Нормы векторов и матриц. Обозначим через — точное решение системы, а через — приближенное решение системы. Для количественной характеристики вектора погрешности введем понятие нормы.
Нормой вектора называется число , удовлетворяющее трем аксиомам:
1) причем = 0 тогда и только тогда, когда = 0;
2) для любого вектора и любого числа ;
3) для любых векторов и .
Наиболее употребительными являются следующие три нормы:
, , .
Абсолютная и относительная погрешности вектора вводятся с помощью формул:
и .
Нормой матрицы называется величина . Введенная норма обладает свойствами, аналогичными свойствам нормы вектора:
1) причем = 0 тогда и только тогда, когда A = 0;
2) для любой матрицы A и любого числа ;
3) для любых матриц A и B;
4) .
Каждой из векторных норм соответствует своя подчиненная норма матрицы:
, , .
В оценках вместо нормы используется евклидова норма матрицы
, так как .
Абсолютная и относительная погрешности матрицы вводятся аналогично погрешностям вектора с помощью формул:
, .
ПРИМЕР 1. Вычисление норм вектора и матрицы.
ПРИМЕР 2. Вычисление норм матрицы.
Пусть рассматривается система линейных алгебраических уравнений
В матричной форме записи она имеет вид . Будем предполагать, что матрица системы задана и является невырожденной. Известно, что в этом случае решение системы существует, единственно и устойчиво по входным данным.
Обусловленность задачи. Так же как и другие задачи, задача вычисления решения системы может быть как хорошо обусловленной, так и плохо обусловленной.
Теорема об оценке погрешности решения по погрешностям входных данных.
Пусть решение системы , а x* — решение системы A*x*=b*, тогда , где — относительное число обусловленности системы.
Если число обусловленности больше 10, то система является плохо обусловленной, так как возможен сильный рост погрешности результата.
ПРИМЕР 3. Оценка числа обусловленности и эксперимент.
Метод Гаусса. Рассмотрим метод Гаусса (схему единственного деления) решения системы уравнений. Прямой ход состоит из m-1 шагов исключения.
1 Шаг. Исключим неизвестное из уравнений с номерами i = 2,3. m. Предположим, что . Будем называть его ведущим элементом 1-го шага.
Найдем величины , i=2,3,. m , называемые множителями 1-го шага. Вычтем последовательно из второго, третьего, . m vго уравнений системы первое уравнение, умноженное соответственно на . В результате 1-го шага получим эквивалентную систему уравнений:
Аналогично проводятся остальные шаги. Опишем очередной k-ый шаг. Предположим, что ведущий элемент . Вычислим множители к-го шага:, i=k+1. m и вычтем последовательно из (k+1)-го, . m v го уравнений системы k-ое уравнение, умноженное соответственно на
.После (m-1)-го шага исключения получим систему уравнений
,
матрица которой является верхней треугольной. На этом вычисления прямого хода заканчиваются.
Обратный ход. Из последнего уравнения системы находим . Подставляя найденное значение в предпоследнее уравнение, получим . Далее последовательно находим неизвестные .
LU разложение матрицы. Представим матрицу A в виде произведения нижней треугольной матрицы L и верхней треугольной U.
Введем в рассмотрение матрицы
и
Можно показать, что A = LU. Это и есть разложение матрицы на множители.
ПРИМЕР 4. Разложение матрицы A на множители.
ПРИМЕР 5. Решение системы уравнений с помощью LU — разложения матрицы.
Исправляем ошибки: Нашли опечатку? Выделите ее мышкой и нажмите Ctrl+Enter
Видео:урок №12 Абсолютная и относительная погрешности 7 класс алгебраСкачать
Норма вектора. Некоторые свойства векторных норм. Абсолютная и относительная погрешности. Сходимость.
Некоторым обобщением понятия длины вектора (оценкой величины вектора) является величина, называемая норма вектора. Функция
является нормой вектора, если она обладает следующими свойствами [112]:
Чтобы отличить одну норму от другой, используются индексы при двойной черте.
Полезный класс векторных норм — это п-нопмы. определяемые как
Наиболее важными из /?-норм являются 1. 2 и 00 ноомы:
— норма по модулю (частный случай (2.1.36) при р — 1);
— «евклидова» норма (частный случай (2.1.36) при р = 2);
— максимум модуля для элементов вектора (частный случай (2.1.36) при р—> со).
Очевидно, что евклидова норма ||3с|| = у](х,х) . Это соответствует естественному понятию длины вектора в двумерном и трехмерном пространстве. Единичным вектором по отношению к норме || • || называется вектор
х, удовлетворяющий равенству ||3с|| = 1.
Классический результат о «-нормах — неравенство Гелъдеоа
Очень важным частным случаем этого неравенства является неравенство Коши-Шварца:.
Все нормы в R» эквивалентны, т.е. для двух норм || • ||а и || • ||/; в R»
существуют положительные константы с, и с,, такие, что
для всех х из пространства R«. Например, для вектора х из R» имеем:
В вычислительной математике большую роль играет понятие «близости» двух векторов. Это соответствует понятию «расстояния», определяемому формулой
т.е. расстояние между векторами равно норме от их разности:
Оценка близости двух векторов используется для определения погрешности решения в итерационных методах.
Пусть вектор Т пространства R» есть аппроксимация к вектору х пространства R«. Для заданной векторной нормы || • || будем говорить, что
есть абсолютная погрешность Т, а при хфО формула
задает относительную погрешность х’.
Сходимость. Будем говорить, что последовательность векторов х‘, х 2 , х к , . сходится к вектору х, если
Отметим, что вследствие приведенных выше свойств векторных норм сходимость в а-норме влечет сходимость в Д-норме и наоборот.
Видео:Погрешность - это просто. Абсолютная и относительная погрешность. ВПР. ОГЭ. ЕГЭСкачать
Абсолютная и относительная погрешности 1 1
Главная > Документ
Информация о документе | |
Дата добавления: | |
Размер: | |
Доступные форматы для скачивания: |
По свойству нормы (3.2)
|| A|| l = | A ( x ) k | || A ( x )|| l || A|| l || x || l .
Так как || x || l = 1 , выполняется равенство || A ( x )|| l = || A || l || x || l , т. е. l — норма минимальна.
Пусть при суммировании по столбцам максимальная сумма абсолютных величин элементов матрицы достигается в столбце с номером k
|| A || m =.
Координатный столбец образа базисного вектора e k равен k — му столбцу матрицы A , а
|| A ( e k )|| m = || A || m .
Так как || e k || m = 1 , m — норма минимальна.
Сферическая норма оператора не является минимальной. В евклидовом пространстве для любого вектора x
= ( A ( x ), A ( x )) = ( x , A T A ( x )) 0 .
Оператор B = A T A – самосопряженный и неотрицательный. Пусть Sp ( B ) = , s n, 1 >… > r 0. Собственные векторы оператора B , отвечающие различным собственным значениям, ортогональны. Любой вектор x V является линейной комбинацией собственных векторов
x = x 1 + … + x r , B ( x j ) = j x j , j =1, …, r .
= ( x , B ( x )) = 1 ( x 1 , x 1 ) + … + r ( x r , x r ) 1 (( x 1 , x 1 ) + … +( x r , x r )) = 1 ( x , x ).
Для ненулевого собственного вектора x 1 выполняется строгое равенство
= 1 (( x 1 , x 1 ).
Следовательно, минимальной нормой оператора в евклидовом пространстве является норма
|| A || s = ,
называемая спектральной. Здесь 1 – наибольшее собственное значение матрицы B = A T A . Характеристический многочлен матрицы B представим двумя выражениями
det ( B — E ) = ( — ) n + 1 ( — ) n-1 + … + n =
где d j – кратность собственного значения j . Коэффициент 1 называется следом матрицы B
1 = tr ( B ) = .
След матрицы выражается через собственные значения
1 1 = d 1 1 + … + d r r ( d 1 + … + d r ) 1 = n 1 .
,
(3.3) .
3.2 Пример. Найти сферическую и спектральную нормы матрицы
A = .
Решение: || A || n = = 9.
B = A T A = .
det ( B — E ) = = =
= ( 36 — )( 2 — 29 +132 ).
Наибольшее собственное значение равно 36 (сумма двух других равна 29 ). Итак, || A || s = 6.
Если матрица A – симметрическая, то собственные значения B равны квадратам собственных значений матрицы A и спектральная норма || A || s равна наибольшему по абсолютной величине собственному значению матрицы A .
3.3 Пример. Найти сферическую и спектральную нормы матрицы
A = .
Решение: Вычислим характеристический многочлен матрицы A
det ( A — E ) = =
= .
Итак, Sp ( A ) = . Следовательно, || A || s = 7 . Квадрат сферической нормы матрицы равен сумме квадратов ее собственных значений с учетом их кратности
|| A || n = 10,1.
Для норм операторов выполняются следующие свойства:
3.6 Предложение. У самосопряженного оператора l — и m -нормы совпадают.
Самосопряженный оператор имеет симметрическую матрицу.
3.7 Предложение. Любой элемент матрицы по абсолютной величине не превосходит любой ее нормы
a ij ||A||, i, j = 1, …, n.
Доказательство. Для l -, m -, n — норм утверждение очевидно из определения. Проверим утверждение для спектральной нормы. Согласно определению нормы оператора в евклидовом пространстве для базисного вектора e j имеем
|| A ( e j )|| n || A || s || e j || n .
Норма || e j || n = 1, а координатный столбец вектора A ( e j ) равен j — му столбцу матрицы A . Итак,
|| A ( e j )|| n = || A || s , j = 1, …, n ,
откуда следует доказываемое утверждение.
3.8 Предложение. Норма произведения операторов не превосходит произведения их норм
Доказательство. Для минимальных норм, используя теорему о наибольшем значении непрерывной функции на ограниченном замкнутом множестве, имеем
|| AB || =
.
Для n — нормы доказательство следует из неравенства Буняковского
.
Теория погрешностей в нормированном пространстве. Пусть в линейном нормированном пространстве V задан оператор A : V V . Перенесем основные понятия теории погрешностей на векторы и операторы.
3.9 Определение. Приближением вектора ( оператора ) называется вектор x ( оператор A ), близкий к точному x * ( A * ) и заменяющий его в вычислениях.
r x = x – x* ( R A = A – A* )
называется погрешностью вектора ( оператора ).
Предельной абсолютной погрешностью вектора ( оператора ) называется любое положительное число x ( A ) , удовлетворяющее условию
|| r x || x ( ||R A || A ).
Предельной относительной погрешностью вектора ( оператора ) называется любое положительное число x ( A ) , удовлетворяющее условию
|| r x || / || x *|| x ( || R A || / || A *|| A ).
Предельные погрешности зависят от определения нормы в векторном пространстве. Из определения предельной абсолютной погрешности имеем
|| x *|| = || x – ( x – x * )|| || x || + || r x || || x || + x ,
|| x || = || x * + ( x – x * )|| || x *|| + || r x || || x *|| + x ,
откуда получаем интервальную оценку
|| x || – x || x *|| || x || + x .
Аналогично выводится оценка для оператора
|| A|| – A || A*|| || A|| + A .
Следовательно, для вектора и оператора остаются справедливыми формулы (1.2), (1.3) и при малых погрешностях (1.4), при замене абсолютных величин на нормы.
3.4 Пример. В пространстве с n — нормой вычислен вектор
x = ( 2,97654; 0,01275; -4,00152 )
с предельной относительной погрешностью x = 10 -4 . Записать координаты вектора с сохранением одной сомнительной цифры.
Решение: || x || n = = 4,987 5 . По формуле (1.4)
x = || x || n x = 5 10 -4 . Погрешность координат вектора оценим согласно (3.2)
| x j – x j *| || r x || n x = 5 10 -4 .
x = ( 2,9765 5 10 -4 ; 0,0128 5 10 -4 ; -4,0015 5 10 -4 ).
3.5 Пример. Координаты вектора x вычислены с 4 верными знаками
x = ( 2,97654; 0,01275; -4,00152 ).
Найти предельную относительную погрешность вектора x в l -, m -, n — нормах.
Решение: Предельные абсолютные погрешности каждой из трех координат вектора x равны соответственно 10 -3 , 10 -5 , 10 -3 . Погрешность x находим по формуле (1.4):
в l — норме || x || l = 4,00152 4, || r x || l 10 –3 , x = ( 1 / 4 ) 10 –3 ;
в m — норме || x || m = 2,97654 + 0,01275 + 4,00152 = 6,9908 7,
|| r x || m 10 –3 + 10 –5 + 10 –3 2 10 –3 , x = ( 2 / 7 ) 10 –3 ;
в n- норме || x || n 5, || r x || n 10 –3 , x = ( / 5 ) 10 -3 .
3.6 Пример. Все элементы квадратной матрицы A вычислены с предельной абсолютной погрешностью . Найти предельную относительную погрешность A матрицы.
Решение: Найдем предельную абсолютную погрешность A матрицы. Из определения нормы вытекает, что в l -, m -, n — нормах A = n . Следовательно,
где в каждом случае используется соответствующая норма. Для спектральной нормы воспользуемся неравенством || R A || s || R A || n . Тогда формула останется справедливой и для спектральной нормы.
3.7 Пример. Все элементы квадратной матрицы A вычислены с предельной относительной погрешностью . Найти предельную относительную погрешность A матрицы.
Решение: По условию все элементы матрицы R A удовлетворяют условию | r ij | | a ij | . Тогда в l -, m -, n — нормах || R A || || A || и
Рассмотренная задача имеет прикладное значение. При переводе в двоичную систему счисления каждое число представляется t — разрядной двоичной дробью. Относительная погрешность представления числа = q –( t -1) / 1 . В двоичной системе q =2, 1 = 1. Отсюда вытекает, что предельная относительная погрешность матрицы при переводе в двоичную систему равна A = 2 –( t -1) .
Погрешность решения системы линейных уравнений. Выясним, как погрешности в матрице и свободном члене системы уравнений влияют на решение системы. Пусть точная система уравнений,
а при искажении матрицы и свободного члена погрешностями будет найдено приближенное решение системы
( A + R A )( x + r x ) = b + r b .
Разрешая уравнение для погрешности
A ( r x ) = r b — R A ( x + r x )
r x = A -1 ( r b ) — A -1 R A ( x + r x )
и после перехода к нормам
|| r x || || A -1 |||| r b || + || A -1 |||| R A || (|| x || + || r x ||).
Разделим правую и левую части неравенства на || x ||
|| r x || / || x || || A -1 |||| r b || / || x || + || A -1 |||| R A || ( 1 + || r x || / || x ||).
Из точного уравнения после перехода к нормам получим || b || || A || || x ||. Заменим в правой части || r b || / || b ||, || r x || / || x ||, || R A || / || A || на предельные относительные погрешности соответственно b , x , A . Тогда правая часть неравенства будет представлять предельную относительную погрешность решения
|| r x || / || x || || A -1 |||| A || b + || A -1 |||| A || A ( 1 + x ) = x .
Величина ( A ) = || A -1 |||| A || зависит от определения нормы и называется мерой обусловленности матрицы. Предельная относительная погрешность решения определяется формулой
(3.4) x = .
Особый интерес представляет спектральная мера обусловленности. Спектральная норма || A || s = определяется по наибольшему значению спектра матрицы B = A T A ,
Sp ( B ) = , 1 > …> r .
Спектр матрицы ( A -1 ) T A -1 = ( AA T ) -1 определяет || A -1 || s . Матрицы A T A и AA T имеют одинаковый спектр, а Sp (( AA T ) -1 ) = . Итак, в спектральной норме мера обусловленности матрицы s ( A ) = равна квадратному корню из отношения наибольшего и наименьшего собственных значений матрицы B = A T A . Для симметрической матрицы A мера обусловленности равна отношению наибольшего и наименьшего по абсолютным величинам собственных значений матрицы A . Из определения следует, что для любой матрицы s ( A ) 1.
3.8 Пример. Найти меру обусловленности матрицы
A = .
Решение: В примере 3.3 получен спектр симметрической матрицы A Sp ( A ) = . Значит, s ( A ) = 3,5.
3.9 Пример. Найти меру обусловленности матрицы
A = .
Решение: В примере 3.2 вычислен характеристический многочлен матрицы B = A T A
det ( B — E ) = ( 36 — )( 2 — 29 +132 ).
Наибольшее и наименьшее собственные значения равны 1 = 36, r = 264 / ( 29 + ).
s ( A ) = 2,52.
3.10 Пример. Оценить погрешность решения системы уравнений
при изменении правой части
и сравнить с реальной погрешностью.
Решение: Исходная система имеет решение x = ( 1, 0 ), измененная система – решение x = ( 0,9; 0,1 ). Погрешность решения r x = ( -0,1;0,1 ). В n — норме относительная погрешность || r x || / || x || = .
Вычислим меру обусловленности матрицы. Характеристический многочлен матрицы
A T A =
f ( ) = 2 – ( 10 –2 10 –3 +10 -6 ) + 10 –6
имеет корни 1 10 и 2 10 –7 . Значит, s ( A ) = 10 4 .
Погрешность правой части r b = ( -0; 10 -4 ). В n — норме b = . По формуле (3.4), полагая A = 0, получим предельную относительную погрешность решения x = , превышающую реальную в раз.
Вычисление спектральной нормы и меры обусловленности матрицы. У положительно определенной матрицы B = A T A имеем
Sp ( B ) = , 1 >… > r 0, r n.
Воспользуемся разложением произвольного вектора x в сумму взаимно ортогональных собственных векторов матрицы B
x = x 1 + … + x r , B ( x j ) = j x j , j = 1, …, r .
( B i ( x ), B i ( x )) = .
.
Зададим вектор y (0) произвольно и построим вычислительный процесс
z (i) = A ( y (i) ), y (i+1) = A T ( z (i) ) / | y (i) |.
Докажем, что y ( i ) = B i ( y (0) ) / | B i -1 ( y (0) )|. При i = 1 равенство верно. Индукция по i . Допустим, что равенство верно при i , и докажем, что оно верно при i +1.
y (i+1) = A T ( A ( y (i) )) / | y (i) | = B ( B i ( y (0) ) / | B i-1 ( y (0) )|) / | y (i) | = B i+1 ( y (0) ) / | B i ( y (0) )|.
.
У матрицы B = E – ( 1 / 1 ) B наибольшее значение спектра
max = 1 – r / 1 = 1 – .
Для вычисления max изменим вычислительный процесс следующим образом:
z (i) = A ( y (i) ), y (i+1) = ( y (i) – ( 1 / 1 ) A T ( z (i) )) / | y (i) |
при произвольном задании y (0) . В итоге двукратного умножения матрицы на вектор получим
y ( i +1) = ( E – ( 1 / 1 ) B )( y ( i ) / | y ( i ) |) = B ( y ( i ) / | y ( i ) |).
Следовательно, max . Спектральная норма матрицы вычисляется по формуле
(3.5) s ( A ) = .
§ 4 Системы линейных уравнений
Разложение квадратной матрицы в приизведение треугольных. Пусть дана система уравнений A ( x ) = b .
4.1 Теорема. Какова бы ни была квадратная матрица A с отличными от нуля угловыми минорами
a 11 0,
ее всегда можно разложить в произведение
где S и T соответственно левая и правая треугольные матрицы.
Доказательство. По условию теоремы s ik = 0 при k > i и t kj = 0 при k j . Тогда
a ij =.
Отсюда s 11 t 11 = a 11 , s ji = a j1 / t 11 , t 1j = a 1j / s 11 , j = 2, …, n;
s ii t ii = , s ji = () / t ii , t ij = () / s ii , j = i+1, …, n.
Итак, решение существует, если s ii 0 и t ii 0.
Допустим, что при некотором p получим s pp t pp = 0. В этом случае возможно разложение A p = S p T p , где A p , S p , T p – матрицы угловых миноров p — го порядка. Тогда
det ( A p ) = det ( S p ) det ( T p ) = = 0,
что противоречит условию теоремы.
Если фиксировать n диагональных элементов ( t ii = 1, i = 1, …, n ), то полученное решение будет единственным.
Метод Гаусса . Представим матрицу A произведением треугольных матриц и сведем задачу к решению двух систем
S ( y ) = b и T ( x ) = y .
Фиксируем диагональные элементы матрицы T , положив t ii = 1, i = 1, …, n . Столбец свободных членов b присоединим к матрице A , присвоив ему номер n +1 ( a i n +1 = b i ). Столбец y получим на месте ( n +1 )-го столбца матрицы T .
Решение системы S ( y ) = b составляет прямой ход метода Гаусса.
s i1 = a i1 , i = 1, …, n, t 1j = a 1j / a 11 , j = 2, …, n+1;
s ji = , j = i, …, n, t ij = () / s ii , j = i+1, …, n+1.
Обратный ход метода Гаусса состоит в решении системы T ( x ) = y . Координаты вектора y составляют ( n +1 )-й столбец матрицы T ( y i = t i n +1 ).
x n = y n / t nn , x i = y i – , i = n-1, …, 1.
Если один из угловых миноров матрицы A близок к нулю, метод Гаусса приводит к росту вычислительной погрешности.
4.1 Пример. Решить методом Гаусса систему линейных уравнений
при вычислении с тремя значащими цифрами.
Решение: Запишем расширенную матрицу системы. При прямом ходе метода Гаусса первую строку расширенной матрицы разделим на 10 -4 и вычтем из второй. Во второй строке появятся четырехзначные числа, которые необходимо округлить до трех знаков. На этом прямой ход закончен, матрица A приведена к треугольному виду.
обратный ход
Выполнив обратный ход, получим x 1 = 0, x 2 = 1. Решение системы с тремя верными знаками после запятой x 1 = 1, x 2 = 1. Итак, вычислительная погрешность существенно исказила результат. Потеря точности произошла при вычитании чисел с сильно различающимися порядками.
Метод Гаусса с выбором главного элемента позволяет исключить вычитание больших чисел. Главным называется наибольший по абсолютной величине коэффициент при неизвестных в ведущей строке расширенной матрицы. После деления на главный элемент коэффициенты при неизвестных в ведущей строке по абсолютной величине не больше единицы. При прямом ходе метода Гаусса ведущая строка умножается на элемент ниже расположенной строки и вычитается из нее. При этом в преобразуемой строке из каждого коэффициента вычитается число, не превышающее один из элементов этой строки. Порядок элементов существенно не изменяется. Однако, если вычитание ведущей строки ведет к уменьшению порядка всех коэффициентов при неизвестных, происходит потеря точности, связанная с вычитанием близких чисел. Поэтому процедура выбора главного элемента, усложняя метод, не гарантирует полностью от проблем с вычислительной погрешностью.
Метод квадратного корня . У положительно определенной матрицы A все угловые миноры положительны и являются доминирующими. Отпадает необходимость в поиске главного элемента. Симметрическая матрица A разлагается в произведение треугольных матриц A = ST , таких, что S = T T . Достаточно вычислять одну матрицу T . Метод Гаусса, адаптированный к линейным системам с положительно определенной матрицей, называется методом квадратного корня . Его реализация имеет вид ( s ij = t ji , a i n+1 = b i , t in+1 = y i )
t 11 = , t 1j =a ij / t 11 , j = 2, …, n+1;
t ii = , t ij = () / t ii , j = i+1, …, n+1.
🎬 Видео
Относительная и абсолютная погрешностьСкачать
Абсолютная и относительная погрешность - 9 класс алгебраСкачать
9 класс. Алгебра. Дистант. Урок 4 - "Абсолютная и Относительная погрешность"Скачать
Погрешность и точность приближения. Видеоурок 23. Алгебра 8 классСкачать
Абсолютная и относительная погрешностьСкачать
АБСОЛЮТНАЯ погрешность ОТНОСИТЕЛЬНАЯ погрешность формулы 8 классСкачать
Алгебра. 7 класс. Абсолютная и относительная частоты. Таблица частот /23.12.2020/Скачать
Погрешности измеренияСкачать
Урок 5. Погрешности и оценка точности измерений. Абсолютная и относительная погрешность. Физика 7 клСкачать
ПОГРЕШНОСТЬ ИЗМЕРЕНИЯ 7 класс относительная абсолютная погрешностьСкачать
Численные методы Абсолютная и относительная погрешностьСкачать
Расчет абсолютной погрешностиСкачать
Приближённые вычисления: абсолютная и относительная погрешностьСкачать
10. Электрические измерения и приборы. Абсолютная, относительная и приведённая погрешность.Скачать
Относительная погрешностьСкачать
Относительная погрешность и класс точности прибораСкачать
Урок 189. Влажность воздуха. Абсолютная и относительная влажностьСкачать