线性方程组以及矩阵特征值求解的数值方法.ppt

证明： 先证Jacobi迭代法收敛。 解Ax=b的Jacobi迭代法的迭代阵为 因为A为严格对角占优阵， 由定理8知Jacobi迭代法收敛。 设有线性方程组 A b 误差：舍入误差；观测误差 而需处理的实际矩阵是 由此，需要研究方程组数据A,b的微小误差（扰动） 对解x的影响， 即考虑方程组 估计问题。 向量是 的解 y和x的差的 问题： 1）方程组是否有解？ 2）解的精确度如何？ §6 方程组的病态问题与误差分析 例6.1 设有方程组 精确解 讨论方程组 一、 实例 常数项相对误差： 解的相对误差为： 说明：由于常数项微小误差引起解的相对误差较大， 是常数项 相对误差的10000倍，也就是说，此方程组解对方程组的数据A，b 非常敏感，这样的方程就是病态方程组。 对于什么样的方程组是 病态方程组，若按以上例子来讨论太麻烦，因此我们从原方程出 发讨论刻划方程组病态的量，即扰动分析。 二、 扰动分析 由上两式得 结论：b扰动对解的影响。 定理 11 为非奇异矩阵，x为精确解， 则b微小误差(扰动、摄动)引起解x的相 对误差有估计式： 上式说明，常数项b微小误差引起解的相对误差可能是 即上式的不等号中的等号可以成立。 说明： 又有 所以 定理 12 则矩阵A微小误差引起解的相对误差有估计式： (1)由定理15，当 充分小,即 A的相对 摄动引起解的相对误差就愈小； 引起的解的相对误差就可能愈大。因此， 在某种程度上刻画了解对问题数据敏感程度。也可以 说成用 来描述方程组本身的一种性质，它影响到解的 结论：A扰动对解的影响 为非奇异矩阵，x为精确解， 说明： 可能被放大 误差引起解的相对误差 可靠程度。 定义： 称为矩阵A的条件数（Condition Number）。 A的谱条件数（即取 ） ，又记为 k（A）： 当A为对称正定矩阵时，其中A特征值为 三、 矩阵的条件数 注： 条件数性质 事实上，由于 (3) A为正交矩阵，则 (4)设A为非奇异矩阵，P为正交矩阵，则 事实上，由于 事实上，由于 事实上，由于 （5）A为对角方阵 相似 相似 相似 相似 注: 2、由性质（4）知用正交变换约化矩阵是合理的。 是好条件的。 1、由性质(3)知正交矩阵方程组 3 、用条件数，即积 作为方程组好条件或坏条件 的一种度量。而不能用行列式的值来刻画方程组条件的好坏。 四、 病态方程组 定义： 为非奇异矩阵。当A的条件数 相对的大 是病态方程组 或A是病态的，当A的条件数 相对的小， （或坏条件的）， 方程组（或好条件，或A是良态的）。 是良态 Hilbert 矩阵（著名的病态矩阵）。 （1）条件数与A及 有关，因此方程组是病态的或良态 无关。 （2）矩阵条件数愈大，方程组病态程度愈严重，也就愈难用 普通计算方法求得比较精确的解。 例6.2设有方程组 解 容易计算 所以 说明： 的，只与A有关，也即是方程组本身固有的，与解 的方法 因此,其为病态方程组。 五、 事后误差估计 为计算近似解。用计算剩余 来检验计算解的精度，是否 一个较好的近似解呢？ 定理 13 （事后误差估计） （1）设A为非奇异矩阵， 相对误差有估计式 ( 2 ) 设 是方程组一个近似解， 则近似解 的 证明： §7 方阵特征值计算 一、特征值问题及其性质 设矩阵 ，特征值问题是求 和非零向量 ，使 其中 是矩阵 属于特征值 的特征向量。 主要讨论矩阵特征的数值解 (2.7.1) 求 的特征值问题等价于求 的特征方程 (2.7.2) 的根。 注：在科学和工程技术中很多问题在数学上都归结为求矩阵的特征值问题 (二)x的计算 例 用直接三角分解法解方程组 解:(一)矩阵LU分解 (1) 故： (2) 经计算： (二)求解x： 从而 例 设 ，试将A进行三角分解。 解： 由高斯消去法得到 L U （1）方法比较 消元法： 消元法的公式只有一组，便于计算机计算。 消元法与三角分解法间的关系： 三角分解法： （2）计算次数 注： 讨论 高斯-约当法除外 Cholesky分解： 对称正定矩阵的一种三角分解方法。 对称正定阵的定义及性质： 定义 A为对称 正定阵 (4)A的特征值 。 (1)A是非奇异矩阵，且A-1亦是对称正定阵； (2)A的顺序主子阵Ak 是对称正定阵(k=1,2,…,n)；