50 Matrixnormen und Eigenwertabschätzungen

Ähnliche Dokumente
4. Musterlösung. Problem 1: Kreuzende Schnitte **

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Lineare Optimierung Dualität

3. Lineare Algebra (Teil 2)

Facility Location Games

1 Mehrdimensionale Analysis

4.6 Das Pumping-Lemma für reguläre Sprachen:

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Invariantentheorie. Vorlesung 3. Lineare Operationen

3.3 Lineare Abbildungen und Matrizen

6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)

6. Übung zur Linearen Algebra II

Konkave und Konvexe Funktionen

Diskrete Mathematik 1 WS 2008/09

Vorlesung 3 Differentialgeometrie in der Physik 13

Lineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5.3.3 Relaxationsverfahren: das SOR-Verfahren

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

1 Differentialrechnung in mehreren Variablen

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

16. Vorlesung Sommersemester

1.1 Das Prinzip von No Arbitrage

18. Dynamisches Programmieren

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )

Stochastische Prozesse

2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt

konvergiert punktweise, wenn es l : U C C gibt derart, dass konvergiert gleichmäßig, wenn es l : U C C gibt derart, dass

Zusammenfassung der letzten LVA. Diskrete Mathematik

3 Das Lanczos Verfahren

Eigenwerteinschließungen I

22. Vorlesung Sommersemester

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

Elemente der Mathematik - Sommer 2016

Die Jordansche Normalform

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Die Transzendenz der Eulerschen Zahl e

Minimiere f unter N.B. (10.1a) h j (x)=0, j=1,..., p, g i (x) 0, i=1,..., m.

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA

12 UMPU Tests ( UMP unbiased )

( a ) z + ( 1 b ) z = ( 1 c ) z.

f s, x(s) ds max f s, x(s) f s, y(s) ds exp L s t0 L t t 0 ) ds

1 Definition und Grundbegriffe

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

2 Zufallsvariable und Verteilungen

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

Kapitel V. Parameter der Verteilungen

Wir steuern einen Mini-Roboter!

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

ijk n j x k + O( 2 ) für i =1, 2, 3 x k + O( 2 ) für i =1, 2, 3 ijk n j ~ (i~ ijk )n j x k + O( 2 ) für i =1, 2, 3. (V.28)

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie

Algorithmik kontinuierlicher Systeme SVD und PCA: Singulärwertzerlegung und Hauptkomponentenanalyse

Rotation (2. Versuch)

Netzwerkstrukturen. Entfernung in Kilometer:

Einführung in die numerische Mathematik

3 Elastizitätstheorie

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

2.6 Struktursatz und Anwendungen

Lineare Optimierung Einführung

d da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb

Erwartungswert, Varianz, Standardabweichung

Schriftliche Prüfung aus Systemtechnik am

Über die asymptotische Konvergenzgeschwindigkeit des allgemeinen Relaxationsverfahrens bei nichtnegativen Matrizenl. . Von. G. Alefeld, Karlsruhe

Standardnormalverteilung / z-transformation

Übungsblatt 7 Lösungsvorschläge

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0

Statistik und Wahrscheinlichkeitsrechnung

arxiv: v1 [math.nt] 10 Apr 2014

Stochastische Prozesse

4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:

FORMELSAMMLUNG STATISTIK (I)

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Computerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst

Course Dec 15, Statistische Mechanik plus. Course Hartmut Ruhl, LMU, Munich. People involved. Rationale

Seminar über Numerische Mathematik

Online Algorithmen. k-server randomisiert Teil II

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln Allgemeines

Die Leistung von Quicksort

Lösungen der Aufgaben zu Kapitel 2

Sicherheit von Π MAC2

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

Lösung Übungsblatt 6

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

Transkript:

50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt z B ene Rolle be Konvergenzbetrachtungen zu teratven Algorthmen En wchtges Hlfsmttel für solche Abschätzungen snd Matrxnormen 502 Defnton: Matrxnorm Unter ener Matrxnorm versteht man ene Funkton : IR n n folgenden Egenschaften: IR mt a) A 0 für alle A IR n n (Nchtnegatvtät) A = 0 genau dann, wenn A = 0 (Nchtdegenererthet) b) λa = λ A für alle λ IR, A IR n n c) A + B A + B für alle A, B IR n n (Dreecksunglechung) d) A B A B für alle A, B IR n n (Submultplkatvtät) 503 Bespele Es se A IR n n a) Gesamtnorm: A G := n max a j,j b) Zelensummennorm: A Z := max c) Spaltensummennorm: A S := max j 177 a j a j =1

( n ) 1/2 d) Frobenusnorm: A F := a 2 j, e) Spektralnorm: A 2 := λ max (A T A), wobe λ max (A T A) der größte Egenwert von A T A st Falls A symmetrsch st, glt A 2 = max λ λ Egenwert von A Da Matrzen und Vektoren oft gemensam auftreten, sollten Matrx- und Vektornormen zuenander passend gewählt werden 504 Defnton: Verträglchket von Normen Ene Matrxnorm M heßt verträglch (kompatbel) mt ener Vektornorm V, falls für alle A IR n n und x IR n glt Ax V A M x V 505 Bespele Zu den p-normen ( n x p) 1/p, 1 p <, =1 x p := max x, p = =1,,n als Vektornormen bestehen folgende Verträglchketen von Matrxnormen: a) A G und A S snd kompatbel zur Betragssummennorm x 1 b) A G, A F und A 2 snd kompatbel zur eukldschen Norm x 2 c) A G und A Z snd kompatbel zur Maxmumsnorm x 178

Bewes: Wr zegen nur bespelhaft de Verträglchket von A G und x Ax = max a j x j max a j x j max max a kl max x m k,l m = n max a kl max x m k,l m = A G x (Dreecksunglechungen) Zu ener gegebenen Vektornorm V exsteren oftmals vele kompatble Matrxnormen M Es gbt jedoch ene Matrxnorm, für de de Abschätzung Ax V A M x V am schärfsten st und de daher n der Praxs häufg verwendet wrd 506 Defnton: Zugeordnete Matrxnorm De zu ener gegebenen Vektornorm = V defnerte Zahl A := max x 0 Ax V x V = max x V =1 Ax V heßt der Vektornorm V zugeordnete Matrxnorm Bemerkung: Man kann zegen, dass de zugeordnete Matrxnorm alle Egenschaften der Defntonen 502 und 504 bestzt und de klenste aller Matrxnormen mt deser Verträglchket st 179

507 Bespele Vektornorm Betragssummennorm x 1 zugeordnete Matrxnorm Spaltensummennorm A S eukldsche Norm x 2 Spektralnorm A 2 Maxmumsnorm x Zelensummennorm A Z Matrxnormen snd nützlch zur Abschätzung von Egenwerten 508 Satz: Egenwertabschätzung mt Matrxnormen Ist λ en Egenwert von A IR n n und A ene belebge, zu ener Vektornorm kompatble Matrxnorm, so glt λ A Bewes: Es se v en Egenvektor zu λ Dann folgt λ v = λv = Av A v Da v 0, glt v 0 Also st λ A 509 Bespel 1 0,1 0,1 Für A = 0 2 0,4 erhält man 0,2 0 3 A G = 3 max a j = 3 3 = 9,j A Z = max1,2 ; 2,4 ; 3,2 = 3,2 A S = max1,2 ; 2,1 ; 3,5 = 3,5 A F = 1 2 + 0,1 2 + ( 0,1) 2 + 2 2 + 0,4 2 + ( 0,2) 2 + 3 2 = 14,22 3,77 180

A Z lefert de schärfste Abschätzung: λ A Z = 3,2 Tatsächlch glt λ 1 3,0060 ; λ 2 2,0078 ; λ 3 0,9862 Offenbar erlaubt Satz 508 nur de Abschätzung des betragsmäßg größten Egenwertes Gbt es auch Abschätzungen für alle Egenwerte? 5010 Satz von Gerschgorn Gegeben se ene Matrx A = (a j ) IR n n a) De Verengung der Kresscheben K := µ C enthält alle Egenwerte der Matrx A µ a j a j b) Jede Zusammenhangskomponente aus m solchen Kresen enthält genau m Egenwerte (mt hren Velfachheten gezählt) Bewes: Sehe z B Stoer/Bulrsch: Enführung n de numersche Mathematk II Sprnger, Berln 5011 Bespel 1 0,1 0,1 Für A = 0 2 0,4 fndet man 0,2 0 3 K 1 = µ C µ 1 0,2 181

K 2 = µ C µ 2 0,4 K 3 = µ C µ 3 0,2 Im µ K 1 K 2 K 3 λ 2 1 2 3 λ 1 λ 3 Re µ Sämtlche Egenwerte legen n K 1 K 2 K 3 Da K 1, K 2, K 3 sch gegensetg ncht überlappen, legt nach (b) n jeder der Kresscheben genau en Egenwert Ferner st A nverterbar, da 0 außerhalb von K 1 K 2 K 3 legt und somt ken Egenwert sen kann (vgl 456) 5012 Defnton und Korollar: Inverterbarket strkt dagonaldomnanter Matrzen Ene Matrx A = (a j ) IR n n heßt strkt dagonaldomnant, wenn für alle = 1,, n glt a > a j j Jede strkt dagonaldomnante Matrx A st nverterbar Bewes: Für ene solche Matrx A legt 0 außerhalb der Gerschgorn-Kresscheben, st also nach dem Satz von Gerschgorn ken Egenwert von A Bemerkung: Ganz analog lässt sch schleßen, dass ene symmetrsche Matrx A = (a j ) IR n n mt postven Dagonalenträgen a, de strkt dagonaldomnant st, postv defnt st 182