数值分析课件-ch05误差估计.pptVIP

* ?迭代 改善(Iterative refinement)： 设Ax=b ，其中A为非奇异矩阵，且为病态方程组(但不过分病态). Step 1:　　　　　近似解 Step 2: Step 3: Step 4: If 　 is exact solution，then Otherwise go to step 2 经验表明：若 A 不是非常病态（例如： ），则如此迭代可达到机器精度；但若 A 病态，则此算法也不能改进。 Approximate solution by Guassian elimination 华长生制作 * 向后误差估计 (Backward error analysis) 设 为方程组Ax=b的近似解，于是可计算 的剩余向量 ，当 r 很小时， 是否为 一个较好的近似解呢? 定理：设A为非奇异矩阵，x是Ax=b的精确解。再设 是此方程组的近似解，则 Theorem: Suppose that x is exact solution of Ax=b and is approximate solution by any algorithm, then * 习题 2.2,2.6,2.7,2.22 * 第五章线性方程组直接解法 —— 误差估计 * 本讲内容 向量范数 矩阵范数 向量范数的定义 常见的向量范数 向量范数的性质 矩阵范数的定义 F-范数与算子范数 矩阵范数的性质、算子范数的性质 误差估计 * 向量范数 设函数 f : Rn ? R，若 f 满足 f(x) ? 0，? x?Rn , 等号当且仅当 x = 0 时成立 f(?x) = |?| · f(x) ， ? x?Rn , ? ??R f(x+y) ? f(x) + f(y) 则称 f 为 Rn 上的（向量）范数，通常记为 || · || 方程组的解为一组数，称为解向量，近似解向量与准确解向量之差称为误差向量，为了估计误差向量的大小，以及在迭代法讨论收敛性的需要，首先需引入衡量向量与矩阵大小的度量——范数。 * 向量范数 常见的向量范数 ③ 无穷范数（最大范数） ② 2-范数 Euclid范数。 ① 1-范数 * 范数性质 范数的性质 (1) 连续性 设 f 是 Rn 上的任意一个范数，则 f 关于 x 的每个分量是连续的 (2) 等价性 设 || · ||s 和 || · ||t 是 Rn 上的任意两个范数，则存在常数 c1 和 c2 ，使得对任意的 x?Rn 有 * 范数性质 (3) Cauchy-Schwarz 不等式 (4) 向量序列的收敛性 * 矩阵范数 设函数 f : Rn?n ? R，若 f 满足 f(A) ? 0，? A? Rn?n , 且 f(A) = 0 ? A = 0 f(?A) = |?| · f(A) ， ? A?Rn , ? ??R f(A+B) ? f(A) + f(B) f(AB) ? f(A)f(B) 则称 f 为 Rn?n 上的（矩阵）范数，通常记为 || · || 矩阵范数 * 矩阵范数 常见的矩阵范数 (1) F-范数 (Frobenious 范数) (2) 算子范数 (从属范数、诱导范数) 其中 || · || 是 Rn 上的任意一个范数 * 算子范数 常见的算子范数 ③ 无穷范数（行范数） ② 2-范数（谱范数） ① 1-范数（列范数） * 算子范数 例 求矩阵A的各种常用范数 解: 由于 * 特征方程为 * 容易计算 计算较复杂 对矩阵元素的 变化比较敏感 不是从属范数 较少使用 性质较好 * 矩阵范数性质 矩阵范数的性质 (1) 连续性：设 f 是 Rn?n 上的任一矩阵范数，则 f 关于 A 的每个分量是连续的 (2) 等价性：设 ||·||s 和 ||·||t 是 Rn?n 上的任意两个矩阵范数，则存在常数 c1 和 c2 ，使得对任意的 A? Rn?n 有 * 定理：（相容性条件）设 || · || 是 Rn 上的任一向量范数，其对应的算子范数也记为 || · || ，则有 算子范数性质 算子范数的性质 定理：设 || · || 是任一算子范数，则 * 算子范数性质 定理：设 || · || 是任一算子范数，若 ||B||?1 ，则 I±B 非奇异，且 定理： ： (特征值上界) 设 则 即 A 的谱半径不超过 A 的任何一种算子范数. * 定理：设 , 则 的充要条件是B的谱半径 * 病态矩阵 考虑线性方程组