当前课程知识点:计算方法 > 第2章 数值计算的理论基础 > 2.5 向量范数与向量序列极限 > 2.5 向量范数与向量序列极限
今天我们介绍第五节
向量范数与向量序列极限
首先介绍向量范数
在上一节
我们借助于向量的内积
定义了向量的2范数
我们说
在向量空间Rn中
还可以定义不同的向量范数
以上两个式子可以验证
他们是Rn上的向量范数
左侧称为向量的1范数
右侧称为向量的无穷范数
向量的1范数定义为
向量的n个分量的绝对值之和
向量的无穷范数定义为
向量的n个分量绝对值的最大值
下面我们来验证1范数
满足范数定义的三个条件
我们将n维向量的n个分量的
绝对值之和
定义为P(x)
验证P(x)满足
范数的三个条件
正定性
齐次性和三角不等式
根据定义
P(x)
等于x的n个分量的绝对值之和
它一定是非负的
P(x)等于零
当且仅当每一个分量
xk等于零
这里k=1,…,n
从而推出
x是零向量
任取一个实数
λ
λ乘以向量x
用函数P作用
那么P(λ x)
等于λxk的绝对值
再求和
k从一到n
从合式中提出λ绝对值
就等于
λ的绝对值
乘以xk的绝对值之和
我们再来验证
三角不等式成立
P(x+y)
等于
xk加yk的绝对值
再求和
Xk与yk是数
两个数相加的绝对值
根据
数的三角不等式
sk+yk的绝对值
小于等于
xk的绝对值加yk的绝对值
对这两个绝对值分别求和
我们就证明了
三角不等式
P(x+y)小于等于
P(x)加P(y)
在向量空间中
常用的三种向量范数
分别是向量的1范数
无穷范数
和
2范数
这三种范数可以统一的记为
向量的P范数
P的取值是1,2,无穷
下面我们来
计算向量范数
设x是一个四维向量
它的四个分量分别是
1
-4
0
2
求它的向量范数
首先计算x的1范数
等于它四个分量绝对值求和
计算结果是7
再来算x的2范数
等于它四个分量的平方再求和
开根号
最后结果是根号21
我们再来求x的无穷范数
对它的每一个分量
取绝对值
再求最大值
在四个分量中
求四个分量绝对值的最大值
计算的结果是4
从这道例题也可以看出
同一个向量x
按照不同的范数定义
它求出的范数是不同的
下面我们来介绍向量范数的性质
我们在上一节介绍了
元素范数的两个重要性质
连续性,等价性
我们说这两个重要性质
对于向量范数同样成立
元素范数的性质
一定适用于向量范数
向量范数的连续性
描述为
向量x的范数
是向量x的
连续函数
向量范数的等价性可以描述为
在Rn上
任取两种向量范数
我们设为向量的
A范数与向量的B范数
则一定存在
两个正数
M与m
使对一切
Rn中的n维向量
有
x的B范数
大于等于m乘以x的A范数
小于等于M
乘以x的A范数
将向量范数具体化
我们就得到了下面一系列的不等式
x的1范数大于等于x的无穷范数
小于等于n倍的x的无穷范数
这是
向量的1范数
与向量的无穷范数的等价性
那么后面两个不等式分别给出了
向量的2范数
与向量的1范数以及
向量的无穷范数
与向量2范数之间的等价性
下面我们就第一个不等式
也就是
向量的1范数
与向量的无穷范数的等价性
来进行证明
根据向量1范数的定义
x是一个n维向量
x的1范数
等于它的n个分量的绝对值之和
这个和
一定大于
它的n个分量的绝对值的最大值
那么这个最大值呢
就是x的无穷范数
因此我们有x的1范数
大于等于x的无穷范数
另一方面
x的1范数
又小于等于
n倍的x的无穷范数
这是因为x的1范数呢
是它n个分量
绝对值的和
而无穷范数
是n个分量绝对值的最大值
我们把1范数中的每一个分量
都放大为最大值
那么当然
x的1范数数就小于等于
n倍的x的无穷范数
这样就证明了
X的1范数
与x无穷范数的这种等价关系
我们也可以交换x的1范数
与x的无穷范数
的位置
将x的无穷范数
放在中间
将x的1范数放在两侧
那么就有x的无穷范数
大于等于二n分之一
乘以x的1范数
小于等于x的1范数
当两个范数的位置交换之后
它们对应的
M和m也会相应变化
下面我们介绍向量序列的极限
什么是向量序列呢
若按照某一法则
对于每一个自然数k
都对应一个确定的向量x(k)
可以将这些向量按照上标向量
从小到大进行排列
我们就得到了一系列的向量
那么这一系列的向量
就称为是向量序列
记为
{ x(k)}
举一个例子
这是一个三维向量
我们取k为自然数
就会分别得到x(1), x(2),
那么当k取一切自然数的时候
就得到了一个向量序列
下面我们来定义向量数列的极限
在向量空间Rn中
任取两个向量x与y
我们将x与y之间的距离
定义为它们差的范数
由于范数
是刻画向量大小的量
我们用
x减y的大小来描述
x与y之间的距离
引入了距离
我们就可以定义向量序列的极限
给定向量序列x(k)
设x*
是Rn中的一个确定的向量
如果向量序列x(k)
与向量x*之间的距离
当k趋于无穷时
极限为零
那我们就称
向量序列x(k)
依范数收敛于向量x*
记作向量序列x(k)
以x*为极限
请大家注意
在定义2.8中
我们并没有具体指出是哪种范数
这意味着
我们可以采用任何一种范数
来定义这个极限
根据向量范数的等价性
按照一种范数收敛
那么按照其它范数
它也一定收敛
那怎么样来求一个向量序列的极限呢
我们给出下面的定理
向量序列x(k)
收敛与向量x*
的充分必要条件是
向量序列x(k)的
每一个分量都收敛到
x*的对应分量
也就是说
向量序列x(k)的第j个分量
它以
向量x*的第j个分量为极限
这里j取1,2到n
我们来证明
这个定理
由已知条件向量序列x(k)
以向量x*为极限
那么按照定义
就是向量序列x(k)
减去向量x*
差的范数
当k趋于无穷时
极限为零
这里我们把范数
具体的取为向量的无穷范数
那么什么是
向量x(k)减x*的无穷范数呢
按照定义
就是向量x(k)
减x*的n个分量
绝对值的最大值
这就是向量x(k)
减x*的无穷范数
这个最大值当k趋于无穷的时候
以零为极限
那么对于向量序列x(k)减x*的
每一个分量
xik减去xi*
它一定满足
当k趋于无穷的时候
他的极限是零
这也就意味着
数列xik
当k趋于无穷时
它以数xi*为极限
这样我们就完成了定理2.2的证明
举一个例子
我们给定这样一个三维的
向量序列
当K取自然数的时候
它会给出一系列的向量
那么这个向量序列
是否收敛呢
我们就来看它的三个分量
所构成的数列
是否收敛
它的第一个分量k分之一
当k趋于无穷时
以零为极限
第二个分量
2的k分之一次方
当k趋于无穷时
它以1为极限
第三个分量
k加1分之k
K趋于无穷
它的极限是1
因此
这个向量序列的极限
一定存在
是一个确定的三维向量
0,1,1
以上我们介绍了向量的范数
并且定义了
向量序列的极限
我们介绍了3种常用的向量范数
向量范数
在误差分析中
将起重要作用
下一节
我们介绍矩阵范数
-1.1 引言
--1.1 引言
-1.2 算法与效率
-1.3 计算机数系与浮点运算
-1.4 误差与有效数字
-1.5 四则运算与函数求值的误差
-1.6 问题的性态与条件数
-1.7 算法数值稳定性
-第1章 作业
--第一章 作业
-2.1 引言 2.2 线性空间
-2.3 内积空间与元素的夹角
-2.4 赋范线性空间
-2.5 向量范数与向量序列极限
-2.6 矩阵范数
--2.6 矩阵范数
-第二章 作业
--第二章 作业
-3.1 引言
--3.1 引言
-3.3 不动点迭代法
--3.2 二分法
-3.4 不动点迭代法的收敛条件
-3.5 牛顿迭代法及其变形
-3.6 迭代法收敛阶
-3.7 重根的计算与加速收敛
-3.8 数值实验
--3.8 数值实验
-第3章 作业
--第3章 作业
-4.1 引言
--4.1 引言
-4.2 Lagrange插值
-4.3 Lagrange插值余项
-4.4 Newton差商插值
-4.5 Hermite插值
-4.6 分段多项式插值
-4.7 三次样条插值
-4.8 数值实验
--4.8 数值实验
-第4章 作业
--第4章 作业
-5.1 函数逼近与曲线拟合基本概念
-5.2 连续函数的最佳平方逼近
-5.3 曲线拟合的最小二乘法
-第5章 作业
--第5章 作业
-6.1 引言 6.2 高斯消元法
-6.3 矩阵分解与应用
-6.4 误差分析 6.5 数值实验
-第6章 作业
--第6章 作业
-7.1 引言 7.2 线性方程组的迭代法(上)
-7.2 线性方程组的迭代法
-7.3 非线性方程组的迭代法
-7.4 数值实验
--7.4 数值实验
-第7章 作业
--第7章 作业
-8.1 引言
--8.1 引言
-8.2 幂法与反幂法
-8.3 矩阵的正交分解
-8.4 QR方法
--8.4 QR方法
-8.5 Jacobi方法
-第8章 作业
--第8章 作业
-9.1 引言
-9.2 牛顿-柯特斯公式
-9.3 复合牛顿-柯特斯公式
-9.4 龙贝格算法
-9.5 高斯型求积公式
-9.6 数值微分
--9.6 数值微分
-10.1 引言
--10.1 引言
-10.2 梯形公式和改进的欧拉方法
-10.3 单步法的误差与稳定性收敛性
-10.4 高阶单步方法
-10.5 线性多步法
-10.6 多步法的误差与稳定性
-10.7 一阶微分方程组与高阶微分方程
-第10章 作业
--第10章 作业