K4 - SVD & egenvŠrden
EgenvŠrden och SVD
Har detta nŒgot egenvŠrde?
2
K4 - SVD & egenvŠrden
EgenvŠrdesproblemet
m Lšsning till system av ODEÕs
m EgenvŠrdena Šr den viktigaste egenskapen i
praktiskt taget alla dynamiska system, ofta med pŒtaglig fysisk betydelse : populationstillvŠxt, frekvenser hos vibrerande fšremŒlÉ
Det algebraiska egenvŠrdesproblemet : A n×n sšk λ och x sŒdana att
Ax = λx
K4 - SVD & egenvŠrden 3
EgenvŠrdena
Geometrisk tolkning : en egenvektor ger en rikning i vilken matrisen bara pŒverkar lŠngden, inte riktningen
K4 - SVD & egenvŠrden 4
Exempel 4.1 s.114
m triangulŠra (diagonala) matriser har egenvŠrdena
pŒ huvuddiagonalen 1 o 2
m symmetriska matriser har reella egenvŠrden 3 o 4
m reell, icke symmetrisk matris kan ha komplexa
egenvŠrden 5
K4 - SVD & egenvŠrden 5
Ett ickesymmetriskt exempel
a≠b ⇒ A ej symmetrisk a,b reella
Ax = λx ⇔ ( A - λI ) x = 0
Om matrisen ickesingulŠr finns bara x=0, alltsŒ mŒste A - λI vara singulŠr.
Karakteristiska polynomet ges av det(A - λI)x=0
λ2 - ab = 0
λ = ± √ab 0 a
b 0 A =
K4 - SVD & egenvŠrden 6
Éexemplet
λ= ± √ab a=1, b=4 ger λ= ± 2
Om nŒgon av a,b Šr negativ λ= ± 2i
En reell matris kan alltsŒ mycket vŠl ha komplexa egenvŠrden, dessa upptrŠder alltid i konjugerade par
om α + βi Šr egenvŠrde sŒ Šr Šven α - βi egenvŠrde
7K4 - SVD & egenvŠrden
Unika?
EgenvŠrden behšver ej vara distinkta = multipelt egenvŠrde flera egenvektorer kan ha samma egenvŠrde Egenvektorerna inte unika eftersom Ax = λx ⇔ A(αx) = λ(αx) dvs αx ocksŒ egenvektor till λ. Det intressanta med egenvektorerna Šr riktningen, mycket vanligt att de normeras 8K4 - SVD & egenvŠrdenKarakteristiska polynomet
det(A - λI)x=0 Šr ett polynom av grad n En n×n matris A har alltid n egenvŠrdenAlgebrans fundamentalsats varje polynom i C av grad n≥1 har exakt n nollstŠllen om varje nollstŠlle rŠknas med sin multiplicitet 9K4 - SVD & egenvŠrden
Multipelt egenvŠrde
mKan ha lika mŒnga egenvektorer som multipliciteten mmultipliciteten 1 = enkelt egenvŠrde mett egenvŠrde med fŠrre egenvektorer Šn multipliciteten = defekt egenvŠrde mmatris med fŠrre Šn n linj. ober. egenvektorer kallas defekt. 10K4 - SVD & egenvŠrdenLinjŠrt oberoende egenvektorer
Sats : LŒt x1, x2, É xk vara egenvektorer till A svarande mot de distinkta egenvŠrdena λ1, λ2 É λk DŒ gŠller att x1, x2, É xk Šr linjŠrt oberoende. Bevis : Induktionsbevis šver k. k=1 : trivialt ty x1≠0 k-1 : antag att satsen Šr sann fšr k-1 egenvektorer, dvs x1, x2, É xk-1 Šr linjŠrt ober. k : LŒt X = (x1, x2, É xk-1 ) och antag att xk linj. ber. av dessa, dvs xk =Xc fšr nŒgot c≠0. λkxk = Axk = AXc = XΛc ⇔ 0 = λkxk -XΛc =λkXc -XΛc = X (λkI - Λ) c sŠtt d = (λkI - Λ) c. Vi vet att λk ≠ λ1 É λk-1 ⇒ λkI - Λ ickesingulŠr och d≠0. SŒ Xd = 0 ⇔ x1, x2, É xk-1 linjŠrt beroende MOTS€GELSE 11K4 - SVD & egenvŠrdenHur lšser man Ax = λ x?
mBehšvs alla egenvŠrden eller bara nŒgra fŒ? mBehšvs bara egenvŠrdena eller motsv. egenvektorer oxŒ? m€r matrisen reell eller komplex? m€r matrisen symmetrisk? m€r matrisen liten & tŠt, eller stor & gles? 12K4 - SVD & egenvŠrdenNya begrepp fšr komplexa matriser
mA hermitsk A = AH (konjugerade transponatet) mA unitŠr AH A = AAH = I mA normal AH A = AAH13K4 - SVD & egenvŠrden
Transformationer
Vi behšver transformationer lsom reducerar matrisen till en form vars egenvŠrden och egenvektorer lŠtt tas fram lvars relation till den ursprungliga matrisen Šr kŠnd 14K4 - SVD & egenvŠrdenTransformationsmatris
Sats : LŒt A,P ∈Cn×n P ickesingulŠr DŒ Šr λ ett egenvŠrde till A med egenvektor x λ ett egenvŠrde till P-1AP med egenvektor P-1x Bevis : P ickesingulŠr ⇔ P-1x ≠ 0 λx = Ax = APP-1x ⇔ λP-1x = P-1APP-1x ⇔ λ(P-1x) = P-1AP(P-1x) dvs. λ egenvŠrde och (P-1x) egenvektor till P-1AP⇔ 15K4 - SVD & egenvŠrden
Similaritetstranformationer
P-1AP bevarar egenvŠrdena och gšr motsvarande egenvektorer lŠtt Œtkomliga 16K4 - SVD & egenvŠrdenSpecialfall : A diagonal
EgenvŠrdena = diagonalelementen Egenvektorerna Šr motsvarande egenvektorer i enhetsmatrisen Det bŠsta vore att diagonalisera med similaritetstransformationer, detta Šr dock inte mšjligt fšr alla matriser Fšr alla matriser gŠller att man med similaritetstransf. kan Œstadkomma blocktriangulŠr form Schur form Jordan form : diagonal + nŒgra el. pŒ superdiagonalen 17K4 - SVD & egenvŠrdenMetoder fšr vissa egenvŠrden
mI praktiken behšvs ofta bara en eller ett par egenvŠrden & ev. nŒgra egenvektorer Den enklaste metoden fšr att berŠkna ett egenvŠrde och en egenvektor kallas Potensmetoden Kan kompletteras med Rayleigh-kvot fšr att berŠkna egenvŠrdet till en given egenvektor 18K4 - SVD & egenvŠrdenRayleigh kvot
approx egenvektor x till A, dŒ kan λbestŠmmas ur ekvationssys. xλ ≈ Ax λ obekant, šverbest n×1 Bilda normalekvationerna xTxλ = xTAx som har minsta kvadratlšsningen och kallas Rayleigh-kvot Potensmetoden kan snabbas upp betydligt med R-k Speciellt effektivt fšr symmetriska matriserxTxxTAx λ =
19K4 - SVD & egenvŠrden
SingulŠra vŠrdesuppdelningen
Σ = diag( σ1 , σ2 , É σr ) alla > 0 kallas AÕs singulŠra vŠrden (= roten ur egenvŠrdena till ATA U och V ortogonala, vilket medfšrΣ 0 0 0A = U VT Σ 0 0 0|| A ||2 = || ||2 = σ1 20K4 - SVD & egenvŠrden
TillŠmpning av SVD
k || A ||2 = σmax k || A ||2 || A-1||2 = σmax/ σmin kAÕs rang = antalet sing.vŠrden ≠ 0 kLšsa linj.ekv.system eller minsta kvadrat problem Minsta norm lšsningen till Ax ≈ b ges av σiuiTb x = vi σi ≠ 0Σ
Bevisas?Bevisas? 21K4 - SVD & egenvŠrdenÉtillŠmpning av SVD
kPseudo-invers A+ = VS+UT Ax ≈b min. tvŒnorm-lšsning x = A+b kOrtonormala baser fšr rummen U1=R(A) V2=N(A) U2=N(AT) V1=R(AT) V1 och V2 Šr ortogonala komplement U1 och U2 Šr ortogonala komplementΣ-1 0 0 0A+ = V UT 22K4 - SVD & egenvŠrden
SVD ger minsta norm lšsning
Sats : LŒt A (n*n) ha SVD Šr den vektor som minimerar || b - Ax ||22 och om xÕ ≠ x ocksŒ minimerar sŒ Šr || x ||2 < || xÕ ||2 Bevis : LŒt z = VTx och c = UTbΣ-1 0 0 0x = V UTbΣ 0 0 0A = U VTdŒ gŠller att c1 c2
z1 z2z =c =dŠr z1 och c1 ∈ ℜr 23K4 - SVD & egenvŠrden
bevisetÉ
|| b - Ax ||22 = ||UT ( b - Ax ) ||22 = ||UTb -UTAV VTx ||22 = Σ 0 0 0c1 c2
z1 z2-= || ||22 =c1 c2Σz1 0-|| ||22 = c1 -Σz1 c2|| ||22 vilken minimeras fšr c1 -Σz1 = 0, dvs z1 = Σ−1c1 z2 Šr godtycklig hŠr, men É 24K4 - SVD & egenvŠrden
Ébeviset
c1 -Σz1 c2|| ||22 minimerar bŒdaΣ−1c1 0z =Σ−1c1 z2zÕ =och || z ||22 = ||Σ−1c1||22 < ||Σ−1c1||22 + ||z2||22 = || zÕ ||22 SŒ x = Vz minimerar || b - Ax ||22 och om xÕ Šr en annan minimerare sŒ Šr ||x ||2 < ||xÕ ||2 V.S.V.
25K4 - SVD & egenvŠrden