoci con el eigenvalue, es decir, la matriz en el lado derecho del eigenvalue
'3-1
'4 "
4
K =
-1 2 - 1
;M=
484
-1 1
48
-1
2
1
2
12
r3
4
-1
1
0
1
2
1
2
-1
7
4
-2
_0
0
1
2_
1
-2
5
2
Segundo. 10.2
859
problema, es positivo definido. Esto es necesario para ser capaz a ckry la transformacin del
eigenproblem generalizados a una forma estndar y as sacan el eigenvector cffthogonality
y K <|) =
propiedades en (a) y (b). Sin embargo, considerando los problemas 'K <J> =
corriente alterna <|)
dado en (10.6) y (10.7), podemos seguir en una manera similar. Los resultados seran el
eigenvector orthogonality propiedades dadas en (10.14) y (10.15).
EJEMPLO 10.11: Demuestre la propiedad de secuencia de Sturm de los polinomios
caractersticos de
el problema K <|) = de la maana <|> y los problemas de coaccin asociados. Demuestre la
prueba para el
(a)
K <|> = de la maana (|> y

a estndar eigenproblems, para cual la caracterstica
se conoce que polinomios forman una secuencia de Sturm (ver los Artculos 2.6 y 8.2.5).
Como en el Ejemplo 10.10, suponemos primero que el M sea positivo definido. En este caso
podemos
transforme el problema K <|> = de la maana (|} en la forma
= <UN |>
donde
K = WKLk
M = LmU;
= L5, <|>
y Lm es Cholesky fiK:tor ofM.
La consideracin del eigenproblems y
r = 1..., n - 1
[ver (8.37)], sabemos que los polinomios caractersticos forman una secuencia de Sturm. En el
otro
mano, si nosotros consido-el eigenproblem K <J) = de la maana <|> y el eigenproblems de su
asociado
problemas de coaccin, es decir,
[ver (10.20)], notamos que los problemas
= un (' "'M <'' '<|> <'' tienen mismo eigenvalues. A saber,
=
y
es un estndar eigenproblem corrpponding a
ie., en vez de
eliminando las filas r y columnas de K (para obtener K *''), tambin podemos calcular K *
""* como sigue:
KW = LWMW
T Mt PESO.
>
(b)
puede
ser obtenido simplemente suprimiendo las ltimas filas r y
Notejhat Lm y
El
columnas de Lm
y Lm\respectivamente.
De ah, la propiedad de secuencia de Sturm tambin sostiene para los polinomios caractersticos
de
K <|> = de la maana <|> y los problemas de coaccin asociados.
Para el ejemplo para ser considerado, tenemos
"2
0
0"
Lm 220
022
(c)
De ah,
K =
ri
2
1
2
Yo
2
3
-1
0
(d)
"
6
-1
0~
"2
0
0"
-1
4
-1
0
2
1
0
-1
2
0
1
1
2
-1
0"
'1
1
2
0
2
0
0
3_
3
2,
860
Prolegmenos a la Solucin de Captulo Elgenproblems. 10
Por otra parte , podemos obtener mismo matricesy
utilizacin de las relaciones en (b),
donde y
(para calcular Lm j son obtenidos de K y M en (a).
En la discusin precedente supusimos que el M sea positivo definido. Si el M es positivo
semidefinido, podemos considerar el problema M <|> = (1/A) K <J) en cambio, en que K es
positivo
definido (esto puede significar que un cambio tiene que ser impuesto; ver el Artculo 10.2.3)
y as muestre esto
la propiedad de secuencia de Sturm todava sostiene.
Puede notarse que esto sigue de esta discusin que los polinomios caractersticos de
el eigenproblems 'K <|> = y K <j> = corriente alterna <j> dado en (10.6) y (10.7) y de su
los problemas de coaccin asociados tambin forman una secuencia de Sturm.
10.2.6 Ejercicios
M de ortogonal.
(b) Encuentre dos vectores que son el M ortogonal , pero no son eigenvectors.
10.2. Calcule el eigenvalues del eigenproblem en el Ejercicio 10.1 y de su coaccin asociada
problemas. Muestre que los eigenvalues satisfacen la propiedad de separacin (10.22).
103.
10.4.
Considere el eigenproblem
los problemas de coaccin asociados [ven (10.20)].

(b) Establezca dos vectores que son el M ortogonal , pero no son eigenvectors.
Calcule el eigenvalues y eigenvectors del problema
<>
{oo]
Entonces aplique un cambio p = 3 en K y calcule el eigenvalues y eigenvectors del nuevo
problema
[ver (10.25)].
10.5. Transforme eigenproblem generalizado en el Ejercicio 10.1 en una forma estndar.
10.6. (a) El eigenvalues y eigenvectors del problema
K <|> = <UN |>
son
Calcule K.
A. = 1;
4;
Segundo. 10.3
Tcnicas de Solucin aproximadas
(b) El eigenvalues y eigenvectors del problema
K <> = DE LA MAANA <>

861
son
1
Ai - 1; <|> yo - - p.
V3
Az - 4; <|> 2 1
2
Calcule K y M. Son los K y M matrices en (a) y (b) nico?
10.3 TCNICAS DE SOLUCIN APROXIMADAS

Es aparente de la naturaleza de un problema dinmico que un clculo de respuesta dinmico
debe ser considerablemente ms costoso que un anlisis esttico. Mientras que en un anlisis
esttico el
la solucin es obtenida en un paso, en la dinmica la solucin se requiere en vario distinto
el tiempo seala sobre el intervalo de tiempo considerado. En efecto, encontramos esto en un
gradual directo
la solucin de integracin, una ecuacin de esttica, que incluye los efectos de apata y
humectacin
fuerzas, se considera al final de cada paso de tiempo discreto (ver el Artculo 9.2).
Consideracin a
anlisis de superposicin de modo, el esfuerzo computacional principal es gastado en el clculo
del
las frecuencias requeridas y las formas de modo, que tambin requiere bastante ms esfuerzo
que
un anlisis esttico. Es por lo tanto natural que tan mucha atencin haya sido dirigida hacia
algoritmos eficaces para el clculo de eigensystem requerido en el problema
K <|) = de la maana <. De hecho, porque la solucin "exacta" de eigenvalues requerido
y corre
el sponding eigenvectors puede ser prohibitivamente caro cuando el pedido del sistema es
grande
y una tcnica "convencional" es usada, las tcnicas aproximadas de solucin han sido
desarrollado. El objetivo de esta seccin es presentar los mtodos aproximados principales esto
han sido diseados y actualmente todava estn en el uso.
Las tcnicas de solucin aproximadas han sido desarrolladas principalmente para contar el
eigenvalues ms bajo y eigenvectors correspondiente en el problema K<= de la maana <|>
cuando el
el pedido del sistema es grande. La mayor parte de programas usan tcnicas de solucin exacta
en el anlisis
de sistemas de pequeo pedido. Sin embargo, el problema de calcular pocos eigenpairs ms
bajos de
relativamente los sistemas de pedido grande son muy importantes y son encontrados en todas las
ramas de
ingeniera estructural y en particular en anlisis de respuesta de terremoto. En el siguiente
secciones presentamos tres tcnicas principales. El objetivo en la presentacin no es abogar
la realizacin de cualquiera de estos mtodos pero mejor dicho describir su uso prctico,
sus limitaciones, y las asunciones empleadas. Adems, las relaciones entre el
las tcnicas aproximadas son descritas, y en el Artculo 11.6 encontraremos, de hecho, que el
puede entenderse que tcnicas aproximadas consideradas aqu son una primera iteracin (y
puede
sea usado como tal) en el algoritmo de iteracin subespacial .
10.3.1 Condensacin esttica
Hemos encontrado ya el procedimiento de la condensacin esttica en la solucin del esttico
las ecuaciones de equilibrio, donde mostramos que la condensacin esttica es, de hecho, una
aplicacin
de la eliminacin de Gauss (ver el Artculo 8.2.4). En la condensacin esttica eliminamos
aquellos grados
862
de la libertad que no se requieren aparecer en el ensamblaje de elemento finito global . Para
ejemplo, los niveles de desplazamiento de la libertad en los nodos internos de un elemento
finito pueden
sea condensado porque ellos no participan en la continuidad de interelemento imponente .
Nosotros
mencionado en el Artculo 8.2.4 en el cual el trmino "esttica de condensacin" realmente
fue acuado
anlisis dinmico.
La asuncin bsica de condensacin esttica en el clculo offrequencies y

las formas de modo son que la masa de la estructura puede ser lumped en slo algunos
grados especficos
offreedom sin mucho efecto en la exactitud de las frecuencias y formas de modo de
inters. En caso de una matriz de masas lumped con algunos elementos diagonales cero,
algunos de
la masa lumping ha sido realizada ya. Sin embargo, la masa adicional lumping est en
general requerido. Tpicamente, la proporcin de niveles de masas de libertad al nmero total
de
los niveles de la libertad pueden estar en algn sitio entre 5 y
Lumping ms de masas es
realizado, menos esfuerzo de ordenador se requiere en la solucin; sin embargo, ms probable
tambin es que las frecuencias requeridas y las formas de modo no son preditas exactamente.
Nosotros
tendr ms para decir sobre esto ms tarde.
Suponga que la masa lumping haya sido realizada. Dividiendo el matrices, nosotros
puede escribir entonces el eigenproblem en la forma
[t
i][t]
donde <|) a y)> los c son los desplazamientos en la masa y los niveles sin masa de la libertad,
respectivamente, y M, es una matriz de masas diagonal. La relacin en (10.42) da la
condicin
+ Kc <|> c = 0 (10.43)
que puede ser usado para eliminar <J> c. De (10.43) obtenemos
(10.44)
y substituyendo en (10.42), obtenemos eigenproblem reducido
K, <|) = DE LA MAANA <|> (10.45)
donde Ka = (10.46)
La solucin de eigenproblem generalizado en (10.45) es en mayora de los casos obtenida por
la transformacin del problema primero en una forma estndar como descrito en el Artculo
10.2.5. Desde mam
es una matriz de masas diagonal con todos sus elementos diagonales positivos y
probablemente no pequeo, el
la transformacin es en general bien condicionada.
La analoga con el uso de la condensacin esttica en el anlisis esttico debera ser notada,
La realizacin que puede entenderse que el lado derecho de (10.42) es un vector de carga R,
donde
(10.47)
podemos usar la eliminacin de Gauss en los niveles sin masa de la libertad del mismo modo
como hacemos
en los niveles de libertad asociada con los nodos interiores de un elemento o una subestructura
(ver el Artculo 8.2.4).
Un aspecto importante debera ser observado comparando la condensacin esttica
procedimiento de los niveles sin masa de libertad en (10.42) a (10.46) por un lado, con
Eliminacin de Gauss o condensacin esttica en anlisis esttico al otro lado. Consideracin
(10.47), encontramos que las cargas en el "J> unos niveles de la libertad dependen del
eigenvalue
"
2
0
-1
-f
~2
0
1
0
-1
M=A
1
-1
0
2
0
L<J
0
-1
-1
0
2_
0
1"
1
De ah
<|> Ai
2
Yi
> *1*02
2
2
2
Segundo. 10.3
863
(frecuencia de vibracin libre cuadrada) y eigenvector (desplazamientos de forma de

modo). Esto
medios esto en (10.45) una reduccin adicional del nmero de drees de libertad de ser
considerado no es posible. Esto es una diferencia bsica de la condensacin esttica como
aplicado en
el anlisis esttico, donde da n las cargas explcitamente y su efecto puede ser transmitido
a
los niveles restantes de libertad.
EJEMPLO 10.12: Use la condensacin esttica para calcular el eigenvalues y eigenvectors
del
problema K <|) =
donde
2-1
0
K
-1 2 - 1
0-1 2
M =
0
1
0-1
Ka eigenproblem <|> o = AMo <|> fl es, por lo tanto,

=
[_1
i] 4'. Ap ,] <>
y tenemos
det (K - de la maana) = 2A =
2A + yo
De ah,
A. = yo
1 V2
A2 - T "+
4 '2 4
Eigenvectors correspondientes son calculados usando
<|> Ci -
 C2 =
-1
-1
-?]
1
2
_2_
2
1
4
1 + V2
_1
4
1 + V2
2
864
Prolegmenos a la Solucin de Eigenproblenns
Por lo tanto, la solucin del eigenproblem K = de la maana <|> es
1
4
1
Captulo. 10
_1
V2
"2
1
Va
A2 - +
4b
<|> 3
A4 = 0 :
(|> 4
~T'
 1
 2 2
1 + V2
4
2
_i
4
_1
2
-1 + V2
4
2
En el susodicho discusssion dimos las ecuaciones de la matriz formales para realizar esttico
condensacin. El esfuerzo computacional principal est en el clculo K, dado en (10.46),
donde
hay que notar que en la prctica una inversin formal de no es realizado. En cambio,
puede ser obtenido cmodamente usando el factor de Cholesky Lcc de Kcc. Si descomponemos
Kc en factores,
K, c - LcLj
(10.48)
podemos contar
del modo siguiente;
de donde Y es solucionado
K, = - YY
LcY = K.
(10.49)
(10.50)
Como indicado antes, este procedimiento es, de hecho. Eliminacin de Gauss del sin masa
niveles de libertad, es decir, eliminacin de aquellos niveles de libertad en cual ningunas fuerzas
externas
(efectos de masas) actan. Por lo tanto, un procedimiento alternativo a un dado en (10.42) a
(10.50) debe usar directamente la eliminacin de Gauss en <j> c niveles de la libertad sin la
particin
el ing K en Kaa submatrices, Kcc, Kac, y Kca porque la eliminacin de Gauss puede ser
realizado en cualquier pedido (ver el Ejemplo 8.1, el Artculo 8.2.1). Sin embargo, la amplitud
de banda del
la matriz de rigidez aumentar, en general, entonces durante el proceso de reduccin, y
problemas
del almacenaj e debe considerarse.
2
-1
0
0
-1
2
-1
0
0
-1
2
-1
0
0
-1
1
0
0
1
0
0
0
0
1
Segundo. 10.3
865
Para la solucin del eigenproblem Ka4> un = AMa <|> o, es importante notar esto
es, en general, una matriz llena, y la solucin no es relativamente cara a menos que el pedido
del
el matrices es pequeo.
En vez de calcular K de la matriz, pu ed e s er preferible evaluar la flexibilidad
la Fa de la matriz = Kj \que es obtenido usando
K.
; Ira-C
(10.51)
donde soy una matriz de unidad del mismo pedido que ka-Por lo tanto, en (10.51),
solucionamos para el
los desplazamientos de la estructura cuando las cargas de unidad son aplicadas por su parte en
los niveles de masas de

libertad. Aunque los niveles de la libertad hayan sido divididos en (10.51), hay no
la necesidad de ello en este anlisis (ver el Ejemplo 10.13). Habiendo solucionado para F,
ahora consideramos
en vez de (10.45) el eigenproblem
- FMa'a (10.52)
Aunque este eigenproblem sea de una forma ligeramente diferente que el problema
generalizado
Kc |> = de la maana <|), la transformacin a un problema estndar sigue del modo ms o menos
igual
(ver el Artculo 10,2.5). Para la transformacin definimos
(10.53)
donde My es una matriz diagonal con su elemento diagonal ith igual a la raz del jth
elemento diagonal de mam. La premultiplicacin de ambos lados de (10.52) por
y
substitucin el
relacin en (10.53), obtenemos
F> un =
(10.54)
F = My'F.My'
(10.55)
Una vez los desplazamientos <() tener sido cont, obtenemos el completo desplazan
utilizacin de vector de ment
[t]
LkJ
<)>. (10.56)
donde Fc fue calculado en (10.51). La relacin en (10.56) es llegada realizando esto
las fuerzas aplicadas en los niveles de masas de la libertad de imponer <() son Ka <j> a.
Utilizacin (10.51),
dan los desplazamientos correspondientes en todos los niveles de la libertad en (10.56).
EJEMPLO 10.13: Use el procedimiento dado en (10.51) a (10.56) para calcular el
eigenvalues
y eigenvectors del problema K <|> = de la maana <|> considerado en Ejemplo 10.12.
(a)
2
=
1
-f 1
3
2
4
3
0
0 - 1 1_
4 __
v[
= [1
2 2 2];
vl = [1
2 3 4]
1"
1
"
1
V2
2
1 <|> a2
2
1
1
1
_ V2_
_V2_
_V2_
1
1
4
4
-1 + V2
1 + V2
4
4
866
De ah, obtenemos
rV2
Oir2 2irV2 Ol
.0
La solucin del eigenproblem
__ 1_
da
= 4 - 2V2; =
V2
1
V2
1
(b)
/X2 = 4 + 2V2;
(t> d
V2
1
V2
4*0,
V2
(c)
4> c,
[4
2V2l
(d)
ple 10.12.
La consideracin de los procedimientos diferentes de eliminar los niveles sin masa de
libertad,
los resultados del anlisis eigensystem son el mismo independientemente del
procedimiento seguido,
o la F a es establecida y si el eigenproblem en (10.45) o en (10.52)
es decir, o
es solucionado. La asuncin bsica en el anlisis es esto que resulta de la masa lumping.
Como nosotros
hablado en el Artculo 10.2.4, cada masa cero equivale a una frecuencia infinita en el
2
-1
0~
'0
1
4
-1
2
0
-1
2_
0_
Segundo. 10.3Tcnicas de Solucin aproximadas
867
sistema. Por lo tanto, en acercamiento de la ecuacin de sistema original Kc () = de la
maana <() por el
ecuacin en (10.42), sustituimos, de hecho , algunas f recuencias de K <() = de la maana <()
por el infinito
las frecuencias y suponen que las frecuencias ms bajas solucionadas de la una o la otra
ecuacin no sean
mucho diferente. La exactitud con cual las frecuencias ms bajas de Ktf) = de la maana <()
son ap
proximated solucionando Ka <f> un = AMa <(> depender de la masa especfica lumping
elegido y
puede ser a decuado o en efecto ordinario. En general, ms exactitud puede ser esperada
si ms masa
los niveles de la libertad son incluidos. Sin embargo, realizando que la condensacin
esttica resulta en
Kfl que tiene una amplitud de banda ms grande que K (y
est seguramente lleno), el
esfuerzo computacional
requerido en la solucin de eigenproblem reducido aumenta rpidamente como el pedido
de K,
se hace grande (ver el Artculo 11.3). Por otra parte , si niveles de masas suficientes de
libertad
ya que la exactitud de solucin es seleccionada, ya no podemos querer calcular el
completo
eigensystem de Ka <() un = AMgcJia pero slo eigenvalues ms pequeo y vec
correspondiente
colinas. Sin embargo, en este caso podemos considerar menos mal el problema K) =
IMPORTE () sin
la masa lumping y directamente slo soluciona para el eigenvalues y los vectores del inters
usando un
de los algoritmos descritos en el Captulo 11.
En resumen, el defecto principal de la masa lumping procedimiento seguido de esttico
la condensacin consiste en que la exactitud de solucin depende en alto grado de la
experiencia
del analista en la distribucin de la masa apropiadamente y que la exactitud de solucin
es
realmente no tasado. Pensamos que el ejemplo siguiente muestra la aproximacin esto
puede resultar tpicamente.
EJEMPLO 10.14: En el Ejemplo 10.4 calculamos el eigenistem del problema K <}) =
De la maana , donde dan K y el M en el ejemplo. Evaluar una aproximacin al ms pequeo
eigenvalue y eigenvector correspondiente, considere en cambio eigenproblem siguiente, en
(a)
1
6
1
L6J
De ah, Ai = , <>
1
= [1/V2], y
<|> c,
2V2
1
2\
La solucin del eigenproblem en (a) para eigenvalue ms pequeo y eigenvector correspondiente
es de ah
1
2V2
A,
= 12'
1
V2
1
2V2
868
Prolegmenos a la Solucin de Eigenproblems
Captulo. 10
mientras que la solucin del problema original (ver el Ejemplo 10.4) es

1
Vi
Ai = 2;
<|> yo =
1
V2
1
V2
Hay que notar que usando la masa lumping procedimiento, el eigenvalues puede ser ms
pequeo como
en este ejemplo - o ms grande que el eigenvalues del sistema original.

10.3.2 Anlisis de Rayleigh-Ritz
La tcnica ms general para encontrar aproximaciones a eigenvalues ms bajo y corre
el sponding eigenvectors del problema K < = de la maana <|> es el anlisis de RayleighRitz. El esttico
procedimiento de condensacin en el Artculo 10.3.1, la sntesis de modo componente
descrita en el
puede entenderse que la siguiente seccin, y varios otros mtodos son anlisis de Ritz. Ya que
vamos
ver, las tcnicas slo se diferencian en la opcin de los vectores de base de Ritz asumidos en el
anlisis.
En el siguiente primero presentamos el procedimiento de anlisis de Rayleigh-Ritz en
general y luego
muestre como otras tcnicas estn relacionadas con ello.
El eigenproblem que consideramos es
K4) = DE LA MAANA <|) (10.4)
donde ahora primero suponemos para la claridad de la presentacin que K y el M sean ambos
positivos
definido, que asegura que los eigenvalues son todos positivos; es decir, Ai> 0. Ya que indicamos
en el Artculo 10.2.3, K puede ser asumido positivo claro porque un cambio siempre puede
ser la entrada
el duced para obtener una matriz de rigidez cambiada que satisface esta condicin. En cuanto a
la masa
matriz, ahora suponemos que el M sea una matriz de masas consecuente o una matriz de
masas lumped con
ningunos elementos diagonales cero, que es una condicin que relajaremos ms tarde.
Considere primero el principio de mnimo de Rayleigh, que declara esto
Ai = minuto p (4))
(10.57)
donde mnimo es tomado sobre todos los vectores posibles <|>, y p (<|>) es el cociente de
Rayleigh
p (<l>) =
(10.58)
Este cociente Rayleigh es obtenido del cociente de Rayleigh del estndar eigenvalue
= A (ver los Artculos 2.6 y 10.2.5). Desde tanto K como el M son positivos
problema
definido,
p (<|>) tiene valores finitos para todos <|>. Respecto al Artculo 2.6, los lmites en Rayleigh
el cociente es
0 < Ai: ) < un" <00
(10.59)
En el anlisis de Ritz consideramos un juego de vectores c |>, que son combinaciones lineales
de
los vectores de base de Ritz tjj, yo = 1... , 9; es decir, dan por un vector tpico
<|) = 2
i=l
(10.60)
Segundo. 10.3
869
donde thjc, son las coordenadas de Ritz. Desde c |> es una combinacin lineal de la base
de Ritz
los vectores, c |> no pueden ser ningn vector arbitrario, pero en cambio estn en el
subespacio atravesado por el
Los vectores de base de Ritz, que llamamos Vq (ver los Artculos 2.3 y 11.6). Hay que
notar que el
vectores * |ii, / =
, q, debe ser en lnea recta independiente; por lo tanto, el subespacio V,
tiene
dimensin q. Tambin, denotando el espacio n-dimensional en el cual el matrices K y el M
son
definido por tenemos aquel Vq est contenido en
_
En el anlisis de Rayleigh-Ritz pretendemos determinar los vectores <!> especficos, / = 1.. .
,
q, que, con la coaccin de posicin en el subespacio atravesado por los vectores de base de
Ritz,
"mejor" acrquese eigenvectors requerido. Para este fin invocamos Rayleigh
principio mnimo. El uso de este principio determina en qu sentido la solucin "mejor"
se acerca el eigenvectors buscado, un aspecto que indicaremos durante el presen
tation del procedimiento de solucin.
_
Para invocar el principio de mnimo de Rayleigh a c |>, primero evaluamos Rayleigh
cociente,
?
4
2 2 XiXjicij ,
P ($) = -=
(10.61)
2 2 XiXjlhy
i =)
Ti
my-= (10.63)
La condicin necesaria para mnimo de p (<})) dado en (10.61) es dp (')/dXi = 0,
i =
, los q, porque el x, son las nicas variables. Sin embargo,
dp ($) _
dXi
rh
(10.64)
y usando p = k/m, la condicin para mnimo de p (<|>) es

2 (icij - prhiXj = 0
para J = 1.. ., g (10.65)
En el anlisis actual escribimos las ecuaciones q en (10.65) en la forma de la matriz, as

obteniendo el
eigenproblem
Kx = pMx (10.66)
donde K y el M son 9 X matrices con elementos tpicos definidos en (10.62) y (10.63),
respectivamente, y x es un vector de las coordenadas de Ritz buscadas:
= [xi X2... (10.67)
La solucin de (10.66) producciones q eigenvalues pi.. . , p que son aproximaciones a
Ai.. . , un" y q eigenvectors,
xf = [j:|
X2... Jc
X2 = [j:?
(10.68)
xl... a:]
xj = [x1
xt ...
870
El eigenvectors x, son usados para evaluar los vectores c |> yo.. .
, que son
aproximaciones
al eigenvectors <|> yo.. .
, <|>. Usando (10.68) y (10.60), tenemos
yo = 1..... (10.69)
<1). = 2 x) *11;
; =i
Un rasgo importante de las aproximaciones eigenvalue calculadas en el anlisis es
que ellas sean aproximaciones de lmite superior al eigenvalues de inters; es decir,
. . ; -Pq - Kt
A3 - p3;
A2 - p2',
A) Pi de ;
(10.70)
significando que ya que se supone K y M ser positivo definido, los K y M tambin son
positivos
matrices definido.
La prueba de la desigualdad en (10.70) espectculos el mecanismo actual que est
acostumbrado
obtenga las aproximaciones eigenvalue p. Para calcular la pi buscamos mnimo de p (<|))
esto puede ser alcanzado combinando en lnea recta todos los vectores de base de Ritz
disponibles. La desigualdad
Ai s Pi sigue del principio de mnimo de Rayleigh en (10.57) y porque V, es la estafa
el tained en el espacio n-dimensional K, en que K y el M son definidos.
La condicin que es empleada para obtener p2 es tpica del mecanismo acostumbrado para
calcule las aproximaciones al ms alto eigenvalues. En primer lugar, observamos esto para el
problema de eigenvalue KcJ> = de la maana <|>, tenemos
A2 = minuto p (<})) (10.71)
donde mnimo es tomado ahora sobre todos los vectores posibles <|> en Vn que satisfacen
el orthog
la condicin de onality (ver el Artculo 2.6)
4) M <f), = 0 (10.72)
La consideracin de eigenvectors aproximado c |>, obtenido en el anlisis de Rayleigh-Ritz,
observamos esto
=
(10.73)
donde es el delta de Kronecker, y que, por lo tanto, en el susodicho anlisis de RayleighRitz nosotros
p2 obtenido evaluando
p2 = minuto p (<|)) (10.74)
donde mnimo fue tomado sobre todos los vectores posibles <|> en Vq que satisfacen el
orthogonality
condicin
=0
(10.75)
Mostrar que A2 pi, consideramos un problema auxiliar; es decir, suponga que
evaluemos
= minuto p (<l)) (10.76)
donde mnimo es tomado sobre todos los vectores <|) que satisfacen la condicin
=0
(10.77)
El problema definido en (10.76) y (10.77) es el mismo como el problema en (10.71) y
(10.72), salvo que en el caso ltimo mnimo es tomado sobre todo cj>, mientras que en el
problema en (10.76) y (10.77) consideramos todos los vectores <j> en Vq. Entonces ya que
Vq est contenido
en V, tenemos A2 p2. Por otra parte, p2 p2 porque la coaccin ms severa en
Segundo. 10.3
871
<|> en (10.77) es <|> yo. Por lo tanto, tenemos

A2 - p2 - p2 (10.78)
La base para el clculo de <|) 2, y de ah p2, es que mnimo de p) es
buscado con la condicin orthogonality en (10.75) en <|> yo. Siirdlarlto obtienen p, y c |>,
nosotros
de hecho minimice p (<) con las condiciones orthogonality = 0 para y = 1...,
I - 1. En consecuencia, la desigualdad en p, en (10.70) puede ser probada en una manera
anloga
al procedimiento usado encima para p2, pero todo yo - 1 ecuaciones de coaccin tienen que
estar satisfechas.
La observacin que - 1 ecuaciones de coaccin tengo que ser realizado en la evaluacin
de la pi tambin indica que podemos esperar menos exactitud en la aproximacin del ms alto
eigenvalues lo que en la aproximacin de ms abajo eigenvalues, para cual menos coacciones
son impuestos. Esto tambin es generalmente observado en el anlisis actual.
Considerando el procedimiento en el anlisis dinmico prctico, las funciones de base de Ritz
pueden
sea calculado de una solucin esttica en la cual los modelos de carga de q son especificados en
R; es decir, nosotros
considerar
= R (10.79)
= [i|
donde es un n X 9 matriz que almacena los vectores de base de Ritz; es decir,
#i..., i|#J. El
el anlisis es seguido evaluando las proyecciones de K y M en el subespacio V, atravesado
por los vectores *|#, yo = 1... , 9; es decir, contamos
K = (10.80)
y
M = (10.81)
donde debido a (10.79) tenemos
K = 'R (10.82)
Despus solucionamos el eigenproblem
KX = MXp (10.83)
= pMx, la solucin de que puede ser escrita
donde p es una matriz diagonal que pone las aproximaciones eigenvalue en una lista p, p =
diag (p (), y X
es una matriz que almacena el M-orthonormal eigenvectors Xi...
, x. Las
aproximaciones al
el eigenvectors del problema K <|> = de la maana (|> son entonces
= X
(10.84)
Hasta ahora hemos supuesto que la matriz de masas del sistema de elemento finito sea positiva
definido; es decir, el M no es una masa diagonal matriwitlome elementos diagonales
cero. La razn
ya que esta asuncin deba evitar el caso t
igual a cero en el clculo del
El cociente de Rayleigh, en cuyo caso p (<|>) da eigenvalue infinito. Sin embargo, el RayleighEl anlisis de Ritz puede ser realizado como descrito encima cuando el M es una matriz
diagonal con unos
los elementos diagonales cero, a condicin de que los vectores de base de Ritz sean
seleccionados para estar en el subespacio
esto equivale a eigenvalues finito. Adems, los vectores de base de Ritz deben ser en lnea recta
independiente considerando slo los niveles de masas de la libertad a fin de obtener un positivo
M de la matriz definido. Un modo de conseguir esto en la prctica es excitar grados de masas
diferentes
de la libertad en cada uno de los vectores de carga en R en (10.79) (ver el Artculo 11.6.3 y
Examen
ple 10.16).
Del particular inters son los errores que podemos esperar en la solucin. Aunque nosotros
han mostrado que un eigenvalue calculatedfrom el anlisis de Ritz es un lmite superior en el
1
0
-1
2
4
-1
;M=
1
1
2
1
2_
2
-1
0"
"1
0"
1
4
-1
V =
0
0
0
-1
2
0
1
872
eigenvalue exacto correspondiente del sistema, no establecimos nada sobre el
error actual en el eigenvalue. Este error depende de los vectores de base de Ritz usados porque
el
los vectores <|> son combinaciones hnear de los vectores de base de Ritz i|#, yo = 1... ,
podemos obtener
los resultados buenos slo si los vectores i|i, atraviese un subespacio V, que est cerca del
menos dominante
el subespacio de K y M atraves por c |> yo...
, hay que notar que esto no significa
que los vectores de base de Ritz debieran estar cada uno cerca de un eigenvector buscado, pero
mejor dicho que lineales
las combinaciones de los vectores de base de Ritz pueden aproximaciones buenas estabUsh
del requerido
eigenvectors de K <|> = AMc)>. Adelante hablamos de la seleccin de vectores de base de Ritz
buenos y
las aproximaciones implicaron en el anlisis en el Artculo 11.6 cuando presentamos el
subespacio
el mtodo de iteracin, porque este mtodo usa la tcnica de anlisis de Ritz.
Para demostrar el procedimiento de anlisis de Rayleigh-Ritz, considere el examen siguiente
ples.
EJEMPLO 10.15: Obtenga soluciones aproximadas del eigenproblem K <|> = de la maana <|>
consid
ered en Ejemplo 10.4, donde
2
K =
-1
0
1. Use los vectores de carga siguientes para generar los vectores de base de Ritz
"1
0"
0
0
0
1
2. Entonces use un juego diferente de vectores de carga para generar los vectores de base de Ritz
1
0"
1
1
1
0_
De ah,
ri
12
1
6
J,
12
_1 _"
12
1
6
J_
12
y
"=
12
.1 7J'
M =
1
144
29
11
29J
La solucin de Kx eigenproblem = pMx es
.3418"
(pi, x.) = (2.4004
.3418
(P2, X2) = (4.0032

r el 01/02/08
'L-2.10008
7
1 12
12
1
1
6
6
1
7
12
T5_
'0.895
1.00
0.447
0
0.895
-1.00
1.00"
0.00
-1.00
-1 0"
"1 0
4 - 1
11
-1 2
10
Segundo. 10.3
873
0.895"
tenemos
|>, =
0.447
0.895
Despus asumimos los vectores de carga por si 2 y solucionen
-1
De ah,
=
K
=
B!]
M =
36
41
13
13
La solucin de Kx eigenproblem = pMx da
(pi, X,) = (2.000,
"0.70711
0.70711
);
(p2, X2) = (6.0000,
-2.1213
6.3640
De ah, tenemos como eigenvalue pi de aproximaciones = 2.00, p2 = 6.00, y
evaluacin
r5
6
2
3
5
6
en
6
1
3
1
6
.....
r0.70711 - 0.70708"
0.70711 0.70713
0.70711 - 0.70708
"0.70711
-0.70708"
tenemos
c |>, =
0.70711
<1> 2 0.70713
0.70711
-0.70708
Comparando los resultados con la solucin exacta, es interesante notar esto por si 1,
pi> un | y p2 = A2, mientras que por si 2, pj = Aj y p2 = A3. En ambos casos no
obtuvimos
aproximaciones buenas a dos eigenvalues ms bajos, y se demuestra claramente que
los resultados
dependa completamente de los vectores de base de Ritz iniciales elegidos.
EJEMPLO 10.16: Use el anlisis de Rayleigh-Ritz para calcular una aproximacin a
Ai y <}) yo
del eigenproblem considerado en Ejemplo 10.12.
Notamos que en este caso el M es positivo semidefinido. Por lo tanto, para realizar el
Ritz
el anlisis tenemos que elegir un vector de carga en R que excita al menos una masa.
Suponga que usemos
= [0 1
0
0]
Entonces la solucin de (10.79) producciones (ver el Ejemplo 10.13)
Sr.'" = [1
2
2
2]
F/
Yo
Kca
K.
F.
.0.
874
De ah,
K = [2];
M = [12]
Pi =
1
6'
Xi =
-Ll
-2V3J
y
<l) f } _ J_
.2V3 V3 V3 V3J
De ah tenemos, como esperado, la pi> Ai.
El procedimiento de anlisis de Ritz presentado encima es un instrumento muy general, y,
como indicado
mtodos de anlisis ms tempranos, varios conocidos bajo nombres diferentes realmente
pueden ser mostrados a
est anlisis de Ritz. En el Artculo 10.3.3 presentamos la sntesis de modo componente como
un Ritz
anlisis. En el siguiente brevemente queremos mostrar que la tcnica de la condensacin
esttica
como descrito en el Artculo 10.3.1 es, de hecho, tambin un anlisis de Ritz.
En el anlisis de condensacin esttico supusimos que toda la masa pueda ser lumped en q
niveles de libertad. Por lo tanto, como una aproximacin al eigenproblem K <|> = AMc |>,
nosotros
obtenido el problema siguiente:
Lk.
K eir4>.i rM 0
k. Jl <|) cJ l 0 0
(10.42)
con el q finito y n - q eigenvalues infinitos, que equivalen a los niveles sin masa de
la libertad (ver el Artculo 10.2.4). Para calcular eigenvalues finito, usamos condaisa-esttico
tion en los niveles sin masa de libertad y llegado al eigenproblem
Kaa = de la maana <<|) (10.45)
donde es definido en (10.46). Sin embargo, esta solucin es realmente un anlisis de Ritz del
el modelo de masa de lumped se considera en (10.42). Los vectores de base de Ritz son el
desplazamiento
los modelos se asociaron con el niveles de la libertad cuando el <J) c niveles de la libertad
son
(10.51)
(10.84) son
LFcKJ
(10.85)
Verificar que un anlisis de Ritz con los vectores bajos en (10.85) producciones de hecho
(10.45),
evaluamos (10.80) y (10.81). Substituyendo a y K en (10.80), obtenemos
K = [Yo
(F.Kj n
K.
K.
K,
JLf.kJ
(10.86)
a que, usando (10.51), reduce
K = K.
Del mismo modo, substituyendo a y M en (10.81), tenemos
M = [yo
(F, K.F ] [";
(10.87)
(10.88)
Segundo. 10.3
875
M = M.
o
(10.89)
De ah, en la condensacin esttica realmente realizamos un anlisis de Ritz del lumped
modelo de masas. Hay que notar que en el anlisis calculamos eigenvalues finito q
exactamente (es decir, p, = A, - ya que yo = , q) porque los vectores de base de Ritz atraviesan el
qsubespacio dimensional correspondiente a eigenvalues finito. En la prctica, la evaluacin de
los vectores en (10.85) no es necesario (y sera costoso), y en cambio el Ritz
el anlisis es mejor realizado usando
=
(10.90)
[pj
Ya que los vectores en (10.90) atraviesan el mismo subespacio que los vectores en (10.85), el
mismo
el eigenvalues y eigenvectors son calculados empleando el uno o el otro juego de vectores bajos.
Expresamente, usando (10.90), obtenemos en el anlisis de Ritz eigenproblem reducido
FaX = AFaM, F x (10.91)
Mostrar que este eigenproblem en efecto es equivalente al problema en (10.45), nosotros premultiply ambos lados en (10.91) por Ka y uso la transformacin X = Kx, dando Kx = AMoX,
es decir, el problema en (10.45
EJEMPLO 10.17:
esttica del
Use el procedimiento de anlisis de Ritz para realizar la condensacin
drees sin masa de libertad en el problema K <|> = de la maana <|> considerado en Ejemplo
10.12.
Primero tenemos que evaluar los vectores de base de Ritz dados en (10.90). Esto fue hecho en
El ejemplo 10.13, donde encontramos esto
F [2
ri
11
21.
La reduccin de Ritz dada en (10.91) as producciones el eigenproblem
['
aFinalmente, deberamos notar que el uso de los vectores de base de Ritz en (10.85) [(o en
(10.90)]
tambin es conocido como la reduccin de Guyan (ver a R. J. Guyan un). En el esquema Guyan
el Ritz
los vectores son usados para actuar sobre una matriz de masas lumped con elementos cero en la
diagonal como
en (10.88) o en lumped lleno general o masa consecuente matrices. En esta reduccin <el |> a
los drees de la libertad son con frecuencia referidos niveles como dinmicos de la libertad.
10.3.3 Sntesis de Modo componente
En cuanto al procedimiento de condensacin esttico, la sntesis de modo componente es, de
hecho, un Ritz
el anlisis, y el mtodo podran haber sido presentados en la seccin anterior como un especfico
aplicacin. Sin embargo, como era repetidamente indicado, el aspecto ms importante en un Ritz
el anlisis es la seleccin de vectores de base de Ritz apropiados porque los resultados slo pueden
ser como
bueno ya que los vectores de base de Ritz permiten que ellos sean. El esquema especfico usado en
el componente
la sntesis de modo es del particular inters, que es la razn queremos dedicar un separado
seccin a la discusin del mtodo.
876
La sntesis de modo componente ha sido desarrollada en gran medida como un natural
la consecuencia del procedimiento de anlisis sigui en la prctica cuando struc grande y
complejo
los tures son analizados. El procedimiento prctico general es que los grupos diferentes
funcionan el
anlisis de componentes diferentes de la estructura bajo consideracin. Por ejemplo, en a
anlisis de planta, un grupo puede analizar un tubo principal y otro grupo un sistema de
tubera
atado a ello. En un primer anlisis preliminar, ambos grupos trabajan por separado y
modelan el
los efectos de los otros componentes en el componente especfico que ellos consideran en
un aprox.
manera de imate. Por ejemplo , en el anlisis de los dos sistemas de tubera se refiri al
susodicho, el
el grupo que analiza la rama de lado puede asumir la fijeza llena al punto de interseccin
con el
el tubo principal, y el grupo que analiza el tubo principal pueden introducir una primavera
concentrada y
masa para tener la rama de lado en cuenta. La ventaja de considerar los componentes del
la estructura por separado es principalmente uno del tiempo programando; es decir, los
grupos separados pueden trabajar
en los anlisis y diseos de los componentes al mismo tiempo. Es principalmente para esto
razone que la sntesis de modo componente es muy atractiva en el anlisis y diseo de
sistemas estructurales grandes.
Suponga que los anlisis preliminares de los componentes hayan sido realizados y
que la estructura completa debe ser analizada ahora. Est en esta etapa que el componente
la sntesis de modo es un procedimiento natural para usar. A saber, con el modo forman
caractersticas
de cada componente conocido, parece natural usar esta informacin en la estimacin el
frecuencias y formas de modo de la estructura completa. El procedimiento especfico
puede variar
(ver a R. R. Craig, Hijo un), pero, en la esencia, las formas de modo de los componentes
son usadas en
un anlisis de Rayleigh-Ritz para calcular formas de modo aproximadas y frecuencias del
estructura completa.
Considere para la ilustracin que cada estructura componente fue obtenida fijando todos su
los niveles divisorios de la libertad y denotan la rigidez matrices de las estructuras
componentes
Ki, Ku. ..
, el KILMETRO (ver el Ejemplo 10.18. Vssume aquel nico
componente structures 1
y L se unen, L = 2... , M; entonces podemos escribir para la matriz de rigidez del completo
estructura,
K.
K
K =
Usando una nota anloga para la masa matrices, tambin tenemos

M,
M.
M =
(10.92)
(10.93)
Mm
Suponga que eigenvalues ms bajo y eigenvectors correspondiente de cada componente
r 2 - 1 yo 1
1
"1:
-1 2j-1
ij
K =
-1 2 - 1
;M=
1
-1; 2 - 1
11
i - Yo 1
Yo
12
Segundo. 10.3
la estructura ha sido calculada; es decir, tenemos para cada estructura componente,

Ki, =
Kn4> ii =
877
(10.94)
KmM ~ MmmAm
donde y Al es el matrices de eigenvectors deliberado y eigenvalues de Lth
estructura componente.
En una sntesis de modo componente , las formas de modo aproximadas y las frecuencias
pueden ser
obtenido realizando un anlisis de Rayleigh-Ritz con las cargas asumidas siguientes en el
lado derecho de (10.79),
0
0
R =
0
4 n
0
Ii.n
0
0
0
0
En, en
(10.95)
Om
0
donde es una matriz de unidad del pedido igual a los niveles de conexin de la libertad entre
estructuras componentes L - \y L. La unidad matrices equivale a cargas que son aplicadas
a los niveles de conexin de libertad de las estructuras componentes. Desde en la derivacin
de matrices de forma de modo usado en (10.95) las estructuras componentes fueron fijadas en
su
lmites, las cargas de unidad tienen el efecto de soltar estos niveles de conexin de la libertad.
Si, por otra parte, los niveles de conexin de la libertad han sido incluidos en el anlisis
de las estructuras componentes, podemos prescindir de la unidad matrices en R.
Una consideracin importante es la exactitud que puede ser esperada en el susodicho compo
sntesis de modo de nent. Ya que un anlisis de Ritz es realizado, todas las consideraciones de
exactitud dis
obstinado en el Artculo 10.3.2 son directamente aplicables; es decir, el anlisis cede lmites
superiores del
eigenvalues exacto del problema K <|> = de la maana ()). Sin embargo, la exactitud actual
conseguida en
la solucin no es conocida, aunque ella pueda ser evaluada, por ejemplo, como descrito en
El artculo 10.4. El hecho que la exactitud de solucin es muy dependiente de los vectores
usados en
R (es decir, los vectores de base de Ritz ) es, como en todos los anlisis de Ritz , el defecto
principal del mtodo.
Sin embargo, en la prctica, la exactitud razonable a menudo puede ser obtenida porque el
eigenvectors
correspondiente a eigenvalues ms pequeo de las estructuras componentes son usados en R.
Nosotros
demuestre el procedimiento de anlisis en el ejemplo siguiente.
V2
V2
2
2
V2
V2
2
2
0
0
\/2
V2
2
2
1
1
"22.40 5.328 7.243"
K =
5.328 2.257 1.586
7.243 1.586 3
222.4 50.69 77.69"

M =
50.69 11.94 17.59
77.69 17.59 27,5
"0.098
P =
2.83
1.82_
0.207 - 0.773
0.00690'
0.181 0.0984 0.0655
$ =
0.509 1.47
0.443
0.594 - 0.385 0.166
0.655 0.574 0.978
878
matriz dada en (10.95) para un anlisis de sntesis de modo componente. Entonces calcule
eigenvalue y
aproximaciones de eigenvector.
Aqu tenemos para la subestructura I,
2
K, =
-1
con el eigensolution
A] = 1, A2 = 3;
2
2
<f> 2 -
_y2
2
2
<t> yo
y para subestructura II,

"
[-1 i]'
M =
10
0 yo
con el eigensolution
"V2"
V2"
Ai = 2 - V2, A2 - 2 + V2;
<f), =
2
<t> 2
2
.1
y de ah,
6
-1
0"
"0
0
0"
1
4
-1
4> = A
0
2
1
0
-1
2
_0
1
1
T
"
r
Mfi =
1
; *l 2 =
-1
1
1
Segundo. 10.3
879
Eigenvalues exactos son

A, = 0.09789 A2 = 0.824;
A3 = 2.00;
A4 = 3.18;
A5 = 3.90
y de ah notamos que obtuvimos en la pi que una aproximacin buena a Ai, pero p2 y p3 no
hacen
represente aproximaciones a eigenvalues.

10.3.4 Ejercicios
El procedimiento de anlisis de Ritz [ve (10.51)].

10.8. Considere el eigenproblem en el Ejercicio 10.1. Realice un anlisis de Rayleigh-Ritz con los
dos
vectores
10.9. Est siendo afirmado que si, en la solucin de eigenproblem generalizado K<= de la
maana <{), el
Los vectores de Ritz son
*1*1 = 4) 1 + 2 <|> 2
= 3 <t> yo - <|> 2
donde <|> y 4) 2 soy el eigenvectors correspondiente a Ai y A2, entonces el Rayleigh-Ritz
el anlisis dar a Ai eigenvalues exacto y A2 y eigenvectors correspondiente 4> yo y 4> 2.
Muestre explcitamente que este resultado en efecto es obtenido.
10.10. Considere la primavera siguiente el sistema.
(a) Evale la frecuencia exacta ms pequea del sistema.
(b) Evale una aproximacin de la frecuencia ms pequea usando el modo componente synthe
tcnica de sis en el Artculo 10,3.3. Slo use el eigenvector de la frecuencia ms pequea de

cada uno
componente en el sistema.
1 componente
/
k
V -
m*
/C = 10
"VWr
m
-9AWr
m
m
-VWV -
k=1
m =2
K
K
K
m"
1
Componente II
880
10.4 ERRORES DE SOLUCIN
Una parte importante de un eigenvalue y solucin de vector debe estimar la exactitud con
que eigensystem requerido ha sido calculado. Ya que una solucin eigensystem es
necesariamente iterativo, la solucin debera ser terminada una vez la convergencia dentro del
pre
las tolerancias de scribed que dan la exactitud actual han sido obtenidas. Cuando uno de aprox.
las tcnicas de solucin de imate perfiladas en el Artculo 10.3 son usadas, una estimacin de la
solucin actual
la exactitud obtenida es por supuesto tambin importante.
10.4.1 Lmites de error
A fin de identificar la exactitud que ha sido obtenida en un eigensolution, recordamos esto
la ecuacin para ser solucionada es
K <t) = de la maana <t>
(10.96)
primero suponga que usando cualquier procedimiento de solucin obtuviramos una
aproximacin A
y (f> a un eigenpair. Entonces sin hacer caso de como los valores han sido obtenidos, podemos
Deje
evale un vector residual que da la informacin importante sobre la exactitud con cual
X y 4> aproximado el eigenpair. Dan los resultados en (10.101) a (10.104). Nosotros entonces
tambin presente los clculos ligados del error tiles en soluciones basadas en iteraciones
inversas y a
medida de error simple.
Elgenproblem estndar
Considere primero que M = yo. En este caso podemos escribir
r =
(10.97)
y usando las relaciones en (10.12) y (10.13), tenemos
r = <& (un- (10.98)
o porque A no es igual, pero slo cerca de un eigenvalue, tenemos
= <& (un - AI) - '<&' 'r
(10.99)
De ah, porque l|c}>| 2 = 1, tomando normas obtenemos
1 || (Un - AI) - '|| 2 || r || 2 (10.100)
Pero desde entonces 1 | (Un - AI) ~ '1|2 = mximo,

<
|A (-UN |
minuto |A, - - un | < || r || 2
tenemos
(10 101)
Yo
Por lo tanto, una declaracin concluyente puede ser hecha sobre la exactitud con cual X approxi
aparea un eigenvalue X, evaluando || r || 2 como expresado en (10.101). Esto es completamente

diferente
de la informacin que podra ser obtainedfrom la evaluacin del vector residual r en
la solucin de las ecuaciones de equilibrio estticas.
Aunque la relacin en (10.101) establezca que A est cerca de un eigenvalue proporcionado
que II r II2 sean pequeos, debera ser reconocido que la relacin no cuenta que eigenvalue
es acercado. De hecho, para identificarse qu eigenvalue especfico ha sido acercado, es
necesario para usar la propiedad de secuencia de Sturm (ver el Artculo 10.2.2 y el examen
siguiente
ple).
-0.5
-1
0
'1
-1
-1.5
-1
=
21
0
-1
-0.5
0 - 2
1
Segundo. 10.4
Errores de solucin
881
EJEMPLO 10.19: Considere Kc eigenproblem}) = <t>, donde
"3-1 0"
K=
-1
2-1
0-1
3
El eigensolution es Ai = 1, A2 = 3, A3 = 4, y
<t>, =
1
V6
<t> 2 V2
r
0
-1
<f> 3-V3
1"
-1
1
Suponga que contramos
A = 3.1
y
0.7
0.1414
-0.7
como aproximaciones a A2 y <(> 2. Presntese el error lig la relacin en (10.101).
Tenemos en este caso
3 - 1 o"ir 0.7
1
0.7
r =
-1 2 - 1 0.1414
0 - 1 sJl-0.7
3.1
0.1414
-0.7
-0.2114
De ah
r =
-0.1555
r 2 = 0.3370
-0.2114
La relacin en (10.101) ahora da
IA2 - UN | <0.3370
que en efecto es verdad porque un - A2 = 0.1.
Asuma ahora que slo hemos contado A y <}> y no sabemos que eigenvalue y
eigenvector ellos se acercan. En este caso podemos usar la relacin en (l0.l01) para establecer
lmites
en eigenvalue exacto desconocido a fin de aplicar controles de secuencia de Sturm (ver el Artculo
10.2.2).
Para el ejemplo considerado aqu tenemos
2.7630 A, <3.4370
Djenos usar como un 2.7 atado inferior y como un lmite superior 3.5. Factorization triangular
LDL'
de K 0.3
-1
0
da, en/X = 2.7,

-1
0'
-0.7 -1
-1
0.3
1
'0.3
1 - 3.333
0
-3.333 1
-4.033
1
0.2479
(a)
0
0.2479 1
0.3248
1
-0.5
2 0"
0.5
1 -2
(b)
-2.5
1
882
Pero hay un elemento negativo en D en (a) y hay dos elenients negativos en D en
(b); de ah, podemos concluir que 2.7 <A2 <3.5, Adems, resulta que A y <() son
aproximaciones a A2 y <(> 2.
Considerando ahora la exactitud con la cual c}> se acerca un eigenvector, un anlisis
equivalente a ste no slo requiere la evaluacin de || rj|2, pero el espaciado entre el
eigenvalues individual tambin es necesario. En el anlisis actual este espaciado slo es
conocido aprox.
el imately porque los eigenvalues han sido evaluados on a accwacy especfico.
Suponga que A y (f> han sido calculados, donde || c (> II2 = 1, y que A se acerca
el eigenvalues A, - yo = p. .. , q. Para el anlisis de error tambin suponemos que el
eigenvalues
A. para todo ihut i p. . . , los q son conocidos (aunque tuviramos que usar tjie calculado
eigenvalues aqu). El resultado final del anlisis de exactitud consiste en que si | A, - un | || r ||
2 para
/ = p. . .
, q y | A, - un | _ s s para todo yo, ip , q, entonces hay un vector =ap
<|) p
++
para cual || c |> - j|2 IkiA (ver Ejemplo 10. ). Por lo tanto, si A es un
la aproximacin a eigenvalue solo A, - el vector correspondiente <}> es una aproximacin a
<t> yo, donde
ll <t>- l
r 2_
s = mm
todo j
|A, - UN |
(10.102)
}*
Sin embargo, si A est cerca de un nunAer de eigenvalues kp... , entonces el anlisis slo
muestra
que el vector correspondiente <t> est cerca de un vector que est en la correspondencia
subespacial
a ct) p...
, anal5'sis prctico encendido (es decir, superposicin de modo en respuesta
dinmica calcu
lations), esto es el ms probable todo que se requiere porque el final eigenvalues puede ser casi
tratado con como eigenvalues igual, en cuyo caso eigenvectors deliberado tambin no sera
nico pero estn en el subespacio correspondiente a eigenvalues igual t. En el siguiente
nosotros
primero d la prueba para la exactitud con la cual ct> se acerca un eigenvector y luego
demuestre los resultados por medio de ejemplos.
EJEMPLO 10.20: Suponga que tengamos cajculated A, <{>, con || <}> II2 = 1, como
eigenvalue y
aproximaciones de eigenvector y that_K <j> Un <}) = r. Considere el caso en cual | A, un |
|| r || 2 ya que yo = 1.....
|Ai un | j ya que yo = + 1.. .,/i. Muestre que || ||
2
El |lr || 2/s, donde es un vector en el subespacio que equivale a cjii.. .
La aproximacin eigenvector deliberada <() puede ser escrita como
n
<}) = 2
La utilizacin
1=1
|l <t> - || 2
2 a, <t>,
I =+ 1
o, porque <t) r <t) j = S, j,
~
l <t> || 2 = (2 a?
1/2
(a)
Pero
o
w =? + yo
|| r || 2 = || K A || 2
2 a, (A, - A) <t),
1=1
|rlb = aKK
(2
A) =)'"
Segundo. 10.4
Errores de solucin
que da jjrlli
, tenemos
, <().
>; s (2 a?
1/2
883
(b)
i=q +).
De ah, combinndonos (a) y (b), obtenemos
EJEMPLO 10.21:
sean
Considere el eigenproblem en el Ejemplo 10.19. Suponga que Ai y A3
conocido (es decir, Ai = 1, A3 = 4) y que A y 4> dado en el Ejemplo 10.19 han sido evaluados.
(En
anlisis actual slo tendramos aproximaciones a Ai and_A3. y todo el error lig clculos
sera aproximado.) Estiman la exactitud con la cual 4> se acerca <|> 2.
Para la estimacin usamos la relacin en (10.102). En este caso tenemos
| <|> - a2 <|> 2 || 2
0.3370
con
s = minuto Aj - A
i = l, 3
De ah, desde un = 3.1, tenemos s = 0.9 y
$11 - a2 <}> 2 || 2 0.3744
Evaluando || 4> - <j> 2 || 2 exactamente, tenemos
!/2
|| <}> - <}> 2 || 2 0.7 - + (0.1414 - 0) +
= 0.1418
EJEMPLO 10.22:
K =
Considere el eigenproblem K <(> = <J>, donde
"100 - 1]
-1 looj
El eigenvalues y eigenvectors del problema son
A, = 99, <|>, = -
V2
A2 = 101
Suponga que hayamos calculado eigenvalue y aproximaciones eigenvector un = 100, <J> =
Evale r y as establezca las relaciones dadas en (10.101) y (10.102).
En primer lugar, calculamos r como dado en (10.97),
r
100 - r
-1 100
-100
De ah, || r || 2 = 1 y (10.101) producciones
minuto I A; - AI 1
(a)
Por lo tanto, podemos concluir que un eigenvalor ha sido acercado aproximadamente al 1 por
ciento o menos error. Ya que conocemos aAi y A2, nosotros podemos comparar un con Ai o A2
y encontrar que (a) se obtiene _Considerando ahora la aproximacin eigenvector <}>, notamos
que <|> no se acerca
4> yo o <j> 2. Esto tambin es reflejado evaluando la relacin (10.102). La asuncin que <|> es
una proximacin a <f> yo, que doy yo = 1, tenemos
|| <}> - Ai <J) yo II2 1
884
Del mismo modo, suponiendo que <(> es una aproximacin a 4) 2, obtenemos
|| <t> a2 <t> 2 || 2 1
y en ambos casos el atado obtenido es muy grande (note que || <t) yo || 2 = 1 y || <t) 2l|2 = 1),
la indicacin que 4> no se acerca un eigenvector.
Eigenproblem generalizado
Considere ahora que deseamos estimar la exactitud obtenida en la solucin de un generalizado
eigenproblem K4 = AMcf). Suponga que hayamos contado como una aproximacin a A, y
c |> yo los valores A y c |>. Entonces, en la analoga con los clculos funcion encima, podemos
calcular un vector de error de, donde
Tm = -AM
(10.103)
A fin de relacionar el vector de error en (10.103) al vector de error que equivale al
estndar eigenproblem, usamos el M = SS, y luego
-A (10.104)
= Scf>, andK = S "'KS~ (ver el Artculo 10.2.5). Es el vector S " %
wherer =
que tuviramos que usar, por lo tanto, calcular el error lig dado en (10.101). stos
los clculos ligados del error requeriran el factorization de M en SS, donde es asumido
aquel M es positivo definido.'
r =
Durante Clculos
En clculos actuales con frecuencia usamos el mtodo de la iteracin inversa (ver Secciones 11.2
y 11.6), y luego un error ligado basado en las evaluaciones siguientes puede ser eficazmente
obtenido (ver a H. Matthies un y tambin Ejercicio 10.11). Dejar
(10.105)
Entonces tenemos
KS) y
yo
minuto | A, - p (4)) | <
minuto
A.-p (4))
A;
IJ __ ipm
(10.107)
donde p (<|)) es el cociente de Rayleigh,
Veremos que (10.105) _es el paso tpico en una interacin inversa, interacin de Lanczos,
y la interacin subespacial, y p (<() tambin siempre en la prctica es calculado debido a la
aproximacion equivalente del cociente de Rayleigh a un eigenvalue. Tambin note que el
llame 4> M4/ct) Mct) consiste en dos nmeros que son fcilmente calculados en las
interaciones, Mientras los susodichos lmites de error son muy eficaces, es finalmente tambin del
inters en considerar
la medida de error simple siguiente:
|| K6 - AMSIk
*=
|| K$ ||,
'Para evitar el factorization de M podemos considerar en cambio el problema M <t) = un "'
K <|) si el fectorization
de K est disponible ya, y luego establezca lmites en un" \
5
10-'
10-3
10-
0,597690792656
0,156698194481
0.640374649073
0.105594378695
0.640775610204
0.105070861597
4.154633890275
3.863414928932
3.863385512905
A
4.154633890275
3.863414928932
3.863385512905
Tm
-1.207470493734
4,605630581124
-0.008218153965
0.049838803226
-0.000008177422
0.000049870085
r
1.634419466242
1.411679295681
0.021106743617
0.015042545327
0.000021152364
0.000015049775
|A, - UN |
0.291248377399
0.000029416056
0.000000000029
Atado
(10,101/10.104)
2,159667897036
0.025918580132
0.000025959936
Atado
(10.106)
2.912483773983
0.029416056744
0.000029433139
Medida
(10.108)
0.447113235813
0.007458208660
0.000007491764
Segundo. 10.4
Errores de solucin
885
Desde entonces, fsicamente. Kef) representa las fuerzas de punto nodulares elsticas y XM
"el f" representa el punto nodular de la apata fuerza cuando el ensamblaje de elemento
finito vibra en el modo evaluamos en (10.108) la norma del punto nodular del equilibrio
fwces dividido en la norma de fuerzas de punto nodulares elsticas. Esta cantidad debera
ser pequea si A y c}> son un exacto
solucin de un eigenpair.
Si M = yo, hay que notar que podemos escribir
Ae = || r || 2
(10.109)
y de ah,
minuto de e>
(10.110)
'
A
EJEMPLO 10,23: Considere el eigenproblem K<= de la maana <|>, donde
_ r 10
1"
-101. _ [2
Eigenvalues exacto y eigenvectors a la precisin de 12 dgitos son
A, = 3.863385512876;
[0.105070337503.
oo
[-0-401041986380]
= 1 y S = 10"', 10 ",
Suponga que <() = (cjii + 5 <(> 2) c, donde c es tal que
y 10 ". Para cada valor de 5 evalan un como el cociente de Rayleigh de <}> y calculan el
error
los lmites basados en (10.104), (10.106), y el error miden e dado en (10.108).
Resume los resultados obtenidos. Las ecuaciones solan evaluar da n cantidades en (10.103) a
(10.108). Los resultados en la mesa muestran esto para cada valor de S los lmites de error
estn satisfechos y que e tambin es pequeo para una solucin exacta.
CAPTULO TEN
Preliminares
a la Solucin
de Eigenproble
ms
1.
INTRODUCCIN
En vario secciones de la anterior captulos nosotros encontrado eigenprobl

ems y la pliego de su soluciones. Nosotros hizo no en que tiempo discutir
cmo a obtener lanecesario ues
eigenval y vectores
propios. Ella es la propsito de este y la siguiente captulo a describir la s
olucin
real procedimientos usado a resolver laeigenproblems de inters. BEFARe
presentacin los
algoritmos, nosotros discutir en este captulo sorne importante bsico Con

sideraciones para la solucin deeigenproblems.
En primer
lugar, dejar nosotros briefty resumir la eigenproblems que nosotros querer a res
olver. La ms simple
problema encontrado es la estndar eige
nproblema,
K <J> = A <J> (10.1)
donde K es la rigidez matriz de un solo de elementos
finitos o de una elemento de
encaje. Recordamos que K tiene orden n, y para una elemento montaje la u
n medio de ancho de banda mK (Es decir, la
total ancho
de
banda es 2mK + 1), y que K es positivo semidefinido o positivo definida. Y
a Est
son n valores propios y correspondiente vectores
propios satisfactorio (10.1). La ITH eigenpair se denota como (A, CFA
J, donde la valores propios son ordenadoconforme a su magnitudes:
(10.2)
La solucin para p eigenpairs lat

a ser escrito
Kc,
c, A
(10.3)
donde fP es una n X p matriz con sus

columnas igual a la p vectores
propios y La es una p X p diagonal lista matriz la correspondiente valores
propios. Como unaejemplo, ( 10.3) mayo representar el solucin a la ms
bajo p valores
propios y correspondiente vectores
propios
de K, en que caso
fP = [Comit de Libertad Sindical , , CFA p] ANDA = diag
1
(A;), yo = 1, ..., P. Nosotros retirada que si K es positivo definido,

838
Sec. 10.1 lntroduccin
839
A; > O, yo = 1, ... , n, y si K es positivo semidefinido, A; > O, yo = 1, ... , n, donde el

nmero de cero valores
propios es igual a la nmero de rgido cuerpo modos en la sistema.
La solucin de de los valor propio problema en (1 0.1) es
decir, para ejemplo, buscado en la
evaluacin de una elemento rigidez matriz o en la clculo de la condicin nmero de
una estructura rigidez matriz. Nosotros discutido en Seccin 4.3.2 que la representacin
de el
elemento rigidez matriz en su cannico forma (Es
decir, en la vector
propio base) es usado para evaluar la eficacia de la elemento. En este caso todos valores
propios yvectores de K debe
ser calculado. En la otro mano, a evaluar la condicin nmero de un rigidez matriz,
slo la ms pequeo y ms grande valores propios son necesario (VerSeccin 8.2.6).
Antes proceder a la generalizada eigenproblems, nosotros debera mencionar que
otra
norma eigenproblems mayo tambin necesitar a ser resuelto. Para ejemplo,nosotros may
o exigir los
valores
propios de la masa matriz M, en que caso M reemplaza K en ( 10. 1). Del
mismo
modo, nosotros puede
querer a resolver para la valores
propios de un conductividad o calor capacidad matriz en calor anlisis
ftow (Ver Seccin 7 0.2).
La muy frecuentemente considerado eigenproblema es la uno a ser resuelto en la
vibracin modo
de
superposicin anlisis (Ver Seccin 9.3). En este caso nosotrosconsiderar la generalizad
a problema eigen,
K <Fa = AM <Fa (10,4)

donde K y M son, respectivamente, la rigidez matriz y masa matriz de la finito element
o
de
encaje. La valores
propios A; y vectores
propios !
<L; son la libre vibracinfrecuencias
(Radianes
segundo) cuadrado,
wr
' y correspondiente modo forma vectores, respectivamente. La

propiedades de K son como discutido anteriormente. La
masa matriz mayo ser bandas, en que caso su
un medio de ancho de banda mM es igual a mK, o M mayo ser diagonal con mu > O; es
decir, sorne elementos
de
la
diagonal mayo probablemente ser cero. La bandas masamatriz, obtenido en un consisten
te anlisis
de
masas, es
siempre positivo definido, mientras un agrupado masa matriz es definida positiva slo
si todos diagonal elementos sonmayor de cero. En en
general, un diagonal masa matriz es semidefinida positiva.
En analoga a ( 10.3), la solucin para p valores propios y correspondiente vectores
propios de (10.4) lata ser escrito
(10.5)
donde la columnas en fP son la vectores

propios y La es un diagonal matriz listado la corre corres- valores propios.
De Por
supuesto, la generalizada eigenproblema en ( 10.4) reduce a la estndar eigenprob
lem en (10.1) si Mis una identidad matriz. En otro palabras, la valores
propios y vectores propios
en (10.3) lata tambin ser pensamiento de como frecuencias cuadrado y vibracin modo
formas de el
sistema
de cundo unidad masa es especificado en cada grado de libertad.Correspondiente a la p
osibles
valores
propios en la solucin de (10. 1), la generalizada eigenproblema en (10.4) tiene autoval
ores
A; > O, yo = 1, ... , n, donde la nmero decero valores
propios es de
nuevo igual a la nmero de rgido cuerpo modos en la sistema.
Dos adicional generalizada eigenproblems debera ser mencionado briefty. La seg
undo
problema es resuelto en linealizado pandeo anlisis, en que caso nosotrosconsiderar (Ve
r Seccin 6.8.2)
(10.6)
donde - 'K y 'K son la rigidez matrices correspondientes a veces (Es

decir, carga niveles)
t - fl.t y t, respectivamente.
La tercera generalizada eigenproblema es encontrado en calor transfe

rencia anlisis, donde consideramos la ecuacin
K <Fa = AC <Fa (10,7)
donde K es la calor conductividad matriz y e es la calor capacidad matriz.
La valores
propios
y vectores
propios son la trmico valores
propios y modo formas,respectivamente. La solucin
de (1 O 7.) es necesario en calor anlisis
de
la
transferencia uso modo superposicin (Ver Ejercicio 9,25).
La matrices K y e en (10.7) son positivo definido o positivo semidefinido,
as que la
valores
propios de (10.7) son A; > O, i = 1, ... ,
n.
En este y la siguiente captulo nosotros discutir la solucin de la eigen

problems K <! L = Acf>
yK
<!
L = AM
<!
L en (10.1) y (10.4). Estos eigenproblems son encontrado frecuentemente
en
prctica. Sin
embargo, ella debera ser realizado que todos algoritmos a ser presentado
son tambin Applica
ble a la solucin de otro eigenproblems, previsto ellos son de la mismo for
ma y las
matrices satisfacer la apropiado condiciones de positivo definitud, semidef
initeness,y as sucesivamente. Para ejemplo, para resolver la problema en
(10.7), la masa matriz M simplemente n EDS a ser
reemplazado por la calor capacidad matriz e, y la matriz K es la calor con
ductividad matriz.
En vista
de la real computadora solucin de la necesario eigenproblems, nosotr
os retirada
que en la introduccin a ecuacin solucin procedimientos en anlisis
esttico (Ver Seccin 8.1),
que observado la importan ce de uso eficaz clculo procedimientos.Este e
s incluso ms por
lo
que
en eigensystem Clculos porque la solucin de valores

eigen requiere, en en
general, mucho mscomputadora esfuerzo de la solucin de esttico equi
librio ecuaciones. La particularmente importante consideracin es que la s
olucin algoritmos
deben ser estable,que es ms difcil a lograr en eigensolutions.
La variedad de eigensystem solucin mtodos tener estado desarrolla
do y son reportado en
el literatura (Vase, para ejemplo, J. H. Wilkinson [A]). Ms de latcnicas
tener han
ideado para ms
bien general matrices. Sin
embargo, en finito elemento anlisis nosotros tienen
que
ver
con la solucin de la especficoeigenproblems resumido anteriormente, en
que cada de las
matrices tiene especfico propiedades tal como ser bandas, positivo defini
do, y as en. El
eigensystemsolucin algoritmos debera tomar ventaja de estos propiedad
es en orden a hacer una ms econmico solucin posible.
La objetivo en este captulo es a poner la fundacin para un minucios
o comprensin de
efectivo eigensolution mtodos. Este es realizado por primero discutir lap
ropiedades de
los matrices, valores
propios, y vectores
propios de la problemas de inters y entonces sorne
presentar aproximado solucin tcnicas. La real solucinmtodos recome
ndado para utilizar son presentado en Captulo 11.
2. FUNDAMENTAL HECHOS USADO E
N LA SOLUCIN DE EIGENSYSTEM
S
Antes la laboral de cualquier eigensystem solucin procedimiento lata ser

correctamente estudiado, ella es
necesario primero a a
fondo entender la diferentepropiedades de la matrices y valores
eigen y vectores
propios considerado. En en
particular, nosotros voluntad encontrar que todos solucin mtodos son,
en esencia,basado en estos fundamental propiedades. Nosotros por
lo
tanto querer a resumir en esta
seccin la importante propiedades de la matrices y su eigensystems, aunq
uesorne de
Sec. 10.2
Fundamental Datos Usado en la Solucin de Eigensystems 841
la material tiene ya estado presentado en otro secciones de la libro. Como puntiagudo fuera en la
Seccin 10.1, nosotros considerar la eigenproblema K <! L = AM <! L, que reduce a K <! L= A
<! L
cundo M
= 1, pero la observaciones hecho son igualmente aplicable a otro eigenproblems d
e
inter
s.
1. Propiedades de
la Eigenvectores
Ella se ha sealado que la so1ution de la eigenprob1em generalizada K <! L
= AM
<!
L yie1ds n
valores propios , \ , ... , An, ordenado como se muestra en (10.2), y correspondiente vectores
propios
<! L1, ... , <LLNA Cada eigenpair (A ;, ! <L;) satisface (10.4); es
decir; tenemos
K <Fa ; = A; M <Fa ;; i = 1, ... , n (10.8)
La significado de (1 0.8) debera ser bien entendido. La ecuacin dice que si nosotros establece
r una vector A;! M <l; y uso itas un carga vector R en la ecuacin KU = R, entonces U = <!
L ;. Este
pensamiento mayo inmediatamente sugerir la uso de esttico algoritmos
de
solucin para la clculo de
una vector
propio. Nosotros voluntad ver ms
tarde que la LDLr descomposicinalgoritmo es en
efecto un
importante parte de eigensolution procedimientos.
La ecuacin en ( 1 0.8) un l por lo espectculos que una vector
propio es definida slo dentro un mltiple
de en
s; es
decir, nosotros tambin te
ner
(10.9)
donde a es un distinto de cero Constan t. Por lo tanto, con ! <L; ser una vector propio, un <!
Lj es tambin un
vector
propio, y nosotros decir que una vector
propio es definida slo por sudireccin en la n-dimensional espacio considerado. Sin
embargo, en nuestro discusin nos referimos a la vectores propios ! <L;
como satisfactorio ( 10.8) y tambin la relacin !!
<LTM
<l; = 1, que correcciones la longitudes de la
vectores propios, es decir, la absoluto magnitud deEl elementos en cada vector propio. Sin
embargo, nosotros
mayo nota que la vectores
propios son todava definida slo dentro un multiplicador de -l.
Una importante relacin que la vectores propios satisfacer es que OFM-ortonormalidad; es
decir,
nosot
ros te
ner
(10.10)
donde Sij es la Kronecker delta. Este relacin siguiente desde la ortonormalidad de los
vectores
propios de estndar eigenproblems (Ver Seccin 2.5) y es discutido adicional en Seccin10.2.5.
Premultiplicando (10.8) por <! Lj transpuesto y uso la condicin en (10,10), obtenemos
(10.11)
significado que la vectores
propios son tambin Kortogonal. Cundo uso la relaciones en (10.10)
y (10.11) ella debera ser mantenido en mente que la M- y K-ortogonalidad seguir desde(10.8)
y que ( 10.8) es la bsico ecuacin a ser satisfecho. En otro palabras, si nosotros creer que ten
emos un
vector
propio y valor
propio, entonces como un
cheque nosotros deberasustituto ellos en (10.8) (vase Ejemplo 10.3).
As lejos nosotros tener hecho no mencionar de mltiple valores
propios y correspondiente res
eigenvec. Ella es importante a realizar que en este caso la vectores
propios son nonico pero que podemos siempre elegir un conjunto de M -orthonormal vectores
propios que lapso la subespacio que
corresponde a un mltiple valor
propio (Ver Seccin 2.5). En otropalabras, asumir que A;
tiene multiplicidad m (Es
decir, A; = ;
+
J=
= Ai +
mJ); entonces nosotros puede elegir m vectores propios
<!
;, ... , <!
LHM-I que lapso la m-
dimensional subespacio correspondiente a la valores

propios
de magnitud A; y que satisfacer la ortogonalidad relacin en (10.10)y (10,11).
Cmo
siempre, la vectores
propios son no nico; en
su
lugar, la autoespacio correspondiente Toa; es nico. Nosotros demostrar la resu
ltados por medio de sorneejemplos.
Ejemplo . 10 1: La rigidez matriz y masa matriz de un dos
grados de libertad sistema son
[ 5 -2]
-2 2 '
Ella es credo que la dos eigenpairs de la problema K <Fa = A. <Fa son
1
(D,
= (1, Vs );
V)
v5
2
(D2, v2)
= (6, v5 )
1
v5
(A)
y la dos eigenpairs de la problema K <Fa
(G,
W)
= AM <Fa son
(2, [n), (g2,
W2)
(12, [ _ ; ] >
(b)
Verificar que nosotros en efecto tener en (A) y (B) la eigensolutions de la problemas K <Fa
= A. <Fa y K <Fa
= AM <Fa , respectivamente.
Considerar primero la prob1em K <Fa = A. <Fa . La valores dado en (A) son en

efecto la eigensolution
si ellos satisfacer la relacin en (10.8) con M = 1 y, a arreglar la longitudes de lavectores, la
ortonormalidad relaciones en (10.10) con M = l. Sustituyendo en (10.3), que expresa la
relacin en (1 0.8) para todos eigenpairs, nosotros tener
1.
5 -2] v5 v5
2.
v5
v; [ ]
-2 2
v5
1
o
v5
v5 v5 v5
12 1 12
v5 v5 v5
=
Evaluacin (10,10), nosotros obtener
2 6
v5 v5
2 6
v5 v5
1
T. [
VV
] V :: =
v5
1
viv1
= [-]
v: j = o
v5
Sec. 10.2 Fundamental Datos Usado en la Solucin de Eigensystems
843
2
Vs
1
1
Vs
Por lo tanto, la relaciones en (10.3) y (10.10) son satisfecho, y nosotros tener
t = dt, Arizona = dz,
<Fa t
= v1, y <! 2 = V2.
A comprobar si nosotros tener en (B) la eigensolution a

, nosotros proceder de una
anlogo manera. Sustituyendo en (10.5), nosotros tener
o
y evaluacin (10.10), que obtener
wfMwt
= [ 1]
wrMw
K <Fa = AM <Fa
[ J [n =
= [ - 2]
(JUJ = O
w 2 r MW2
[5-2
feb J [O!
[=
_1
wfMw2
= wfMw1 = O
Por lo tanto, la relaciones en (10.5) y (10.10) son satisfecho y nosotros tener

Ejemplo 10.2: Considere la eigenproblema
K <Fa =
La
<Fa withK
=R
2,
y show que la vectores propios correspondiente a la mltiple valor propio son no nico.
La valores
propios de K son En
= 2, A2 = 2, y A = 3, y un conjunto de vectores propios es

3
(A)
donde <1 3 es nico. Estos valores podra ser comprobado como en Ejemplo 10.1. Sin
embargo, cualquier combinaciones lineales de <Fa t y <!
2 dado en (A) que satisfacer laortonormalidad condiciones en (10.10) con
M = 1 hara tambin ser vectores

propios. Para ejemplo, nosotros podra uso
1
--
V'2 V'2
<Fa =
1 y
<1 2 =
V'2
V'2
oo
Que estos son en

efecto vectores
propios correspondiente a = = 2 lata de
nuevo ser comprobado como en el
Ejemplo 1 0.1. Ella debera Debe
observarse que cualquiervectores
propios <Fa
y
<f proporcionar un base para la nica
de
dos
dimensiones autoespacio que corresponde a 1 y A 2.
La solucin a (10.4) para todos p necesario valores
propios y correspondiente autovectores
fue establecido en (1 0.5). Uso la relaciones en (1 0. 1 O) y (1 0,1 1), nosotros mayo ahoraescri
bir
1
c, rKc, = La
(10.12)
=1
(10.13)
c, rMc,
donde la p columnas PPPA son la vectores

propios. Ella es muy importante a nota que ( 10.12) y
( 10.13) son condiciones que la vectores propios necesario la satisfaccin, pero que SielMortonormalidad
y Kortogonalidad son satisfecho, la p vectores necesitar no necesariamente vectores propios a
menos
que
p = n. En otro palabras, asumir que X tiendas p vectores, p< n, y que xrKX = D y xrMX =
1; entonces la vectores en X y la diagonal elementos en D mayo o mayo no ser
vectores
propios y valores
propios de (10.4). Sin
embargo, si p = n, entonces X = fP y D = La ser
causa slo la vectores
propios lapso la completo n-dimensional espacio y diagonalizanlas
matrices K y M.
Para subrayar este observacin nosotros presente la siguiente ejemplo.
Ejemplo 10.3: Considere la eigenproblema K <Fa = M <Fa , donde
2 -1
o]
K = -1 -1 4 ;
1
M=1 O
y la dos vectores
[
[O
o -1 2
o
Show que la vectores V y v2 satisfacer la ortogonalidad relaciones en (10.12) y (10.13)

[Es decir, la relaciones en (10.11) y (10.10)] pero que ellos son no vectores propios.
Para la comprobar nosotros dejar V y v2 ser la columnas en e ,, y nosotros evalu
ar (10.12) y (10,13).
Por lo tanto, nosotros obtener

1
1
[-
\ 120
-! - ]
1
1
V'2
1
1 = [(4 - \ 12) o]
(A)
1
V'2
o o -1 2 o
V'2 o (4 + V'2)
o
Sec. 10.2 Fundamental
Datos Usado en la Solucin de Eigensystems
845
-t[]
y
Ya o
v2!
oo
Por lo
tanto, la ortogonalidad relaciones son satisfecho. A show que vi y v2 son no vectores
propios, empleamos (10.8). Para ejemplo,
1
2-1
v2 Kvi =
-1 + -.
Mvi =
v2
Va '
-O
v2
Sin
embargo,
el vector K vi no
puede ser igual a la vector AMV . donde un es un escalar; es
decir, K vi es no
en
paralelo a M vi, y por
lo
tanto vi es Notan vector
propio. Del
mismo
modo, v2 es Notan vector
propio y los
valores (4 - Ya) y (4 + Ya) calculado en (A) son no valores
propios. La real valores
propios y los correspondientes vectores propios son dadoen Ejemplo 10.4.
En la anterior presentacin nosotros considerado la propiedades de la vectores
propios de el
problema K
<!
L = AM
<!
L, y nosotros debera ahora brevemente comentario en lapropiedades de la vectores
eigen calculado en la solucin de la otro valor propio problemas de inters. La comentario
es simple:
el ortogonalidad relaciones discutido aqu mantenerigualmente para la vectores
propios Ofthe problemas encontrado en pandeo anlisis y calor transferencia anlisis. Que es
decir, nosotros tambin tener en pandeo anlisis, uso la notacinen (10.6),
<Fa i t-A'K <Fa i = 51J; <Fa i 'K <Fa i = At5} (10.14)
c, r t-AtKc, = 1; c, r 'K e, = La
y en calor transferencia anlisis, uso la notacin en ( . 10 7), nosotros tener
<Fa iC <Fa i = 5ij; <Fa iK <Fa i = A; 5; j} c,
rcc, = 1; c, rKc, = A
(10.15)
Como para la eigenproblema K
<!
l = AM
<!
L, la prueba de la relaciones en ( 10.14) y
(10.15) depende en la hecho que la generalizada eigenproblems lata ser transformadoestndar
toa formulario. Nosotros discutir este materia adicional en Seccin 10.2.5.
2. La Caracterstica L
os polinomios
de la Eigenproble
ma K <f
= AM <f
y de lts Asociado Restriccin Problemas
Una importante propiedad de la valores propios de la problema K <! L = AM <!
L es que ellos son las races de la polinomio caracterstico,
p (A)
det (K - AM)
(10,16)
Nosotros lata show que este propiedad deriva desde la bsico relacin en (10.
8). Reescribiendo (10.8) en la forma
(K - A; M) <Fa ; = O (10.17)
nosotros observar que (10.8) lata ser satisfecho slo para no trivial ! <L; (Es
decir, !
<L; no ser igual toa
nula vector) previsto que la matriz K - A; Mis singular. Estemedio que si nos
otros factorize
K - A; M en una
unidad inferior triangular matriz L y una superior triangular matriz S uso
Gauss eliminacin, nosotros tener Snn = O. S
in embargo, desde
p (A;) = det LS = fi S
i=l
(10.18)
ella siguiente que p

(A;) = O. Por
otra
parte, si , \; tiene multiplicidad m, nosotros tambin tener Sn - !, n- =
= Sn-m
+
n-!,
m
+
l = O. Nosotros debera nota que en lafactorizacin de K - A; M, intercambios
mayo ser es
necesario, en que caso la factorizacin de K - ,
\
M con su filas y
posiblemente su columnas intercambiado esobtenido (Cada
uno fila y cada columna intercambio luego
introduce un signo cambio en la determinante que necesario ser tomado en cu
enta; ver Seccin
2.2). Si nointercambios son realizado fuera, o fila y correspondiente columna
intercambios se
llevan
a
cabo, que en prctica es casi siempre posible (Pero ver Ejemplo 10.4 para un
caso
en
el
que ella es no es
posible), la coeficiente matriz restos simtrica. En este caso nosotros lata escr
ibir para (10.18)
1
p (A;) = det THDV = TI du

i=l
(10.19)
donde LDLr es la factorizacin OFK - ,

\
Mor deEl matriz derivado desde ella por ing
interchang filas y correspondiente columnas, es
decir, uso un diferente pedidopara la sistema grados
de libertad (Ver Seccin 8.2.5). La condicin Snn = O es ahora DNN = O, y cund
o , \ tiene multiplicidad m, el ltimo m elementos en D son cero.
En Seccin 8.2.5 nosotros discutido la Sturm secuencia propiedad de la
polinomios
caractersticos de la restriccin problemas asociado con la problema K

<!
L=A
<!
L. La propiedades
Sarne que nosotros observado en que discusin son aplicable tambin a la po
linomios
caractersticos de la restriccin problemas asociado con laproblema K
<!
L = Ama !>. La
prueba siguiente desde la hecho que la generalizada eigenproblema K
<!
L = AM <! L lata ser trans
formado a un estndar eigenproblema para que la Sturm secuencia propiedad
de la personaje
istic polinomios sostiene. Referente la prueba a Seccin 1 0.2.5, Ejemplo 10,
11, dejar Resumamos la importante resultado.
La eigenproblema de la rth asociado restriccin problema correspondient
ea
K <! L = AM <!
L es dado por
K (r) <Fa (r) = A (r) M (r) <Fa (r) (10.20)
donde todos matrices son de orden n - r y K
(r) y M
<r) son obtenido por borrado desde K
y
M la ltimo r filas y columnas. La caracterstica polinomio del rth asociadoc
on restriccin problema es
(10.21)
y como para la especial caso M = 1, la valores

propios de la (R + 1) st restriccin problema
aparte aquellos de la rth restriccin problema; es
decir, como declarado en(8.38), nosotros de nuevo tener
(10.22)
Considerar la siguiente ejemplo.
Ejemplo 10.4:
Considerar la eigenprob1em K <Fa = AM <Fa , donde
2 -1
o]
K = -1 -1 4 ;
[
o -1 2
a.
Calcu1ate la eigenva1ues uso la caracterstica po1ynomia1 como defini

da en (10,16).
(B) So1ve para la vectores propios <Fa ;, = 1, 2, 3, por uso la re1ation en (10.17) y la Morthonorma1ity condicin de la vectores propios.
(E) Calcu1ate la eigenva1ues de la asociado restriccin prob1ems y show que la eigen
va1ue separacin propiedad dado en (10.22) ho1ds.
Uso (10,16), nosotros obtener la caracterstica po1ynomia1
p (A) = (2- A) (4- A) (2- A) - (-1) (- 1) (2- A) - (-1) (- 1) (2Por lo tanto,
p (A) = - Un + 3A - llA
y nosotros tener
3
+ 12
A obtener la correspondiente vectores

propios, nosotros uso la re1ation en (10,17). Para La
-1
!. \)
nosotros tener
O]
2 -1 <! 1 = 0
-1 1
(A)
La coeficiente matriz K - La 1M en (A) lata ser factorizada en LDLr sin intercambios. Usando
el procedimiento descrito en la Seccin 8.2.2, nosotros obtener
[o
-1
-1
JJ
-} = o
1
(B)
Nosotros nota que d33 = 0.0. A eva1uar <Fa 1. nosotros obtener desde (B),
[1
U so a1so <! fM <Fa 1 =
<Ta f = 1
-1
-} = o
1, nosotros tener
V'2
A obtener <! 2 y <Fa
3, nosotros proceder en una ana1ogous manera. Eva1uating K - A 2 M, nosotros obtener
de (10,17),
o -1 o]
-1
O -1 <1 2 = 0
o -1 o
En este caso nosotros no puede factorizar la coeficiente matriz conservacin simetra; es

decir, nosotros necesitar para intercambiar on1y la primero y segundo filas
(y no la correspondienteco1umns). Este fila
intercambio resultados en la relacin
o
-1 Oc!> 2 = 0
-1 O
Factorizacin la coeficiente matriz en un unidad inferior triangular matriz L y una superior matriz
triangular S, nosotros obtener
y Por lo tanto,
-n ,
y
[> _. -
= S33 O. A resolver para c!
w,
eu
se
c!> FMC!> 2 = l. Por lo tanto, nosotros obtener
cl> f = [-1 o 1]
A calcular
cl> 3, nosotros evaluar K - A 3 M y tener

-l -1
o]
-1 -2 -1 cl> 3 = O
[
o -1 -1
La coeficiente matriz lata ser factorizada en LDF sin intercambios; es decir, nosotros tener
Nosotros nota que
d33 = O. A calcular ci> J nosotros uso
-1
-] o
cl> FMC!> J = l. Por lo tanto,

1
v2
La valores
propios de la primero asociado restriccin problema son obtenido desde la solucin de
[
Por lo tanto,
pO> (A O>)
A <1>
2 -1Jc > O> = A <J> [o] c > <J>
4 A <1> + 7
y
>
= 4 - V; A > = 4 + V
A
Tambin AF> = 4, y por lo tanto la valor

propio separacin propiedad dado en (10.22) es en este caso:
l. Para la valores propios de la primero y segundo asociado restriccin problemas,

4-AV <4 <4 + V
2. Para la valores propios de Kcl> = AME!> y la primero asociado restriccin problema,
2 < (4 - V) < 4 < (4 + V) < 6
Una importante hecho que siguiente desde la propiedad de la separacin de valores
propios tal
como
se
expresa en (10.22) es la siguiente. Asumir que nosotros lata factorizar lamatriz K - JLM en T
HDV; es decir, ninguno de la asociado restriccin problemas tiene un cero valor propio. Por
simplicidad de discusin dejar nosotros primero asumir que todos valores
propios son distinto; es
decir, ya
est son hay
mltiples valores
propios. La importante hecho es que en la descomposicin de K - JLM, el
nmero de negativo elementos en D esigual a la nmero de valores
propios menor de JLA

Por el contrario, si ; < JL < i + 1, ya
est son exactamente yo negativo diagonal elementos en D. La prueba de ello
es obtenido uso la separacin propiedad en (10.22) y es relativamentefcilmente esbozado por l
a
siguiente consideraciones. Referente a Fig. 10.1, asumir que,
en la bosquejo de la caracterstico polinomios nosotros conectar por derecho lneas todos valor
es propios IRL , r = O, 1, ... ,con
i
= , y llamada la resultante curva C. Del mismo
modo, nosotros establecer curvas CZ, C3, ... , como
indicado en Fig. 10.1. Considerar ahora que ; < JL < i + 1 y dibujar un lnea vertical corre
corres- a JL en la figura deEl caracterstica polinomios; es
decir, este lnea establece donde JLmentiras en relacin a la valores
0
propios de la asociado restriccin problemas. Nosotros nota que la

lnea correspondiente a JL necesario cruzar la curvas C1, ... , C; y porque de la valor propio
Figura 10.1 Construccin de curvas C; para la caracterstica polinomios de la problema
K
= AM y de la asociado restriccin problemas
separacin propiedad no puede cruzar la curvas
CH, .a ,
Cn. Sin embargo, desde
p <r> (.t) = "F du

i=l
(10.23)
y desde cada cruce de JL con una envoltura Ck corresponde a un negativo elemento que
aparece en D, nosotros tener exactamente yo negativo elementos en D.
Estos Consideraciones tambin mantener en la caso de mltiple valores
propios; es
decir, en Fig. 10.1 lo
haramos meramente encontrar que sorne valores
propios son iguales, perola argumento dado arriba hara no cambia.
La propiedad que la nmero de negativo elementos en D es igual a la nmero de
valores
propios menor de JL lata ser usado directamente en la solucin de valores
propios (Ver Seccin
11.4.3). Narnely, por asumiendo un cambio JL y de
cheques si JL es menor o
ms
grande de la
requerida valor
propio, nosotros lata sucesivamente reducir la intervalo en que la valor
propio debe
mentir. W e demostrar la solucin procedimiento en la siguiente exarnple.
Ejemplo 10.5: Uso la hecho que la nmero de negativo elementos en D, donde LD
F = K - .tM, es igual a la nmero de valores
propios menor de .t en orden a calcular A de Kcl> = AME!>, donde
2
2 -I
o]
K = -1 -1 4 ;
[
o -1 2
La tres valores
propios de la problema tener ya estado calculado en Ejemplo 10.4. Nosotros
ahora proceder en la fullowing sistemtico pasos.
l. Dejar nosotros assu e .t = l y evaluar LDV de K - .tM,
-1
3
1
Por lo tanto,
LDL '[l
_J
7
Il
f.] ['
2.
-n
Desde todos elementos en D son mayor de cero, nosotros tener A1 > l.
Nosotros ahora intentar .t = 8, donde
y
Desde todos tres diagonal elementos son menor de cero, ella siguiente que
,\3
< 8.
3.
La siguiente estimacin .t debera lgicamente mentira entre l y 8; nosotro
s elegir .t = 5, para que
-n
-1
Desde dos negativos e1ementos son en D, nosotros tener A < 5.

4. La siguiente estmate debe
mentir entre 1 y 5. Dejar nosotros uso JL = 3, en que caso
2
K- [-! -n
-1
LDL '[-
1,
-1
J N
-2
1
Por lo tanto A > 3, porque ahi esta uno on1y e1emento
negativo en D.
La patrn de la so1ution procedimiento tiene ahora estado establecida. As lejos
nosotros saber que
3 < A2 <5. En orden a obtener un ms
cerca estmate en A 2 nosotroswou1d continuar elegir un cambiar JL en la interv
a1 3 tr> 5 y investigar si la nuevo cambio es menor o 1arger de A
Por a1ways elegir una apropiado nuevo cambio, lanecesario eigenva1ue lata ser
determinado
muy accurate1y (Ver Seccin 11.4.3). Ella shou1d ser conocido que nosotros hizo
no necesitar a uso
intercambios en las
factorizaciones de K - JLM realizado fuera anteriormente.
2
3.
Ca
m
b
i
o
Una importante procedimiento que es usado extensamente en la solucin de valores
propios y res
eigenvec es desplazamiento. La propsito de desplazamiento es a acelerar la Clculos dela ne
cesario
eigensystem. En la solucin Kc, = AMe ,, nosotros realizar un cambio p en
K por calc
ulador
K=
K- PM (10.24)
y nosotros entonces considerar la eige

nproblema
K \ fl
= JLM \ fl (10.25)
A identificar cmo la valores propios y vectores

propios de Kc, = AMe, son conexo a los de la problema
K \ jl = JLM \
jl nosotros nueva versin ( 10.25) en la forma

(10.26)
donde y = p + JLA
hecho, la eigenproblema
Sin
Kc, = AMe
embargo, ( 10.26) es
,, y ya
decir, en De
que
la solucin de este problema es nico, nosotros tener

(10.27)
; = p + .L ;;
En otro palabras, la vectores propios DO: K \ jl = JLM \ jl son la mismo como la vectores
propios de
Kc, = AMe
,, pero la valores
propios tener estado disminucin por p. La frecuente aplicacin de

desplazamiento ocurre en la clculo de rgido cuerpo modos cundo una algoritmo es a ser u
sado es
decir no diseado explcitamente a calcular cero valores
propios. Nosotros ilustrar taluna aplicacin en el siguiente ejemplo.
Ejemplo 10.6: Considerar la eigenproblema
[- - J
A [J
(a)
Calcular la valores propios y vectores propios. Entonces imponer un cambio p = 2 y resolver de nuevo para los valores propios y correspondiente vectores propios.
A calcular la valores propios nosotros uso la caracterstica polynornial
p (A)
= det (K - AM) = 3A
18A
y as obtener La = O, A = 6. A calcular y 2 nosotros uso la relacin en (10.17) y l

a masa ortonormalidad condicin ; M = l. Nosotros tener
1
[_
-3
3].!...
'"1
= O
'
Por lo tanto, =
1
v'6
YO
v'6
1
(B)
y
-9
[-9
-9
por lo tanto, 2 =
'! "2",
v2
(E)
Imponente un cambio de p = -2, nosotros obtener la problema
[- - J = A [J
(d)
Proceder como antes, nosotros tener

p (A)
= La
Loa
+ 16
y obtener como la races A1 = 2, A = 8. Por lo tanto la valores

propios tener aumentado por 2; es decir, ellos han disminuido por p.
La vectores propios hara ser calculado uso (10. 1 7). Sin
embargo, nosotros nota que este relacin
de nuevo rendimientos la ecuaciones en (B) y (E), y por lo tanto la vectores
propios deEl problema en (D) son
aquellos de la problema en (A).
Una importante observacin resultante desde la arriba discusin es que, en principie, n
ecesitamos slo solucin algoritmos a calcular la valores propios y correspondiente vectores
propios
de la problema Kc, = AMe, cundo todos valores
propios son mayor de cero. Este siguiente,
porque si rgido cuerpo modos son presente, nosotros mayo siempre oper a te en un desplaza
do rigidez matriz que renders todos valores propios positiva.
2
Extenso aplicaciones de desplazamiento son dado en Captulo 11, donde la vario eigens
ys
tem solucin algoritmos son discutid
o.
4. Efecto
de Cer
o Mas
a
Cundo uso un agrupado masa matriz, M es diagonal con positivo y probablemente sorne ce
ro
diagonal elementos. Si todos elementos mu son mayor de cero, la valores
propios
lataen
general no
sea obtenido sin la uso de una valor
propio solucin algoritmo como descrito en Captulo 11.
Sin
embargo, si M tiene sorne cero diagonal elementos, decir r diagonal elementos
en M son cero, podemos inmediatamente decir que la problema Kc, = AMe
, tienelos valores propios Una = nI =
= n-r + l = oc y lata tambin construir la correspondiente vectores

propios por inspeccin.
A obtener la arriba En
consecuencia, dejar nosotros retirada la fundamental objetivo en una eigensolut
ion. Ella es importante a recordar que todos nosotros exigir es unvector e, y
escalar La que satisfacer la ecuacin
Kcl> = AME!> (10.4)
donde e, es no
trivial; es
decir, e, es un vector con en menos uno elemento en ella distinto
de
cero. En otras
palabras, ifwe tener un vector e, y escalar La quesatisfacer (10. 4), entonces
La ande, son una autovalor
A; y vector
propio e,;, respectivamente, donde ella debera ser conocido que ella hace n
o materia cmo e,y La tener estado obtenido. Si, para ejemplo, nosotros lata
adivinar e, y A, nosotros debera ciertamente tomar
ventaja de ella. Este mayo :,
E la caso cundo rgido cuerpo modos son presente en la elemento
estructural de
encaje. Por
lo
tanto, si nosotros saber que la elemento montajelata someterse un rgido
cuerpo modo, nosotros tener
= O y necesitar a buscar c,
I a satisfacer la ecuacin Kc,
1 = O. En
general, la solucin de e,
necesario ser obtenido uso unaecuacin solver, pero en un simples finitos
elemento montaje nosotros mayo ser capaz a identificar c
, I por inspeccin.
En la caso de r cero diagonal elementos en un diagonal masa matriz M, nos
otros lata siempre
inmediatamente establecer r valores
propios. Reescribiendo la problema eigen en (10.4) en la forma
(10.28)
donde JL = Al, nosotros encontrar que si mkk = O, nosotros tener una eigenpair (JL ;, e
,;) = (O, ek); es decir,

c!> i = [O O. . . O 1 O. . . O];
t
kth elemento
J.L
= o (10.29)
Que e
,; y JL; en (10.29) son en
efecto una vector
propio y valor
propio de ( 10.28) es verificado simplemente sustitucin en (10.28) y sealand
o que (JL ;, e ,;) esun no trivial solucin. Desde JL = A- 1, nosotros por lo
tanto fundar que una eigenpair de Kc, = AMe, es dado por (A ;, e ,;)
= (Oc, ek).
En vista de la caso de r cero diagonal elementos en M, ella siguiente que ya
est son r valores
propios
infinitas, y la correspondiente vectores
propios lata ser tomado a serunidad vectores con cada
unidad vector tener la 1 en un ubicacin correspondiente a un cero masa eleme
nto en M. Desde Una es entonces una valor
propio de multiplicidadr, la correspondiente vectores propios son no nico (Ver
Seccin .
10.2 1). En Adems, observamos que la longitud de una vector
propio no
puede ser fijo usando
elcondicin de Mortonormalidad. Nosotros demostrar cmo nosotros establecer la valores
propios y vectores propios por medio de un breve ejemplo.
Ejemplo 10.7: Considerar la eigenproblema
-1
2 -1
-1 2
-1
Ya Est son dos cero diagonal elementos en M; Por lo tanto, A = oo, , \,

= oo. Como vectores propios correspondientes nosotros lata uso
(A)
Alternativamente, cualquier lineal combinacin de cl> 3 y c1>
4 dado en (A) hara representan vector
propio. Nosotros debera nota que ci>;
MCL>; = O para yo = 3, 4, y por lo tanto la magrritude de la elementos en el>; no
puede ser fijo uso la M-ortonormalidad condicin.
3
5. Transformacin de la Generalizad Eig

enprob! Em Kcf- = AM
<f- a un Estndar Forma
La ms comn eigenproblems que son encontrado en general cientfico anlisis son
estndar eigenproblems, y ms otro eigenproblems lata ser reducido a un estndar formulario.
Para esterazn, la solucin de estndar eigenproblems tiene atrado mucho atencin en numri
co anlisis, y muchos solucin algoritmos son disponible. La propsito de este seccin
es a show cmo la eigenproblema Kc, = AMe, lata ser reducido a un estndar formulari
o. La
implicaciones de la transformacin son doble. En
primer
lugar, ser causa la transformacin es posible,
el
uso lata ser hecho de la vario solucin algoritmos disponible para estndareigenproblems. Nos
otros ver que la eficacia de la eigensolution procedimiento empleado depende a un
gran grado en la decisin si o no a llevar fuera un transformacin a un estndarformulario. En
segundo
lugar, si un generalizada eigenproblema lata ser escrito en estndar forma, la propied
ades de
los valores
propios, vectores
propios, y caractersticapolinomios deEl generalizada lem
eigenprob lata ser deducida desde la propiedades de la correspondiente cantidades de
la eigenproblema
estndar. Al
darse
cuenta
de quela propiedades de estndar eigenproblems son ms fcil
de
evaluar, ella es a un grande grado para la segundo razn que la transformacin un eigenproble
ma
estndar es importante a serestudiado. En
Efecto, despus presentacin la transformacin proce
dimientos, nosotros mostrar cmo la propiedades de la vectores
propios (S e
e Seccin 10.2.1) y la
propiedades de la caracterstica polynornials (ver Seccin 10.2.2) de la problema K <Fa =
AMe, son derivado desde la correspondiente propiedades de la estndar eigenproble
ma.
En la siguiente nosotros asumir que M es positivo definida. Este es la caso cundo Mis
diagonal con mu > O, yo = 1, ... , n, o M es bandas, como en un consistente masa anlisis.
SiM es diagonal con sorne cero diagonal elementos, nosotros primero necesitar a realizar est
tico la
condensacin en la sin
masa grados de libertad como descrito en Seccin 10.3.1.Assurning que M
es positivo definido, nosotros lata transformar la generalizada eigenproblema Kc, = AMe
, dado en (10.4) por uso un descomposicin de M de la forma
M = SST (10.30)
donde S es cualquier no
singular matriz. Sustituyendo para M en (10.4), nosotros tener
K el> = ASS T el>

Premultiplicando ambos lados de (10.31) por
s-
y definicin un v
ector,
, = S T el>
(10,32)
(10,31)
nosotros obtener la estndar eigenproblema,

donde:
K = s-IKS-r
(10.33)
(10.34)
Uno de dos descomposiciones de M es usado en general: Cholesky factorizacin o la

espectral descomposicin de M. TJte fholesky factorizacin de M es obtenido como descrito e
n la Seccin 8.2.4 y rendimientos M = LML & t. En (10.30) a (10.34) nosotros por lo
tanto tener
(L0.35)
La espectral descomposicin de M requiere solucin de la completo eigensystem de M.

Denotando la matriz de ortonormal vectores
propios por R y la diagonal matriz
de ues
eigenval por D nosotros tener
2,
(10.36)
y nosotros uso en (10.30) a (10,34),

S = RD
(10.37)
lt debera ser conocido que cundo Mis diagonal, la matrices S en (10.35) y (10.37) son lo
mismo, pero cundo M es bandas, ellos son diferente.
En
vista
de la eficacia deEl sol cin deEl necesario valores
propios y res
eigenvec de (10,33), ella es ms importante tJtat K tiene la mismo ancho
de
banda como K cundo M es
diagonal. Sin
embargo, cundo Mis bandas, K en (10.33) es en general un completo matriz, que hace
que
la transformacin ineficaz en casi alllarge
orden finito elemento anlisis. Este se
convertir ms aparente en Captulo 11 cundo vario eigensystem solucin algoritmos se
discuten.
Comparando la Cholesky factorizacin y la espectral descomposicin de M, ella mayo D
ebe
observarse que la uso de la Cholesky factores es en general computacionalmente mseficiente
que
t_he uso de la espectral descomposicin porque menos operaciones son implicado en clculo
de LM de R y D. Sin
embargo, la espectral descomposicin de M mayorendimiento un ms exacto
solucin de Kc,
= AMe ,. Asumir que M es mal
condicionado con respeto a inversin; entonces

la transformacin proceso a la estndar eigenproblema es tambin mal
acondicionado. En que caso
ella es importante a emplear la ms estable transformacin procedimiento. Uso la Factorizaci
n de
Cholesky de M sin pivotante, nosotros encontrar que
LM
tiene grande elementos enmucho
s ubicaciones
porque de la enganche en M y
En consecuencia,
LM
K es calculado con poco precisin,
y la ms bajo valores propios y correspondiente vectores propios son determinado inexacta.
En la otro mano, uso la espectral descomposicin de M, bueno precisin mayo obtenerse

en la elementos de R y
nz, aunque sorne elementos en Nueva
Zelanda sonpequeo en relacin

a la otro elementos. La -cof2ditioning enfermo de M es ahora concentrado en slo la pequeos
elementos de D y en
vista
de K, slo aquellos filas y columnas que corresponder a la
pequea elementos en D tener grande elementos, y la valores
propios de normal tamao son ms probablemente ser en conserva con precisin.
Considerar la siguiente ejemplos de transformadora la generalizada valor propio problema
Kc, = AMe, a un estndar formulario.
2,
Ejemplo 10.8: Considerar la prob1em Kcl> = AME!>, donde
3 -1
K = -1 2 -1 ;
31
-1 1
o]
12
Uso la Cho1esky factorizacin de M a calcu1ate la matriz K de un correspondiente b 1 em

eigenpro estndar.
Nosotros primero ca1cu1ate la THDV descomposicin de M,
Por lo tanto, la Cho1esky factor de Mis (Ver Seccin 8.2.4)
v2
1 _2
LM = v
o
1
v2
1
y
(-
--v'1o
1
-- 1
v4o v'1o
La matriz de la estndar eigenprob1em
K = L yo KL l es en este caso,
-
v'5 v'5
K=
v'5 5 - 3
4 42
Ejemplo 10.9: Considerar la generalizada eigenprob1em en Ejemp1o 10.8. Uso la descom
posicin espectral de M a ca1cu1ate la matriz K de un correspondiente estndar eigenprob1em.
La eigenva1ues y correspondiente vectores propios de la prob1em Me!
> = A el> lata ser ca1cu- 1ated como se
muestra en Ejemp1o 10.4. Nosotros obtener A1 = 1, A2 = 2, A3 = 4, y
11
1
V'3
v2 v'6
el> =
1
--Una
cl> 2 C =
o!>
3=2
v'6
V'3 '
111
V'3
v2 v'6
Sec. 10.2 Fundamental Datos Usado en la Solucin de Eigensystems
857
Por lo tanto, la descomposicin M = R D RT es

2
11111
V'3
v2
v'6
V'3 V'3
V'3
M= - 1
['
.] 1
o2
o1
V'3
v'6
v2 v2
1111
V'3 v2 v'6 v'6 v'6 v'6

Observando que S = RD y s - 1 = n- 1 RT porque RRT = 1, nosotros obtener
111
-
V'3 V'3 V'3

s-1 =
11
--
2
11
2v'6 v'6 2v'6

La matriz de la estndar eigenprob1em es K = s - 1 KS-T; es
decir,
K=
--1-1-1
3va
2v'6
Nosotros shou1d nota que

la matriz
K obtenido aqu es diferente desde la matriz K derivado en
Ejemp1o 10.8.
En la arriba discusin nosotros considerado slo la factorizacin de M en M = SST
y
luego la transformacin de K e, = AMe, en la forma dado en ( 10.3 3). Nosotrospu
ntiagudo fuera que
este transformacin lata rendimiento inexacto resultados si M es mal
acondicionado. En tal un caso parece natural a evitar la descomposicin de M y en
lugar usoun factorizacin de K. Reescritura Kc, = AMe, en la forma Me, = (1 /
A) Kc ,, nosotros lata uso una anlogo procedimiento para obtener la eigenproblema
Me!> = -el> (10,38)
La
donde: M = s - 1 Ms-T
(10.39)
K = SST
(10.40)
CT> = S T el> (10,41)

y S es obtenido uso la Cholesky factor o espectral descomposicin de K. Si K est bien
acondicionado, la transformacin es tambin bien acondicionado. Sin
embargo, desde K essiempre
bandas, M es siempre un completo matriz, y la transformacin es en

general ineficiente para la
solucin de Kc, = AMe ,.
Como nosotros puntiagudo fuera antes, la posibilidad de en

realidad resolucin un generalizada eigenprob
lem
por primera
transformacin ella en una
norma forma es
slo uno razn por
qunosotros considerado lo
anterior transformaciones. El
segundo razn es que la propiedades de la
eigensolution de
la
generalizada eigenproblema lata ser deducida desde la propiedades de la solucin dela corre
corres- estndar eigenproblema. Especficamente, nosotros lata derivar la ortogonalidad propiedades
de la vectores
propios como dado en (1 S. 1 O) y (1 O 0.11), y el
turm S secuencias
y
c n cepropiedad de la
caracterstica polinomios de la eigenproblema K <l> = AM y de su asociado estafa
restriccin problemas como dada en (10,22). En ambos casos no fundamentalmente nuevo conceptos
necesitar probarse; en su lugar, la correspondiente propiedades de la estndar eigenproblema, que esob
contenida desde la generalizada eigenproblema, son utilizado. Nosotros dar la pruebas en la siguiente
ejemplos asan aplicacin
de la transformacin de un generalizada eigenproblema toa stan
dard formulario.
Ejemplo 10.10: Show que la vectores
propios
de la problema K
<!> = AM
 son M- y K ortogonal y discutir la ortogonalidad de la vectores propios de la problemas 'K
 = A'-A'Kcfl dadoen (10.6) y K <!> = AC dado en (10.7).
La vector
propio ortogonalidad es demostrado por transformadora la generalizada eigenproblema a
una estndar forma y uso la hecho que la vectores propios de un estndar eigenproblemacon una
simtrica matriz son
ortogonales. Considerar primero la problema K
<!> = AM
 y asumir que M
es positivo definida. Entonces nosotros lata uso la transformacin en (10.30) a (10.34) a obtene
r, equivalente asan eigenproblema,
donde
K <i}
= A <i)
K = s-
Ks-R;
Pero desde la vectores propios <I); de la problema K <i)

<i) tener la propiedades (Ver Seccin 2.7)
nosotros tener, sustitucin
= A.
<I); = sr <!> ;, j = sr <!> J,
<L> iM <!> J = 5; J; <L> iK <1> = A; 5;

1
(a)
Si M es no positivo definitiva, nos considerar la eigenproblema M <!> = (1 / A.) K

 (Con K
positivo definido ora cambio necesario ser impuesto; ver Seccin 10.2.3). Nosotros ahorauso la
transformacin
M
(A
1)
- ->
<!
<- 1>
donde
y la propiedades
Sustituyendo para
<I); y <I) J> nosotros obtener

(B)
= (1 / A.) K <!>
Se
consider. A obtener la mismos
vectores como en la problema K
<!> = AM
, nosotrosnecesitar a multiplicar los vectores propios <!>; de la problema M <!> = (1 / A.)
K por la factores y; yo = 1, ... , n.
con la vectores propios ahora ser Ortonormalizada-K, porque la problemm <!>
En vista
de estos pruebas, nosotros nota que nosotros arreglado la eigenproblems en tal un camino
que
la matriz asociado con la valor
propio, es
decir, la matriz en la de
la
mano
derecha lado deEl valor propio
Sec. 10.2 Fundamental
Datos Usado en la Solucin de Eigensystems 859
problema, es positivo definida. Este es necesario a ser capaz a crry fuera la transf
ormacin de la generalizada eigenproblema a un estndar forma y as derivar la vector
propiopropiedades
de
ortogonalidad en (A) y (B). Sin
embargo, en
vista
de la problemas 'K
<!> = A'- 'K
 y K
<!> = AC
<!>
Dado en (10.6) y (10.7), nosotros lata proceder en un similarmanera. La resultados hara
ser el vector propio ortogonalidad propiedades dado en (10.14) y (10,15).
Ejemplo 10.11: Probar la Sturm secuencia propiedad de la caracterstica polinomios
de
los problema K
<!> = AM
 y la asociado restriccin problemas. Demostrar la prueba parala
siguiente matrices:
-1
(a)
-1
La prueba que nosotros considerar aqu es residencia

en la transformacin de la eigenproblems K <!> = AM y K <'l <l> < l = , \ <
lM <'l <> < l a estndareigenproblems, para que la caracterstica
polinomios son conocido a forma un Sturm secuencia (Ver Secciones 2.6 y 8.2.5).
Como en Ejemplo 10.10, nosotros asumir primero que Mis positivo definida. En est
e caso nosotros puede transformar la problema K <!> = AM en la forma
K <i) = A <i)
donde
y LM es la Cholesky factor de M.
En vista de la eigenproblerns K <i) = A. <i) y i < l <i) < l = , \ < l <i)
< l, r = 1, ... , n - 1
[Ver (8.37)], nosotros saber que la caracterstica polinomios forma Sturm secuencia. En l
a Por
otro
lado, si nosotros considerar la eigenproblema K
<!> = AM
 y laeigenproblerns de su restriccin asociada problemas, es decir, K <'l <> <
l = , \ < Lm < l <> < l [Ver (10.20)], nosotros nota que la problemas (<
l <i) < l = A. < l <i) < l y K <'l <l> (r) = , \ < Lm < l <l>
(r) tener la mismo valores propios. A saber, K < l <l> (r) =
, \ < l <i) < l es un eigenproblema estndar corrzsponding t2 K <'l <l> <
l = , \ < Lm < l <l> < l; i:... e, en lugar de
eliminando la r filas y columnas desde K (A obtener K
<
l), nosotros lata tambin calcular K < l como de la siguiente manera:

((r) = yo, -ik (R) i, -T; M (r)
= L L T; <i) <rl = L T <l> (r) (b)
Nota que L y yo, - lata ser obtenido simplemente por borrado la ltimo r filas y colu
rnns y de 1 ', respectivamente.
Por lo
tanto, la Sturm secuencia propiedad tambin ejerce para la caracterstica polinomios d
e
K
<!> = ..
\
M
<!
> y la asociado restriccin problerns.
Para la ejemplo a ser considerado, nosotros tener
1
[2 o o]
Por lo tanto,
o
LM = 2
o2
o22
-1
O] ['
-!
-J
-1
(E)
K=H
JH - =
2
-]
(D)
-
-1
-2
Uso K en (D) a obtener ((ll y K <2 l, nosotros tener

((l)
-1]
=[
-1
En la otro mano, nosotros lata obtener la mismo matrices : K <ll y
- (!)
(2) uso la relaciones en (B),

= L- (1) -1 K <'LL- (1) -T, K (2) = i (2) -1 K (2) L (2) -T
MMMM
donde K <rl y M <rl (A calcular L ) son obtenido desde K y M en (A).

En la anterior discusin nosotros asumido que M es positivo definida. Si M es semidef
inida positiva, nosotros lata considerar la problema M <!> = (1 / A) K en su
lugar, en que K esdefinida
positiva (Esto mayo significar que un cambio tiene a ser impuesto; ver Seccin 10.2.3) y as
mostrar que la Sturm secuencia propiedad todava sostiene.
1t mayo ser conocido que ella siguiente desde este discusin que la caracterstica polino
mios de
la eigenproblerns 'K = A'- 'K y K <!> = AC <!> dado en (10.6) y (10.7) y de su
asociado restriccin problemas tambin forma un Sturm secuencia.
6.
Ejercicios
1.
Considerar la generalizada eigenproblema
6 -1
-1 4
-1 <!> = A O 2 1 <!>
[
o -1
o 11
a. Calcular la valores propios y vectores propios y show explcitamente que la vectores
propios son M -orthogonal.
b.
3.
Encontrar dos vectores que son M-ortogonal pero son no vectores propios.
2. Calcular la valores
propios de la eigenproblema en Ejercicio 10.1 y de su asociado restriccin problem
as. Show que la valores propios satisfacer la separacin propiedad (10,22).
Considerar la eigenproblema
H -} {
2}
a. Calcular la valores propios y vectores propios de

los problema. Tambin, calcular la valores
propios de la asociado restriccin problemas [Ver (10.20)].
b.
1.
Establecer dos vectores que son M-ortogonal pero son no vectores propios.
Calcular la valores propios y vectores propios de la problema
[- 1
junio-1
abril]
<!> = A
[2
5.
6.
O <!>
Entonces aplicar un cambio p = 3 en K y calcul a te la valores propios y vectores
propios de la nuevo problema [vase (10.25)].
Transformar la generalizada eigenproblema en Ejercicio 10.1 en un estndar formulario.
(A) La valores propios y vectores propios de la problema
K <!> = A <!>
son A
= 1;
Calcular K.
<1> 1 =
_1 [1]
v21
<1> 2 =
_1 [ 1]
v2 -1
(B)
La valores propios y vectores propios de la problema

K <!> = AM

<1> 1 =
son
_1 [1]
1;
v31
Calcular K y M. Son la K y M matrices en (A) y (B) nico?
10.3 APROXIMADO SOLUCIN TCNICAS
Ella es aparente desde la naturaleza de un dinmica problema que un din
mica respuesta clculo

debe ser sustancialmente ms costoso de un esttico anlisis. Mientrasen u
n esttico anlisis la
solucin es obtenido en uno paso, en dinmica la solucin es necesario en
un nmero de
tiempo
discreto puntos encima la tiempo intervaloconsiderado. En
Efecto, nosotros fundar que en un directo paso
a
paso
de
integracin solucin, una ecuacin de esttica, que incluye la efectos de in
ercia y fuerzas
de
amortiguacin, es considerado en la fin de cada discreto tiempo paso (Ver
Seccin 9.2). En
vista
de un
modo
de superposicin anlisis,
el principal computacionalesfuerzo es gastado en la clculo deEl
requerido frecuencias y modo formas, que tambin requiere considerablem
ente ms esfuerzo que una esttico anlisis. Ella espor lo tanto natural que
mucho atencin ha
sido dirigido hacia
eficaz algoritmos para la clculo de la necesario eigensystem en la proble
ma
K
<l> = AM
<j>. En De
hecho, porque la "Exacta" solucin de la necesario valores propios y corre
corres- vectores
propios lata ser prohibitivamente caro cundo la orden de la sistema es gra
nde
y un "Convencional" tcnica es utilizado, aproximado tcnicas de solucin
tener ha
desarrollado. La propsito de este seccin es a presente la mayor aproxim
adomtodos que
tienen estado diseado y son Actualmente todava en usar.
La aproximado solucin tcnicas tener ante
todo estado desarrollado a calcular la
ms
baja valores
propios y correspondiente vectores propios en la problema K <l> = AM
 cundo el
orden de la sistema es grande. Ms programas uso exacto solucin tcnica

s en la anlisis
de pequea
orden sistemas. Sin
embargo, laproblema de calculador la pocos ms
bajo eigenpairs de
relativamente a
gran
orden sistemas es muy importante y es encontrado en todos ramas de
estructuralingeniera y en particular en terremoto respuesta anlisis. En la
siguiente
secciones nosotros presente tres mayor tcnicas. La objetivo en la presentacin es
no a abogar por la implementacin de cualquier uno de estos mtodos pero ms
bien adescribir su practica / utilizar, su limitaciones, y la supuestos empleada. Por
otra
parte, la relaciones entre el
aproximado tcnicas son descrito, y en Seccin 11.6nosotros voluntad, en De
hecho, encontrar que el
aproximado tcnicas considerado h e re
puede entenderse a ser un primero iteracin (y puede ser usado como tales) enla s
ubespacio iteracin algoritmo.
1 0.3.1 Esttico Con
densacin
Nosotros tener ya encontrado la procedimiento de esttico condensacin e

n la solucin de equilibrio
esttico ecuaciones, donde nosotros mostr que condensacin esttica es
decir, en De hecho, una aplicacin de Gauss eliminacin (Ver Seccin .
8.2 4). En esttico condensacin nosotros eliminado aquellos grados
de libertad que son no necesario a aparecer en la global finito elemento de

encaje. Por
ejemplo, la desplazamiento grados de libertad en la interna! nodos de un finito
elemento puede
ser condensado fuera porque ellos hacer no tomar parte en imponente interele
ment continuidad. Mencionamos en Seccin 8.2.4 que la plazo "Estticacond
ensacin "era realmente acuado en el anlisis de dynarnic.
La bsico asuncin de esttico condensacin en la clculo de frecuencias y el
modo
de formas es que
la masa de la estructura lata ser agrupado en slo sorneespecfico grados
de libertad sin mucho efecto en la precisin de la frecuencias y modo formas de
inters. En la caso de un agrupado masa matriz con sorne cero diagonalelementos, so
rne de
la masa lumping tiene ya estado realizado a

cabo. Sin
embargo, adicional masa lumping es en
general requerido. Tpicamente, la proporcin de masa grados de libertad a la
total nmero de grados de libertad mayo ser en alguna parte entre 1 y
La ms masalumping es
realizado, la menos computadora esfuerzo es necesario en la solucin; sin
embargo, la ms es
probable es tambin que la necesario frecuencias y modo formas son noprevi
sto con precisin. We Shall tener ms a decir acerca de este ms tarde.
Asumir que la masa lumping ha sido realizado a
cabo. Por particionamiento la matrices, nosotros
lata entonces escribir la eigenproble
ma en la forma
1
Kaa Kac] [<> A] = La [Ma O] [<> A]

Kca Kcc <l> c O O <l> c
(10.42)
donde c: l> a y c: l> c son la desplazamientos en la masa y la sin

masa grados de libertad,
respectivamente, y M, es un diagonal masa matriz. La relacin en ( 10.42) da l
acondicin
Kca <l> a + Kcc <!> E = O
que lata ser usado a elirninate c: l> Ca Desde ( 10.43) nosotros obtener
<L> c = - K Kca <l> a
y sustitucin en (1 0.42), nosotros obtener la reducido eigenproblema
Ka <L> a = Ama <L> a
1
donde
(10.43)
(10.44)
(10.45)
(10.46)
La solucin de la generalizada eigenproblema en ( 10.45) es en ms cas

os obtenido por
transforrning la problema primero en un estndar forma como descrito enSec
cin 1 0.2.5. Si n ce M
,. es un diagonal masa matriz con
toda su diagonal elementos positivo y probablemente no pequea, la
transformacin es en general bien acondicionado.
La analoga a la uso de esttico condensacin en esttico anlisis debera
ser observado.
Al
darse
cuenta
de que la de
la
mano
derecha lado de ( 10.42) mayo ser entendido a ser un carga vector R, donde
(10.47)
nosotros lata uso Gauss elirnination en la sin

masa grados de libertad en la mismo camino como nosotros hacerlo en la gra
dos de libertad asociado
con la interior nodosde una elemento o un subestructura (ver Seccin 8.2.4).
Uno importante aspecto debera ser observado cundo comparar la estti
co condensacin
procedimiento en la sin
masa grados de libertad en ( 10.42) a ( 10.46) en la uno lado, con
Gauss elirnination o esttico condensacin en esttico anlisis en la otro lado
.Teniendo en cuenta ( 10,47), nosotros encontrar que la cargas en la c: l>
a grados de libertad depender en la valor propio
(Libre
de
vibraciones frecuencia al
cuadrado) y vector
propio (Modo forma desplazamientos). Esto
significa
que en (1 0.45) un adicional reduccin de la nmero de gradosde libertad a con
siderarse es no posible. Este es un bsico diferencia a esttico condensacin co
mo aplicado en
esttico anlisis, donde la cargas son dado explcitamente ysu efecto lata ser re
alizado encima al restante grados de libertad.
Ejemplo 10.12: Uso esttico condensacin a calcular la valores propios y vectores
propios problema deEl K <!> = AM <!>, donde
o 01
2 -1
= -1 2 -1
K O -1 2 -1 '
o o -1 1
Primero
nosotros reordenar columnas y filas a obtener la forma dado en (10,42), que es

Por lo tanto,
Ka dado en (10.46) es en este caso,
Ka = [] - [- = J
[J [= - J = [_
La eigenproblema Ka <l> a = Ama <l> a es decir, Por lo tanto,
[- 1 1 -1] <l> a
y nosotros tener Por lo tanto,
det (Ka- AMA) = 2A
2A
1 V'2 1 V'2
2 - 4;
2 4
A =
A =
+
La correspondiente vectores propios son calculado uso
Por lo tanto
Uso (10,44), nosotros obtener
2
<L> c, = -
,, -r:
= La
[2 J
<l> a
864 Preliminares a la Solucin de Eigenproblems
Cap. 10
Por lo tanto, la solucin a la eigenproblema
K <!> = AM es
1
-
4
1
1
V'2
, \, =
Z- 4;
<!> =
1
+ V'2
V'2
2
--1
4
1
2
<1> 2 =
-1
+ V'2
4
V'2
2
En la arriba DE
DEBATE nosotros dio la formal matriz ecuaciones para
llevar fuera condensacin
esttica. La principal computacional esfuerzo es en calculador Kadado en ( 10,46), don
de debera ser conocido que en
la
prctica un formal inversin de Kcc es no realizado. En lugar de ello, Ka
lata ser obtenido convenientemente uso la Cholesky factor
Lec de Kcc. Si nosotros fa
ctorizar Kceo
Kcc = Lir (10.48)

nosotros lata calcular Ka en la siguiente manera:
Ka = Kaa- yry
(10.49)
donde Y es resuelto desde

(10.50)
Como puntiagudo anteriormente, este procedimiento es

decir, en De
hecho, Gauss eliminacin de la grados
sin
masa offreedom, es
decir, eliminacin ofthose gradosoffreedom en que no externo fuerzas
(masa efectos) son actuando. Por
lo
tanto, una alternativa procedimiento a la uno dado en ( 10.42) a (1 0.50) es a directame
nte uso Gausselirnination en la c:
l>
c grados de libertad sin ing
particin K en la submatrices Kaa, Kceo Kaeo y Kca porque Gauss elirnination lata r
ealizar en cualquier orden (VerEjemplo 8,1, Seccin 8.2.1). Sin embargo, la ancho de
banda deEl
rigidez Matrix entonces, en en
general, aumentar durante la reduccin proceso, y problemas
dealmacenamiento necesario ser considerado.
Por la solucin de la eigenproblema Ka

<l>
a = Ama
<l>
a, ella es importante a nota que Ka es, en en
general, un completo matriz, y la solucin es relativamentecaro a
menos
que la orden de las matrices es pequea.
En
lugar de calculador la matriz Ka, ella mayo ser preferible a evaluar la ftexi
bility
matriz Fa = K ;; que es obtenido uso
1
Kaa Kac] [Fa] [']

Kca Kcc Fe = O
(10.51)
donde 1 es un unidad matriz de la mismo orden como KAAA

Por
lo
tanto, en (10,51), nosotros resolver para los
desplazamientos de la estructura cundo unidad cargasson aplicado en vez en l
a masa grados de
la
libertad. Aunque la grados de libertad tener estado particionado en ( 10,51), ya
est es no
hay
necesidad para ella en esteanlisis (Ver Ejemplo 10,13). Tener resuelto para Fa
, nosotros ahora considerar en cambio de ( 10.45) la eigenproblema
(10.52)
Aunque este eigenproblema es de un ligeramente diferente forma de la general

izada problema
K
<l> = AM
<j>, la transformacin a un estndar problema ganancias enmucho la mismo
manera (ver Seccin 10.2.5). Por la transformacin nosotros definir
(10.53)
donde M! es un diagonal matriz con su ITH diagonal elemento igual a la raz de la

ITH diagonal elemento de Ma. Premultiplicando ambos lados de ( 10.52) por M! 1 ysus
titucin la relacin en ( 10.5 3), nosotros obtener
12
(10.54)
(10.55)
Una vez la desplazamientos <L>

a tener estado calculado, nosotros obtener la completo desplazar
cin vector uso
(10.56)
donde Fe fue calculado en (10,51). La relacin en (10.56) es llegado en por d

ndose
cuenta que
la fuerzas aplicado en la masa grados de libertad a imponer <l> a son Ka <l>
a. Uso (10.51),
la correspondiente desplazamientos en todos grados de libertad son dado en (
10,56).
Ejemplo 10.13: Uso la procedimiento dado en (10.51) a (10.56) a calcular la valores

propios y vectores propios de la problema K <!> = AM considerado en Ejemplo 10.12.
La primero paso es a so1ve la ecuaciones
- 1 febrero-1febrero - 1
o
ro
1
(A)
r0o-1
2 -1 [V Vz] = 0 0
-1 1 1
donde nosotros hizo no intercambio filas y columnas en K en orden a obtener la forma en (10,5
1).
Para la solucin de la ecuaciones en (A), nosotros uso la THDV descompos

icin de K, donde
Por lo tanto, nosotros obtener
y Por lo tanto,
vf = [1 2
!L
Fa = [
2 2];
vr = [1 2 3 4]
Fe = [
!]
F = [V'2 0] [2 de 2] [V'2
un
o] [ 4 2v '2]
O 1 2 4 O 1 = 2v'2 4
La solucin de la eigenproblema
da JL =
4 - 2v'2;
1
V'2
al =
V'2
1
V'2
(B)
# 1-2 =
Desde <L> a = M;
112
4 + 2v'2;
a. nosotros tener
a2 =
V'2
.. [0 : J
1
11
-
V'2 2
1 1 '<l>
a2 =
(e)
V'2
V'2
V'2
La vectores <L> c ,, y <L> c 2 son calculado uso (1 0.56); Por lo tanto,
(D)
Desde JL = 1 /
A. nosotros realizar que en (B) a (D) nosotros tener la mismo solucin como obtenido e
n Ejem plo 10.12.
En vista de la diferente procedimientos de eliminando la sin masa grados de libertad,
la resultados de
los eigensystem anlisis son la misma
con
independencia deEl procedimientoseguido,
es
decir, si Ka o Fa es establecido y si la eigenproblema en (10.45) o en (10.52)
es resuelto. La bsico asuncin en la anlisis es que resultante desde masa formacin
de
grumos.Como discutimos en Seccin 1 0.2.4, cada cero masa corresponde a una infinito frecue
ncia en la
sistema. Por lo tanto, en aproximacin la original sistema ecuacin K <Fa = , \ M <Fa

por la ecuacin en ( 10,42), nosotros reemplazar, en De hecho, sorne de la frecuencias de K
<Fa
=,
\
M
<Fa
por frecuencias
infinitas y asumir que
la ms
bajo frecuencias resuelto desde cualquiera
de
los
dos ecuacin son no
mucho diferente. La precisin con que la ms bajo frecuencias de K <Fa = , \ M
<Fa son ap
proximated por resolucin Ka
<Fa
un = Ama
<Fa
un depende en la especfico masa lumping preferido y
puede ser adecuado ocrudo en
efecto. En en
general, ms precisin lata ser esperado si ms grados
de
masas de libertad son incluido. Sin embargo, dndose cuenta que la esttico resultados de
condensacinen Ka tener un mayor ancho
de
banda de K (Y Fa es ciertamente completo), la computacional esfuerzo
requerido en la solucin de la reducida
eigenproblema aumenta rpidamente comola orden de Ka se
convierte
en grande (Ver Seccin 11.3). En la otro mano, si suficiente masa grados de la
libertad
para precisin de solucin son seleccionado, nosotros mayo no msquerer a calcular la eigens
ystem completa de Ka <Fa un = Ama <Fa un pero slo la ms pequeo valores
propios y correspondiente res
vec. Sin
embargo, en este caso nosotros mayoslo como bien considerar la problema K <Fa = , \
M
<Fa
sin
masa lumping y resolver directamente slo para la valores
propios y vectores de inters uso uno de la algoritmosdescrito en Captulo 11.
En resumen, la principal defecto de la masa lumping procedimiento seguido por conden
sacin esttica es que la precisin de solucin depende a un grande grado en la experiencia
de la analista en distribucin la masa apropiadamente y que la solucin precisin es
en
realidad no evaluado. Nosotros considerar la siguiente ejemplo a show la aproximacin que
puedetpicamente resultado.
Ejemplo 10. 14: En Ejemplo 10.4 nosotros calculado la eigensystem de la problem
aK
<!> = AM
<!
>, donde K y M son dado en la ejemplo. A evaluar una aproximacin a la menor valor
propio y correspondiente vector
propio, considerar en
lugar la siguiente eigenproblema, en la que la masa es agrupado
- -: - ] <1> =
A [o 2]
<1>
(A)
o -1 2 o
Uso la procedimiento dado en (10.51) a (10,56), nosotros obtener
F [.!]
[
un 3 '
Por lo tanto, A = , <L> a = [1 / V'2], y

1
2v'2
1
2v'2
La solucin de la eigenproblema en (A) para la ms pequeo valor
propio y correspondiente vector propio
es por lo tanto
\ - 3.
/ \ -
2v'2
1
V'2
1
2v'2
mientras la solucin de la original problema (Ver Ejemplo 10.4) es
V2
= 2;
cf>,
1
=
V2
1
V
2
lt debera ser conocido que uso la masa lumping procedimiento, la valores propios lata ser ms
pequeo, como en este ejemplo o- mayor de la valores propios de la original sistema.
2. Rayleig
h-Ritz A
nlisis
La ms general tcnica para descubrimiento aproximaciones a la ms

bajo valores
propios y corre
corres- vectores
propios de la problema K = AM es la RayleighRitzanlisis. La condensacin
esttica procedimiento en Seccin 10.3.1, la componente modo sntesis descrito en el
prximo seccin, y vario otro mtodos puede
ser entendido aser Ritz anlisis. Como nosotros vern, la tcnicas diferir slo en la elec
cin de la Ritz vectores
de
la
base asumido en la anlisis. En la siguiente nosotros primero presente laRayleigh-Ritz a
nlisis procedimiento en general y a
continuacin,
mostrar cmo otro tcnicas relacionar a ella.
La eigenproblema que nosotros considerar es

Kcf> = Mcf>
(10.4)
donde nosotros ahora primero asumir para claridad de presentacin que K y M

son ambos definida
positiva, que asegura
que la valores
propios son todos positivo; es
decir,A, > O. Como nosotros puntiagudo en Seccin 10.2.3,
K lata ser asumido positivo definido porque un cambio lata siempre ser introdu
ccin
producido a obtener undesplazado rigidez matriz que satisface este condicin.
Como para la matriz
de
masa, nosotros ahora asumir que M es un consistente masa matriz o un agrupa
do masamatriz sin cero diagonal elementos, que es un condicin que nosotros d
eber ms tarde reljese.
Considerar primero la Rayleigh mnimo principie, que estados que
= min p (cf>) (10,57)
donde la mnimo es tomado encima todos posible vectores . y p
( ) es la Rayleigh cociente
cf> TKcf>
p ( cf>) = cf> BMM> (10,58)
Este Rayleigh cociente es obtenido desde la Rayleigh cociente de la estndar pr

oblema
de
valores
propios :
CIJ, = Acj, (Ver Secciones 2.6 y 10.2.5). Desde ambos K y Mson positivo defi
nido, p
( ) tiene finito valores para todos
Referente a Seccin 2,6, la lmites en la Rayleigh
cociente
son
O < :::::; p (cf>) :::::;
<
00
(10,59)
En la Ritz anlisis nosotros considerar un conjunto de vectores. que son li

neal combinaciones de los Ritz base vectores t! J ;, yo = 1, ... , q; es
decir, un tpico vectores dado por
q
el> = L X; TLL;
i=l
(10.60)
donde la X son la Ritz coordina. Desde e, es un lineal combinacin de la

Ritz vectores de la base, e, no puede ser cualquier arbitrario vector pero en
lugarmentiras en la subespacio abarcado por la
Ritz base vectores, que nosotros llamada Vq (Ver Secciones 2.3 y 11.6). lt deb
era ser conocido que
los
vectores \
Fl, yo = 1, ... , q, necesario ser linealmenteindependiente; Por
lo
tanto, la subespacio Vq tiene
dimensin q. Adems, denotando la ndimensional espacio en que la matrices K y M se
definen por Vn, nosotros tenerque Vq es contenida en Vn.
En la Rayleigh-Ritz anlisis nosotros objetivo a determinar la especfico
vectores c,
j, yo = 1, ... , Q, que, con la restriccin de acostado en la subespacio abarcadop
or la Ritz base vectores,
"mejor" aproximado la necesario vectores
propios. Para este propsito nosotros invocar la Mnimo
Rayleigh principie. La uso de este principiedetermina en qu sentido la soluci
n "Mejor"
se
aproxima la vectores
propios buscado, una aspecto que nosotros deber punto fuera durante la Pres
en
tacin de la solucin proc
edimiento.
A invocar la Rayleigh mnimo principie en e ,, nosotros primero evalu
ar la Rayleigh
coc
ient
e,
donde
qq
L L XXi (,
p (cf>) = : ..., I;, ..: l - = -: i;, ...: - 1--
L L XXfffl
j =!
i=l
kij = tlliKtll
(10.61)
(10.62)
mij = tlliMtll (10.63)
La necesario condicin para un mnimo de p (c,) dado en (10.61) es ap (c,)

jaxj = O,
yo = 1, ... , q, porque la X son la slo variables. Sin embargo,
q -- q
"" P (..! ..) 2ta .L
Xk -
2k L Xffl
_u _ '! "_
= ! J = I (10,64)
y uso p = k / ra , la condicin para un mnimo de p (c,) es

q
(K
pmij) x
=
1
para yo = 1, ... , q
(10,65)
j =!
En real anlisis nosotros escribir la q ecuaciones en ( 10.65) en matriz forma, a

s obtencin la eigenproblema
Kx = PMX (10.66)
donde K y M son q X q matrices con tpico elementos definida en (1 0.62) y (1
0,63), respectivamente, y x es un vector de la Coordenadas Ritz buscado:
(10.67)
La solucin a ( 1 0.66) rendimientos q valores propios p, ... , pq, que

son aproximaciones a
A ,, ... , Q , y q vectores propios,
(10.68)
La vectores
propios X; son u SED a evaluar la vectores, ... , q, que son aproximaciones
a la vectores propios ... , qa Uso (10.68) y (10,60), nosotros tener
q
cf>; =
L x; tllj;
j=l
yo
1, ... , q
(10,69)
Una importante caracterstica de la valor

propio aproximaciones calculado en la anlisis es
que ellos son superior encuadernado aproximaciones a la valores
propios deinters; es decir,
(10.70)
significado que desde K y M son asumido a ser positivo definido, K y M son ta

mbin definida positiva matrices.
La prueba de la desigualdad en (10.70) espectculos la real mecanismo es
decir usado para obtener la valor
propio aproximaciones p ;. A calcular p nosotrosbsqueda para la rninimum
de p
( <1>) que lata ser alcanzado por linealmente combinando todos disponible Ritz
base vectores. La desigualdad A1 < p siguiente desde laRayleigh mnimo pri
ncipie en (10.57) y porque Vq es con
contenida en la ndimensional espacio Vn, en que K y M son definido.
La condicin que es empleado a obtener pz es tpico de la mecanismo usa
do para calcular la aproximaciones a la superior valores propios. En primer
lugar, nosotrosobservar que para el
valor
propio problema K = AM , nosotros tener
A2 = min p (cf>) (10.71)
donde la rninimum es ahora tomado encima todos posible vectores en Vn que sat
isfacer la orthog onality condicin (Ver Seccin 2.6)
(10.72)
En vista de la aproximado vectores propios; obtenido en la RayleighRitz anlisis, observar que

(10.73)
donde 5; j es la Kronecker delta, y que, Por lo tanto, en la arriba RayleighRitz anlisis obtuvimos pz por evaluacin
P2 = min p (cf>)
(10.74)
donde la rninimum fue tomado encima todos posible vectores

en Vq que satisfacer la condicin de ortogonalidad
(10.75)
A show que Arizona < pz, nosotros consideran auxiliar problema; es

decir, asumir que nosotros evaluar
= min p ((ji)
donde la rninimum es tomado encima todos vectores que satisfacer la condicin
cf> T Mcf> = 0
[H
(10.76)
(10.77)
La problema definida en
(10.76) y (10.77) es la mismo como la problema en (10.71) y
(10,72), excepto que en la ltimo caso la mnimo es tomado encima todos .mie
ntras en el
problema en (10.76) y (10.77) consideramos todos vectores en Vq. Entonces de
sde Vq es contenida en Vn, nosotros tener Arizona < j) z. En la otro mano, j)
z< pz porque la ms grave restriccin en
e, en (10.77) es e, . Por lo tanto, nosotros tener

(10.78)
La base para la clculo de c,

z, y por
lo
tanto pz, es que la rninirnurn de p
(c,) se
busca con la ortogonalidad condicin
en
la (1 O 75.) en e,
. Sirnilarly, aobtener p; un nd e, , que
en hecho rninirnize p
( e,) con la ortogonalidad condiciones c,
rMc,
j = O para j = 1, ... , Yo - l. En
consecuencia, la desigualdad en p en(10.70) lata ser demostrado en una anl
ogo rnanner
a la procedimiento usado arriba para pz, pero todos yo - 1 restriccin ecuacione
s necesitar para ser satisfecho.
La observacin que yo - 1 restriccin ecuaciones necesitar a ser cumplido
en la evaluacin
de p tambin indica
que nosotros lata esperar menos precisin en la approxirnation de la valores
propios
superiores de en la approxirnation de la inferior valores
propios, para que menos restricciones
son irnposed. Este es en
general tambinobservado en real anlisis.
En
vista
de la procedimiento en practica! dynarnic anlisis, la Ritz base funciones rnay
ser calculado frorn un esttico solucin en que q carga patrones sonespecificad
o en R; es decir, consideramos
K \ fl
= R (10.79)
donde '\} F es una n X q rnatrix almacenamiento la Ritz base vectores; es decir, '\}
F = [\ Fl, ... , \
FLQ]. El
anlisis es seguido por evaluacin la proyecciones de K y Msobre la subespaci
o Vq atravesado por la vectores \ Fl ;, yo = 1, ... , q; es decir, nosotros calcular
K = 'FiTK \ fl (10.80)
y
donde porque de (10.79) nosotros tener
Siguiente nosotros resolver la eigenproblern K x = p M x, la solucin de que l

ata ser escrito
(10.81)
(10.82)
X=M
Xp (10.83)
donde pis un diagonal Atrix

J
!! listado la valor
propio approxirnations p
;, p = diag
(p;), y X
es un rnatrix almacenamiento la M- orthonorrnal vectores propios x 1,
, Xq. La approxirnations a los
vectores
propios de la problern Kc, = AMe, son entonces
cll = \ F! X (10.84)
As lejos nosotros tener assurned que la rnass rnatrix de la finito elernent

systern es definida
positiva; es
decir, Mis nota diagonal rnass rnatrix con sorne cero diagonalelernents. La raz
n
de este assurnption fue a evitar la caso c,
rMc, igual a cero en la clculo de la
Rayleigh cociente, en que caso p
( e,) da una infinito valor
propio.Sin
embargo, la Rayleigh
Ritz anlisis lata ser realizado fuera como descrito arriba cundo M es un diag
onal rnatrix con sorne
cero diagonal elernents, previsto la Ritz basevectores son seleccionado a menti
ra en la subespacio
que corresponde a la finito valores
propios. En Adems, la Ritz base vectores rnust ser linealmente
independientes whn en
vista
de slo la rnass grados de freedorn en orden a obtener un definida
positiva rnatrix M. Uno camino de lograr este en prctica es a excitar diferente
rnass grados
defreedorn en
cada de la carga vectores en
R en (10.79) (Ver Seccin 11.6.3 y Ejem plo 10,16).
De particular inters son la errores que nosotros rnay esperar en la solucin. Aunq
ue tenemos se
muestra que una valor
propio calculado desde la Ritz anlisis es una superiorencuadernado en la
correspondiente exacta valor

propio de la sistema, nosotros hizo no establecer cualquier cosa acerca de el
real error en la valor propio. Este error
depende en la Ritz basevectores usado porque la
vectores e, son lineal combinaciones de la Ritz base vectores \

Fl ;, i = 1, ... , q. Nosotros lata obtener
bueno resultados slo si la vectores \
Fl; lapso un subespacio Vq que es cerca a la menos subespacio
dominante de K y M abarcado por e ,,, ... , c,
q. Elladebera ser conocido que este hace no significar
que la Ritz base vectores debera cada ser cerca a una vector
propio buscado pero ms bien, que combinaciones
lineales de la Ritz base vectores lata establecer buenoaproximaciones de la ne
cesario
vectores
propios de Kc, = AMe ,. Nosotros adicional discutir la seleccin de bue
no Ritz base vectores y
la aproximaciones implicado en la anlisis en Seccin 11.6 cundo nosotros pr
esente la subespacio
iteracin mtodo, porque este mtodo usos la Ritz anlisis tcnica.
A demostrar la Rayleigh-Ritz anlisis procedimiento, considerar , La
siguiente examen
ples.
Ejemplo 10.15: Obtener soluciones
aproximadas a la eigenproblema Kcf>
= ACCM> Ered consid en Ejemplo 10.4, donde
2 -1
o]
K = -1 -1 4 ;
[
o -1 2
La exacto valores propios son A,
= 2, A2 = 4, A = 6.
3
l. Uso la siguiente carga vectores a generar la Ritz base vectores

2. Entonces uso un diferente conjunto de carga vectores a generar la Ritz base vectores
En la Ritz anlisis nosotros emplear la relaciones en (10.79) a (10.84) y obtener, en
caso 1,
- J [YoJ
\Fl=
fi
fi]
Por lo tanto,
6 6
17
TI TI
y
La solucin de la eigenproblema
Kx = PMX es
M: = _1_ [29 1 1 J
144 11 29
(P,
X)
= (2.4004,
1.3418]
1.3
({12. x2)
008]
(4.0032,
[_
2.
418
2
0008
Por lo tanto, nosotros tener como valor

propio aproximaciones p
= 2,40, P2 = 4.00, y evaluacin

0
895
- = [ ] [1,3418 2,0008] = [
cll 1.3418 -2.0008
0,895
Ti Ti
nosotros tener
(J) 1 =
0,895]
= [ 1.00] [
0,895 -1,00
; (J) 2
H -n [: J!
Siguiente nosotros asumir la carga vectores en caso 2 y ungento
Por lo tanto,
y
[! J!
K=
1]
'
33
M = J .. [41
36 13
La solucin de la eigenprob1em
Kx = PMX da
0,70711]
({12, X2)
= (6.0000,
-2,1213])
(P1, X1)
= (2.000, [0.70711 ); [
.
6 3640
Por lo tanto, nosotros tener como valor
propio aproximaciones P1 = 2.00, P2
cll = [0.70711
5 1 0.70711
= 6,00, y evaluacin
66
-2,1213] [0.70711
6.3640 = 0,70711
0.70711
-0,70708]
0.70713
-0.70708
nosotros tener
0,70711]
4> 1 = 0,70711 ;
[
0.70711
-0,70708]
4> 2 = O. 70713
[
-0.70708
Comparando la resu1tados con la exacto solucin, ella es interesante a nota que en caso 1
, P1 > A1 y P2 = A2, mientras en caso 2, P1 = A 1 y P2 =
3. En ambos casos nosotros hizo noobtener una buena aproximaciones a la ms bajo dos valores
propios, y ella es claramente demostrado que la resultados
depender completamente en la inicial Ritz base vectores elegido.
Ejemplo 10.16: Uso la Ray1eigh-Ritz anlisis a calcular una aproximacin a A1 y cf> 1
de la eigenproblema considerado en Ejemplo 10.12.
Nosotros nota que en este caso M es positivo sernidefinite. Por
lo
tanto, a llevar fuera la Anlisis
Ritz nosotros necesitar a elegir un carga vector en R que excita en menos uno masa. Asumirque
nosotros uso
RT = [O 1
o O]
Entonces la solucin de (10.79) rendimientos (Ver Ejemplo 10.13)
wr = [1 2 2 2]
Por lo tanto,
K=
[2];
p =
6 1;
M = [12]
X =
[2 ]
> A, .
La Ritz anlisis procedimiento presentado arriba es un muy general herr
amienta,
y, como puntiagudo anteriormente, vario anlisis mtodos conocido bajo difer
entenombres lata en
realidad ser se
muestra para ser Ritz anlisis. En Seccin 10.3.3 nosotros presente la compone
nte modo sntesis como un Anlisis
Ritz. En la siguientenosotros brevemente querer a show que la tcnica de est
tico condensacin
como descrito en Seccin 10.3.1 es
decir, en De
hecho, tambin un Ritz anlisis.
En la esttico condensacin anlisis nosotros asumido que todos masa la
ta ser agrupado en q grados de libertad. Por
lo
tanto, como una aproximacin a laeigenproblema K = AM . obtuvimos la sigui
ente problema:
Por lo tanto nosotros tener, como era de esperar, p,
Kaa Kae] [E!> ] = "- [MA O] [E!
> ]
Kea Kee cf> e O O cf> e
(10.42)
con q finito y n - q infinito valores

propios, que corresponder a la sin
masa grados de libertad (Ver Seccin 10.2.4). Para calcular lo finito valores
propios, nosotros usadoesttico la
condensacin en la sin
masa grados de libertad y llegado en la eigenproblema
(10.45)
donde K. es definida en (10,46). Sin

embargo, este solucin es en
realidad un Ritz anlisis de la
agrupado masa modelo considerado en ( 1 0,42). La Base
Ritz vectoresson la patrones
de
desplazamiento asociado con la . grados de libertad cundo la e grados de libe
rtad son liberados. Resolver la ecuaciones
Kaa Kae]
Kea Kee Fe O
[Fa ] = [1]
(10.51)
en que F. = K ;;
', nosotros encontrar que la Ritz base vectores a ser usado en (10,80), (10,81)
, y (10.84) son
(10.85)
A verificar que un Ritz anlisis con la base vectores en (10.85) rendimien

tos en hecho (10.45), que evaluar (10.80) y (10,81). Sustituyendo para '\}
F y K en (10,80),nosotros obtener
K = [1
(FeKaYJ [ :: J [Fe J
(10,86)
que, uso ( 10,5 1), reduce a

K = K.
Sirnilarly, sustitucin para '\} F y M en (10,81), nosotros tener
M = [1
(10.87)
(10.88)
(FeK.Y] [ ] [Fe J
o M = Ma
(10.89)
Por lo tanto, en la esttico condensacin nosotros en

realidad realizar un Ritz anlisis de la masa
concentrada modelo. lt debera ser conocido que en la anlisis nosotroscalcular l
a q finito valores propios
exactamente (Es
decir, p; = A; para yo = 1, ... , q) porque la Ritz base vectores lapso la q
dimensional subespacio correspondiente a lo finito valores propios. En la
prctica, la evaluacin de
la vectores '\}
F en (10.85) es no necesario (Y hara ser costosa), y en
lugar la Anlisis Ritz es mejor realizado fuera uso
\ Fl
= [ :]
(10.90)
Desde la vectores en (10.90) lapso la mismo subespacio como la vectores en (1

0,85), la mismos
valores
propios y vectores
propios son calculado empleando cualquiera
de
los
dos conjunto de base vectores.
Especficamente, uso (10,90), nosotros obtener en la Ritz anlisis la reduc
ido eigenproblema
(10.91)
Para
mostrar que este eigenproblema es en
efecto equivalente a la problema en (1 0.45), nosotros Premul
tiply ambos lados en ( 10,91) por K. y uso la transformacin x =Kai, dando Kai
= Amai, es decir, la problema en (10.45).
Ejemplo 10.17: Uso la Ritz ana1ysis procedimiento a realizar esttico condensacin de la
mass1ess grados de libertad en la problema Kcf> = ACCM> considerado en Ejemplo 10.12.
Nosotros primero necesitar a evaluar la Ritz base vectores dado en
( 10,90). Este fue hecho en
Ejemplo 10.13, donde nosotros fundar que
La Ritz reduccin dado en (10.91) as rendimientos la eigenprob1em

2 2] - , \ [12 16]
2 4 X- 16 24 X
Finalmente, nosotros debera nota que la uso deEl Ritz base vectores en (
10.85) [(O en (10.90)]
es tambin conocido como la Guyan reduccin (Ver R. J. Guyan [A]).En la Guya
n esquema la Vectores
Ritz son usado a funcionar en un agrupado masa matriz con cero elementos en
la diagonal como
en (10.88) o en fulllumped
general
oconsistente masa matrices. En este reduccin la unos grados de libertad son frec
uentemente referido a como dinmica grados de libertad.
3. Componente M
odo Sntesis
Como para la esttico condensacin procedimiento, la componente modo snte

sis es
decir, en De
hecho, un
anlisis
Ritz, y la mtodo fuerza tener estado presentado en laanterior seccin como un
aplicacin
especfica. Sin
embargo, como fue repetidamente puntiagudo fuera, la ms importante aspecto
en un Anlisis
Ritz es la seleccin deapropiado Ritz base vectores porque la resultados lata se
r slo tan
bueno como la Ritz base vectores permitir ellos a ser. La especfico esquema u
sado en la modo
de
componente sntesis es de particular inters, que es la razn nosotros querer a
dedicar un seccin separada a la discusin de la mtodo.
La componente modo sntesis tiene estado desarrollado a un grande grado

como un consecuencia
natural de la anlisis procedimiento seguido en prctica cundogrande y compl
ejo turas
estruc son analizada. La general practica! procedimiento es que diferente grupo
s realizar los
anlisis de diferente componentes de la estructura bajoconsideracin. Para eje
mplo, en una
planta anlisis, uno grupo mayo analizar un principal pipa y otro grupo un tube
ra sistema
conectado a ella. En un primero preliminaranlisis, ambos grupos trabajo por
separado y modelo los
efectos de el
otro componentes en la componente
especfico que ellos considerar en una aprox
imate manera. Paraejemplo, en la anlisis de la dos tubera sistemas referido a
anteriormente, el anlisis grupo de la lado rama mayo asumir completo
fijeza en el
punto de interseccin con la
principal tubera, y el
grupo anlisis la principal pipa mayo introducir un concentrado primavera y la
masa a permitir para la lado rama. La ventaja de en
vista
de lacomponentes de la
estructura por
separado es ante
todo uno de tiempo programacin; es
decir, la separado grupos lata trabajar
en la anlisis y diseos de la componentes enla mismo tiempo. lt es ante
todo para esta
razn que la componente modo sntesis es muy atractivo en la anlisis y diseo
de gran estructural sistemas.
Asumir que la preliminar anlisis de la componentes tener estado realizad
o fuera y
que la completo estructura deber ahora ser analizada. lt es en este etapa que la
modo
de
componente sntesis es un natural procedimiento a usar. A
saber, con la modo forma caractersticas
de cada componente conocido, ella aparece natural a uso esteinformacin en es
timar las
frecuencias y modo formas de la completo estructura. La especfico procedimi
ento mayo varan
(vase R. R. Craig, Jr. [A]), pero, en esencia, lamodo formas de la componente
s son usado en una Rayleigh-Ritz anlisis a calcular aproximado modo formas
y frecuencias de la completa estructura.
Considerar para ilustracin que cada componente estructura fue obtenido
por fijacin a11 su
lmite grados de libertad y denotar la rigidez matrices de la componenteestruct
uras
de K1, Kn, ... , KM (Ver Ejemplo 10,18). Asumir que slo componente estructu
ras L - 1
y L conectar, L = 2, ... , M; entonces nosotros lata escribir para la rigidez matriz
de la completo
estructura,
KNA
K=
(10.92)
Uso una anlogo notacin para la masa matrices, nosotros tambin tener
M.
Mn
M=
(10.93)
Asumir que la ms bajo valores propios y correspondiente vectores

propios de cada componente
estructura tener estado calculado; es

decir, nosotros tener para cada componente estructura,
K, ELA , = M, 1 A,
K n < u = M u el u A u
KM CIA M = MM < M AM
1
(10.94)
donde la L y Alabama son la matrices de calculado vectores propios y valores

propios de la Componente Lth estructura.
En un componente modo sntesis, aproximado modo formas y frecuencias lata
obtenerse por perforrning un Rayleigh-Ritz anlisis con la siguiente asumido cargas enla
derecha lado de ( 1 O. 79),
(10.95)
o
donde IL-IL es un unidad matriz de orden igual a la conexin grados de libertad
entre
el
componente estructuras L - 1 y L. La unidad matrices corresponder a cargas que
sonaplicada
a la conexin grados de libertad de la componente estructuras. Desde en la deri
vacin
de la modo forma matrices usado en (10.95) la componente estructuras eranfijo
en sus
lmites, la unidad cargas tener la efecto de liberando estos conexin grados de l
ibertad. lf, en la otro mano, la conexin grados de libertad han
sido incluido en laanlisis
de la componente estructuras, nosotros mayo dispensar con la unidad matrices
en R.
Una importante consideracin es la precisin que lata ser esperado en la ar
riba
nente
compo modo sntesis. Desde un Ritz anlisis es realizado, todos precisinConsi
deraciones dis
cussed en Seccin 10.3.2 son directamente aplicable; es
decir, la anlisis rendimientos superior lmites a la
exacto valores
propios de la problema K = AM . Sin
embargo, la real precisin alcanzado en
la solucin es no conocido, aunque ella lata ser evaluado, para ejemplo, como
descrito en
Seccin 10.4. La hecho que la solucin precisin es muy dependiente en la vect
ores usado en R (Es
decir, la Ritz base vectores) es
decir, como en todos Ritz anlisis, laprincipal defecto de la mtodo. Sin
embargo, en la
prctica, razonable precisin lata a
menudo ser obtenido porque la vectores propios correspondientes a la ms
pequeovalores
propios de la componente estructuras son usado en R. Demostramos la anlisis

procedimiento en la siguiente ejemplo.
Ejemplo . 10 18: Considerar la eigenproblema Kcf> = ACCM>, donde
2 -1:
-1 2:. -1
K = -1 2 -1
..
-1 : - -
T - -_: _- 1
: -l 1
I_ j
'
M=1
r -----
:1
1
Uso la
subestructura eigenproblems indicado por la discontinua lneas en K y M a establecer la carga
matriz dado en (10.95) para un componente modo sntesis anlisis. Entonces calcular valor
propio y vector propio aproximaciones.
Aqu nosotros tener para infraestructura 1,
con la eigensolution
La
K, =
[-
febreroa1 febrero];
M
1
[1
o o]
y para infraestructura 11,

con la eigensolution
Kn =
[- 2 1
En
l];
= Mu
1
o_ J
A, = 2-
V2, A2 = 2 + V2;
As nosotros tener para la matriz R en ( 10,95),
V2 V2 o
22
V2 V2 o
R=
22
oo
V2 V2 o
22
11
Ahora realizar la Ritz anlisis como dado en (10.79) a (10,84), nosotros obtener
[22.40
7.243 1.586
5.328
7.243]
[222,4 77,69]
50,69
M = 50.69
11.94 17.59
77.69 17.59 27.5
y Por lo tanto, p
["" 098
2.83
= 1,
B
J
0,207
0,181
4J) = 0,509
0,594
0,655
-0.773
0.0984
1.47
-0.385
0,574
0.00690
-0.0655
0,443
-0.166
-0.978
La exacto valores propios son

La = 0.09789 A2 = 0,824; A3 = 2,00;, \ . = 3.18, As: 3.90
y por lo
tanto nosotros nota que nosotros obtenido en p 1 un bueno aproximacin a A, pero p2 y p3 hacer
no representan aproximaciones a valores propios.
1
10.3.4 Ejercicios
7.
Considerar la eigenproblema
-1
4
-1
-1 !> = A O 2 1 f>
2o11
Realizar la esttico condensacin como en
general realizado [Ver ( 10.46)] y entonces por la Rayleigh
Ritz anlisis procedimiento [Ver ( 10,51)].
8. Considerar la eigenproblema en Ejercicio 10.1. Realizar un Rayleigh-Ritz anlisis con l
a dos vectores
a calcular una aproximacin a la ms pequeo valor propio y correspondiente vector propio.
9. Ella es ser reclamado que Si, en la solucin de la generalizada eigenproblema K
f> = AM f>, la Ritz vectores son
"'1 = !> T + 2 1> 2

"'2 = 3 f> t - 1> 2
donde
f>
ty
!>
2 son la vectores
propios correspondiente a En y A 2 , entonces la Anlisis
de
RayleighRitz voluntad dar la exacto valores propios En y A2 y la correspondientevectores propios
f> y 1> 2. Mostrar explcitamente que este resultado es en efecto obtenido.
Considerar la siguiente primavera sistema.
a. Evaluar la exacto ms
pequeo frecuencia de la sistema.
(B) Evaluar una aproximacin de la ms
pequeo frecuencia por uso la componente modo synthe
sis tcnica en Seccin 10.3.3. Uso slo la vector
propio de la ms
pequeo frecuencia de cada componente en la sistema.
1
10.
Componente 1
-------------,
/K m*\
l 1
....
_ ------------ ""
K = 10
k= 1
m=2m*= 1
4.
SOLUCIN ERRORES
Una importante parte de una valor

propio y vector solucin es a estimacin la precisin con
la
cual la necesario eigensystem tiene estado calculado. Desde unaeigensyst
em solucin es
necesariamente iterativo, la solucin debera ser finalizado una
vez convergencia dentro la descripre tolerancias dando la real precisintiene estado obtenido. Cundo uno
de la aprox
imate solucin tcnicas esbozado en Seccin 10.3 es utilizado, una estima
cin deEl real precisin
de
la
solucinobtenido es de curso tambin importante.
1.
Error
L
m
it
e
s
En orden a identificar la precisin que tiene estado obtenido en una eigen

solution, nosotros retirada que la ecuacin a ser resuelto es
K = AM
(10.96)
Dejar nosotros primero asumir que uso cualquier uno solucin procedimi
ento obtuvimos una aproximacin X y <F> Toan eigenpair. Entonces sin r
especto a cmo lavalores tener estado obtenido, nosotros puede
evaluar un residual vector que da importante informacin acerca
de la precisin con que
X y <F> aproximado la eigenpair. La resultados son dado en (10.101) a (
10.104). Nosotros entonces
presente tambin error encuadernado Clculos til en soluciones basado e
n inverso iteraciones y un
simple erro
r medir.
Estndar Eigenproblema
Considerar primero que M = l. En que caso nosotros lata escribir

r=K-X
y uso la relaciones en (10.12) y (10,13), nosotros tener
r = CIA (A - XI) CLA r (i)
o porque X es no igual pero slo cerca a una valor propio, nosotros tener
Ci) = CIA (A - Xlt1cl rr
Por lo tanto, porque 11 <F> llz = 1, toma normas nosotros obtener

1 : S;
II <A - XI) - 11211 rll2

1
(10.97)
(10.98)
(10.99)
(10.100)
Pero desde
nosotros tener
II (A- XI) - 112 = m x Al IA

1
min lA; - XI : 511 rll2

1
(10.101)
Por
lo
tanto, un concluyente declaracin lata ser hecho acerca
de la precisin con que compaeros
de
Approxi una valor
propio A; por evaluacin llrllz comoexpresada en (10,101). Este es bastante dife
rente
de la informacin que podra ser obtenido desde la evaluacin de la residual vec
tor r en el solucin de la estticoequilibrio ecuaciones.
Aunque la relacin en ( 10.101) establece que X es cerca Toan valor

propio a condicin de que 11 r llz es pequea, ella debera ser
reconocido que la relacinhace no decir que valor propio
es aproximada. De
hecho,
para identificar que especfico valor
propio tiene estado aproximado, ella es
necesario a uso la Sturm
propiedad
secuencia (Ver Seccin 1 0.2.2
y la siguiente ejem plo).
Ejemplo 10.19: Considerar la eigenproblema K
= La . donde
K = [- - - ]
o -1 3
La eigensolution es En
Asumir que nosotros calculado
= 1, A2 = 3, A3 = 4, y
3
1
= _ [- ]
v31
X = 3.1 y
0.7 ]
= 0,1414
[
-0,7
como aproximaciones a A2 y 2 Aplicar la error encuadernado relacin en (10,101).
Nosotros tener en este caso
r = - 1 marzo-1febrero - 1 ] [0 0 1 4 1 1 4].. - 3. 1
[
[1] [0. O 1.
4 7 1 4]
o -1 3 -0,7 -0,7 1
Por lo tanto
-0.2114]
r = -0.1555 ; [
-0.2114
llrll2 = 0.3370
1
La re1ation en (10.101) ahora da

A2 - X 1 :: s; 0.3370
que es en efecto verdadero porque X - A2 = 0.1.
Asumir ahora que nosotros tener calculado slo X y Ci) y hacer no saber que val
or
propio y
vector
propio ellos aproximada. En
este caso nosotros puede
utilizar la re1ation en( 10.101) a establecer lmites
en la desconocido exacto valor
propio en orden a app1y Sturm secuencia cheques (Ver Seccin 10.2.2).
Para la ejemplo considerado aqu nosotros tener
2.7630 : S A; ::
5 3.4370
Dejar nosotros uso como un 1ower encuadernado 2.7 andas una superior encuadernado 3
.5. La LDLr triangular factorizacin de K - LI da, en #L = 2,7,
r-31
-1
O]
-0,7 -1
o -1 0,3
-3.333
-4,033
0,2479
y en #L
= 3,5,
C0.5 o ] ['-0,5
-1
-1 -1,5 -1
21
-1 -0,5 -2 o
(A)
0,3248
0.5 (b)
_, _,] ['
-;]
Pero ya
est es uno negativo e1emento en D en (A) y ya
est son dos negativo e1ementos en D en
(b); Por
lo
tanto, nosotros lata concluir que 2.7 < A < 3.5. Por
otra
parte,ella siguiente que X y Ci) son aproximaciones a A y 2.
2
En vista de ahora la precisin con que
<F> se aproxima una vector propio, una anlisis
equivalente a este uno no slo requiere la evaluacin de
LLR 1!
2 pero la espaciamientoentre la
individual valores
propios es tambin sea
necesario. En real anlisis este espaciamiento es conocido slo aprox
madamente porque valores propios han sido evaluado en! I toa especficoacc acy.
Asumir que
aproxima
la valores
<F> tener estado calculado, donde <F> ll2 = 1, y que se

11
propios ;, yo = p, ... , Q. Para la error anlisis nosotros tambin asumir que la valores
propios
; para todos yo pero yo i
= p, ... , q son conocido (Aunque nosotros hara necesitar a uso la valores
propios
calculados aqu). La final resultado de la precisin anlisis es que si
lA;
- XI <llrll2 para i = p, ... , Q y ; - X > s para todos yo, yo i

= p, ... , q, entonces ya
est es un vector el) = APA j> p
+ + aq <f> q, para que ll <f> - el) ll2 < llrllds (Ver Ejemplo 10,20). Por
lo tanto, si X es una
aproximacin toa solo valor propio ;, la correspondiente vector <F> es una aproximacin a
<F>
;, dond
1
e
s = miniA-XI
allj
(10.102)
Sin
embargo, si es cerca toa nmero de valores
, entonces la anlisis slo muestra
propios A
p ... , Q
que la correspondiente vector <F> es cerca toa vector que mentiras en lasubespacio correspo
ndiente
a <F>
p, .
. , <F>
qa
En practica! anlisis (Es
decir, modo
de
superposicin en dinmica respuesta cl
culos), este es ms probable todos que es necesario porque la cerca valores
propios mayo casi ser tratado con como igual valores propios, en que caso la vectores propios
calculados hara tambin no ser
nico pero mentira en la subespacio correspondiente a laigual valores
propios. En la siguiente nosotros
primero dar la prueba para la precisin con que
propio y entonces
<F> se
aproxima una vector
demostrar la resultados por medio de ejemplos.

Ejemplo 10.20: Asumir que nosotros tener calcu1ated
X, . con 11 ll2 = 1, como v
alor
propio y
propio aproximaciones y que K - X = r. Considerar la caso en que
S
vector
1 A; - X 1 :
llrll2 para = 1, ... , q y lA;
- XI ; ::: s para yo = q + 1, ... , n. Show que 11 - Ci) LL2 :

s, donde cj) es un vector en la subespacio que corresponde a .... ,
qa
La calcu1ated vector propio aproximacin puede ser escrito como

n
= La; ;
i=l
Uso cj) =
a; ;,
i=l
o, porque T = SIJ,
Pero
o
1
(A)
nosotros tener
llrll2
que da
llrlb
n
una:) 1/2
(B)
1
Por lo tanto, combinando (A) y (B), nosotros obtener

11 (j) - ci> 112 : 5
! KFU
S
Ejemplo 10.21: Considerar la eigenproblema en Ejemplo 10.19. Asumir que En y A

3 se
conocen (Es
decir, En = 1, A3 = 4) y que X y
!
> dado en Ejemplo 10.19 tener estadoevaluado. (En
real anlisis nosotros hara tener slo aproximaciones a En y A 3 , y todos error encuader
nado clculos
hara ser aproximados.) Estimacin la precisin con que
!>se
aproxima f> 2 .
Para la estimacin nosotros uso la relacin en ( 10.102). En este caso nosotros tener
con
min ! Al1 = 1,3
Por lo tanto, desde X = 3,1, nosotros tener s = 0.9 y

11 (J) - A2A !> 2ll2 : 5 0.3744
Evaluacin 11 !> - !> 2ll2 exactamente, nosotros tener
11a > - 1> 2112 = [(O.7-
0.7
y+
(0.1414- 0)
(-
+ Ao
= 0.1418
Ejemplo 10.22: Considerar la eigenproblema Ka f>
= AA f>, donde
K = [J
La valores propios y vectores propios de la problema son
11
A2 = 101, 1> 2 =
v '2
-
[-
Asumir que nosotros tener calculado valor propio y vector

propio aproximaciones A
= 100, !
->
[1]
Evaluar r y as establecer la relaciones dado en ( 10.101) y ( 10.102).

En primer lugar, nosotros calcular r como dado en ( 10,97),
Por lo tanto, llrll2 = 1 y (10.101) rendimientos

miniA-
XI : 51
1
(A)
Por lo tanto, nosotros lata concluir que una valor

propio tiene estado aproximada con acerca de 1 por ciento o
menos error. Desde sabemos En y A2, nosotros lata comparar X con En oA2 y encontrar
que (A) hace en efecto
bo l d.
En vista de ahora la vector propio aproximacin f>, nosotros nota que
f> hace no aproximar cualquiera f> t o !> 2
Este es tambin reflejada por evaluacin larelacin ( 10.102). Suponiendo que
f> es una
aproximacin a !> T. que da s = 1, nosotros tener
11 (J) - un 1 !> t lb : 5 1
Del mismo modo, asumiendo es decir una aproximacin a
2.
nosotros obtener
11 - a2 2ll2 S: 1
y en ambos casos la encuadernado obtenido es muy grande (Nota que
ll 1ll2 = 1 y ll 2
libras = 1),
indicando que hace no aproximado una vector propio.
Generalizad Eigenproblema
Considerar ahora que nosotros desear a estimacin la precisin obtenido en la solucin
de un eigenproblema generalizada K <f>
= AM
<f>. Asumir que nosotros tener calculado como unaaproximacin a ; y

<F>; la valores
X y <F>. Luego, en analoga a la Clculos realizado anteriormente, nosotros lat
a
calcular una error vector RM, donde
K - XM (i) (10.103)
rM =
En orden a relacionar la error vector en ( 10.103) a la error vector que corresponde a la

norma eigenproblema, nosotros uso M
= Ssr, y luego
r
donde r
= s-
RM,
= icf, - Xcf,
<F) = sr <F>, y K = s-
(10.104)
Ks-r (Ver
Seccin 10.2.5). Ella es la vector s- IM que nosotros hara necesitar a utilizar, Por lo
tanto, a calcul a te la errorencuadernado g i ven en ( 1 O. 1 O 1). Estos
error encuadernado Clculos hara exigir la factorizacin de M en ssr, donde ella es asumido
que Mis positivo definida.
Durante Clculos
En real clculos nosotros frecuentemente uso la mtodo de inverso iteracin (Ver Secciones 11.
2
y 11.6), y entonces una error encuadernado basado en la siguiente evaluaciones lata serobtenid
o de manera eficiente (Ver H. Matthies [A] y tambin Ejercicio 10,11). Dejar
Entonces nosotros tener
1
Nyn
_
1
; -
p()
Mpc,
{(Cf, TMA f,)
K=
s; TM
_} Medio
- [P ( ) J2
(10.105)
(10.106)
y
min
1 ; -
A; O ;
TM
(10.107)
p (Ci))
s;
{1 - (p5 (i})) 2} 1/2

A
donde p (<f>) es la Rayleigh cociente,
- (I} conocimientos tradicionales (i}

p()
= TM
Nosotros voluntad ver que ( 10.

05 1) es la tpico paso en una inverso iteracin, Lanczos iteracin, y subespacio iteracin, y p
(<f>) es en prctica tambin casi siempre calculadoporque deEl
bueno aproximacin calidad de los Rayleigh cociente a una valor propio. Aviso tambin que el
trmino cl>
rMcl> / <F> rM
<f> consiste de dos nmeros que son fcilmentecalculado en la iteraciones.
Mientras la arriba error lmites son muy efectiva, ella es finalmente
tambin de inters a considerar la siguiente simple error medir:
IIK (i) - XM (i) ll2

E = IIK 112 (10.lOS)
A evitar la factorizacin de M nosotros podemos en
lugar considerar la problema Me, = A - Kc, si la factorizacin
de K es ya disponible, y entonces establecer lmites en A 1
Dado
que, fsicamente, K
<f> representa la elstico nodal punto fuerzas y AM <f> representa la
inercia nodal punto fuerzas cundo la finito elemento montaje es vibrandoen la
modo <F>,
que evaluar en ( 10.108) la norma de fuera
de
equilibrio nodal punto fuerzas dividido por la norma
de nodal
elstica punto fuerzas. Este cantidad debera ser pequeo si X y <F> son una e
xacto
solucin de una ei
genpair.
Si M = 1, ella debera Debe observarse que nosotros lata escribir
y Por lo tanto,
XE = / Lrll2
E 2 ::
m m. 1
A; -
XI
(10.109)
; '---' - A = ---- '(10.110)
Ejemplo 10.23: Considere la eigenproblema K = AM , donde

K
= [ 10 -Lo] M = [2 1]
-10 100 '1 4

La exacto valores propios y vectores propios a 12 dgitos precisin son
A1 = 3.863385512876;
0.640776011246]
1
[,105070337503
-0.40 1 041 986 380]

A2 = 33,279471629982;
2 = [
0.524093989558
Asumir que (Yo) = ( 1 + s 2) c, donde e es tal que (I) TM = 1 y S = 10-1, 10-3, y 10-6
Para cada valor de S evaluar X como la Ray1eigh cociente de (Yo) y calcu1ate la lmites de
error basado en (10.104), (10.106), y la error medir E dado en (10,108).
La siguiente tab1e resume la resu1tados obtenido. La ecuaciones usado a evaluar las
cantidades son dado en ( 10.103) a ( 10.108). La resultados en la tab1e show que para cada val
or de S laerror lmites son satisfecho y que E es tambin pequeo para una exacto solucin.
S
10-1 10-3
10-6
0.597690792656 ,640374649073
0,640775610204
0.156698194481 ,105594378695 0,105070861597
4LK 4,154633890275 3,863414928932 3,863385512905

X 4,154633890275 3,863414928932 3,863385512905
-1.207470493734 -0,008218153965 -0,000008177422
rM 4,605630581124
,049838803226 ,000049870085
1.634419466242 0,021106743617
0,000021152364
1.411679295681 ,015042545327
0,000015049775
JA1- XJ 0,291248377399 0,000029416056 ,000000000029
Bound 2,159667897036 ,025918580132 ,000025959936 (10.101 / 10.104)
Bound 2,912483773983 ,029416056744 0,000029433139
(10.106)
Mida 0,447113235813 0,007458208660 0,000007491764
(10.108)
886 Preliminares a
2.
la Soluciones de Eigenproblems Cap. 10
Ejercicios
11. La siguiente error encuadernado es discutido por J. Stoer y R. Bulirsch [A]. Dejar La s
er un simtrico matriz y A; ser una valor propio de A; entonces
min
lA; -
xrAx
:5
i XTX
para cualquier vector x
* O.
Show que (10.105) a (10.107) seguir desde este frmula.
12.
Considerar la eigenproblema en Ejercicio 10.1. Dejar

Calcula utilizando (10.105) y p ( ). Estos valores, p (Ci)) y Ci), son ahora la mejor las
approxima a una valor propio y vector propio.
Establecer la error lmites (10.101) [con (10.103)] y (10,106). Tambin evaluar la error
medir (10,108).

Mecanica de Medios Continuos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mecanica de Medios Continuos

Cargado por

Copyright:

Formatos disponibles

Capitulo 10

Preliminares en la solucin de Eigen problemas

resumiemdo los eigenproblemas que queremos solucionar. Podemos llegar al ms simple

La solucin para p eigenpairs puede ser escrita K =

donde K y el M son, respectivamente, la matriz de rigidez y la matriz de masas del

En analoga con (10.3), la solucin para p eigenvalores y eigenvectors correspondientes de

Dos adicional generaliz ando eigenproblemss debera ser mencionado brevemente. Un

Preliminares de la Solucin de Eigenproblems Captulo. 10

Considerando la solucin de ordenador actual de eigenproblemas r equerido, recordamos

10.2 HECHOS FUNDAMENTALES USADOS EN LA SOLUCIN

Hechos fundamentales Usados en la Solucin de Eigensystems

El material ha sido presentado ya en otras secciones del libro. Como indicado en

donde dij es el delta de Kronecker. Esta relacin sigue de la orto normalidad

Hechos fundamentales Usados en la Solucin de Eigensystems

y muestre que los eigenvectors correspondiente a eigenvalue mltiple no son nicos.

M = Yo tambin sera eigenvectors. Por ejemplo, podramos usar

y los dos vectores

las relaciones en (10.11) y (10.10)] pero que ellos no son eigenvectors.

Hechos fundamentales Usados en la Solucin de Eigensystems

que ellos son el

son obtenidos suprimiendo de K y

Hechos fundamentales Usados en la Solucin de Eigensystems

(b) Solucione para el eigenvectors <|), yo = 1, 2, 3, usando la relacin en (10.17) y el

Notamos esto da - 0.0. Para evaluar <j> yo, obtenemos de (b),

Para contar <)> 3, evaluamos K - AjM y tenemos

Notamos esto -0. Para contar |> 3 usamos

Hechos fundamentales Usados en la Solucin de Eigensystenns

1. Para el eigenvalues de los primeros y segundos problemas de coaccin asociados,

Construccin de curvas C, para los polinomios caractersticos del problema

apareciendo en D, tenemos exactamente yo elementos negativos en D.

Hechos fundamentales Usados en la Solucin de Elgensystems

Ya que dos elementos negativos estn en D, tenemos A2 <5.

De ah A2> 3, porque hay slo un elemento negativo en D.

elementos diagonales. Si todos los elementos mu son ms grandes que el cero, el

Hechos fundamentales Usados en la Solucin de Eigensystems

orrespondiente por la inspeccin.

Deberamos notar que = 0 ya que yo = 3, 4, y por lo tanto la magnitud de los elementos en

Hechos fundamentales Usados en la Solucin de Eigensystems

obtenemos el estndar eigenproblem,

ues por D, tenemos

Lm que R y D. Sin embargo, la descomposicin espectral del M puede ceder un ms exacto

De ah, Cholesky fector del M es (ver el Artculo 8.2.4)

Hechos fundamentales Usados en la Solucin de Eigensystems

De ah, la descomposicin M = RDR es

donde M = SS'; K = S-'KS ";

<|> fK <}) j = Sy-;

K <|> = de la maana (|> y

utilizacin de las relaciones en (b),

los problemas de coaccin asociados [ven (10.20)].

Tcnicas de Solucin aproximadas

(b) El eigenvalues y eigenvectors del problema

K <> = DE LA MAANA <>

10.3 TCNICAS DE SOLUCIN APROXIMADAS

La asuncin bsica de condensacin esttica en el clculo offrequencies y

Tcnicas de Solucin aproximadas

(frecuencia de vibracin libre cuadrada) y eigenvector (desplazamientos de forma de

Ka eigenproblem <|> o = AMo <|> fl es, por lo tanto,

del modo siguiente;

Tcnicas de Solucin aproximadas

los niveles de masas de

Prolegmenos a la Solucin de Eigenproblems

mientras que la solucin del problema original (ver el Ejemplo 10.4) es

en este ejemplo - o ms grande que el eigenvalues del sistema original.

Tcnicas de Solucin aproximadas