Upload
ngodiep
View
237
Download
0
Embed Size (px)
Citation preview
Numerikus módszerek 1.
6. előadás: Vektor- és mátrixnormák
Lócsi Levente
ELTE IK
2013. október 14.
Tartalomjegyzék
1 Vektornormák
2 Mátrixnormák
3 Természetes mátrixnormák, avagy indukált normák
4 Mátrixnormák további tulajdonságai – válogatás
Tartalomjegyzék
1 Vektornormák
2 Mátrixnormák
3 Természetes mátrixnormák, avagy indukált normák
4 Mátrixnormák további tulajdonságai – válogatás
Emlékeztető: Vektorok „hossza”
Definíció: vektorok „hossza”
Az x ∈ Rn vektor hagyományos értelemben vett hosszát, avagy
„kettes normáját” jelölje ‖.‖2.A következőképpen számolható:
‖x‖2 :=√
〈x , x〉 =√
x⊤x =
(n∑
k=1
x2i
) 12
.
A (vektor)norma a „hossz”, „nagyság” általánosítása.
Vektornormák
Definíció: vektornorma
Legyen n ∈ N rögzített. Az ‖.‖ : Rn → R leképezéstvektornormának nevezzük, ha:
1 ‖x‖ ≥ 0 (∀x ∈ Rn),
2 ‖x‖ = 0 ⇐⇒ x = 0,
3 ‖λ · x‖ = |λ| · ‖x‖ (∀λ ∈ R, ∀x ∈ Rn),
4 ‖x + y‖ ≤ ‖x‖ + ‖y‖ (∀x , y ∈ Rn).
Azaz a leképezés „pozitív”, „pozitív homogén” és „szubadditív”(háromszög-egyenlőtlenség). Ezek a vektornormák axiómái.
Vektornormák
Állítás: skaláris szorzat által generált vektornorma
Ha adott az 〈., .〉 : Rn × Rn → R skaláris szorzat, akkor az
f (x) :=√
〈x , x〉 függvény norma. Jele: ‖x‖2.
Biz.: Nem kell. Hamarosan ismét kimondjuk.Ez a „hagyományos hossz”.
Vektornormák
Állítás: Cauchy–Bunyakovszki–Schwarz-egyenlőtlenség (CBS)
|〈x , y〉| ≤ ‖x‖2 · ‖y‖2 (x , y ∈ Rn)
Biz.: Bármely α ∈ R esetén ‖x − αy‖22 ≥ 0.
0 ≤ ‖x − αy‖22 = 〈x − αy , x − αy〉 =
= 〈x , x〉︸ ︷︷ ︸
‖x‖22
−2α 〈x , y〉 + α2 〈y , y〉︸ ︷︷ ︸
‖y‖22
(∀α ∈ R).
Diszkrimináns nempozitív: 4α2 〈x , y〉2 − 4α2 ‖x‖22 · ‖y‖2
2 ≤ 0, így
〈x , y〉2 ≤ ‖x‖22 · ‖y‖2
2 .
Vektornormák
Állítás: Gyakori vektornormák (1, 2, ∞)
A következő formulák vektornormákat definiálnak Rn felett:
• ‖x‖1 :=n∑
i=1|xi | (Manhattan-norma),
• ‖x‖2 :=
(n∑
i=1|xi |2
)1/2
(Euklideszi-norma),
• ‖x‖∞ :=n
maxi=1
|xi | (Csebisev-norma).
Biz.: Be kell látni, hogy teljesítik a vektornormák 4 axiómáját.
‖.‖1: mindjárt, táblán; ‖.‖∞: hasonlóan, házi feladat;‖.‖2: nem sokkal bonyolultabb, CBS alapján, nem kell.
Vektornormák
Példa: vektornormák
Számítsuk ki a következő vektorok 1, 2, ∞ normáját:
x =
(
34
)
, x =
4−81
.
Szemléletesen?
Vektornormák
Állítás: normák közötti egyenlőtlenségek
• ‖x‖∞ ≤ ‖x‖1 ≤ n · ‖x‖∞,
• ‖x‖∞ ≤ ‖x‖2 ≤ √n · ‖x‖∞,
• ‖x‖2 ≤ ‖x‖1 ≤ √n · ‖x‖2,
• sőt ezek alapján ‖x‖∞ ≤ ‖x‖2 ≤ ‖x‖1.
Biz.: Nem kell.
(Az elsőbe könnyű belegondolni, a negyedikre láttunk példát.)
Vektornormák
Definíció: ekvivalens normák
Az ‖.‖a és ‖.‖b vektornormák ekvivalensek, ha ∃c1, c2 ∈ R+, hogy
c1 · ‖x‖b ≤ ‖x‖a ≤ c2 · ‖x‖b (∀x ∈ Rn).
Állítás: végesdimenziós normák ekvivalenciája
Tetszőleges Rn-en értelmezett vektornorma ekvivalens az
Euklideszi-vektornormával. (Azaz adott végesdimenziós térbenminden norma ekvivalens.)
Vektornormák
Állítás: p-normák
A következő Rn → R függvények is vektornormákat definiálnak:
‖x‖p :=
(n∑
i=1
|xi |p)1/p
(p ∈ R, 1 ≤ p < ∞).
Biz.: Nem kell, Minkovszki-egyenlőtlenség.
Megjegyzések:
• 0 ≤ p < 1 esetén nem norma,
• p1 ≤ p2 =⇒ ‖x‖p1≥ ‖x‖p2
,
• Speciális esetek: p = 1 ‖x‖1 , p = 2 ‖x‖2,
• Sőt: limp→∞
‖x‖p = ‖x‖∞.
Tartalomjegyzék
1 Vektornormák
2 Mátrixnormák
3 Természetes mátrixnormák, avagy indukált normák
4 Mátrixnormák további tulajdonságai – válogatás
Mátrixnormák
Definíció: mátrixnorma
Legyen n ∈ N rögzített. Az ‖.‖ : Rn×n → R leképezéstmátrixnormának nevezzük, ha:
1 ‖A‖ ≥ 0 (∀A ∈ Rn×n),
2 ‖A‖ = 0 ⇐⇒ A = 0,
3 ‖λ · A‖ = |λ| · ‖A‖ (∀λ ∈ R, ∀A ∈ Rn×n),
4 ‖A + B‖ ≤ ‖A‖ + ‖B‖ (∀A, B ∈ Rn×n),
5 ‖A · B‖ ≤ ‖A‖ · ‖B‖ (∀A, B ∈ Rn×n).
Ugyanaz, mint a vektornormáknál, plusz: „szubmultiplikativitás”.Ezek a mátrixnormák axiómái.
Megj.: x , |x | , x , x , ‖x‖ , A, A, |||A|||.
Mátrixnormák
Definíció: Frobenius-norma
A következő függvényt Frobenius-normának nevezzük:
‖.‖F : Rn×n → R, ‖A‖F =
n∑
i=1
n∑
j=1
|aij |2
1/2
.
Állítás: Frobenius-norma
A ‖.‖F függvény valóban norma.
Biz.: 1–4. következik a ‖.‖2 vektornorma tulajdonságaiból. Kell.Az 5. belátható CBS segítségével. Nem kell.
Mátrixnormák
Példa: egyszerű mátrixnormák
(a) Számítsuk ki a következő mátrixok Frobenius-normáját.
A =
(
1 −4−2 2
)
, B =
(
3 21 5
)
.
(b) Mutassuk meg, hogy ‖M‖△ := maxi ,j
|mij | nem mátrixnorma,
viszont ‖M‖♥ := n · maxi ,j
|mij | már igen. (Házi feladat.)
(c) Számítsuk ki a fenti mátrixok ‖.‖♥ normáját.
Tartalomjegyzék
1 Vektornormák
2 Mátrixnormák
3 Természetes mátrixnormák, avagy indukált normák
4 Mátrixnormák további tulajdonságai – válogatás
Természetes mátrixnormák, avagy indukált normák
Definíció: indukált norma, természetes mátrixnormák
Legyen ‖.‖v : Rn → R tetszőleges vektornorma. Ekkor a
‖.‖ : Rn×n → R, ‖A‖ := supx 6=0
‖Ax‖v
‖x‖v
függvényt a ‖.‖v vektornorma által indukált mátrixnormánakhívjuk. Egy mátrixnormát természetesnek nevezünk, ha van olyanvektornorma, ami indukálja.
Tétel: indukált normák
Az „indukált mátrixnormák” valóban mátrixnormák.
Biz.: Táblán. Meggondoltuk.
Természetes mátrixnormák, avagy indukált normák
Megjegyzések:
• Átfogalmazás:
‖A‖ = supx 6=0
‖Ax‖v
‖x‖v
= sup‖y‖=1
‖Ay‖v .
• A sup helyett max is írható.
• Átfogalmazás:
‖A‖ = supx 6=0
‖Ax‖v
‖x‖v
=⇒ ‖Ax‖v
‖x‖v
≤ ‖A‖ =⇒ ‖Ax‖v ≤ ‖A‖·‖x‖v .
Természetes mátrixnormák, avagy indukált normák
Definíció: illeszkedő normák
Ha egy mátrix- és egy vektornormára
‖Ax‖v ≤ ‖A‖ · ‖x‖v (∀x ∈ Rn, A ∈ R
n×n)
teljesül, akkor illeszkedőknek nevezzük őket.
Állítás: természetes mátrixnormák illeszkedéséről
A természetes mátrixnormák illeszkednek az őket indukálóvektornormákhoz.
Biz.: Láttuk. Az x = 0 eset meggondolandó.
Természetes mátrixnormák, avagy indukált normák
Milyen mátrixnormákat indukálnak az elterjedt vektornormák?
Tétel: Nevezetes mátrixnormák (1, 2, ∞)
A ‖.‖p (p = 1, 2, ∞) vektornormák által indukált mátrixnormák:
• ‖A‖1 =n
maxj=1
n∑
i=1|aij | (oszlopnorma),
• ‖A‖∞ =n
maxi=1
n∑
j=1|aij | (sornorma),
• ‖A‖2 =
(n
maxi=1
λi(A⊤A)
)1/2
(spektrálnorma).
Jel.: λi(M): az M mátrix i-edik sajátértéke (Mv = λv , v 6= 0).
Természetes mátrixnormák, avagy indukált normák
A bizonyítás „dallama”:• Az adott f (A) értékre: ‖Ax‖v ≤ f (A) · ‖x‖v .• Van olyan x vektor, hogy ‖Ax‖v = f (A) · ‖x‖v .• Ekkor az f (A) érték, tényleg a ‖.‖v vektornorma által indukált
mátrixnorma, ezért jelölhetjük így: ‖A‖v .
Bizonyítás ‖.‖1 esetén: Állítás: ‖A‖1 =n
maxj=1
n∑
i=1
|aij |.
‖Ax‖1 =n∑
i=1
|(Ax)i | =n∑
i=1
∣∣∣∣∣∣
n∑
j=1
aijxj
∣∣∣∣∣∣
≤n∑
i=1
n∑
j=1
|aij | · |xj | =
=n∑
j=1
|xj | ·
n∑
i=1
|aij |︸ ︷︷ ︸
≤
(
nmaxj=1
n∑
i=1
|aij |)
︸ ︷︷ ︸
· ‖x‖1 .
Legyen x = ek , ahol a k-adik oszlopösszeg maximális. Ekkor
‖Aek‖1 = . . .︸︷︷︸
‖ek‖1︸ ︷︷ ︸
1
.
Természetes mátrixnormák, avagy indukált normák
Bizonyítás ‖.‖∞ esetén: Állítás: ‖A‖∞
=n
maxi=1
n∑
j=1
|aij |.
• A becslés ugyanolyan stílusú, mint ‖.‖1 esetén. Házi feladat.
• Válasszuk az
x =
±1...
±1
vektort az egyenlőséghez, megfelelően választott előjelekkel. . .
Bizonyítás ‖.‖2 esetén: Táblán. Állítás: ‖A‖2 =
(n
maxi=1
λi (A⊤A)
)1/2
.
• Előbb belátjuk, hogy a sajátértékek nemnegatívak.
• A becslés a diagonalizálás alapján adódik.
• Válasszuk a legnagyobb sajátértékhez tartozó sajátvektort azegyenlőséghez.
Tartalomjegyzék
1 Vektornormák
2 Mátrixnormák
3 Természetes mátrixnormák, avagy indukált normák
4 Mátrixnormák további tulajdonságai – válogatás
Mátrixnormák további tulajdonságai
Állítás
A Frobenius-norma nem természetes mátrixnorma.
Biz.: Tekintsük az I ∈ Rn×n egységmátrix normáját.
• Indukált normák esetén ‖I‖ = supx 6=0
‖Ix‖v
‖x‖v
= 1.
• Másrészt ‖I‖F =√
n.
• Tehát nincs olyan vektornorma, ami a Frobenius-normátindukálná (ha n > 1).
Mátrixnormák további tulajdonságai
Állítás
A Frobenius-norma illeszkedik a kettes vektornormához.
Biz.: CBS segítségével:
‖Ax‖22 =
n∑
i=1
n∑
j=1
aijxj
2
≤n∑
i=1
n∑
j=1
|aij |2 ·n∑
j=1
|xj |2
= ‖A‖2F ·‖x‖2
2 .
Mátrixnormák további tulajdonságai
Definíció: spektrálsugár
Egy A ∈ Rn×n mátrix spektrálsugara (A) :=
nmaxi=1
|λi(A)|.
Állítás: spektrálsugár és norma
(A) ≤ ‖A‖
Biz.: Belátjuk, hogy |λ| ≤ ‖A‖. (Lejjebb v 6= 0.)
Av = λv
Avv⊤ = λvv⊤
‖A‖ ·∥∥∥vv⊤
∥∥∥ ≥
∥∥∥Avv⊤
∥∥∥ =
∥∥∥λvv⊤
∥∥∥ = |λ| ·
∥∥∥vv⊤
∥∥∥
Mátrixnormák további tulajdonságai
Feladatok
Igazoljuk a következő állításokat.
(a) Ha A⊤A = AA⊤ (normális), akkor ‖A‖ = (A).(Spec.: ha A szimmetrikus, akkor normális.)
(b) Ha Q ortogonális, akkor• ‖Qx‖2 = ‖x‖2,• ‖Q‖2 = 1,• ‖QA‖2 = ‖AQ‖2 = ‖A‖.
(c) ‖A‖2F = tr (A⊤A), ahol tr (B) :=
n∑
k=1bkk a mátrix nyoma.
(d) Ha Q ortogonális, akkor ‖QA‖F = ‖AQ‖F = ‖A‖F .
(e) ‖A‖2F =
n∑
i=1λi(A
⊤A).
(f) ‖.‖F és ‖.‖2 ekvivalens mátrixnormák.
Példák Matlab-ban
1 Példák p-normákra, egységgömbökre (p = 1, 2, ∞, . . . ).
2 Indukált mátrixnorma szemléltetése R2, p = 2 esetén.
3 Indukált mátrixnormák közelítő számítása tetszőleges Rn és p
esetén (m = 100, . . . , 1000 vektor próbájával).