矩阵数值.pptVIP

5.5 向量和矩阵的范数 5.6 误差分析 设 是精确的， 有误差 ，解为 , （6.4） 由(6.3) （6.5） 于是由(6.4)及(6.5)，得 则利用 有 从而 定理22 设 是非奇异阵， ，且 则 上式给出了解的相对误差的上界，常数项 的相对误 差在解中可能放大 倍. 现设 是精确的， 有微小误差(扰动) , 解为 , 则 （6.6） 如果不对 加以限制， 可能奇异，而 由定理21知，当 时， 存在. 由(6.6)式可推出 因此利用定理21的结果，有 设 ，即得 （6.7） 定理23 设 为非奇异矩阵， ，且 如果 ，则(6.7)式成立. 如果 充分小，且在条件 下，(6.7)式 说明矩阵 的相对误差 在解中可能放大 倍. 量 愈小，由 (或 )的相对误差引起的解的 相对误差就愈小； 量 愈大，解的相对误差就可能愈大. 所以量 实际上刻画了解对原始数据变化的灵敏程度，即刻画了方程组的“病态”程度， 定义8 设 为非奇异阵， 为矩阵 的条件数. 称数 矩阵的条件数与范数有关. 由上面讨论知，当 的条件数相对的大，即 时，(6.3)是“病态”的(即 是“病态”矩阵，或者说 是坏 条件的，相对于解方程组). 当 的条件数相对的小，则(6.3)是“良态”的(或者说 是好条件的). 方程组病态性质是方程组本身的特性. 的条件数愈大， 方程组的病态程度愈严重，也就愈难用一般的计算方法求得 比较准确的解. 常用的条件数有 (1) 当 为对称矩阵时 其中 为 的绝对值最大和绝对值最小的特征值.  条件数的性质： 1. 对任何非奇异矩阵 ，都有 . (2) 的谱条件数 事实上， 将实数 向量范数概念是三维欧氏空间中向量长度概念的推广， 在数值分析中起着重要作用. 定义1 （或 ）. 设 （或复数 ） 称为向量 的数量积. 将非负实数  或 称为向量 的欧氏范数 . 定理13 关于范数，成立如下定理. 设 则 5. (Cauchy-Schwarz不等式) 等号当且仅当 与 线性相关时成立； 6. 三角不等式 也可以用其他办法来度量向量的“大小”. 向量的欧式范数可以看成是对 中向量“大小”的一 种度量. 例如，对于 可以用一个 的函数 来度量 的“大小”，而且这种度量“大小”的方法计算起来比欧氏范数方便. 一般要求度量向量“大小”的函数 满足正定性、 齐次性和三角不等式. （5.1） 则称 是 (或 )上的一个向量范数(或模). 由(3) 定义2 如果向量 (或 )的某 个实值函数 ，满足条件： (向量的范数) （5.2） 从而有 几种常用的向量范数. 1. 向量的 -范数(最大范数)： 2. 向量的1-范数： 3. 向量的2-范数： 也称为向量 的欧氏范数. 4. 向量的 -范数： 其中 . 可以证明向量函数 是 上向量的范数, 且容易说明上述三种范数是 -范数的特殊情况. 如果 例6 计算向量 的各种范数.  解 定义3 设 为 中一向量序列， 则称 收敛于向量 ， 记 记为 定理14 ( 的连续性) 为 上任一向量范数， 则 是 的分量 设非负函数 的连续函数. 证明 设 其中 只须证明当 时 . 事实上 即 其中 的任意两种范数， 定理15 设 为 上向量 则存在常数 证明 只要就