【线性代数与矩阵论】矩阵的谱半径与条件数

矩阵的谱半径与条件数

2023年11月18日


文章目录

  • 矩阵的谱半径与条件数
    • [1. 矩阵的谱半径](#1. 矩阵的谱半径)
    • [2. 谱半径与范数的关系](#2. 谱半径与范数的关系)
    • [3. 矩阵的条件数](#3. 矩阵的条件数)
    • 下链

1. 矩阵的谱半径

定义 设 A ∈ C n × n {A\in \mathbb C^{n \times n} } A∈Cn×n , λ 1 , λ 2 , ⋯   , λ n { \lambda_1,\lambda_2,\cdots,\lambda_n} λ1,λ2,⋯,λn 是A的特征值,则称
ρ ( A ) = max ⁡ 1 ≤ i ≤ n ∣ λ i ∣ \rho(A)=\max_{1\le i\le n}| \lambda_i| ρ(A)=1≤i≤nmax∣λi∣

为矩阵 A {A} A 的谱半径。矩阵的谱指的是一个矩阵的特征值的集合。

定理 设 A ∈ C n × n {A\in \mathbb C^{n \times n} } A∈Cn×n ,则

  1. ρ ( A H ) = ρ ( A T ) = ρ ( A ) {\rho(A^ \mathrm H)=\rho(A^ \mathrm T)=\rho(A)} ρ(AH)=ρ(AT)=ρ(A)
  2. ρ ( A k ) = [ ρ ( A ) ] k {\rho(A^k)=[\rho(A)]^k} ρ(Ak)=[ρ(A)]k
  3. 当 A {A} A 是正规矩阵 时, ρ ( A ) = ∣ ∣ A ∣ ∣ 2 {\rho(A)= || A ||_{2 }} ρ(A)=∣∣A∣∣2

2. 谱半径与范数的关系

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n , λ {\lambda} λ 是 A {A} A 的一个特征值, x {x} x 是 A {A} A 属于 λ { \lambda} λ 的特征向量,则
A x = λ x Ax= \lambda x Ax=λx

对 C n × n { \mathbb C^{n \times n} } Cn×n 中任一矩阵范数 ∣ ∣ ⋅ ∣ ∣ m { || \cdot ||{m }} ∣∣⋅∣∣m 以及与它相容的向量范数 ∣ ∣ ⋅ ∣ ∣ v { || \cdot ||{v }} ∣∣⋅∣∣v ,有
∣ λ ∣ ⋅ ∣ ∣ x ∣ ∣ v = ∣ ∣ λ x ∣ ∣ v = ∣ ∣ A x ∣ ∣ v ≤ ∣ ∣ A ∣ ∣ ⋅ ∣ ∣ x ∣ ∣ v | \lambda| \cdot || x ||{v }= || \lambda x ||{ v}= || Ax ||{ v} \le || A ||{ } \cdot || x ||_{v } ∣λ∣⋅∣∣x∣∣v=∣∣λx∣∣v=∣∣Ax∣∣v≤∣∣A∣∣⋅∣∣x∣∣v

从而
∣ λ ∣ ≤ ∣ ∣ A ∣ ∣ | \lambda| \le || A ||_{ } ∣λ∣≤∣∣A∣∣

于是有如下定理。

定理 ρ ( A ) ≤ ∣ ∣ A ∣ ∣ { \rho(A)\le || A ||{ }} ρ(A)≤∣∣A∣∣ ,其中 ∣ ∣ A ∣ ∣ { || A ||{ }} ∣∣A∣∣ 是 A {A} A 的任一矩阵范数。
定理 设 A ∈ C n × n {A\in \mathbb C^{n \times n} } A∈Cn×n ,则任意 ϵ > 0 { \epsilon>0} ϵ>0 ,必存在 C n × n { \mathbb C^{n \times n} } Cn×n 上矩阵范数 ∣ ∣ ⋅ ∣ ∣ m { || \cdot ||{m }} ∣∣⋅∣∣m ,使得
∣ ∣ A ∣ ∣ m ≤ ρ ( A ) + ϵ || A ||
{ m} \le \rho(A)+ \epsilon ∣∣A∣∣m≤ρ(A)+ϵ

也就是虽然矩阵范数可能大于谱近谱半径的矩阵半径,却又总是存在无限接范数。数值分析中,谱半径可以认为是算子范数。


3. 矩阵的条件数

引理 设 P ∈ C n × n {P\in \mathbb C^{n \times n} } P∈Cn×n ,若对 C n × n { \mathbb C^{n \times n} } Cn×n 上的某一矩阵范数 ∣ ∣ ⋅ ∣ ∣ { || \cdot ||{ }} ∣∣⋅∣∣ 有 ∣ ∣ P ∣ ∣ < 1 { || P ||{ }<1} ∣∣P∣∣<1 ,则 I − P {I-P} I−P 可逆。
定理 设 A ∈ C n n × n {A\in \mathbb C_n^{n \times n} } A∈Cnn×n 可逆, δ A ∈ C n × n { \delta A\in \mathbb C^{n \times n} } δA∈Cn×n 。若对 C n × n { \mathbb C^{n \times n} } Cn×n 上的某一矩阵范数 ∣ ∣ ⋅ ∣ ∣ { || \cdot ||{ }} ∣∣⋅∣∣ 有 ∣ ∣ A − 1 δ A ∣ ∣ < 1 { || A^{-1} \delta A ||{ }<1} ∣∣A−1δA∣∣<1 ,则

  1. A + δ A {A+ \delta A} A+δA 可逆
  2. ∣ ∣ ( A + δ A ) − 1 ∣ ∣ ≤ ∣ ∣ A − 1 ∣ ∣ 1 − ∣ ∣ A − 1 δ A ∣ ∣ {|| (A+ \delta A)^{-1} ||{ }\le \frac{|| A^{-1} ||{ }}{1- || A^{-1} \delta A ||_{ }}} ∣∣(A+δA)−1∣∣≤1−∣∣A−1δA∣∣∣∣A−1∣∣
  3. ∣ ∣ A − 1 − ( A + δ A ) − 1 ∣ ∣ ∣ ∣ A − 1 ∣ ∣ ≤ ∣ ∣ A − 1 δ A ∣ ∣ 1 − ∣ ∣ A − 1 δ A ∣ ∣ {\frac{||A^{-1}- (A+ \delta A)^{-1} ||{ }}{|| A^{-1} ||{ }} \le \frac{|| A^{-1} \delta A ||{ }}{1- || A^{-1} \delta A ||{ }}} ∣∣A−1∣∣∣∣A−1−(A+δA)−1∣∣≤1−∣∣A−1δA∣∣∣∣A−1δA∣∣ 矩阵扰动后逆矩阵的相对误差小于右端式子

定义 设 A ∈ C n n × n {A\in \mathbb C_n^{n \times n} } A∈Cnn×n 可逆, ∣ ∣ ⋅ ∣ ∣ { || \cdot ||{ }} ∣∣⋅∣∣ 是 C n × n { \mathbb C^{n \times n} } Cn×n 上的某一矩阵范数,称
cond ( A ) = ∣ ∣ A ∣ ∣ ⋅ ∣ ∣ A − 1 ∣ ∣ \text{cond}(A)= || A ||
{ } \cdot || A^{-1} ||_{ } cond(A)=∣∣A∣∣⋅∣∣A−1∣∣

为矩阵 A {A} A 的条件数

推论 设 A ∈ C n n × n {A\in \mathbb C_n^{n \times n} } A∈Cnn×n 可逆, δ A ∈ C n × n { \delta A\in \mathbb C^{n \times n} } δA∈Cn×n 。若对 C n × n { \mathbb C^{n \times n} } Cn×n 上的某一矩阵范数 ∣ ∣ ⋅ ∣ ∣ { || \cdot ||{ }} ∣∣⋅∣∣ 有 ∣ ∣ A − 1 ∣ ∣ ⋅ ∣ ∣ δ A ∣ ∣ < 1 { || A^{-1}|| \cdot || \delta A ||{ }<1} ∣∣A−1∣∣⋅∣∣δA∣∣<1 ,则
∣ ∣ A − 1 − ( A + δ A ) − 1 ∣ ∣ ∣ ∣ A − 1 ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ∣ ∣ A − 1 ∣ ∣ ∣ ∣ δ A ∣ ∣ ∣ ∣ A ∣ ∣ 1 − ∣ ∣ A ∣ ∣ ∣ ∣ A − 1 ∣ ∣ ∣ ∣ δ A ∣ ∣ ∣ ∣ A ∣ ∣ = cond ( A ) ∣ ∣ δ A ∣ ∣ ∣ ∣ A ∣ ∣ 1 − cond ( A ) ∣ ∣ δ A ∣ ∣ ∣ ∣ A ∣ ∣ \frac{||A^{-1}- (A+ \delta A)^{-1} ||{ }}{|| A^{-1} ||{ }} \le \frac{|| A ||{ }|| A^{-1} ||{ }\frac{|| \delta A ||{ }}{|| A ||{ }}}{1-|| A ||{ }|| A^{-1} ||{ }\frac{|| \delta A ||{ }}{|| A ||{ }}}= \frac{\text{cond}(A) \frac{|| \delta A ||{ }}{|| A ||{ }}}{1-\text{cond}(A) \frac{|| \delta A ||{ }}{|| A ||{ }}} ∣∣A−1∣∣∣∣A−1−(A+δA)−1∣∣≤1−∣∣A∣∣∣∣A−1∣∣∣∣A∣∣∣∣δA∣∣∣∣A∣∣∣∣A−1∣∣∣∣A∣∣∣∣δA∣∣=1−cond(A)∣∣A∣∣∣∣δA∣∣cond(A)∣∣A∣∣∣∣δA∣∣

定理 设 A ∈ C n n × n {A\in \mathbb C_n^{n \times n} } A∈Cnn×n 可逆, δ A ∈ C n × n { \delta A\in \mathbb C^{n \times n} } δA∈Cn×n, b {b} b , δ b ∈ C n { \delta b\in \mathbb C^n} δb∈Cn 。若对 C n × n { \mathbb C^{n \times n} } Cn×n 上的某一矩阵范数 ∣ ∣ ⋅ ∣ ∣ { || \cdot ||{ }} ∣∣⋅∣∣ 有 ∣ ∣ A − 1 ∣ ∣ ⋅ ∣ ∣ δ A ∣ ∣ < 1 { || A^{-1}|| \cdot || \delta A ||{ }<1} ∣∣A−1∣∣⋅∣∣δA∣∣<1 ,则非齐次线性方程组
A x = b     与     ( A + δ A ) ( x + δ x ) = b + δ b Ax=b \,\,\, 与 \,\,\, (A+ \delta A)(x+ \delta x)=b+ \delta b Ax=b与(A+δA)(x+δx)=b+δb

的解满足
∣ ∣ δ x ∣ ∣ v ∣ ∣ x ∣ ∣ v ≤ cond ( A ) 1 − cond ( A ) ∣ ∣ δ A ∣ ∣ ∣ ∣ A ∣ ∣ ( ∣ ∣ δ A ∣ ∣ ∣ ∣ A ∣ ∣ + ∣ ∣ δ b ∣ ∣ v ∣ ∣ b ∣ ∣ v ) \frac{|| \delta x ||{ v}}{|| x ||{v }}\le \frac{\text{cond}(A) }{1-\text{cond}(A) \frac{|| \delta A ||{ }}{|| A ||{ }}} \bigg( \frac{|| \delta A ||{ }}{|| A ||{ }}+\frac{|| \delta b ||{ v}}{||b ||{ v}} \bigg) ∣∣x∣∣v∣∣δx∣∣v≤1−cond(A)∣∣A∣∣∣∣δA∣∣cond(A)(∣∣A∣∣∣∣δA∣∣+∣∣b∣∣v∣∣δb∣∣v)

其中 ∣ ∣ ⋅ ∣ ∣ v { || \cdot ||{v }} ∣∣⋅∣∣v 是 C n { \mathbb C^n} Cn 上与矩阵范数 ∣ ∣ ⋅ ∣ ∣ { || \cdot ||{ }} ∣∣⋅∣∣ 相容的向量范数。

根据函数
f ( x ) = x 1 − x f(x)= \frac{x}{1-x} f(x)=1−xx

的图像,当 cond ( A ) { \text{cond}(A)} cond(A) 很大,则说求逆或求解线性方程组是病态的。


下链


相关推荐
微小冷4 小时前
二关节机器人系统模型推导
线性代数·机器人·概率论·推导·拉格朗日函数·二关节机器人·机器人控制系统的设计
软件开发技术深度爱好者8 小时前
概率中“都发生”和“至少一个”问题的解答
概率论·数学广角
YuTaoShao16 小时前
【LeetCode 热题 100】73. 矩阵置零——(解法二)空间复杂度 O(1)
java·算法·leetcode·矩阵
luofeiju1 天前
使用LU分解求解线性方程组
线性代数·算法
FF-Studio1 天前
【硬核数学 · LLM篇】3.1 Transformer之心:自注意力机制的线性代数解构《从零构建机器学习、深度学习到LLM的数学认知》
人工智能·pytorch·深度学习·线性代数·机器学习·数学建模·transformer
szekl2 天前
HDMI 2.0 4×2矩阵切换器412HN——多信号输入输出的高清解决方案
linux·矩阵·计算机外设·电脑·ekl
FF-Studio2 天前
【硬核数学】3. AI如何应对不确定性?概率论为模型注入“灵魂”《从零构建机器学习、深度学习到LLM的数学认知》
大数据·人工智能·深度学习·机器学习·数学建模·自然语言处理·概率论
盛寒2 天前
矩阵的定义和运算 线性代数
线性代数
盛寒2 天前
初等变换 线性代数
线性代数
叶子爱分享3 天前
浅谈「线性代数的本质」 - 系列合集
线性代数