数值分析(1)：数学模型和数值方法引论

1. 数值计算的误差

1.1 误差来源与分类

输入数据的误差，舍入误差，截断误差，误差在计算过程中的传播

1.2 误差和有效数字

1. 令$x$为精确值，$x_A$是它的一个近似值
   绝对误差：$x-x_A$
   相对误差：$(x-x_A)/x_A$
   绝对误差界（误差界）：$\left|x-x_A\right|⩽{\epsilon }_A$中${\epsilon }_A$是绝对误差界
   相对误差界：$\frac{{\epsilon }_A}{|x_A|}$

2. 通过绝对误差界寻找有效数字：
   ${\epsilon }_A$最小是$0.5\times 10^{-n}$？找到最大的n后，此数就精确到小数点后第n位，有效数字从第一个非零数字开始，数到小数点后第n位。

3. 也可以通过相对误差界寻找有效数字，本质上还是转换为绝对误差界

1.3 求函数值和算术运算的误差估计

1. 假设一个函数记为$f(x)$，那么其真值记为$f(x)$，估计值记为$f(x_A)$，函数值的绝对误差和自变量的绝对误差满足(在数学理论上，不严格，但是在数值分析中，可以这么处理)：$$|f(x)-f(x_A)|\le |f^{\prime }(x_A)||x-x_A|$$

2. 多元函数误差估计： $$|f(x,y,z)-f(x_A,y_A,z_A)|\le {\left|\frac{\partial f}{\partial x}{\mid }_{x_A,y_A,z_A}\right|}^{}|x-x_A|+{\left|\frac{\partial f}{\partial y}{\mid }_{x_A,y_A,z_A}\right|}^{}|y-y_A|+{\left|\frac{\partial f}{\partial z}{\mid }_{x_A,y_A,z_A}\right|}^{}|z-z_A|$$

2. 病态问题，数值稳定性，避免误差危害

1. 如果函数值的相对误差除以自变量的相对误差，得到的结果非常大，那么这就是一个病态问题
2. 如果初始数据的微小改变会引起最后结果的巨大改变，那么就称作是数值不稳定的，反之则称为数值稳定的
3. 如何避免计算过程中的舍入误差？

• 避免有效数字的损失。手段：分子有理化；改变计算次序，防止大数吃小数
• 减少运算次数。手段：秦九韶算法；两数相减再进行级数展开。

3. 线性代数的基本知识

3.1 特征值、相似变换

若存在复数$\lambda$和非零向量$x$，使得：$$Ax=\lambda x$$ 那么称$\lambda$为矩阵$A$的特征值，$x$称为矩阵$A$属于特征值$\lambda$的特征向量.

求解特征值的方法：令特征多项式的值为0，即：
$$det(\lambda I-A)=0$$

1. $A$的全体特征值的集合称为$A$的谱
2. 按模最大特征值称为谱半径，即$\rho (A)=ma{x}_{1\le i\le n}|{\lambda }_i|$
3. 特征值之和称为矩阵的迹
4. 特征值之积为矩阵的行列式
5. 如果两个矩阵相似，那么他们有相同的特征多项式和相同的谱
6. 如果$A$与对角矩阵相似，那么称$A$可对角化

3.2 线性空间和内积空间

1. 一个空间是线性空间需要满足八条性质，四条关于加法，四条关于数乘：

2. 一个线性空间如果满足以下四条性质，则定义了内积
   

3.3 范数、赋范线性空间

范数是定义成一个线性空间到一个数的映射。这个映射存在三个性质：正定性、齐次性、三角不等式。

等价范数：

则称$||.|{|}_{\alpha }$与$||.|{|}_{\beta }$是V上等价的范数。

可以证明，在一个有限维线性空间上定义的各种范数都是相互等价的。

3.4 向量范数和矩阵范数

矩阵范数的定义：

矩阵范数和向量范数的相容性：

由任意一种向量范数，可以导出对应的一种矩阵范数


从属于向量1-范数的矩阵范数为矩阵的1-范数,记为$||A|{|}_1$.同理,有$||A|{|}_2$和$||A|{|}_{\infty }$.这是3种常见的矩阵从属范数.

• $||A|{|}_{\infty }$又被称为行范数，其值为各行所有元素的绝对值之和的最大值。数学表达式为：
  
• $||A|{|}_1$又被称为列范数，其值为各列所有元素的绝对值之和的最大值。数学表达式为：
  
• $||A|{|}_2$又被称为谱范数，其值为$A^{T}A$的谱半径开根号（谱半径是矩阵的模最大的特征值）。数学表达式为：
  

矩阵A的谱半径与A的从属范数有如下关系：

3.5 特殊矩阵

1. 单位矩阵，对角阵，上（下）三角阵，对称阵。对称阵有一个性质：其矩阵二范数等于谱半径，即$||A|{|}_2=\rho (A)$
2. 严格对角优势阵：即对角线上元素的绝对值比同一行其他所有元素绝对值之和还要大。性质：它必定满秩。
   

4. 补充知识点

4.1 关于谱半径

一个矩阵的谱半径定义为该矩阵的模最大的特征值，因此特征值的性质和谱半径的性质密切相关，有如下关系：

1. 若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。因此如果矩阵$A$是对称矩阵，有：
   $$\rho (A^{T}A)=\rho (A^2)=(\rho (A){)}^2$$
   进一步地可知，对称矩阵的二范数等于其谱半径，即：
   $$||A|{|}_2=\rho (A)$$

2. 若λ是可逆阵B的一个特征根，x为对应的特征向量，则1/λ 是B的逆的一个特征根，x仍为对应的特征向量。
   那么：$$\rho (B^{-1})=(\rho (B){)}^{-1}$$
   进一步地可知，对称矩阵$A$的逆的二范数等于其谱半径，即：
   $$||A^{-1}|{|}_2=\rho (A^{-1})=(\rho (A){)}^{-1}$$

3. 如果矩阵U是正交矩阵，那么：
   $$\rho (U)=1$$
   且：
   $$||U|{|}_2=1$$

参考文献：
关治，陆金甫《数值方法》