Professional Documents
Culture Documents
Obtenemos
|| - 2 2 ll2
ll 1 ll 2 =
1 y
ll
2 l2 =
1),
Lo que indica que no se aproxima un eigen vector.
i los valores
y Luego, en analoga con los clculos efectuados anteriormente, podemos
rM = K M
(10.103)
Con el fin de relacionar el vector de error en (10.103) al vector de error que corresponde a
la eigen problema estndar, usamos
t
M
y luego
= ss ,
= K, -
(10.104)
Donde
s-1
, =
sT
and K
10.2.5). It is the vector s-1 rM que tendramos que utilizar, por lo tanto , para calcular la cota
de error dado en
( 1O.1O 1).
Estos Clculos de error obligado requeriran la factorizacin de M en
supone
Que es definida positiva.
ssT
donde se
Durante clculos
En los clculos reales frecuentemente usamos el mtodo de interaccin inversa (vanse
las secciones 11.2 y 11.6) , y luego un lmite de error basado en las siguientes
evaluaciones se pueden obtener de manera eficiente ( ver H. Matthies
[A] y tambin el ejercicio 10.11). Dejar
(10.106)
Entonces
tenemos
(10.105)
1
(10.107)
Y
Donde p (<f >) es el cociente de
Rayleigh
(10.108)
Para evitar la factorizacin de M podemos en lugar de considerar el problema M, = - 1 K
, si la factorizacin de K ya est disponible, y luego establecer lmites sobre el - 1
(10.110)
Ejemplo 10.23: Considere la eigen problema K = M , donde
10-1
0.597690792656
10-3
0.640374649073
10-6
0.640775610204
0.156698194481
0.105594378695
0.105070861597
4.154633890275
3.863414928932
3.863385512905
4.154633890275
3.863414928932
3.863385512905
rM
-1.207470493734
4.605630581124
-0.008218153965
0.049838803226
-0.000008177422
0.000049870085
1.634419466242
1.411679295681
0.021106743617
0.015042545327
0.000021152364
0.000015049775
TK
|1 |
0.291248377399
0.000029416056
0.000000000029
Destinado
(10.101/10.104)
2.159667897036
0.025918580132
0.000025959936
Bound
(10.106)
2.912483773983
0.029416056744
0.000029433139
Measure
(10.108)
0.447113235813
0.007458208660
0.000007491764
886
Preliminares
las
Soluciones
de
Eigen
problemas
Chap. 10
10.4.1 Ejercicios
10.11. La siguiente cota de error es discutido por J. Stoer y R. Bulirsch [ A]. Sea A una
matriz simtrica y A ; ser un valor propio de A; entonces
Calcular usando (10.105) y p Estos valores, p ()Y , son ahora las mejores
aproximaciones a un valor propio y vector propio.
Establecer los lmites de error (10.101) [con (10.103) ] y ( 10.106 ) . Tambin evaluar el
error
Medida (10.108).
CAPTULO TEN
Preliminares
a la Solucin
de Eigenproble
ms
1.
INTRODUCCIN
c, A
(10.3)
839
segundo) cuadrado,
wr
Sec. 10.2
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
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
<!
;, ... , <!
[ 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
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.
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
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
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
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
(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
--
V'2 V'2
<Fa =
1 y
<1 2 =
V'2
V'2
oo
c, rKc, = La
(10.12)
=1
(10.13)
c, rMc,
o]
K = -1 -1 4 ;
1
M=1 O
y la dos vectores
[
[O
o -1 2
o
[-
\ 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
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)
(10.19)
Ejemplo 10.4:
2 -1
o]
K = -1 -1 4 ;
[
o -1 2
a.
p (A) = - Un + 3A - llA
y nosotros tener
3
+ 12
!. \)
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
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
[> _. -
w,
eu
se
cl> f = [-1 o 1]
A calcular
o]
-1 -2 -1 cl> 3 = O
[
o -1 -1
La coeficiente matriz lata ser factorizada en LDF sin intercambios; es decir, nosotros tener
-1
-] o
v2
La valores
propios de la primero asociado restriccin problema son obtenido desde la solucin de
[
Por lo tanto,
pO> (A O>)
A <1>
4 A <1> + 7
y
>
= 4 - V; A > = 4 + V
A
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
CH, .a ,
(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
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
K por calc
ulador
K=
K- PM (10.24)
= JLM \ fl (10.25)
K \ jl = JLM \
donde y = p + JLA
hecho, la eigenproblema
Sin
Kc, = AMe
embargo, ( 10.26) es
,, y ya
decir, en De
que
Kc, = AMe
,, pero la valores
[- - 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
[_
-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)
[- - J = A [J
(d)
= La
Loa
+ 16
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 =
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 y correspondiente vectores
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
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
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
s-
y definicin un v
ector,
, = S T el>
(10,32)
(10,31)
K = s-IKS-r
(10.33)
(10.34)
(10.36)
(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,
LM
s ubicaciones
porque de la enganche en M y
En consecuencia,
LM
3 -1
K = -1 2 -1 ;
31
-1 1
o]
12
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
857
11111
V'3
v2
v'6
V'3 V'3
V'3
M= - 1
['
.] 1
o2
o1
V'3
v'6
v2 v2
1111
11
--
2
11
K=
--1-1-1
3va
2v'6
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)
= A <i)
K = s-
Ks-R;
= A.
(a)
1)
- ->
<!
<- 1>
donde
y la propiedades
Sustituyendo para
= (1 / A.) K <!>
Se
consider. A obtener la mismos
vectores como en la problema K
<!> = AM
<I>, nosotrosnecesitar a multiplicar los vectores propios <!>; de la problema M <!> = (1 / A.)
K <I> 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
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
<I> 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
<I> y la asociado restriccin problemas. Demostrar la prueba parala
siguiente matrices:
-1
(a)
-1
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
<I> 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
<
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
-1]
=[
-1
- (!)
1t mayo ser conocido que ella siguiente desde este discusin que la caracterstica polino
mios de
la eigenproblerns 'K <I> = A'- 'K <I> y K <!> = AC <!> dado en (10.6) y (10.7) y de su
asociado restriccin problemas tambin forma un Sturm secuencia.
6.
Ejercicios
1.
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}
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)
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
donde
(10.43)
(10.44)
(10.45)
(10.46)
(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
Ka = [] - [- = J
[J [= - J = [_
[- 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
Cap. 10
K <!> = AM <I> 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
ctorizar Kceo
(10.49)
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.
(10.54)
(10.55)
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).
!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
A [o 2]
<1>
(A)
o -1 2 o
Uso la procedimiento dado en (10.51) a (10,56), nosotros obtener
F [.!]
[
un 3 '
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
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
(10.4)
<
00
(10,59)
el> = L X; TLL;
i=l
(10.60)
L L XXi (,
p (cf>) = : ..., I;, ..: l - = -: i;, ...: - 1--
L L XXfffl
j =!
i=l
kij = tlliKtll
(10.61)
(10.62)
Xk -
2k L Xffl
_u _ '! "_
= ! J = I (10,64)
(K
pmij) x
=
1
para yo = 1, ... , q
(10,65)
j =!
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)
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)
= 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
= 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
X=M
Xp (10.83)
2 -1
o]
K = -1 -1 4 ;
[
o -1 2
= 2, A2 = 4, A = 6.
3
- 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
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]
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,
> ]
Kea Kee cf> e O O cf> e
(10.42)
[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)
K = [1
(FeKaYJ [ :: J [Fe J
(10,86)
M = [1
(10.87)
(10.88)
(FeK.Y] [ ] [Fe J
o M = Ma
(10.89)
= [ :]
(10.90)
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
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
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)
(10.94)
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
-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]
[- 2 1
En
l];
= Mu
1
o_ J
A, = 2-
V2, A2 = 2 + V2;
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
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
10.
Componente 1
-------------,
/K m*\
l 1
....
_ ------------ ""
K = 10
k= 1
m=2m*= 1
4.
SOLUCIN ERRORES
(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
(10.97)
(10.98)
(10.99)
(10.100)
Pero desde
nosotros tener
(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.
= 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
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
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
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;
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
alor
propio y
propio aproximaciones y que K - X = r. Considerar la caso en que
S
vector
1 A; - X 1 :
= 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
! KFU
S
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
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
-
[-
= 100, !
->
[1]
XI : 51
1
(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
a
calcular una error vector RM, donde
K - XM (i) (10.103)
rM =
= 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;
= TM
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)
= [ 10 -Lo] M = [2 1]
A1 = 3.863385512876;
0.640776011246]
1
[,105070337503
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
(10.106)
Mida 0,447113235813 0,007458208660 0,000007491764
(10.108)
886 Preliminares a
2.
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
* O.
12.