Analisis matricial
-
Upload
fernando-vasquez -
Category
Documents
-
view
231 -
download
1
description
Transcript of Analisis matricial
IntroduccionNo Negatividad
Nonnegativity Preservation under Singular ValuesPerturbation
Emedin Montano, Mario Salas, Ricardo Soto
Universidad Catolica del NorteFacultad de Ciencias
Departamento de Matematicas
Junio 2015
Fernando Vasquez
IntroduccionNo Negatividad
Resumen
1 Introduccion2 No Negatividad3 Doble Estocasticidad
Fernando Vasquez
IntroduccionNo Negatividad
Resumen
1 Introduccion2 No Negatividad3 Doble Estocasticidad
Fernando Vasquez
IntroduccionNo Negatividad
Resumen
1 Introduccion2 No Negatividad3 Doble Estocasticidad
Fernando Vasquez
IntroduccionNo Negatividad
Introduccion
Teorema 1
Sea A ∈ Mm,n con valores singulares σ1 ≥ σ ≥ ... ≥ σr ≥ 0, r = mın{m, n}.Sean
U = (u1|u2|...|up) ∈ Mm,p, V = (v1|v2|...|vp) ∈ Mn,p, p ≤ r , (1)
cuyas columnas son los vectores singulares izquierdos y derechos,respectivamente, correspondiendo a σi , i = 1, ..., p. SeaD = diag{d1, d2, ..., dp} con σi + di ≥ 0. Entonces A + UDV ∗ tiene valoressingulares
{σ1 + d1, ..., σp + dp, σp+1, ..., σr}. (2)
Fernando Vasquez
IntroduccionNo Negatividad
Introduccion
Corolario 1.1
Sea A ∈ Mm,n una matriz con valores singulares σ1 ≥ σ ≥ ... ≥ σr ≥ 0,r = mın{m, n}. Sea ui y vi , respectivamente, los vectores singularesizquierdo y derecho correspondiente a σi , i = 1, ..., r . Sea α ∈ R tal queα + σi ≥ 0, i = 1, ..., r . Entonces A + αuiv∗
i tiene valores singulares
σ1, ..., σi−1, σi + α, σi+1, ..., σr . (3)
Fernando Vasquez
IntroduccionNo Negatividad
No Negatividad
Sea A ≥ 0. Se consideran perturbaciones de la forma A + αuivTi .
Para i = 1, la matriz A + αu1vT1 ≥ 0, ∀α > 0.
Considerar A + αusvTs , con s > 1.
Sea α > 0, suponer que (usvTs )ik<0.
Si A ≥ 0aik + α(usvT
s )ik ≥ 0⇔ 0 < α ≤ aik
|(us, vTs )ik |
.
Luego, es suficiente elegir α en(0,mın
i,k
aik
|(us, vTs )ik |
],
siempre que aik > 0.
Fernando Vasquez
IntroduccionNo Negatividad
No Negatividad
Sea A ≥ 0. Se consideran perturbaciones de la forma A + αuivTi .
Para i = 1, la matriz A + αu1vT1 ≥ 0, ∀α > 0.
Considerar A + αusvTs , con s > 1.
Sea α > 0, suponer que (usvTs )ik<0.
Si A ≥ 0aik + α(usvT
s )ik ≥ 0⇔ 0 < α ≤ aik
|(us, vTs )ik |
.
Luego, es suficiente elegir α en(0,mın
i,k
aik
|(us, vTs )ik |
],
siempre que aik > 0.
Fernando Vasquez
IntroduccionNo Negatividad
No Negatividad
Sea A ≥ 0. Se consideran perturbaciones de la forma A + αuivTi .
Para i = 1, la matriz A + αu1vT1 ≥ 0, ∀α > 0.
Considerar A + αusvTs , con s > 1.
Sea α > 0, suponer que (usvTs )ik<0.
Si A ≥ 0aik + α(usvT
s )ik ≥ 0⇔ 0 < α ≤ aik
|(us, vTs )ik |
.
Luego, es suficiente elegir α en(0,mın
i,k
aik
|(us, vTs )ik |
],
siempre que aik > 0.
Fernando Vasquez
IntroduccionNo Negatividad
No Negatividad
Sea A ≥ 0. Se consideran perturbaciones de la forma A + αuivTi .
Para i = 1, la matriz A + αu1vT1 ≥ 0, ∀α > 0.
Considerar A + αusvTs , con s > 1.
Sea α > 0, suponer que (usvTs )ik<0.
Si A ≥ 0aik + α(usvT
s )ik ≥ 0⇔ 0 < α ≤ aik
|(us, vTs )ik |
.
Luego, es suficiente elegir α en(0,mın
i,k
aik
|(us, vTs )ik |
],
siempre que aik > 0.
Fernando Vasquez
IntroduccionNo Negatividad
No Negatividad
Sea A ≥ 0. Se consideran perturbaciones de la forma A + αuivTi .
Para i = 1, la matriz A + αu1vT1 ≥ 0, ∀α > 0.
Considerar A + αusvTs , con s > 1.
Sea α > 0, suponer que (usvTs )ik<0.
Si A ≥ 0aik + α(usvT
s )ik ≥ 0⇔ 0 < α ≤ aik
|(us, vTs )ik |
.
Luego, es suficiente elegir α en(0,mın
i,k
aik
|(us, vTs )ik |
],
siempre que aik > 0.
Fernando Vasquez
IntroduccionNo Negatividad
No Negatividad
Sea A ≥ 0. Se consideran perturbaciones de la forma A + αuivTi .
Para i = 1, la matriz A + αu1vT1 ≥ 0, ∀α > 0.
Considerar A + αusvTs , con s > 1.
Sea α > 0, suponer que (usvTs )ik<0.
Si A ≥ 0aik + α(usvT
s )ik ≥ 0⇔ 0 < α ≤ aik
|(us, vTs )ik |
.
Luego, es suficiente elegir α en(0,mın
i,k
aik
|(us, vTs )ik |
],
siempre que aik > 0.
Fernando Vasquez
IntroduccionNo Negatividad
Lema 2.1
Sea A ∈ Mm,n, A > 0 con valores singulares σ1 ≥ ... ≥ σr > 0,r = mın{m, n}. Sea α en el intervalo(
0,mıns
mıni,k
aik
|(us, vTs )ik |
].
Entonces A + αusvTs , s = 2, ..., r , es no negativa con valores singulares
σ1, ..., σs−1, σs + α, σs+1, ..., σr .
Lema 2.2
Sea A ∈ Mm,n, A > 0 con valores singulares σ1 ≥ ... ≥ σr > 0,r = mın{m, n}. Sea α en el intervalo(
0,σr mıni,k aik
σ1 +∑r−1
j=1 σj
].
Entonces A + αusvTs , s = 2, ..., r , es no negativa con valores singulares
σ1, ..., σs−1, σs + α, σs+1, ..., σr .
Fernando Vasquez
IntroduccionNo Negatividad
Lema 2.1
Sea A ∈ Mm,n, A > 0 con valores singulares σ1 ≥ ... ≥ σr > 0,r = mın{m, n}. Sea α en el intervalo(
0,mıns
mıni,k
aik
|(us, vTs )ik |
].
Entonces A + αusvTs , s = 2, ..., r , es no negativa con valores singulares
σ1, ..., σs−1, σs + α, σs+1, ..., σr .
Lema 2.2
Sea A ∈ Mm,n, A > 0 con valores singulares σ1 ≥ ... ≥ σr > 0,r = mın{m, n}. Sea α en el intervalo(
0,σr mıni,k aik
σ1 +∑r−1
j=1 σj
].
Entonces A + αusvTs , s = 2, ..., r , es no negativa con valores singulares
σ1, ..., σs−1, σs + α, σs+1, ..., σr .
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Lema 2.3
Sea A ∈ Mn irreducible doblemente estocastica y sea Ax = λx,xT = (x1, ..., xn), con λ 6= 1. Entonces
S(x) = x1 + x2 + ...+ xn = 0. (4)
Demostracion:
S(Ax) =∑
a1jxj +∑
a2jxj + ...+∑
anjxj
= x1
∑ai1 + x2
∑ai2 + ...+ xn
∑ain
= S(x).
Entonces S(x) = S(Ax) = S(λx) = λS(x).Por lo tanto S(x) = 0.
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Lema 2.3
Sea A ∈ Mn irreducible doblemente estocastica y sea Ax = λx,xT = (x1, ..., xn), con λ 6= 1. Entonces
S(x) = x1 + x2 + ...+ xn = 0. (4)
Demostracion:
S(Ax) =∑
a1jxj +∑
a2jxj + ...+∑
anjxj
= x1
∑ai1 + x2
∑ai2 + ...+ xn
∑ain
= S(x).
Entonces S(x) = S(Ax) = S(λx) = λS(x).Por lo tanto S(x) = 0.
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Lema 2.3
Sea A ∈ Mn irreducible doblemente estocastica y sea Ax = λx,xT = (x1, ..., xn), con λ 6= 1. Entonces
S(x) = x1 + x2 + ...+ xn = 0. (4)
Demostracion:
S(Ax) =∑
a1jxj +∑
a2jxj + ...+∑
anjxj
= x1
∑ai1 + x2
∑ai2 + ...+ xn
∑ain
= S(x).
Entonces S(x) = S(Ax) = S(λx) = λS(x).Por lo tanto S(x) = 0.
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Lema 2.3
Sea A ∈ Mn irreducible doblemente estocastica y sea Ax = λx,xT = (x1, ..., xn), con λ 6= 1. Entonces
S(x) = x1 + x2 + ...+ xn = 0. (4)
Demostracion:
S(Ax) =∑
a1jxj +∑
a2jxj + ...+∑
anjxj
= x1
∑ai1 + x2
∑ai2 + ...+ xn
∑ain
= S(x).
Entonces S(x) = S(Ax) = S(λx) = λS(x).Por lo tanto S(x) = 0.
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Lema 2.3
Sea A ∈ Mn irreducible doblemente estocastica y sea Ax = λx,xT = (x1, ..., xn), con λ 6= 1. Entonces
S(x) = x1 + x2 + ...+ xn = 0. (4)
Demostracion:
S(Ax) =∑
a1jxj +∑
a2jxj + ...+∑
anjxj
= x1
∑ai1 + x2
∑ai2 + ...+ xn
∑ain
= S(x).
Entonces S(x) = S(Ax) = S(λx) = λS(x).Por lo tanto S(x) = 0.
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Lema 2.3
Sea A ∈ Mn irreducible doblemente estocastica y sea Ax = λx,xT = (x1, ..., xn), con λ 6= 1. Entonces
S(x) = x1 + x2 + ...+ xn = 0. (4)
Demostracion:
S(Ax) =∑
a1jxj +∑
a2jxj + ...+∑
anjxj
= x1
∑ai1 + x2
∑ai2 + ...+ xn
∑ain
= S(x).
Entonces S(x) = S(Ax) = S(λx) = λS(x).Por lo tanto S(x) = 0.
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Proposicion 2.1
Sea A ∈ Mn irreducible doblemente estocastica. Entonces
i) (A + α1u1vT1 ) ∈ CS1+α1 , (A + α1u1vT
1 )T ∈ CS1+α1 .
ii) (A + αiuivTi ) ∈ CS1, (A + αiuivT
i )T ∈ CS1; i = 2, ..., n.
iii) (A +∑n
i=1 αiuivTi ) ∈ CS1+α1
Demostracion:Se tiene que AAT ∈ CS1 y AT A ∈ CS1.Entonces
u1 = v1 =1√n
e =1√n
(1, 1, ..., 1)T . (5)
Luego,
α1u1vT1 = α1v1uT
1 =1nα1eeT ∈ CSα1 .
Por otro lado, αiuivTi = αi (vT
i e)ui = 0.De i) y ii) se tiene iii).
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Proposicion 2.1
Sea A ∈ Mn irreducible doblemente estocastica. Entonces
i) (A + α1u1vT1 ) ∈ CS1+α1 , (A + α1u1vT
1 )T ∈ CS1+α1 .
ii) (A + αiuivTi ) ∈ CS1, (A + αiuivT
i )T ∈ CS1; i = 2, ..., n.
iii) (A +∑n
i=1 αiuivTi ) ∈ CS1+α1
Demostracion:Se tiene que AAT ∈ CS1 y AT A ∈ CS1.Entonces
u1 = v1 =1√n
e =1√n
(1, 1, ..., 1)T . (5)
Luego,
α1u1vT1 = α1v1uT
1 =1nα1eeT ∈ CSα1 .
Por otro lado, αiuivTi = αi (vT
i e)ui = 0.De i) y ii) se tiene iii).
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Proposicion 2.1
Sea A ∈ Mn irreducible doblemente estocastica. Entonces
i) (A + α1u1vT1 ) ∈ CS1+α1 , (A + α1u1vT
1 )T ∈ CS1+α1 .
ii) (A + αiuivTi ) ∈ CS1, (A + αiuivT
i )T ∈ CS1; i = 2, ..., n.
iii) (A +∑n
i=1 αiuivTi ) ∈ CS1+α1
Demostracion:Se tiene que AAT ∈ CS1 y AT A ∈ CS1.Entonces
u1 = v1 =1√n
e =1√n
(1, 1, ..., 1)T . (5)
Luego,
α1u1vT1 = α1v1uT
1 =1nα1eeT ∈ CSα1 .
Por otro lado, αiuivTi = αi (vT
i e)ui = 0.De i) y ii) se tiene iii).
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Proposicion 2.1
Sea A ∈ Mn irreducible doblemente estocastica. Entonces
i) (A + α1u1vT1 ) ∈ CS1+α1 , (A + α1u1vT
1 )T ∈ CS1+α1 .
ii) (A + αiuivTi ) ∈ CS1, (A + αiuivT
i )T ∈ CS1; i = 2, ..., n.
iii) (A +∑n
i=1 αiuivTi ) ∈ CS1+α1
Demostracion:Se tiene que AAT ∈ CS1 y AT A ∈ CS1.Entonces
u1 = v1 =1√n
e =1√n
(1, 1, ..., 1)T . (5)
Luego,
α1u1vT1 = α1v1uT
1 =1nα1eeT ∈ CSα1 .
Por otro lado, αiuivTi = αi (vT
i e)ui = 0.De i) y ii) se tiene iii).
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Proposicion 2.1
Sea A ∈ Mn irreducible doblemente estocastica. Entonces
i) (A + α1u1vT1 ) ∈ CS1+α1 , (A + α1u1vT
1 )T ∈ CS1+α1 .
ii) (A + αiuivTi ) ∈ CS1, (A + αiuivT
i )T ∈ CS1; i = 2, ..., n.
iii) (A +∑n
i=1 αiuivTi ) ∈ CS1+α1
Demostracion:Se tiene que AAT ∈ CS1 y AT A ∈ CS1.Entonces
u1 = v1 =1√n
e =1√n
(1, 1, ..., 1)T . (5)
Luego,
α1u1vT1 = α1v1uT
1 =1nα1eeT ∈ CSα1 .
Por otro lado, αiuivTi = αi (vT
i e)ui = 0.De i) y ii) se tiene iii).
Fernando Vasquez
IntroduccionNo Negatividad
Estocasticidad
Proposicion 2.1
Sea A ∈ Mn irreducible doblemente estocastica. Entonces
i) (A + α1u1vT1 ) ∈ CS1+α1 , (A + α1u1vT
1 )T ∈ CS1+α1 .
ii) (A + αiuivTi ) ∈ CS1, (A + αiuivT
i )T ∈ CS1; i = 2, ..., n.
iii) (A +∑n
i=1 αiuivTi ) ∈ CS1+α1
Demostracion:Se tiene que AAT ∈ CS1 y AT A ∈ CS1.Entonces
u1 = v1 =1√n
e =1√n
(1, 1, ..., 1)T . (5)
Luego,
α1u1vT1 = α1v1uT
1 =1nα1eeT ∈ CSα1 .
Por otro lado, αiuivTi = αi (vT
i e)ui = 0.De i) y ii) se tiene iii).
Fernando Vasquez
IntroduccionNo Negatividad
Ejemplo
Considerar la matriz
A =
4 3 2 11 4 3 22 1 4 33 2 1 4
,
se tiene A,AT ∈ CS10.Valores singulares de A: 10, 2,8284, 2,8284, 2.Sea UΣV ∗, y D = diag{4, 3, 2, 1}. Entonces
B = A + UDV ∗ =
6,2596 4,8500 2,2404 0,65011,0822 6,0081 4,4178 2,49192,2404 0,6501 6,2596 4,85004,4178 2,4919 1,0822 6,0081
∈ CS14,
con valores singulares 14, 5,8284, 4,8284, 1
Fernando Vasquez
IntroduccionNo Negatividad
Ejemplo
Considerar la matriz
A =
4 3 2 11 4 3 22 1 4 33 2 1 4
,
se tiene A,AT ∈ CS10.Valores singulares de A: 10, 2,8284, 2,8284, 2.Sea UΣV ∗, y D = diag{4, 3, 2, 1}. Entonces
B = A + UDV ∗ =
6,2596 4,8500 2,2404 0,65011,0822 6,0081 4,4178 2,49192,2404 0,6501 6,2596 4,85004,4178 2,4919 1,0822 6,0081
∈ CS14,
con valores singulares 14, 5,8284, 4,8284, 1
Fernando Vasquez
IntroduccionNo Negatividad
Ejemplo
Considerar la matriz
A =
4 3 2 11 4 3 22 1 4 33 2 1 4
,
se tiene A,AT ∈ CS10.Valores singulares de A: 10, 2,8284, 2,8284, 2.Sea UΣV ∗, y D = diag{4, 3, 2, 1}. Entonces
B = A + UDV ∗ =
6,2596 4,8500 2,2404 0,65011,0822 6,0081 4,4178 2,49192,2404 0,6501 6,2596 4,85004,4178 2,4919 1,0822 6,0081
∈ CS14,
con valores singulares 14, 5,8284, 4,8284, 1
Fernando Vasquez