Лекция 9
335.14K
Категория: МатематикаМатематика

Презентация 9 2026

1. Лекция 9

2.

Число обусловленности матрицы
Число обусловленности матрицы – мера чувствительности решения
СЛАУ к возмущениям системы. Под возмущениями системы понимаются
погрешности округления и погрешности исходных данных.
Рассмотрим линейную систему с квадратной невырожденной матрицей:
Ax= b
В результате решения системы получается, в большинстве случаев,
приближенное решение: x%= x + x
Насколько приближенное решение отличается от точного решения x? Пусть
«возмущается» только вектор b. В результате решения системы получается
вектор x
%= x + x , который можно рассматривать как точное решение
системы A x%= b% или A x%= b + b
В этом случае справедлива оценка [Воеводин В.В. «Вычислительные основы
линейной алгебры»] , связывающая относительные погрешности вектора
решения и вектора b
~
~
~
|| x − x ||
|| b − b ||
|| b − Ax ||
|| A || || A−1 ||
=|| A || || A−1 ||
|| x ||
|| b ||
|| b ||
где || x || - норма вектора,
|| A ||
- норма матрицы.
(2)

3.

Если в исходной системе получила возмущение матрица А, то x
%= x + x - точное решение системы:
A% x%= b или ( A + A)( x + x) = b
~
В этом случае справедлива
оценка:
~
|| x − x ||
|| A − A ||
|| A ||
−1
|| A || || A −1 ||
=
||
A
||
||
A
||
~
|| x ||
|| A + A ||
|| A ||
Если в системе возмущены и матрица А и вектор b, т.е. решается система:
( A + A)( x + x) = b + b
То справедлива оценка:
при условии:
A || A −1 ||
~
−1
A || A ||
|| A || || b ||
|| x − x ||
+
||
A
||
|| x ||
|| b ||
|| A ||
1 − A || A−1 ||
|| A ||
|| A ||
|| A ||
1
(3)
(4)
(5)
Положительное число || A || || A−1 || называется числом обусловленности и
обозначается как cond(A) ( conditioned – обусловленный). Число обусловленности
является коэффициентом связи между относительными погрешностями векторарешения, вектора b и матрицей А. Чем больше число обусловленности, тем
больше влияют на решение исходной системы погрешности в исходных данных.
В качестве примера рассмотрим неравенство (2). Из него следует, что даже если
вектор-невязки r = b − A x - мал, то относительные возмущения в решении
-могут быть большими, если число обусловленности заметно больше единицы.
Системы уравнений, у которых число обусловленности велико называются плохо
обусловленными.

4.

Число обусловленности не может быть меньше единицы, для него
справедлива следующая оценка снизу:
cond ( A) =|| A || || A−1 || || A A−1 ||=|| E ||= 1
Предполагается, что в соотношениях (2-5) матричная норма согласована с
векторной. Говорят, что норма матрицы А согласована с нормой вектора х,
если выполнено условие ||Aх|| ≤ ||A|| ||х||.
Матричная норма ||A|| называется подчиненной векторной норме ||x||, если:
A sup
x 0
A x
= sup A x
x
x =1
Подчиненная норма согласована с соответствующей метрикой векторного
пространства, так как
A sup
x 0
A x
A x
x
x
откуда
A x A x
В разных специфических задачах линейной алгебры применяются различные
виды норм. Используя ту или иную конкретную норму можно определять
различные числа обусловленности. Для вырожденных матриц cond(A)=∞.
Python имеет встроенные функции для расчета разных норм векторов и матриц,
а также различных чисел обусловленности матриц.

5.

Типы норм векторов:
L1 норма (манхэттенская норма)
– сумма абсолютных значений элементов
n
вектора
|| x || =
x
1
i
i
xe=
L2 норма (евклидово расстояние)
n
x
i
max-норма, или бесконечная норма (infinity norm) - максимальное
абсолютное значение среди элементов вектора
x = max x
i
i
min-норма или бесконечная отрицательная норма –минимальное
абсолютное значение среди элементов вектора
x = min x
p
|| x ||= xi
i
n
2
i
p-норма
1
p
j
−
i

6.

Типы норм матриц (наиболее популярные):
2
A e = aij
i j
m
- норма Фробениуса (евклидова норма):
n
1
2
- спектральная норма (2 -норма) - Наибольшее сингулярное число матрицы.
Для действительных матриц наибольшее сингулярное число равно корню
квадратному из наибольшего собственного значения матрицы A·AТ;
A 2 = max Ai T A
m
i
A 1 = max aij
- 1-норма:
j
- бесконечная норма
i
n
A = max aij
i
j
Подчиненные нормам векторов нормы матриц определяются соотношениями:
x = max xi
i
n
r
|| x ||1 = xi
i
xe=
n
x
i
2
i
n
A = max aij
i
j
m
A 1 = max aij
j
i
A 2 = max Ai T A
i

7.

В качестве примеров норм матриц, не подчиненных никаким векторным
нормам, можно привести норму Фробениуса
A max = max aij
и так называемую max-норму:
i, j
Функция библиотеки numpy
linalg.cond(x, p=None)
возвращает число обусловленности матрицы, используя одну из семи
различных норм, в зависимости от значения p
x – матрица, число обусловленности которой вычисляется
р {None, 1, -1, 2, -2, inf, -inf, ‘fro’}, необязательный параметр, порядок
нормы, используемый при вычислении числа обусловленности
p
None
norm for matrices
2-norm, computed directly using the SVD
‘fro’
Frobenius norm
inf
max(sum(abs(x), axis=1))
-inf
min(sum(abs(x), axis=1))
1
max(sum(abs(x), axis=0))
-1
min(sum(abs(x), axis=0))
2
2-norm (largest sing. value)
-2
smallest singular value
спектральная норма
inf означает объект numpy.inf

8.

функции numpy.linalg.norm и scipy.linalg.norm предназначены для расчета
разных норм векторов и матриц
linalg.norm(x, ord=None, axis=None, keepdims=False)
Эта функция возвращает одну из восьми различных матричных норм или
одну из бесконечного числа векторных норм, в зависимости от значения
параметра ord.
Основные параметры:
x - Входной массив, может быть и трехмерным
ord {non-zero int, inf, -inf, ‘fro’, ‘nuc’}, необязательный параметр, порядок
нормы,
аxis - необязательный параметр, либо целое число, либо кортеж из двух
элементов, следует использовать при работе с трехмерными массивами
Для значений ord < 1 результат, строго говоря, не является математической
«нормой», но может быть полезен для различных численных целей.

9.

ord
None
norm for matrices
Frobenius norm
norm for vectors
2-norm ( L2 норма)
‘fro’
Frobenius norm
–
‘nuc’
nuclear norm
–
inf
max(sum(abs(x), axis=1))
max(abs(x))
-inf
min(sum(abs(x), axis=1))
min(abs(x))
0
–
sum(x != 0)
1
max(sum(abs(x), axis=0))
as below (L1 норма)
-1
min(sum(abs(x), axis=0))
as below
2
2-norm (largest sing. value)
as below
-2
smallest singular value
as below
other
–
(sum(abs(x)**ord))**(1./ord)

10.

100 x + 99 y = 199
99 x + 98 y = 197
Пример. Решением системы
будет пара чисел и x= y = 1.
Внесем возмущение в правые части системы:
100 x + 99 y = 198,99
99 x + 98 y = 197,01
При этом решение заметно изменится: x= 2,97; y= —0,99.
Для норм L2, получим
b
−5
b
=
5
,
05
10
b
=
0
,
014
b = 280.018
b
A = A −1 = 198.005
X =
X
X
A || A−1 ||= 3.921 10 4
−1
A || A ||
b
b
1.980076
Что согласуется с оценкой непосредственно норм ||X|| и ||
English     Русский Правила