数值分析课件线性代数方程组的直接解法.pptVIP

* §3.5 向量范数与矩阵范数 一、 向量范数（/*Vector Norm*/） 设 是 的一个映射，若对 存在唯一实数 与之对应，且满足 ?正定性： ?齐次性： ?三角不等性： 且 则称 为 中向量 的范数。 非负实值函数 称为赋范线性空间 可以推广到 ?常用的几种向量范数： 设 ? 1-范数： ? 2-范数： ? -范数： 上述3种向量范数统称为P-范数(或者Holder范数) 设 由夹逼定理 ?两个重要不等式 ? 闵可夫斯基(Minkowski)不等式： ? 柯西-许瓦滋(Cauchy-Schwartz)不等式： 或者 例1：设 是n阶实对称正定矩阵，则 是 中的一种向量范数。 证明： 只需验证范数的3个条件成立即可。 ? 非负性： ? 齐次性： ? 三角不等性： 存在非奇异下三角阵 例2：证明 是线性空间 上的一种范数。 证明： 只需验证范数的3个条件成立即可。 ? 非负性： ? 齐次性： ? 三角不等性： 闵可夫斯基(Minkowski)不等式： ?向量范数的性质： 性质1 性质2 是 的n元连续函数. 设 和 是 上定义的两种范数，如果存在正数 满足 则称 和 是 上等价的向量范数。 （等价性/*Equivalence Property*/） 性质3 例如 性质4 向量范数的等价性具有传递性。 性质5 的所有向量范数是彼此等价的。 （向量序列的范数极限） 即向量序列的范数收敛等价于向量分量收敛 性质6 设 ,则 的充要条件是 二、 矩阵范数（/*Matrix Norm*/） ?正定性： ?齐次性： ?三角不等性： 且 则称 为 中矩阵 的范数。 赋范线性空间 可以推广到 ?相容性: 设 是 的一个映射，若对 存在唯一实数 与之对应，且满足 是一种矩阵范数。 例3：设 ，证明： 证明： 只需验证范数的4个条件成立即可。 上述范数可以看成是 维向量的2-范数，故只需验证? 记 Frobenius范数 简称F-范数 其中 称之为矩阵 的迹 是 的特征值 设 是 上的范数， 是 上的范数 如果对 满足 则称上述矩阵范数与向量范数相容。 相容性（/*Compatibility*/） 证明： 设 显然它是一种向量范数。 令 设 是 中的任意一种矩阵范数，则在 中至少存在一种向量范数 ，使得 和 是 相容的。 性质 记 由 得 而 从属性（/*Subordination*/） 设矩阵范数 与向量范数 相容，且对每一个 都存在一个非零向量 满足 则称 是从属于向量范数 的矩阵范数。 从属于向量范数 的必要条件： 证明： ?矩阵范数与向量范数的相容性： 设 是 中的一种向量范数,若定义 则 是 上的一种矩阵范数. ?非负性： 设 ，则 由?知 ?齐次性： ?三角不等性： ?相容性： 矩阵范数的一般定义形式： 上述一般定义形式中分别取 从而得到常用的3种分别从属于它们的矩阵范数： ?列范数： 记 ?行范数： ?谱范数： 其中 是 的最大特征值 谱半径