当前课程知识点:矩阵论及其应用 > 第七单元 矩阵范数 > 7.3 范数的应用 1-数值分析 > 7.3 范数的应用 1-数值分析
大家好。这一节我们来介绍
范数的第一个应用,
在数值分析中的应用
我们要说以下四个方面:
第一就是,病态与良态;
第二就是
近似逆矩阵的误差;
第三就是,条件数;
第四就是;线性方程组解的误差。
下面我们来说
第一个问题,就是病态与良态。
在工程的各种实际问题中
我们需要做大量的数值计算
对于各种数据和参数微小的变动或扰动
会对问题的解产生什么样的影响?
这是我们所关心的问题
例如,有一个n阶方阵A
它是可逆的,它的行列式不等于零。
我们对这个方阵
做了一个微小的扰动 δA
这时候,我们的方阵变成了,A加上 δA
我们下面关心的是两个方面的性质:
第一,方阵是否可逆;
第二,它的逆与原来相差多少?
下面是一个著名的例子:给定的方阵A
它的行列式是1。它的逆如下。
我们下面对这个方阵做一个微小的扰动,
实际上我们只对方阵左上角的元素,
做了一个很小的变动,
其中 ε 是一个很小的数。
这时候我们的方阵
现在变成了,A加上 δA
当 ε 选成,负的68分之一的时候
大家注意这个 ε
相对于原来方阵中的元素
是一个非常小的数
但是这时候我们得到了
扰动后的新的矩阵不在可逆,
它的行列式是零。
这说明,做了一个微小的扰动之后
我们方阵的可逆性质彻底改变了
当我们取 ε等于另一个很小的数
负的零点零一的时候
这时候我们的方阵变成了这样,
这个新的方阵是可逆的
但是它的逆,比较原来矩阵的逆
发生了很大的变化。
我们的结论是
例子中的矩阵,对于微矩阵小变动
它的性质发生了根本性的变化。
第一,由原来的可逆矩阵变成了不可逆;
第二,虽然经过变动后的矩阵仍然可逆,
但是逆发生了很大的变化。
这说明我们的这个矩阵
它的可逆性质和逆矩阵
对于微小的变动是十分敏感的
微小的变动,会使它的性质发生重大的变化
所以,我们称这个矩阵对于可逆性
和逆矩阵来说是病态。
我们的第二个例子,是线性方程组求解
给定一个线性方程组
Ax等于b
我们对线性方程组做一个微小的改动
我们想看一下,它的解发生什么样的变化?
对方程组的变动有以下三种情况:
第一,变动它的系数矩阵;
第二,是对它的常向量b
做一个小小的变动δb;
第三,对系数矩阵和常数向量都做变动。
这时候,线性方程组的解也会随之发生改变
我们得到了摄动以后的线性方程组
有下面三种对应的情况:
下面我们来看一个具体的著名的例子
如下的一个线性方程组
我们知道,它有唯一确定的解
就是x1到x4,全都等于1。
下面我们只对这个线性方程组常数向量b
做一个很小的变动δb
我们变动后的方程组是这样的
大家可以看到它的解,相对原来的解
发生了很大的变化。
如果我们只对方程组的系数矩阵
做一个很小的变动,
这时候,我们得到了一个新的线性方程组
求解之后
发现它的解发生了更大的变化
所以我们的结论是
这个线性方程组,对于系数矩阵的微小变动
或者是向常量的微小变动,
都会对解产生一个很大的变化
所以这个线性方程组是病态的。
接下来我们利用矩阵范数
来看一下逆矩阵的误差。
我们有如下的定理
给定一个可逆矩阵A
对它做一个很小的变动δA。
对某个矩阵范数,
如果满足A的逆,
乘上δA的范数小于1,
这时候我们知道变动后的矩阵A
加上δA是可逆的;
如果进一步,A的逆的范数
乘上δA的范数小于1,
这时候我们可以得到,原来方阵
变动后的逆矩阵的误差
估计如下:
我们简单说明一下
矩阵的绝对变动是δA的方阵范数,
而矩阵A的相对变动,是δA的范数
比上A矩阵的范数。
逆矩阵的绝对变动是, 变动后
矩阵逆的减掉
变动前矩阵逆差的范数。
而逆矩阵的相对变动是, 上面的绝对变动
除以矩阵A的范数。
所以我们看到
在矩阵求逆的相对误差估计中
有一个数,A的逆矩阵的范数
乘上A的范数,十分重要。
它越大,相对的误差就会越大,
所以,这个数可以用来衡量矩阵的病态程度,
这个数就是我们接下来要说的条件数。
我们先给出条件数的定义
给出一个可逆矩阵A
对于某一个矩阵范数
我们定义这个矩阵A的条件数
就等于,这个矩阵的范数,乘上它的逆的范数。
条件数有以下的具体例子:
谱条件数,就是我们用的矩阵范数
是方阵的2范数;
F条件数,我们所用的方阵范数是F范数;
而最大条件数
我们用的方阵范数是无穷范数。
在我们刚才看到的第一个例子中
我们所做的,方阵的相对变动非常的小
但是这个方阵的条件数却很大,
所以微小的变动被放大
然后产生了很大的误差,
所以我们例子中的矩阵是病态。
下面我们看一些具体的病态矩阵例子
我们给出的是Hilbert 矩阵
它的定义是,矩阵的第 i 行
第 j 列的元素是,它所在的行数 i
加上列数 j 减1分之一
通过下面的表, 大家可以看到
随着矩阵阶数的增大
Hilbert矩阵的条件数
增大的非常迅速
所以Hilbert矩阵,
随着阶数增大,是十分病态。
接下来我们来看第四个方面
线性方程组解的误差
我们有下面的定理
给定可逆矩阵A
我们考虑下面的线性方程组,Ax等于b
我们对系数矩阵做了一个微小的变动
叫δA
常数向量做了一个微小的变动,δb
这时候我们线性方程组的解也发生了改变
它的改变叫δx
这时候我们所得到的,摄动以后的
线性方程组为
A加上δa,乘上x加上δx,等于b
加上δb。
对于某一个矩阵范数
如果,A的逆的范数乘上δA的范数小于1
我们有以下的关于矩阵方程解的误差估计
其中,δa的范数比上A的范数
是系数矩阵改变的相对改变;
δb范数比上b的范数,
这是常数向量改变的相对改变;
δx的范数比上x的范数,
是解改变的相对误差.
我们可以看到条件范数
在这个误差估计中
也可以用来衡量线性方程组的病态程度
如果条件范数越大
那么我们方程组的一个微小的变化
就会被条件数放大
这时候我们的解就会产生很大的误差
所以线性方程组也就会变得病态
而我们例子中的线性方程组
它的条件数很大
所以我们知道
这个线性方程组的求解问题来说是病态
-1.1 特征值与特征向量的定义与求法
-1.2 特征值与特征向量计算举例
-1.3 特征值与特征向量的性质
-1.4 相似矩阵的定义及性质
-1.5 可对角化的条件
-1.6 可对角化的计算举例
-第1单元作业(共15个单选题)
--第1单元作业(共15个单选题)
-2.1 Jordan标准形的定义及方法1
-2.2 求Jordan标准型的方法2—初等变换法
-2.3 求Jordan标准型的方法3—行列式因子法
-2.4 相似变换矩阵的计算
-2.5 应用案例一、Jordan标准型的应用举例
-第2单元作业(共15个单选题)
--第2单元作业(共15个单选题)
-3.1 Hamilton-Cayley定理
-3.2 最小多项式
-第3单元作业(共10个单选题)
--第3单元作业(共10个单选题)
-4.1 酉矩阵的定义及性质
-4.2 Schur分解定理
-第4单元作业(共10个单选题)
--第4单元作业(共10个单选题)
-5.1 矩阵的LU分解
-5.2 初等反射与初等旋转矩阵
-5.3 矩阵的QR分解
-5.4 矩阵的奇异值分解
-5.5 矩阵的满秩分解
-5.6 应用案例二、QR算法与最小二乘问题
-第5单元作业(共15个单选题)
--第5单元作业(共15个单选题)
-6.1 广义逆矩阵与线性方程组
-6.2 Moore-Penrose逆A+及其应用
-第6单元作业(共10个单选题)
--第6单元作业(共10个单选题)
-7.1 向量范数
--7.1 向量范数
-7.2 方阵范数
--7.2 方阵范数
-7.3 范数的应用 1-数值分析
-7.4 范数的应用 2
-第7单元作业(共15个单选题)
--第7单元作业
-8.1 矩阵序列
--8.1矩阵序列
-8.2 矩阵函数计算 1
-8.3 矩阵函数计算 2
-8.4 矩阵函数计算 3
-8.5 矩阵的微分和积分
-8.6 矩阵函数的应用一阶常系数线性微分方程组的初值问题
--8.6 矩阵函数的应用一阶常系数线性微分方程组的初值问题
-第8 单元作业(共15个单选题)
--第8 单元作业(共15个单选题)
-9.1 特征值的界的估计
-9.2 特征值的包含区域
-9.3 特征值的分离
-第9单元作业(共15个单选题)
--第9单元作业(共15个单选题)