Normer och Kondition

Relevanta dokument
Fö4: Kondition och approximation. Andrea Alessandro Ruggiu

TANA09 Föreläsning 5. Matrisnormer. Störningsteori för Linjära ekvationssystem. Linjära ekvationssystem

2D1250 Tillämpade numeriska metoder II Läsanvisningar och repetitionsfrågor:

K 4-1. Introduktion till Egenvärden och SVD. Egenvärdesproblemet. Egenvektorn. Egenskaper

Denna föreläsning. DN1212 Numeriska metoder och grundläggande programmering FN Standardform för randvärdesproblem

2D1240 Numeriska metoder gk II för T2, VT Störningsanalys

5.7. Ortogonaliseringsmetoder

Kontsys F7 Skalärprodukt och normer

Linjär algebra Föreläsning 10

12. SINGULÄRA VÄRDEN. (u Av) u v

TMV166 Linjär Algebra för M. Tentamen

Institutionen för Matematiska Vetenskaper TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA

Matrisavbildningar. Kirsti Mattila K T H

Egenvärden och egenvektorer. Linjär Algebra F15. Pelle

Lösningar till MVE021 Linjär algebra för I

Lösningsforslag till tentamen i SF1624 den 22/ e x e y e z = 5e x 10e z = 5(1, 0, 2). 1 1 a a + 2 2a 4

Numerisk Analys, MMG410. Exercises 2. 1/33

Tentamen i Linjär algebra , 8 13.

SKRIVNING I VEKTORGEOMETRI

Egenvärden och egenvektorer

2 Matrisfaktorisering och lösning till ekvationssystem

Provräkning 3, Linjär Algebra, vt 2016.

Linjära ekvationssystem

A = v 2 B = = (λ 1) 2 16 = λ 2 2λ 15 = (λ 5)(λ+3). E 5 = Span C =

Egenvärden, egenvektorer

KTH, Matematik. Övningar till Kapitel , 6.6 och Matrisframställningen A γ av en rotation R γ : R 2 R 2 med vinkeln γ är

Linjära ekvationssystem

Lösningsförslag till skrivningen i Vektorgeometri (MAA702) måndagen den 30 maj 2005

Mer om texter i MATLAB och om iterativ lösning av linjära ekvationssystem

Inför tentamen i Linjär algebra TNA002.

November 24, Egenvärde och egenvektor. (en likformig expansion med faktor 2) (en rotation 30 grader moturs)

Denna föreläsning. DN1212 Numeriska metoder och grundläggande programmering FN Felfortplantning och kondition

Vektorgeometri för gymnasister

Föreläsningsplanering och lektionsplanering 764G01

SF1624 Algebra och geometri Lösningsförslag till tentamen DEL A

Numerisk Analys, MMG410. Lecture 1. 1/24

FMNF15 HT18: Beräkningsprogrammering Numerisk Analys, Matematikcentrum

6. Matriser Definition av matriser 62 6 MATRISER. En matris är ett rektangulärt schema av tal: a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A =

SKRIVNING I VEKTORGEOMETRI

Linjära avbildningar. Låt R n vara mängden av alla vektorer med n komponenter, d.v.s. x 1 x 2. x = R n = x n

MVE022 Urval av bevis (på svenska)

19. Spektralsatsen Spektralsatsen SPEKTRALSATSEN

Föreläsning 5. Approximationsteori

Isometrier och ortogonala matriser

Minsta kvadratmetoden

8. Euklidiska rum 94 8 EUKLIDISKA RUM

LÖSNINGAR LINJÄR ALGEBRA LUNDS TEKNISKA HÖGSKOLA MATEMATIK

Chalmers tekniska högskola Datum: Våren MVE021 Linjär algebra I

5 Linjär algebra. 5.1 Addition av matriser 5 LINJÄR ALGEBRA

Exempelsamling :: Diagonalisering

2D1240 Numeriska metoder gk II för T2, VT 2004 LABORATION 1. Ekvationslösning

ax + y + 4z = a x + y + (a 1)z = 1. 2x + 2y + az = 2 Ange dessutom samtliga lösningar då det finns oändligt många.

Tentamen i Beräkningsvetenskap I, DV, 5.0 hp, OBS: Kurskod 1TD394

Chalmers tekniska högskola Datum: kl Telefonvakt: Linnea Hietala MVE480 Linjär algebra S

Ortogonal dekomposition. Minstakvadratmetoden.

Lösningar av uppgifter hörande till övning nr 5.

Stöd inför omtentamen i Linjär algebra TNA002.

TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA671

Maj Lycka till! Sergei Silvestrov. 1. a) Bestäm Jordans normalform och minimalpolynom av Toeplitzmatrisen T =

SKRIVNING I VEKTORGEOMETRI

Linjär algebra/matematik. TM-Matematik Mikael Forsberg ma014a, ma031a

Linjär Algebra, Föreläsning 20

6.1 Skalärprodukt, norm och ortogonalitet. TMV141 Linjär algebra E VT 2011 Vecka 6. Lärmål 6.1. Skalärprodukt. Viktiga begrepp

Tentamen i Linjär algebra (TATA31/TEN1) ,

TANA19 NUMERISKA METODER

SF1624 Algebra och geometri Lösningsförslag till tentamen DEL A

Tentamen i Beräkningsvetenskap II, 5.0 hp,

Norm och QR-faktorisering

Uppgifter, 2015 Tillämpad linjär algebra

Lösningar till tentan i 5B1760 Linjär och kvadratisk optimering, 17 december 2003.

Vektorerna är parallella med planet omm de är vinkelräta mot planets normal, dvs mot

0 Allmänt. Följande delar behöver man kunna utöver avsnitten som beskrivs senare i dokumentet.

. (2p) 2x + 2y + z = 4 y + 2z = 2 4x + 3y = 6

LÖSNINGAR TILL LINJÄR ALGEBRA kl 8 13 LUNDS TEKNISKA HÖGSKOLA MATEMATIK. 1. Volymen med tecken ges av determinanten.

Interpolation Modellfunktioner som satisfierar givna punkter

Lösningsförslag till inlämningsuppgift 3 i Beräkningsprogrammering Problem 1) function condtest format compact format long

2s + 3t + 5u = 1 5s + 3t + 2u = 1 3s 3u = 1

Tentamen i Linjär algebra (TATA31/TEN1) ,

Tentamen i Linjär algebra (TATA31/TEN1) ,

1.1 MATLABs kommandon för matriser

Lösningsförslag till skrivningen i Vektorgeometri (MAA702) Måndagen den 13 juni 2005

Övningar. c) Om någon vektor i R n kan skrivas som linjär kombination av v 1,..., v m på precis ett sätt så. m = n.

% Föreläsning 3 10/2. clear hold off. % Vi börjar med att titta på kommandot A\Y som löser AX=Y

Preliminärt lösningsförslag

TMV142/186 Linjär algebra Z/TD

Tentamen i Linjär algebra (TATA31/TEN1) ,

Lösningar tentamen i kurs 2D1210,

15 februari 2016 Sida 1 / 32

SF1624 Algebra och geometri Bedömningskriterier till tentamen Fredagen den 22 oktober, 2010

Institutionen för Matematiska Vetenskaper TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1/TM1, TMA

1 Diagonalisering av matriser

8 Minsta kvadratmetoden

e = (e 1, e 2, e 3 ), kan en godtycklig linjär

1 som går genom punkten (1, 3) och är parallell med vektorn.

LINJÄR ALGEBRA II LEKTION 6

Övningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad:

SKRIVNING I VEKTORGEOMETRI

Uppgifter, 2014 Tillämpad linjär algebra

SF1624 Algebra och geometri

Transkript:

Norm Kondition Normer och Kondition Carmen Arévalo 2010-02-08 Carmen Arévalo Normer och Kondition 2010-02-08 1 / 12

Definition Norm Kondition Vanliga vektornorm Matrisnormer En norm på V (V kan vara R n, ett matrisrum, C[a, b], etc.) uppfyller tre räknelagar: För varje c R och varje u och v V, cv = c v, u + v u + v (triangelolikheten), v 0, med v = 0 om och bara om v = 0. Detta betyder att: 0 = 0, om v 0, så är v > 0. Carmen Arévalo Normer och Kondition 2010-02-08 2 / 12

Vektornorm: 2-normen 2-normen kan ses som längden av en vektor, x 2 = x1 2 + x 2 2 + + x n 2 I minstakvadratmetoden såg vi att vi kunde lösa ett överbestämt system, Ax = b, genom att bestämma det x som minimerar b A x 2. Vi vet också att x 2 2 = x T x, och detta används för att bevisa att Qx 2 = x 2 om Q är en ortogonal matris. 2-normen kan användas för att beräkna egenvärdena ur motsvarande egenvektor: Rayleigh kvoten: v T Av v T v I MATLAB skriver vi norm(v,2) eller bara norm(v) Carmen Arévalo Normer och Kondition 2010-02-08 3 / 12

Vektornorm: 2-normen 2-normen kan ses som längden av en vektor, x 2 = x1 2 + x 2 2 + + x n 2 I minstakvadratmetoden såg vi att vi kunde lösa ett överbestämt system, Ax = b, genom att bestämma det x som minimerar b A x 2. Vi vet också att x 2 2 = x T x, och detta används för att bevisa att Qx 2 = x 2 om Q är en ortogonal matris. 2-normen kan användas för att beräkna egenvärdena ur motsvarande egenvektor: Rayleigh kvoten: v T Av v T v I MATLAB skriver vi norm(v,2) eller bara norm(v) Carmen Arévalo Normer och Kondition 2010-02-08 3 / 12

Vektornorm: 2-normen 2-normen kan ses som längden av en vektor, x 2 = x1 2 + x 2 2 + + x n 2 I minstakvadratmetoden såg vi att vi kunde lösa ett överbestämt system, Ax = b, genom att bestämma det x som minimerar b A x 2. Vi vet också att x 2 2 = x T x, och detta används för att bevisa att Qx 2 = x 2 om Q är en ortogonal matris. 2-normen kan användas för att beräkna egenvärdena ur motsvarande egenvektor: Rayleigh kvoten: v T Av v T v I MATLAB skriver vi norm(v,2) eller bara norm(v) Carmen Arévalo Normer och Kondition 2010-02-08 3 / 12

Vektornorm: 2-normen 2-normen kan ses som längden av en vektor, x 2 = x1 2 + x 2 2 + + x n 2 I minstakvadratmetoden såg vi att vi kunde lösa ett överbestämt system, Ax = b, genom att bestämma det x som minimerar b A x 2. Vi vet också att x 2 2 = x T x, och detta används för att bevisa att Qx 2 = x 2 om Q är en ortogonal matris. 2-normen kan användas för att beräkna egenvärdena ur motsvarande egenvektor: Rayleigh kvoten: v T Av v T v I MATLAB skriver vi norm(v,2) eller bara norm(v) Carmen Arévalo Normer och Kondition 2010-02-08 3 / 12

Vektornorm: 2-normen 2-normen kan ses som längden av en vektor, x 2 = x1 2 + x 2 2 + + x n 2 I minstakvadratmetoden såg vi att vi kunde lösa ett överbestämt system, Ax = b, genom att bestämma det x som minimerar b A x 2. Vi vet också att x 2 2 = x T x, och detta används för att bevisa att Qx 2 = x 2 om Q är en ortogonal matris. 2-normen kan användas för att beräkna egenvärdena ur motsvarande egenvektor: Rayleigh kvoten: v T Av v T v I MATLAB skriver vi norm(v,2) eller bara norm(v) Carmen Arévalo Normer och Kondition 2010-02-08 3 / 12

Enhetscirkeln i 2-normen Enhetscirkeln defineras som punkterna x med x = 1. I 2-normen är den x 2 1 + x 2 2 = 1. Enhetscirkel med 2 norm 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 0.5 0 0.5 1 Carmen Arévalo Normer och Kondition 2010-02-08 4 / 12

Vektornorm: 1-normen I MATLAB: norm(v,1) x 1 = x 1 + x 2 + + x n Hur långt måste man gå på Manhattan för att gå från P till Q 6 5 1 norm Q (x 1,x 2 ) 4 3 2 x 2 1 0 P x 1 1 1 0 1 2 3 4 5 6 Carmen Arévalo Normer och Kondition 2010-02-08 5 / 12

Enhetscirkeln i 1-normen x 1 + x 2 = 1 x 1 + x 2 = 1 om x 1 0, x 2 0 x 1 x 2 = 1 om x 1 0, x 2 0 x 1 + x 2 = 1 om x 1 0, x 2 0 x 1 x 2 = 1 om x 1 0, x 2 0 1 Enhetscirkel i 1 norm 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.5 0 0.5 1 Carmen Arévalo Normer och Kondition 2010-02-08 6 / 12

Vektornorm: -normen I MATLAB: norm(v,inf) Tillämpningar: x = max{ x 1, x 2,..., x n } En vara auktioneras på ebay. Hittills har n personer lämnat buden x 1, x 2,..., x n. Hur mycket måste man bjuda för att lyckas köpa varan? I ett klassrum finns n studenter, med längderna x 1, x 2,..., x n. Man vill konstruera en nödutgång. Hur hög måste dörren vara för att alla ska kunna springa ut utan slå i huvudet när de passerar dörren? Carmen Arévalo Normer och Kondition 2010-02-08 7 / 12

Vektornorm: -normen I MATLAB: norm(v,inf) Tillämpningar: x = max{ x 1, x 2,..., x n } En vara auktioneras på ebay. Hittills har n personer lämnat buden x 1, x 2,..., x n. Hur mycket måste man bjuda för att lyckas köpa varan? I ett klassrum finns n studenter, med längderna x 1, x 2,..., x n. Man vill konstruera en nödutgång. Hur hög måste dörren vara för att alla ska kunna springa ut utan slå i huvudet när de passerar dörren? Carmen Arévalo Normer och Kondition 2010-02-08 7 / 12

Vektornorm: -normen I MATLAB: norm(v,inf) Tillämpningar: x = max{ x 1, x 2,..., x n } En vara auktioneras på ebay. Hittills har n personer lämnat buden x 1, x 2,..., x n. Hur mycket måste man bjuda för att lyckas köpa varan? I ett klassrum finns n studenter, med längderna x 1, x 2,..., x n. Man vill konstruera en nödutgång. Hur hög måste dörren vara för att alla ska kunna springa ut utan slå i huvudet när de passerar dörren? Carmen Arévalo Normer och Kondition 2010-02-08 7 / 12

Rotation av en stelkropp En rotationsmatris är ortogonal. Vi vet att Qx 2 = x 2, men det gäller varken för 1-normen eller -normen. Rotation 5 x 1 =7 Qx 1 =5.66 x 2 =5 Qx 2 =5 x =4 Qx =4.95 y 4 3 2 1 0 x Qx 0 1 2 3 4 5 x Carmen Arévalo Normer och Kondition 2010-02-08 8 / 12

Vanliga matrisnormer A 2 = A 1 = max 1 j n { kol j 1 }, norm(a,1) ρ(a T A), ρ(b) = max{ λ i (B) }, norm(a,2) A = max 1 i n { rad i 1 }, norm(a,inf) Carmen Arévalo Normer och Kondition 2010-02-08 9 / 12

Vanliga matrisnormer A 2 = A 1 = max 1 j n { kol j 1 }, norm(a,1) ρ(a T A), ρ(b) = max{ λ i (B) }, norm(a,2) A = max 1 i n { rad i 1 }, norm(a,inf) Carmen Arévalo Normer och Kondition 2010-02-08 9 / 12

Vanliga matrisnormer A 2 = A 1 = max 1 j n { kol j 1 }, norm(a,1) ρ(a T A), ρ(b) = max{ λ i (B) }, norm(a,2) A = max 1 i n { rad i 1 }, norm(a,inf) Carmen Arévalo Normer och Kondition 2010-02-08 9 / 12

Konditionstal Norm Kondition Illakonditionerad matris Hilbertmatrisen beror på vilken norm man använder. κ(a) = A A 1 I MATLAB: cond(a,1), cond(a,2), cond(a,inf) x x x b A x = κ(a) b Om konditionstalet κ(a) och residualen b A x är små, då är felet x x också litet. Carmen Arévalo Normer och Kondition 2010-02-08 10 / 12

Norm Kondition Illakonditionerad matris Hilbertmatrisen Enhetsmatris och Hilbertmatris κ(i ) = 1 κ(a) 1 Hilbertmatriser är ett exempel på illakonditionerade matriser. Hilbertmatrisen har element H(i, j) = 1/(i + j 1). >> A=hilb(4) A = 1.0000 0.5000 0.3333 0.2500 0.5000 0.3333 0.2500 0.2000 0.3333 0.2500 0.2000 0.1667 0.2500 0.2000 0.1667 0.1429 >> cond(a,2) ans = 1.5514e+004 Carmen Arévalo Normer och Kondition 2010-02-08 11 / 12

Norm Kondition Illakonditionerad matris Hilbertmatrisen Exempel i MATLAB H=hilb(10); A=rand(10); condh=cond(h) conda=cond(a) x=rand(10,1); bh=h x; ba=a x; xtildeh=h\bh; xtildea=a\ba; resh=norm(h xtildeh-bh) resa=norm(a xtildea-ba) errh=norm(x-xtildeh) erra=norm(x-xtildea) condh = 1.6025e+013 conda = 82.1347 Carmen Arévalo Normer och Kondition 2010-02-08 12 / 12

Norm Kondition Illakonditionerad matris Hilbertmatrisen Exempel i MATLAB condh = 1.6025e+013 conda = 82.1347 resh = 1.5701e-016 resa = 1.2561e-015 errh = 7.3442e-004 erra = 2.0447e-015 fel med illakonditionerad matris fel med välkonditionerad matris Carmen Arévalo Normer och Kondition 2010-02-08 12 / 12

Norm Kondition Illakonditionerad matris Hilbertmatrisen Exempel i MATLAB condh = 1.6025e+013 conda = 82.1347 resh = 1.5701e-016 resa = 1.2561e-015 errh = 7.3442e-004 erra = 2.0447e-015 fel med illakonditionerad matris fel med välkonditionerad matris Carmen Arévalo Normer och Kondition 2010-02-08 12 / 12

Norm Kondition Illakonditionerad matris Hilbertmatrisen Exempel i MATLAB condh = 1.6025e+013 conda = 82.1347 resh = 1.5701e-016 resa = 1.2561e-015 errh = 7.3442e-004 erra = 2.0447e-015 fel med illakonditionerad matris fel med välkonditionerad matris Carmen Arévalo Normer och Kondition 2010-02-08 12 / 12

Norm Kondition Illakonditionerad matris Hilbertmatrisen Exempel i MATLAB condh = 1.6025e+013 conda = 82.1347 resh = 1.5701e-016 resa = 1.2561e-015 errh = 7.3442e-004 erra = 2.0447e-015 fel med illakonditionerad matris fel med välkonditionerad matris Carmen Arévalo Normer och Kondition 2010-02-08 12 / 12