向量和矩阵的范数课件.pptVIP

5.5向量和矩阵的范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设（或）.将实数（或复数称为向量的数量积.）1

将非负实数或称为向量的欧氏范数.关于范数，成立如下定理.定理13设则2

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3

向量的欧式范数可以看成是对中向量“大小”的一种度量.也可以用其他办法来度量向量的“大小”.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”的函数齐次性和三角不等式.满足正定性、4

定义2(向量的范数)如果向量(或)的某个实值函数，满足条件：（5.1）则称由(3)是(或)上的一个向量范数(或模).5

从而有（5.2）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：6

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.7

例6计算向量的各种范数.解定义3设为中一向量序列，记如果记为则称收敛于向量，8

定理14设非负函数(的连续性)为上任一向量范数，则的连续函数.是的分量证明设其中只须证明当时.事实上9

即其中10

定理15(向量范数的等价性)设的任意两种范数，则存在常数有为上向量使得对一切证明只要就证明上式成立即可，即证明存在常数使考虑泛函11

记则是一个有界闭集.为上的连续函数，所以于上达到最大最小值，即存在使得由于设且则从而有（5.3）显然上式为12

即定理15不能推广到无穷维空间.由定理15可得到结论：如果在一种范数意义下向量序列收敛时，则在任何一种范数意义下该向量序列均收敛.13

定理16其中‖·‖为向量的任一种范数.证明显然，而对于上任一种范数由定理15，存在常数‖·‖，使于是又有14

向量范数概念可以推广到矩阵.视中的矩阵为中的向量，则由上的2范数可以得到中矩阵的一种范数称为的Frobenius范数.显然满足正定性、齐次性及三角不等式.定义4(矩阵的范数)如果矩阵,满足条件的某个非负的实值函数15

（5.4）则称是上的一个矩阵范数(或模).就是上的一个矩阵范数.上面定义的由于在大多数与估计有关的问题中，矩阵和向量会同时参与讨论，所以希望引进一种矩阵的范数，它和向量范数相联系而且和向量范数相容的.16

即对任何向量及都成立（5.5）定义5(矩阵的算子范数设,，)给出一种向量范数(如个矩阵的非负函数或∞)，相应地定义一（5.6）可以验证满足定义4，所以是个范数，称为的算子范数.上矩阵的一17

定理17设是上一个向量范数，则是上矩阵的范数，且满足相容条件（5.7）证明由(5.6)相容性条件(5.7)是显然的.现只验证定义4中条件(4).由(5.7)，有当时，有18

故显然这种矩阵范数依赖于具体的向量范数.也就是说，给出一种具体的向量范数，相应地就可得到一种矩阵范数定理18.设,，则19

其中表示证明只就1，3给出证明，2同理.1.设,不妨设的最大特征值..记则20

这说明对任何非零，有（5.8）接下来说明有一向量,使设，取向量,其中显然这说明,且的第个分量为，21

3.由于对一切从而的特征值为非负实数，设为（5.9）为的相应于(5.9)为任一非零向量，为对称矩阵，设的特征向量且于是有，又设22

其中为组合系数，则另一方面，取，则上式等号成立，故，计算的各种范数.例7设解23

对于复矩阵(即立，3应改为)定理18中的第1,2项显然也成24

定义6设的特征值为,称为的谱半径.定理19(特征值上界)设,则,即的谱半径不超过的任何一种算子范数(对亦对).设是的任一特征值，为相应的特征向量，，由相容性条件(5.7)得证明则注意到,即得25

定理20定理21如果如果为对称矩阵，则，则为非奇异矩阵，且其中‖·‖是指矩阵的算子范数.证明用反证法.若则,使,,有非零解，即存在故，与假设矛盾.又由，有26

从而27

5.6误差分析5.6.1矩阵的条件数考虑线性方程组其中设为非奇异矩阵，为方程组的精确解.由于(或)元素是测量得到的，或者是计算的结果，在第一种情况(或)常带有某些观测误差.在后一种情况(或)又包含有舍入误差.因此我们处理的实际矩阵是(或).28

下面研究数据(或)的微小误差对解的影响.即考虑估计，其中是的解.例8设有方程组（6.1）记为现在考虑常数项的微小变化对方程组解的影响，即考察方程组,它的精确解为（6.2）29

,其中也可表示为为(6