रेले भागफल

गणित में, किसी दिए गए सम्मिश्र हर्मिटियन आव्यूह $$M$$ और अशून्य सदिश (ज्यामिति) $$x$$ के लिए रेले भागफल को इस प्रकार परिभाषित किया गया है:  $$R(M,x) = {x^{*} M x \over x^{*} x}.$$वास्तविक आव्यूहों और सदिशों के लिए, हर्मिटियन होने की स्थिति सममित होने की स्थिति में कम हो जाती है और संयुग्मी परिवर्त $$x^{*}$$ को सामान्य परिवर्त $$x'$$ में परिवर्तित कर देता है। ध्यान दें कि किसी भी अशून्य अदिश $$c$$ के लिए $$R(M, c x) = R(M,x)$$ है। स्मरण रखें कि हर्मिटियन (अथवा वास्तविक सममित) आव्यूह केवल वास्तविक आइगेन मान ​​​​के साथ विकर्ण योग्य है। यह दिखाया जा सकता है कि, किसी दिए गए आव्यूह के लिए, रेले भागफल अपने न्यूनतम मान $$\lambda_\min$$ ($$M$$ का सबसे छोटा आइगेन मान) तक पहुँच जाता है जब $$x$$, $$v_\min$$ (संबंधित आइगेनवेक्टर) होता है। इस प्रकार, $$R(M, x) \leq \lambda_\max$$ और $$R(M, v_\max) = \lambda_\max$$ होता है।

रेले भागफल का उपयोग न्यूनतम-अधिकतम प्रमेय में सभी आइगेन मानों ​​​​के त्रुटिहीन मान प्राप्त करने के लिए किया जाता है। इसका उपयोग आइजेनवेक्टर सन्निकटन से आइगेन मान सन्निकटन प्राप्त करने के लिए आइगेन मान एल्गोरिथ्म (जैसे कि रेले भागफल पुनरावृत्ति) में भी किया जाता है।

रेले भागफल की सीमा (किसी भी आव्यूह के लिए यह आवश्यक नहीं कि हर्मिटियन हो) को संख्यात्मक सीमा कहा जाता है और इसमें इसका स्पेक्ट्रम (कार्यात्मक विश्लेषण) सम्मिलित होता है। जब आव्यूह हर्मिटियन होता है, तो संख्यात्मक त्रिज्या वर्णक्रमीय मानक के समान होती है। अभी भी कार्यात्मक विश्लेषण में, $$\lambda_\max$$ को वर्णक्रमीय त्रिज्या के रूप में जाना जाता है। $$C^\star$$-बीजगणित अथवा बीजगणितीय क्वांटम यांत्रिकी के सन्दर्भ में, वह फलन जो $$M$$ बीजगणित के माध्यम से भिन्न होने वाले निश्चित $$x$$ और $$M$$ के लिए रेले-रिट्ज भागफल $$R(M, x)$$ को जोड़ता है, उसे बीजगणित की सदिश स्थिति के रूप में संदर्भित किया जाएगा।

क्वांटम यांत्रिकी में, रेले भागफल उस प्रणाली के लिए संकारक $$M$$ के अनुरूप अवलोकन योग्य का अपेक्षित मान देता है जिसकी स्थिति $$x$$ द्वारा दी गई है।

यदि हम सम्मिश्र आव्यूह $$M$$ को व्यवस्थित करते हैं, तो परिणामी रेले भागफल मानचित्र (जिसे $$x$$ के फलन के रूप में माना जाता है) ध्रुवीकरण प्रमाण के माध्यम से $$M$$ को पूर्ण रूप से निर्धारित करता है; वास्तव में, यह सत्य होगा यदि हम $$M$$ को गैर-हर्मिटियन होने की अनुमति दें। (यद्यपि, यदि हम अदिशों के क्षेत्र को वास्तविक संख्याओं तक सीमित रखते हैं, तो रेले भागफल केवल $$M$$ के सममित आव्यूह भाग को निर्धारित करता है।)

हर्मिटियन M के लिए सीमाएं
जैसा कि परिचय में कहा गया है, किसी भी वेक्टर x के लिए, के पास है $$R(M,x) \in \left[\lambda_\min, \lambda_\max \right]$$, कहाँ $$\lambda_\min, \lambda_\max$$ क्रमशः सबसे छोटे और सबसे बड़े आइगेन मान ​​​​हैं $$M$$. यह देखने के तुरंत बाद है कि रेले भागफल एम के आइगेन मान ​​​​का भारित औसत है: $$R(M,x) = {x^{*} M x \over x^{*} x} = \frac{\sum_{i=1}^n \lambda_i y_i^2}{\sum_{i=1}^n y_i^2}$$ कहाँ $$(\lambda_i, v_i)$$ है $$i$$-ऑर्थेनॉर्मलिजटी के बाद एजेनपिर भी समाप्त हो जाता है $$y_i = v_i^* x$$ है $$i$$ईजेनबेसिस में x का वां निर्देशांक। फिर यह सत्यापित करना आसान है कि सीमाएं संबंधित आइजनवेक्टरों पर प्राप्त हो गई हैं $$v_\min, v_\max$$.

तथ्य यह है कि भागफल आइगेन मान ​​​​का भारित औसत है, इसका उपयोग दूसरे, तीसरे, ... सबसे बड़े आइगेन मान ​​​​की पहचान करने के लिए किया जा सकता है। होने देना $$\lambda_{\max} = \lambda_1 \ge \lambda_2 \ge \cdots \ge \lambda_n = \lambda_{\min} $$ घटते क्रम में आइगेन मान ​​​​हो। अगर $$n=2$$ और $$x$$ ओर्थोगोनल होने के लिए बाध्य है $$v_1$$, किस स्थिति में $$y_1 = v_1^*x = 0 $$, तब $$R(M,x)$$ अधिकतम मूल्य है $$\lambda_2$$, जो कब प्राप्त होता है $$x = v_2$$.

सहप्रसरण आव्यूहों का विशेष मामला
अनुभवजन्य सहप्रसरण आव्यूह $$M$$ उत्पाद के रूप में प्रस्तुत किया जा सकता है $$A'A$$ डेटा आव्यूह का (बहुभिन्नरूपी आँकड़े) $$A$$ इसके स्थानान्तरण द्वारा पूर्व-गुणा किया गया $$A'$$. सकारात्मक अर्ध-निश्चित आव्यूह होने के नाते, $$M$$ इसमें गैर-नकारात्मक आइगेन मान, और ऑर्थोगोनल (या ऑर्थोगोनलाइज़ेबल) eigenvectors हैं, जिन्हें निम्नानुसार प्रदर्शित किया जा सकता है।

सबसे पहले, कि आइगेन मान $$\lambda_i$$ गैर-नकारात्मक हैं: $$\begin{align} &M v_i = A' A v_i = \lambda_i v_i \\ \Rightarrow{}& v_i' A' A v_i = v_i' \lambda_i v_i \\ \Rightarrow{}& \left\| A v_i \right\|^2 = \lambda_i \left\| v_i \right\|^2 \\ \Rightarrow{}& \lambda_i = \frac{\left\| A v_i \right\|^2}{\left\| v_i \right\|^2} \geq 0. \end{align}$$ दूसरी बात, कि eigenvectors $$v_i$$ दूसरे के लिए ओर्थोगोनल हैं: $$\begin{align} &M v_i = \lambda _i v_i \\ \Rightarrow{}& v_j' M v_i = v_j' \lambda _i v_i \\ \Rightarrow{}& \left (M v_j \right )' v_i = \lambda_i v_j' v_i \\ \Rightarrow{}& \lambda_j v_j ' v_i = \lambda _i v_j' v_i \\ \Rightarrow{}& \left (\lambda_j - \lambda_i \right ) v_j ' v_i = 0 \\ \Rightarrow{}& v_j ' v_i = 0 \end{align}$$ यदि आइगेन मान ​​​​अलग-अलग हैं - बहुलता के मामले में, आधार को ऑर्थोगोनलाइज़ किया जा सकता है।

अब यह स्थापित करने के लिए कि रेले भागफल को सबसे बड़े eigenvalue वाले eigenvector द्वारा अधिकतम किया गया है, मनमाना वेक्टर को विघटित करने पर विचार करें $$x$$ eigenvectors के आधार पर $$v_i$$: $$x = \sum _{i=1} ^n \alpha _i v_i,$$ कहाँ $$\alpha_i = \frac{x' v_i}{v_i' v_i} = \frac{\langle x,v_i\rangle}{\left\| v_i \right\| ^2}$$ का समन्वय है $$x$$ ऑर्थोगोनल रूप से प्रक्षेपित $$v_i$$. इसलिए, हमारे पास है: $$\begin{align} R(M,x) &= \frac{x' A' A x}{x' x} \\ &= \frac{ \Bigl( \sum _{j=1} ^n \alpha _j v_j \Bigr)' \left ( A' A \right ) \Bigl(\sum _{i=1} ^n \alpha _i v_i \Bigr)}{ \Bigl( \sum _{j=1} ^n \alpha _j v_j \Bigr)' \Bigl( \sum _{i=1} ^n \alpha _i v_i \Bigr)} \\ &= \frac{ \Bigl( \sum _{j=1} ^n \alpha _j v_j \Bigr)'\Bigl(\sum _{i=1} ^n \alpha _i (A' A) v_i \Bigr)}{ \Bigl( \sum _{i=1}^n \alpha _i^2 {v_i}'{v_i} \Bigr)} \\ &= \frac{ \Bigl( \sum _{j=1} ^n \alpha _j v_j \Bigr)'\Bigl(\sum _{i=1} ^n \alpha _i \lambda_i v_i \Bigr)}{ \Bigl( \sum _{i=1}^n \alpha _i^2 \|{v_i}\|^2 \Bigr)} \end{align}$$ जो, आइजेनवेक्टरों की लंबनात्मकता से, बन जाता है: $$\begin{align} R(M,x) &= \frac{\sum _{i=1} ^n \alpha_i^2 \lambda _i}{\sum _{i=1} ^n \alpha_i^2} \\ &= \sum_{i=1}^n \lambda_i \frac{(x'v_i)^2}{ (x'x)( v_i' v_i)^2} \\ &= \sum_{i=1}^n \lambda_i \frac{(x'v_i)^2}{ (x'x)} \end{align}$$ अंतिम प्रतिनिधित्व स्थापित करता है कि रेले भागफल वेक्टर द्वारा बनाए गए कोणों के वर्ग कोज्या का योग है $$x$$ और प्रत्येक eigenvector $$v_i$$, संगत आइगेन मान ​​​​द्वारा भारित।

यदि वेक्टर $$x$$ अधिकतम $$R(M,x)$$, फिर कोई भी गैर-शून्य अदिश गुणज $$kx$$ अधिकतम भी करता है $$R$$, इसलिए समस्या को अधिकतमीकरण के लैग्रेंज गुणक तक कम किया जा सकता है $\sum _{i=1}^n \alpha_i^2 \lambda _i$ उस बाध्यता के तहत $\sum _{i=1} ^n \alpha _i ^2 = 1$.

परिभाषित करना: $$\beta_i = \alpha_i^2$$. यह तब रैखिक कार्यक्रम बन जाता है, जो हमेशा डोमेन के किसी कोने पर अपनी अधिकतम सीमा प्राप्त करता है। अधिकतम अंक होगा $$\alpha_1 = \pm 1$$ और $$\alpha _i = 0$$ सभी के लिए $$i > 1$$ (जब आइगेन मान ​​को घटते परिमाण के अनुसार क्रमित किया जाता है)।

इस प्रकार, रेले भागफल को सबसे बड़े eigenvalue वाले eigenvector द्वारा अधिकतम किया जाता है।

लैग्रेंज मल्टीप्लायरों का उपयोग करके सूत्रीकरण
वैकल्पिक रूप से, इस परिणाम पर लैग्रेंज मल्टीप्लायरों की विधि द्वारा पहुंचा जा सकता है। पहला भाग यह दिखाना है कि स्केलिंग के तहत भागफल स्थिर है $$x \to cx$$, कहाँ $$c$$ अदिश राशि है $$R(M,cx) = \frac {(cx)^{*} M cx} {(cx)^{*} cx} = \frac {c^{*} c} {c^{*} c} \frac {x^{*} M x} {x^{*} x} = R(M,x).$$ इस अपरिवर्तनशीलता के कारण, यह विशेष मामले का अध्ययन करने के लिए पर्याप्त है $$\|x\|^2 = x^Tx = 1$$. फिर समस्या फ़ंक्शन के महत्वपूर्ण बिंदु (गणित) को खोजने की है $$R(M,x) = x^\mathsf{T} M x ,$$ बाधा के अधीन $$\|x\|^2 = x^Tx = 1.$$ दूसरे शब्दों में, यह महत्वपूर्ण बिंदुओं को खोजना है $$\mathcal{L}(x) = x^\mathsf{T} M x -\lambda \left (x^\mathsf{T} x - 1 \right), $$ कहाँ $$\lambda$$ लैग्रेंज गुणक है। के स्थिर बिंदु $$\mathcal{L}(x)$$ पर घटित होता है $$\begin{align} &\frac{d\mathcal{L}(x)}{dx} = 0 \\ \Rightarrow{}& 2x^\mathsf{T}M - 2\lambda x^\mathsf{T} = 0 \\ \Rightarrow{}& 2Mx - 2\lambda x = 0 \text{ (taking the transpose of both sides and noting that M is Hermitian)}\\ \Rightarrow{}& M x = \lambda x \end{align} $$ और $$ \therefore R(M,x) = \frac{x^\mathsf{T} M x}{x^\mathsf{T} x} = \lambda \frac{x^\mathsf{T}x}{x^\mathsf{T} x} = \lambda.$$ इसलिए, eigenvectors $$x_1, \ldots, x_n$$ का $$M$$ रेले भागफल के महत्वपूर्ण बिंदु और उनके संबंधित स्वदेशी मान हैं $$\lambda_1, \ldots, \lambda_n$$ के स्थिर मान हैं $$\mathcal{L}$$. यह संपत्ति प्रमुख घटकों के विश्लेषण और विहित सहसंबंध का आधार है।

स्टर्म-लिउविल सिद्धांत में उपयोग
स्टर्म-लिउविले सिद्धांत रैखिक ऑपरेटर की कार्रवाई से संबंधित है $$L(y) = \frac{1}{w(x)}\left(-\frac{d}{dx}\left[p(x)\frac{dy}{dx}\right] + q(x)y\right)$$ द्वारा परिभाषित आंतरिक उत्पाद स्थान पर $$\langle{y_1,y_2}\rangle = \int_a^b w(x)y_1(x)y_2(x) \, dx$$ ए और बी पर कुछ निर्दिष्ट सीमा शर्तों को पूरा करने वाले कार्यों का। इस मामले में रेले भागफल है $$\frac{\langle{y,Ly}\rangle}{\langle{y,y}\rangle} = \frac{\int_a^b y(x)\left(-\frac{d}{dx}\left[p(x)\frac{dy}{dx}\right] + q(x)y(x)\right)dx}{\int_a^b{w(x)y(x)^2}dx}.$$ इसे कभी-कभी समतुल्य रूप में प्रस्तुत किया जाता है, जो अंश में अभिन्न को अलग करके और भागों द्वारा ीकरण का उपयोग करके प्राप्त किया जाता है:

== $$\begin{align} \frac{\langle{y,Ly}\rangle}{\langle{y,y}\rangle} &= \frac{ \left \{ \int_a^b y(x)\left(-\frac{d}{dx}\left[p(x)y'(x)\right]\right) dx \right \} + \left \{\int_a^b{q(x)y(x)^2} \, dx \right \}}{\int_a^b{w(x)y(x)^2} \, dx} \\ &= \frac{ \left \{\left. -y(x)\left[p(x)y'(x)\right] \right |_a^b \right \} + \left \{\int_a^b y'(x)\left[p(x)y'(x)\right] \, dx \right \} + \left \{\int_a^b{q(x)y(x)^2} \, dx \right \}}{\int_a^b w(x)y(x)^2 \, dx}\\ &= \frac{ \left \{ \left. -p(x)y(x)y'(x) \right |_a^b \right \} + \left \{ \int_a^b \left [p(x)y'(x)^2 + q(x)y(x)^2 \right] \, dx \right \} } {\int_a^b{w(x)y(x)^2} \, dx}. \end{align}$$सामान्यीकरण ==
 * 1) आव्यूह के दिए गए जोड़े (ए, बी) और दिए गए गैर-शून्य वेक्टर x के लिए, 'सामान्यीकृत रेले भागफल' को इस प्रकार परिभाषित किया गया है: $$R(A,B; x) := \frac{x^* A x}{x^* B x}.$$ सामान्यीकृत रेले भागफल को रेले भागफल तक कम किया जा सकता है $$R(D, C^*x)$$ परिवर्तन के माध्यम से $$D = C^{-1} A {C^*}^{-1}$$ कहाँ $$CC^*$$ हर्मिटियन सकारात्मक-निश्चित आव्यूह बी का चोल्स्की अपघटन है।
 * 2) गैर-शून्य सदिशों की दी गई जोड़ी (x, y) और दिए गए हर्मिटियन आव्यूह H के लिए, 'सामान्यीकृत रेले भागफल' को इस प्रकार परिभाषित किया जा सकता है: $$R(H; x,y) := \frac{y^* H x}\sqrt{y^*y \cdot x^*x}$$ जो R(H,x) के साथ मेल खाता है जब x = y। क्वांटम यांत्रिकी में, इस मात्रा को आव्यूह तत्व या कभी-कभी संक्रमण आयाम कहा जाता है।

यह भी देखें

 * मूल्यों का क्षेत्र
 * न्यूनतम-अधिकतम प्रमेय
 * कंपन विश्लेषण में रेले का भागफल
 * डिरिचलेट आइजेनवैल्यू

अग्रिम पठन

 * Shi Yu, Léon-Charles Tranchevent, Bart Moor, Yves Moreau, Kernel-based Data Fusion for Machine Learning: Methods and Applications in Bioinformatics and Text Mining, Ch. 2, Springer, 2011.