1. 矩阵范数

我们怎么来衡量一个矩阵的大小呢？针对一个向量，它的长度是 \(||\boldsymbol x||\)。针对一个矩阵，它的范数是 \(||A||\)。有时候我们会用向量的范数来替代长度这个说法，但对于矩阵我们只说范数。有很多方式来定义矩阵的范数，我们来看看所有范数的的要求然后选择其中一个。

Frobenius 对矩阵中的所有元素进行平方 \(|a_{ij}|^2\) 再相加，然后 \(||A||_F\) 就是它的平方根。这就像把矩阵看作是一个很长的有 \(n^2\) 个元素的向量，这有时候会很有用，但这里我们不选择它。

向量范数满足三角不等式，即 $||\boldsymbol x+\boldsymbol y|| $ 不大于 $||\boldsymbol x|| + ||\boldsymbol y|| $， \(2\boldsymbol x\) 或者 \(-2\boldsymbol x\) 的长度变为两倍。同样的规则也应用于矩阵的范数：

第二个对矩阵范数的要求是新的，因为矩阵可以相乘。范数 \(||A||\) 控制着从 \(\boldsymbol x\) 到 \(A\boldsymbol x\) 和从 \(A\) 到\(B\) 的增长。

根据此，我们可以这样定义矩阵的范数：

恒等矩阵的范数为 1，针对一个正交矩阵，我们有 \(||Q\boldsymbol x||=||\boldsymbol x||\)，所以正交矩阵的范数也为 1。

针对正定的对称矩阵，\(||A||=\lambda_{max}(A)\)。

将矩阵分解成 \(A=Q\Lambda Q^T\)，左右两边的正交矩阵保持向量的长度不变，因此 \(||A\boldsymbol x||/||\boldsymbol x||\) 的最大值就是对角阵中的最大特征值。对于一个对称矩阵，我们仍然可以得到上面的分解，只不过此时的特征值不能保证一定是正数，矩阵的范数变为了特征值绝对值的最大值。

对于不对称的矩阵，它的特征值不能衡量矩阵真正的大小，范数可以比所有特征值都大。

对于上面的例子，\(\boldsymbol x=(0, 1)\) 是对称矩阵 \(A^TA\) 的特征向量，事实上矩阵的范数是由 \(A^TA\) 的最大特征值决定的。

矩阵的范数是 \(A^TA\) 最大特征值的平方根，也就是矩阵的最大奇异值。

2. 条件数

有些系统对误差很敏感，有些则不是那么敏感，对误差的灵敏度我们用条件数来衡量。

原始的方程为 \(A\boldsymbol x=\boldsymbol b\)，假设方程右边由于测量误差被改变为了 \(\boldsymbol b+\Delta \boldsymbol b\)，那么我们的解就变成了 \(\boldsymbol x+\Delta \boldsymbol x\)，我们的目标是估计 \(\Delta \boldsymbol b\) 是怎么影响 \(\Delta \boldsymbol x\) 的。

\[A(\boldsymbol x+ \Delta \boldsymbol x)=\boldsymbol b+\Delta \boldsymbol b \to A \Delta \boldsymbol x=\Delta \boldsymbol b \to \Delta \boldsymbol x=A^{-1}\Delta \boldsymbol b\]

如果 \(A^{-1}\) 很大的话，此时矩阵接近于奇异，\(\Delta \boldsymbol x\) 就会很大。\(\Delta \boldsymbol x\) 还会变得特别大如果 \(\Delta \boldsymbol b\) 在错误的方向，因为它会被 \(A^{-1}\) 放大。最大的误差为 \(||\Delta \boldsymbol x||=||A^{-1}|| \space ||\Delta \boldsymbol b||\)。

但这样会有一个问题，当我们改变 \(A\) 的话，方程的解 \(\boldsymbol x\) 和 \(\Delta \boldsymbol x\) 都会同时改变，相对误差 \(||\Delta \boldsymbol x|| / ||\boldsymbol x||\) 却保持不变。事实上，应该是解 \(\boldsymbol x\) 的相对误差和 \(\boldsymbol b\) 的误差相比较，条件数 \(c=||A|| \space ||A^{-1}||\) 衡量了方程 \(A\boldsymbol x=\boldsymbol b\) 的灵敏度。

• 证明

\[\tag{1}A \boldsymbol x=\boldsymbol b \to ||\boldsymbol b|| \leqslant ||A|| \space ||\boldsymbol x||\]

\[\tag{2}\Delta \boldsymbol x=A^{-1}\Delta \boldsymbol b \to ||\Delta \boldsymbol x|| \leqslant ||A^{-1}|| \space ||\Delta \boldsymbol b||\]

(1) 式和 (2) 式相乘，可得，

\[\tag{3} ||\boldsymbol b|| \space ||\Delta \boldsymbol x|| \leqslant ||A|| \space ||A^{-1}|| \space ||\boldsymbol x|| \space ||\Delta \boldsymbol b||\]

上式两边同时除以 \(||\boldsymbol b|| \space ||\boldsymbol x||\) 可得，

\[\tag{4}\frac{ ||\Delta \boldsymbol x||}{||\boldsymbol x||} \leqslant ||A|| \space ||A^{-1}|| \space \frac{\space ||\Delta \boldsymbol b||}{||\boldsymbol b||}=c\frac{\space ||\Delta \boldsymbol b||}{||\boldsymbol b||}\]

同理可得，

此外，对于正定矩阵，条件数来自于它的特征值。

获取更多精彩，请关注「seniusen」!