Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIÓN
Problema estándar
Problema generalizado
·2
·3 ·4
2. FUNDAMENTOS
En forma matricial
2.1 Problema estándar
U es ortogonal diagonalización de A
n autovectores ortonormales
·5 ·6
x: desplazamientos
nodales Sustituyendo en la ecuación de equilibrio
·7 ·8
¿Cómo son los autovalores del problema generalizado?
Ejemplo:
y n autovectores
• M-ortonormales:
• K-ortogonales:
con
·9 · 10
con
1. M invertible:
Aunque M y K sean simétricas, A* puede ser no simétrica. Se conserva la simetría
Sólo es simétrica si K y M-1 conmutan
2. K y M simétricas, y M definida positiva:
• Si M SDP descomposición de Cholesky
Sin embargo, a veces no conviene transformar el problema.
Por ejemplo, si M y K son matrices en banda, L es en banda
pero L-1 es una matriz llena A* es llena.
A* v* = λ v*
· 11 · 12
Demostración del Teorema 2
3. PROPIEDADES GENERALES
de matrices simétricas
K y M simétricas, y M definida positiva A* real y 3.1 Deflación
simétrica
PROBLEMA ESTÁNDAR:
Por el Teorema 1 (Teorema espectral del álgebra), A*
diagonaliza en una base ortonormal Solución propia
• autovalores reales λi
La matriz verifica
• autovectores ortonormales
· 13 · 14
3.2 Traslación
PROBLEMA GENERALIZADO: PROBLEMA ESTÁNDAR:
con autovalores λi y autovectores ui
Solución propia
La matriz verifica tiene los mismos autovectores ui, pero con
autovalores
uk pasa a tener
autovalor 0 Demostración:
con
tiene los mismos autovectores ui, con autovalores
· 15 · 16
3.3 Cociente de Rayleigh Demostración:
Cociente de Rayleigh
utilizando
· 17 · 18
3. Si con
b)
· 19 · 20
Demostración 2.
Caso 2: A no definida definida positiva
Se considera p tal que y la
traslación
B definida positiva
(caso 1)
· 21 · 22
PROBLEMA GENERALIZADO:
=λiui
Cociente de Rayleigh
· 23 · 24
4. MÉTODOS DE ITERACIÓN VECTORIAL Algoritmo IVD problema estándar
(von Mises o de las potencias)
Dado v0 casi-arbitrario
4.1 Método de iteración vectorial directa
La Iteración Vectorial Directa (IVD) proporciona el autovalor
dominante (el más alejado de cero) y el autovector asociado
Atención a la
nueva numeración
k = 0, 1, 2...
PROBLEMA ESTÁNDAR: A real, simétrica
• vector inicial casi-arbitrario v0
• iteraciones
Autovalor dominante
(con su signo)
• Convergencia: tal que
· 25 · 26
· 27 · 28
Observaciones
PROBLEMA GENERALIZADO:
Existen otras versiones del algoritmo. Los vectores se
pueden normalizar dividiendo por su norma, pero hay otras
y utilizar IVD
opciones. Por ejemplo,
Convergencia
• Convergencia: tal que
· 29 · 30
ωk+1
yk
ωk+1 yk
El algoritmo se simplifica
obviando el cálculo de vk
· 31 · 32
Algoritmo IVI problema estándar
4.2 Método de iteración vectorial inversa
La Iteración Vectorial Inversa (IVI) proporciona el autovalor
más cercano a cero (el mínimo en valor absoluto, con su ωk+1
signo) y el autovector asociado
Observaciones
PROBLEMA GENERALIZADO:
La convergencia se puede acelerar con una traslación
IVI para
ωk+1
zk+1
· 35 · 36
Algoritmo Algoritmo IVI problema generalizado
≈ λ1 ?
(versión 1)
(versión 2)
· 37 · 38
5. OTROS MÉTODOS
Métodos de iteración polinómica
• iteración polinómica explícita
• iteración polinómica implícita
Métodos de ortogonalización
• descomposición en valores singulares (SVD)
• Jacobi
· 39