Вычислительная математика. Лекции
.pdfи все последующие векторы x3; x4; : : : ; xk+1; : : : строятся как решения xk+1 линейных алгебраических си-
стем
F 0(xk)(x xk) = F (xk):
Возникают следующие вопросы:
-разрешимы ли эти системы?
-принадлежат ли эти решения области ?
-сходится ли последовательность векторов к решению x ?
-единственно ли это решение в области ?
2.1Вектор-функция.
Для вектора x 2 Vn обозначим
max jxij =k x k :
i
Число k x k называется нормой вектора x. Расстояние между векторами x и y определим как k x y k; последовательность векторов xk сходится к вектору x , если k xk x k! 0 при k ! 1:
Для вектора F (x) норма k F (x) k= max jfi(x)j; норма
i
k F (x + x) F (x) F 0(x) x k=k r(x + x; x) k= 0(k x k);
если частные производные функции fi(x) непрерывны. Для матрицы A = faijgni;j=1 обозначим
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Xj |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
maxi |
jaijj =k A k : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
=1 |
|
|
|
|
|
|
|
|
|
|
|
|
Эта величина называется нормой матрицы A. Верно неравенство: |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
k Ax k k A kk x k : |
|
|
|
|
|
|
|
|
|
|
|
|
|
Действительно: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
n |
|
|
|
n |
|
|
|
|
|
|
|
|
|
k |
|
k |
i j |
X |
ij |
|
jj |
i |
X |
|
jj |
i |
Xj |
|
ijj |
|
k |
|
k k |
|
k |
|
|
Ax |
|
= max |
a |
|
x |
|
max |
|
max x |
|
max |
|
a |
|
= |
|
A |
|
x |
|
: |
|
|
|
|
j=1 |
|
|
|
|
j=1 |
|
|
|
=1 |
|
|
|
|
|
|
|
|
|
Рассмотрим матрицы F0(x) (линейные операторы в векторном пространстве Vn), вычисленные в точках
x00 и x0: F0(x00) и F0(x0):
Определение. Говорят, что оператор F0(x) удовлетворяет условию Липшица с постоянной L, если
k F0(x00) F0(x0) k L k x00 x0 k :
Пусть оператор F0(x) удовлетворяет условию Липшица. Так как матрица
|
|
|
(x |
) |
|
@f (x |
) |
n |
||
F0 |
(x00) F0(x0) = |
@fi 00 |
|
|
|
i 0 |
|
i;j=1 ; |
||
@xj |
|
|
@xj |
|
||||||
то |
n |
|
|
|
|
|
|
|
|
|
k F 0(x00) F |
(x ) |
|
@f (x ) |
L k x00 x0 k : |
||||||
0(x0) k= maxi j=1 |
@f@xi j00 |
|
|
@xi j 0 |
||||||
|
X |
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
При фиксированных векторах x и x значение fi(x + # x) являются функцией от # : fi(x + # x) = 'i(#): Дифференцируя эту сложную функцию
n
d'i(#) = X @fi(x + # x) xj d# @xj
j=1
8
и интеграл
1 |
0 |
@fi(x@xj xj1d# = fi(x + x) fi(x): |
||
Z |
n |
|
A |
|
@X |
|
|||
|
|
+ # x) |
|
0j=1
Оценим
fi(x + x) |
|
fi(x) |
|
n |
@fi(x + # x) |
xj |
= |
||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
j=1 |
|
|
|
@xj |
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
@f |
i |
(x + # x) |
|
|
|
@f (x) |
|
|
|
|
|
|
|
|||||||||||
= |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
xj3d# |
|
|||||||||
|
Z |
|
j=1 |
|
|
|
|
j |
|
|
|
|
|
|
|
j |
|
|
|
|
|
|
|||||||||
|
|
0 |
4 |
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
@fi(x + # x) |
|
|
|
@fi(x) |
|
xj |
d# |
|
|
||||||||||||||||
Z |
|
|
|
|
@xj |
|
|
|
|
|
|
|
|
|
|||||||||||||||||
j=1 |
|
|
|
|
|
|
|
|
@xj |
|
|
|
|
|
|||||||||||||||||
|
|
0 |
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Z |
|
n |
@f (x + # x) |
|
@f (x) |
|
|
|
|
|
|
|
|
||||||||||||||||||
j=1 |
|
|
|
i |
|
@xj |
|
|
|
|
@xi j |
|
j xjjd# |
|
|||||||||||||||||
|
|
0 |
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
n |
|
(x@xj |
|
|
|
|
|
|
@xi j |
|
d#: |
|
|||||||||
|
k x k Z |
j=1 @fi |
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
X |
|
|
|
+ # x) |
|
|
|
|
@f (x) |
|
|
|
||||||||||
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
и
1 |
|
k F (x + x) F (x) F 0(x) x k k x k Z0 |
maxi |
1 |
|
Z
k x k L# k x k d# =
n |
@fi(x@xj |
@xi j |
d# |
|||
j=1 |
||||||
X |
|
+ # x) |
|
@f (x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12L k x k2 :
0
Таким образом верна оценка: |
|
|
|
|
k F (x + x) F (x) F 0(x) x k |
1 |
L k x k2 |
: : : : : : : : : : : : : : : : : : |
|
|
||||
2 |
Эта оценка позволяет определить порядок малости норм k r(x0; x ) k; k r(x1; x ) k; : : : ; k r(xk; x ) k; : : : при построении метода Ньютона.
2.2Порядок сходимости метода Ньютона.
Для непрерывной вектор-функции F (x) рассмотрим последовательность векторов, построенных по правилу
xk+1 = xk F (xk); k = 0; 1; 2; :::
с начальным вектором x0: Если существует lim xk; k ! 1; то по непрерывности функции F (lim xk) = 0: Пусть Bk - последовательность линейных операторов, таких что существуют обратные операторы Bk 1:
Образуем новую последовательность векторов xk:
xk+1 = xk Bk 1F (xk):
Для векторов xk этой последовательности выполнены равенства
Bk(xk+1 xk) + F (xk) = 0:
Если эта последовательность имеет предел x , то F (x ) = 0:
9
В методе Ньютона выбирают Bk = F 0(xk) :
xk+1 = xk [F 0(xk)] 1F (xk) |
: : : : : : : : : : : : : : : : : : : : : : : : : : : |
1 |
и для этой последовательности
F 0(xk)(xk+1 xk) + F (xk) = 0 |
: : : : : : : : : : : : : : : : : : : : : : : : : : : |
2 |
При изучении сходимости метода Ньютона будем предполагать:
-операторы F 0(x) удовлетворяют условию Липшица,
-нормы операторов [F 0(x)] 1 ограничены: k [F 0(x)] 1 k :
Порядок сходимости метода устанавливается в предположении, что xk ! x при k ! 1: Сравним величины k xk x k и k xk+1 x k :
Введем вектор y :
y= F (xk) F 0(xk)(x xk) = F (xk) F 0(xk)(xk+1 xk xk+1 + x ) =
=F (xk) F 0(xk)(xk+1 xk) F 0(xk)(x xk+1) = F 0(xk)(x xk+1):
= [F 0(xk)] 1y:
y = F (x ) F (xk) F 0(xk)(x xk)
и согласно оценке ( )
k F (x ) F (xk F 0(xk)(x xk) k 12L k x xk k2 :
Тогда
k 12L k x xk k2;
и следовательно метод Ньютона - метод второго порядка.
2.3Сходимость метода Ньютона.
Пусть выбрано начальное приближение x0 и x0 внутренняя точка области :
Теорема. Пусть в области :k x x0 k операторы F 0(x) удовлетворяют условию Липшица в постоянной L, существуют обратные операторы [F0(x)] 1 и k [F0(x)] 1 k :
Тогда если
- величина q = 12 L 2m < 1; где m =k F (x0) k;
1
- m P q2j 1 ;
j=0
1
то xk ! x , x 2 ; F (x ) = 0 и k x xk k m P q2j 1:
j=k
Доказательство проводится аналогично доказательству сходимости метода простой итерации решения скалярного уравнения.
Легко устанавливаются неравенства
k xk+1 xk k mq2k 1; k xk+1 x0 k qm(1 + q + q3 + : : : + q2k 1);
обеспечивающие принадлежность точек xk 2 : Из сходимости в себе последовательности fxkg получаем существование предела последовательности fxkg и оценку k x xk k :
Замечание. При дополнительном условии L < 1 решение x системы единственно в области :
10
Глава 3
МЕТОДЫ РЕШЕНИЯ СИСТЕМ ЛИНЕЙНЫХ АЛГЕБРАИЧЕСКИХ УРАВНЕНИЙ СЛАУ.
ВВЕДЕНИЕ 1. Линейные векторные нормированные пространства.
В этой главе рассматриваются вещественные линейные векторные пространства. В этих пространствах вводятся различными способами метрика. Как правило метрика определяется нормой k x k вектора x :
(x; y) =k x y k;
и мы получаем полное нормированное векторное пространство.
Обычно рассматриваются три нормированные пространства, в которых норма вектора x(x1; x2; : : : ; xn) равна:
1. k x k1= max jxij;
i
n
P
2. k x k1= jxij;
i=1 n
3. k x k2= (P x2i )1=2: i=1
Для любых этих пар нормированных пространств верны неравенства (эквивалентность норм):
C1 k x kII k x kI C2 k x kII;
где постоянные C1 и C2 зависят от выбора пространств и от размерности вектора x, но не зависят от выбора вектора x.
Пример.
k x kI=k x kII; k x kII=k x k2 :
Ясно, что
|
|
|
|
k x k1= maxi jxij |
|
xi2 |
|
1=2 |
=k x k2 |
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
! |
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Xi |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
и |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
! |
1=2 |
|
|
|
! |
1=2 |
|
|
|
|
|||
k x k22= xi2 |
maxi |
jxij 1 jxij k x k1 |
12 |
|
|
xi2 |
|
|
|
|
||||||||||||||||||
|
|
|
=k x1 k pn k x k22 |
|||||||||||||||||||||||||
|
|
n |
|
|
n |
|
|
|
|
|
|
n |
|
|
|
|
n |
|
|
|
|
|
|
|||||
|
|
Xi |
|
X |
|
|
|
|
|
|
X |
|
|
|
|
X |
|
|
|
|
|
|
||||||
=1 |
|
i=1 |
|
|
|
|
|
|
i=1 |
|
|
|
|
i=1 |
|
|
|
|
|
|
||||||||
Таким образом |
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
p |
|
k |
x |
k2 k |
x |
k1 k |
x |
k2 |
: |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
Если установлено, что последовательность fxkg сходится к x в одной норме, то она сходится к x в любой другой норме.
2. Линейные операторы в нормированных пространствах. Нормы матриц, нормы операторов.
11
Линейные отображения (линейные операторы) в n-мерном векторном пространстве Vn определяются квадратными матрицами A :
n
X
A = faijgni;j=1; Ax = y; y = y(y1; y2; : : : ; yn); yi = aijxj:
j=1
Рассматривая для вектора x и вектора y разные нормы, мы получим линейные отображения из одного нормированного пространства в другое нормированное пространство. Мы будем предполагать, что для x и Ax выбраны одинаковые нормы: нормы x и Ax согласованы.
Рассмотрим множество S1 векторов, нормы которых равны 1: Координаты этих векторов ограничены. Координаты векторов Ax и значения k Ax k являются непрерывными функциями координат вектора x. Тогда существует sup k Ax k и этот супремум достигается: sup k Ax k= max k Ax k :
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2S1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2S1 |
x2S1 |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|||||||||
В силу линейности оператора A : |
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
=k |
|
|
k A( |
|
x |
|
) для k |
|
k6= 0 и |
kAxk |
=k A( |
|
x |
|
) k : Тогда |
|
|||||||||||||||||||||||
Ax |
x |
x |
|
||||||||||||||||||||||||||||||||||||||||
k |
|
|
k |
k |
|
k |
|
||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||
x |
kxk |
x |
|
||||||||||||||||||||||||||||||||||||||||
|
|
|
|
k |
= sup |
|
|
|
|
|
Az |
|
= |
|
|
A |
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|||||||||||
sup kAx |
|
|
k |
k |
k |
k и для любых векторов |
верно неравенство: |
||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
x |
|
k |
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
z |
2S1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k Ax k k A kk x k :
Легко показать, что верны неравенства
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k A + B k k A k + k B k; k AB k k A k k B k : |
|
|
|
|||||||||||||||||||||||||||
Вычисление норм матриц. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
1. k |
|
|
k=k |
|
k1= maxi |
jxij: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
x |
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
где |
|
|
|
|
|
|
k |
|
|
|
|
k1 |
= max |
|
|
a |
|
|
|
x |
jj |
max |
x |
jj |
max |
|
|
a |
ijj |
= |
k |
|
C; |
|
|
|
|
|
|
||||||||||||||||||||||||
Ax |
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
i j |
=1 |
|
ij |
|
|
|
j |
j |
|
|
i |
=1 j |
|
|
|
|
|
k1 |
|
|
|
|
|
|
|
||||||||||||||||||||||
C = maxi |
n |
|
|
|
jP |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
jP |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
=1 jaijj и k A k1 C: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
jP |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
max |
|
|
|
a |
|
|
= |
|
P |
a |
|
: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= ( |
a |
)n |
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|||||||||||||||||||||||||
Пусть |
|
|
|
|
jP |
ijj |
|
|
|
|
|
|
|
|
|
Построим вектор |
|
|
|
|
|
|
|
sign |
kj j=1, |
|
|
|
|
|
||||||||||||||||||||||||||
|
i |
|
|
|
=1 j |
|
|
|
|
j=1 j kjj |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||
k |
|
k1= 1: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
jP n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Легко показать, что k Ax |
|
k1= |
=1 jakjj = C: Тогда C =k A k1 : |
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
jP |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
iP |
|
|
|
k A k1= maxi |
=1 jaijj: |
|
|
|
|
|
|
|
|
|
|
C = max n |
|
|
|
|
|
|
||||||||||||||||||
2. k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
max n |
a |
|
= C |
|
x |
|
|
; |
|
|
|
|
|
a |
|
: |
|
|
|
|||||||||||||||||
x |
k=k |
x |
k1= |
=1 jxij: |
|
|
|
|
|
iP |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
P |
|
|
|
|
|
|
|||||||||||||||||||||
Ясно, что k Ax |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где |
|
|
|
|
|
|
|
|
||||||||||||||||||||
k1 k |
x |
k1 |
|
|
j |
|
|
=1 j ijj |
|
|
k |
|
k1 |
|
|
|
j |
i=1 j |
ijj |
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
; |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
max |
|
|
a |
|
= |
|
|
|
|
|
|
a |
: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
x |
= 1 |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|||||||||||||||||||||
Пусть |
|
|
|
iP |
|
|
|
|
|
P |
|
|
|
|
Построим вектор |
|
|
|
|
|
|
все координаты которого равны 0, кроме m, |
|
, |
||||||||||||||||||||||||||||||||
|
j |
|
|
=1 j ijj |
|
|
|
i=1 j imj |
|
|
|
|
|
|
|
m |
k x k1= 1: Легко показать, что
nn
PP
k |
Ax |
k1 |
= |
i=1 jaimj = |
max |
a |
ijj |
= C: |
|
|
|
||||||
|
|
|
j i=1 j |
|
n |
|
|
|
|||||||||
|
|
|
|
|
|
|
|
n |
|
A |
1=2 |
max |
iP |
a |
|
: |
|
|
|
|
|
|
|
|
|
|
k |
|
k1= |
j =1 |
|
ij |
|
||
3. k |
|
k=k |
|
k2= P xi2 |
: |
|
|
|
|
|
|
||||||
x |
x |
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
k Ax k22= (Ax; Ax) = (A Ax; x) 0: Матрица A A симметричная, положительная и её собственные числа n вещественны и неотрицательны:
0 1 2 : : : n:
Обозначим через '1; '2; : : : ; 'n соответствующие им собственные векторы:
12
n
A A'i = i'i; ('i; 'j) = 0 при i 6= j, k 'i k2= 1: Любой вектор x представим в виде x = P i; 'i; где
i=1
n
i = (x; 'i), k x k22= P i2: Тогда
i=1
A Ax = |
i i'i; (A Ax; x) = |
0 |
i i'i; |
i'i |
1 |
= |
i2 |
i: |
||||||||||
|
|
n |
|
|
|
|
|
|
|
n |
|
|
|
n |
|
|
n |
|
|
|
X |
|
|
|
|
|
|
|
@X |
|
|
|
X |
A |
|
Xi |
|
|
|
i=1 |
|
|
|
|
|
|
|
i=1 |
|
|
|
j=1 |
|
|
=1 |
|
k Ax k22 n k x k22; k Ax k2 p n k x k2; k A k2 p n:
Для вектора 'n 2 S1 норма k A'n k2= p : Таким образом k A k2= j mj; где m- максимальное по модулю собственное число матрицы A:
Эквивалентность норм матрицы.
Исходя из эквивалентности норм вектора, легко получить неравенства
|
|
|
|
C1 |
|
k A kII k A kI |
C2 |
k A kII |
: |
||
|
|
|
|
C2 |
C1 |
||||||
В частности |
n |
|
|
|
n |
|
|||||
|
|
|
|
|
|
|
|
|
|
||
1 |
|
|
|
X |
p |
|
|
Xj |
|||
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|||
pn maxi |
jaijj j mj |
n maxi |
jaijj: |
||||||||
|
|
|
|
|
|
j=1 |
|
|
=1 |
3.Числа обусловленности матрицы.
Пусть матрица A имеет обратную матрицу A 1: Рассмотрим две системы Ax = y и Ax = y + y; где y вариация (погрешность) вектора y: Вариация решения x = A 1 y: Рассмотрим относительную погрешность решения kkxxkk и относительную погрешность kkyykk правой части:
k |
|
|
k |
= |
k |
|
|
k |
k |
|
|
k |
k |
|
|
k |
= |
k A 1 |
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
x |
x |
y |
y |
y |
k Ax |
k |
k y k |
k |
A 1 |
k k |
A |
k |
k y k |
: |
|||||||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||||||||||||||||
k |
|
|
k |
k |
|
|
k k |
|
|
k k |
|
|
k |
k |
|
k k |
|
k k |
|
k |
k |
|
k |
||||||||||||||||||||||||
x |
|
x |
y |
y |
|
y |
x |
y |
|
|
y |
|
Число (A) =k A 1 kk A k называется числом обусловленности матрицы A в выбранной метрике. Свойства числа обусловленности
1. (A) 1: Так как в любой норме k E k= 1; то
1 =k E k=k A 1A k k A 1 k k A k= (A):
2: ( A) = (A) : ( A) =k ( A) 1 k k A k= j1j k A 1 k j j k A k= #(A):
3. Оценка снизу числа обусловленности матрицы. Рассмотри векторы x и y = A x и векторы x и
y = Ax: Тогда отношение
k xk
kxk (A): k yk
kyk
4. В оценке kkxxkk C kkyykk значение C = (A) уменьшить нельзя.
Действительно, рассмотрим вектор y; такой что k A 1 y k=
=k A 1 k k y k; обозначим x = A 1 y :k x k=k A 1 k k y k :
Рассмотрим вектор x, такой что k Ax k=k A k k x k; обозначим y = Ax : k y =kk A k k x k и k x k= kA1k k y k :
|
k |
|
|
k |
|
kA 1k k |
|
k |
|
k |
|
|
k |
|
||||
Тогда |
x |
= |
y |
k A k= (A) |
y |
: |
||||||||||||
k |
|
k |
k |
|
k |
k |
|
k |
||||||||||
x |
y |
y |
Если (A) >> 1; то говорят, что матрица А и система уравнений Ax = y плохо обусловлены.
Пример
13
|
|
0 0 |
|
1 |
1 : : : |
1 1 1 |
|
|
|
|
|
|||||||
|
|
n, A = B |
|
1 |
1 |
1 : : : |
1 |
1 |
C |
|
|
|
|
|
||||
Матрица A размерности n |
|
: |
0: : |
: |
0: : |
: |
1: : |
:: :: :: |
: :1: |
: :1: |
; det A = 1 и система Ax = y имеет |
|||||||
|
|
B |
|
|
|
|
|
|
|
|
|
|
C |
|
|
|
|
|
|
|
B |
|
0 |
|
0 |
|
0 |
: : : |
1 |
|
1 |
C |
|
|
|
|
|
|
|
B |
|
0 |
|
0 |
|
0 |
: : : |
0 |
|
C |
|
|
|
|
|
|
|
|
B |
|
|
|
1 |
C |
|
|
|
|
|
||||||
|
|
B |
|
|
|
|
|
|
|
|
|
|
C |
|
|
|
|
|
единственное решение. |
|
@ |
|
|
|
|
|
|
|
|
|
|
A |
|
|
|
|
|
Рассмотрим x = (0; 0; :::; 0; 1); и y = Ax = ( 1; 1; :::; 1; 1):
Выберем k x k=k x k1 : k x k1= 1, k y k1= 1; k A k1= n:
Пусть y = (0; 0; :::; 0; "), k y k1= ": Тогда x = "(2n 2; 2n 3; :::; 2; 1; 1). k x k1= "2n 2:
Для числа обусловленности получаем оценку (A) 2n 2 (n = 32): Таким образом матрица A и
система уравнений плохо обусловлены. |
Заметим, что из неравенства |
k |
A |
k1k |
A 1 |
k1 |
(A) получаем |
||||||||||||||||||
|
n |
2 |
|
|
|
|
|
|
|
|
|||||||||||||||
оценку нормы обратной матрицы: k A 1 |
k1 |
2 |
|
|
( 225): |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
4. Матрицы с диагональным преобладанием. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
Определение: матрица A = faijgi;jn =1 называется матрицей с диагональным |
|
|
|
|
|
|
|
||||||||||||||||||
|
преобладанием, если для всех i = 1; 2; :::; n верно |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
jaiij jaijj > 0: |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
j6=i |
|
|
|
|
|
|
|
|
|
|
|
|||
Например матрица 0 |
8 |
2 |
1 |
1- матрица с диагональным преобладанием, = 2: |
|
|
|
|
|||||||||||||||||
3 |
6 |
1 |
|
|
|
|
|||||||||||||||||||
@ |
0 |
2 5 |
A |
|
|
|
|
|
|
|
|
|
|
|
A 1 |
|
|
1 |
: |
||||||
|
Теорема. |
Матрица с диагональным преобладанием имеет обратную матрицу и k |
|
|
k1 |
|
|
Доказательство. Рассмотрим любой ненулевой вектор x: Его норма
k x k1= max jxij = jxmj: Вычислим y = Ax:
i
n |
X |
|
X |
|
|
yi = aijxj = aiixi + aijxj |
|
|
j=1 |
j6=i |
|
Тогда |
X |
X |
X |
||
jyij jaiixij j aijxjj jaiijjxij jaijjjxjj jaiijjxij jxmj |
jaijj |
|
j6=i |
j6=i |
j6=i |
и при i = m
X
jymj (jaiij jaijj) k x k1 :
j6=i
Тогда max jyij =k y k1 k x k1
i
Таким образом для любого решения системы Ax = y верно неравенство:
k x k1 k y k1 :
Рассмотрим однородную систему Ax = 0: Предположим, что она имеет ненулевое решение x0: Но в силу полученного неравенства k x k1= 0: Следовательно, решение системы Ax = y существует и единственно при любой правой части, и матрица A имеет обратную матрицу. Далее
k x k1=k A 1y k1 1 k y k1
и |
|
|
|
k A 1 |
k1 |
1 |
|
|
: |
||
|
|||
Т о ч н ы е м е т о д ы |
р е ш е |
н и я СЛАУ. |
В этой части мы рассмотрим методы, которые доставляют точные решения систем за конечное число операций. Предполагается, что обратная матрица существует и что все вычисления производятся точно.
14
3.1Метод Гаусса решения СЛАУ.
Составим расширенную матрицу A+ системы Ax = y:
0 a21 |
a22 |
a23 |
: : : a2n |
y2 |
1 |
||||
a11 |
a12 |
a13 |
: : : a1n |
y1 |
C |
||||
A+ = B a31 a32 |
a33 |
: : : a3n |
y3 |
||||||
B |
|
|
|
|
|
|
|
|
C |
B a |
a |
a |
|
: : : |
a |
nn |
y |
n |
C |
B n1 |
n2 |
n3 |
|
|
C |
||||
@ |
|
|
|
|
|
|
|
|
A |
Первый шаг. Потребуем, что a11 6= 0 (главный минор 1 первого порядка матрицы A). Разделим
первую строчку матрицы A+ на a11 :
|
a12 |
|
a13 |
|
a1n |
|
y1 |
|
(1 |
|
|
|
|
|
|
): |
|
a11 |
|
a11 |
a11 |
a11 |
Потребовалось (n 1) делений элементов первой строчки матрицы A и одно деление первой координаты вектора y.
Умножим полученную строчку на a21 и вычтем из второй строчки матрицы A+ : получим новую вторую строчку:
|
|
a12 |
|
|
|
a13 |
|
|
a1n |
|
y1 |
|
||||||
(0 |
a22 |
|
a21 |
a23 |
|
|
a21 |
|
|
a2n |
|
a21 |
y2 |
|
a21): |
|
||
a11 |
a11 |
|
a11 |
a11 |
|
|||||||||||||
Значение a22 a11 a21 = 1 ; где 2 главный минор матрицы A второго порядка. Потребуем, что 2 6= 0: |
||||||||||||||||||
a12 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Продолжая этот процесс, получим матрицу A1, первый столбец которой равен (1; 0; :::; 0)T и вектор y1 : |
||||||||||||||||||
|
|
|
|
|
|
A1 = L1A; y1 = L1y: |
|
|
|
|
|
|||||||
|
|
|
|
1 |
|
a21 |
an1 |
T |
|
|
|
1 |
|
|||||
Первый столбец матрицы L1 равен ( |
|
; a11 ; ; a11 ) |
|
; её диагональные элементы равны |
|
; 1; : : : ; 1; |
||||||||||||
a11 |
|
a11 |
остальные элементы равны 0. Матрица L1 нижняя треугольная матрица. Обратная матрица L1 1 тоже нижняя треугольная, её первый столбец (a11; a21; : : : ; an1)T , диагональные элементы равны a11; 1; :::; 1; det L1 =
|
|
1 |
; det L 1 = a11: |
|
a11 |
||
|
1 |
||
y |
1 |
Для построения матрицы A1 требуется (n 1)n операций деления и умножения, для построения вектора |
|
потребовалось n таких операций. |
Второй шаг. Рассматривается вторая строчка матрицы A+1 и строится матрица L2 размерности n n; такая что в матрице A2 = L2A1 первый столбец совпадает с первым столбцом матрицы A1, а второй
|
|
a12 |
|
|
T |
: Для построения матрицы A2 потребуется (n 1)(n 2) операций, а для |
|
столбец равен (a11 ; 1; :::; 0; 0) |
|
||||||
построения вектора1 |
y2 |
= L2y1 потребуется (n 1) операций. Матрицы L2 и L2 1 нижние треугольные; |
|||||
det L2 = 2 |
; det L |
= |
1 : |
|
|
|
|
|
1 |
1 |
|
2 |
|
|
|
|
После проведения n таких шагов в предположении, что все главные миноры матрицы i 6= 0 (в том |
||||||
|
|
|
|
|
|
|
|
числе det A = 0), получим верхнюю треугольную матрицу U, на диагонали которой стоят 1: U = |
|||||||||||||||||||||||||||||||
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
det L 1 = |
|
|
|
|
|
|
|
L |
L |
:::L L1A = LA и вектор yn |
= Ly; det L |
k |
= |
|
; |
|
k 1 |
: |
|
|
|
||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||
|
n n 1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k 1 |
k |
k |
|
|
|||||||
|
Система Ux = yn эквивалентна системе Ax = y; система Ax = y эквивалентна LAx = Ly: |
|
|||||||||||||||||||||||||||||
|
Ясно, что A = L 1U; матрица L 1- нижняя треугольная, det L 1 = det A: |
|
|
||||||||||||||||||||||||||||
|
Таким образом, метод Гаусса состоит в представлении матрицы A в виде произведения нижней тре- |
||||||||||||||||||||||||||||||
угольной матрицы и верхней треугольной матрицы U, на диагонали которой стоят 1. |
|
|
|||||||||||||||||||||||||||||
|
Найдем число операций, необходимых для построения матрицы U и для построения вектора yn = Ly: |
||||||||||||||||||||||||||||||
|
Для построения матрицы U потребовалось |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
n(n + 1) + (n 1)(n 2) + ::: + 2 + 0 = |
(n 1)n(n+1) |
операций. |
|
|
|
|
|
|
||||||||||||||||||||||
|
|
3 |
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
Для построения вектора Ly потребовалось |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
n + (n 1) + (n 2) + 2 + 1 = |
(n+1)n |
операций. |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
Построение решения системы (обратный ход метода Гаусса). |
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
Решение системы Ax = y: Для вычисления xn не требуется никаких операций, для получения xn 1 |
||||||||||||||||||||||||||||||
потребуется одна операция, для x |
n 2 |
две операции, для вычисления x потребуется (n |
|
1) операций. |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
операций. |
|
|
1 |
|
|
|
||||||||
Для построения решения потребуется n(n 1) |
2 |
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
Для решения системы Ax = y методом Гаусса потребуется |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
(n 1)n(n+1) |
|
n(n+1) |
|
n(n 1) |
|
|
n |
2 |
|
|
|
|
|
|
n3 |
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
+ |
|
|
+ |
|
|
|
= |
3 (n |
|
|
+ 3n 1) |
3 операций. |
|
|
|
|
|
|
||||||||
|
|
|
3 |
|
2 |
|
2 |
|
|
|
|
|
|
|
|
|
15
Теорема. Пусть все главные миноры матрицы A отличны от 0. Тогда метод Гаусса состоит в представлении матрицы A в виде произведения нижней треугольной матрицы L и верхней треугольной матрицы U с единичной диагональю A = LU:
Число операций умножения-деления равно n3 (n2 + 3n 1) n33 : Следствия.
1. Для построения матрицы L 1 требуется столько же операций, сколько и для построения матрицы
U. Так как
det A = det L 1 1;
то для вычисления определителя матрицы A по методу Гаусса потребуется число операций порядка n3 :
3
Вычисляя определитель непосредственно разложением по элементам первой строчки получим необходимое число умножений порядка N = (e 1)n!
2. Построение обратной матрицы.
Построив матрицы U; L 1 решим n систем уравнений
Ax = ei i = 1; :::; n:
Учитывая простую структуру правых частей ei; получим, что необходимое число операций для построения A 1 равно n3 n22 n2 n3; т.е. примерно в три раза большее, чем решение одной системы Ax = y:
Замечания.
1.Метод Гауссаметод последовательного исключения неизвестных.
2.Получив на каждом шаге новую матрицу Ai; следует найти или наибольший по модулю элемент в новой строчке, или наибольший по модулю элемент в новом столбце, или наибольший по модулю элемент в оставшейся матрице (ведущие элементы). Изменив порядок нумерации переменных или изменив порядок нумерации строк, или и то и другое, поставим ведущий элемент в верхний левый угол оставшейся матрицы. Эти процедуры уменьшают влияние ошибок вычисления.
Одновременно снимаются и ограничения на главные миноры исходной матрицы, оставив лишь условие
n = detA 6= 0:
3. Несложно построить метод, в котором матрица преобразуется в единичную матрицу (метод Жордана).
3.2Метод отражений.
1. Преобразование отражения.
Зададим вектор w, k w k= 1: Вектор w определяет плоскость P l; ортогональную вектору w. Понятие ортогональности определенно только в векторном пространстве с нормой k x k=k x k2 - в векторном конечномерном пространстве Гильберта. Используя понятия этого пространства, представим любой вектор x в виде ортогонального разложения:
x = pw x + pPl x:
Определим вектор W (x) = pw x+ pPl x: Ясно, что отображение аддитивно и однородно. Следовательно, это преобразование определяется матрицей W размерности (n n):
Свойства матрицы W :
- k Wx k2=k x k2 и k W k2= 1;
-W (Wx) = x и W W = E, W 1 = W , т.е. матрица W ортогональная. Построим матрицу W . Ясно, что x Wx = 2 pw x и Wx = x 2 pw x:
Обозначим координаты вектора x = x(x1; x2; :::; xn) и вектора w = w(w1; w2; :::; wn): Получаем Wx =
n n
PP
x 2(x; w)w; (Wxi) = xi 2 (xjwj)wi = xi 2 wiwjxi:
j=1 j=1
Обозначим матрицу V = fwiwjgni;j=1: Матрица V симметричная матрица, тогда и матрица W = E 2V -
симметрична. Мы получаем ещё одно свойство матрицы W : - W = W (и W = W 1):
2. Метод отражений решения СЛАУ.
Метод состоит в построении последовательности преобразований отражения с целью получить эквивалентную систему с верхней треугольной матрицей.
16
Первый шаг. Пусть a первый столбец матрицы A и a11 6= 0: Построим вектор w; такой что W (a) = e1:
Так как W (a) = a 2(w; a)w; то эта задача сводится к определению w и числа из условия
a e1 = 2(w; a)w:
Если (w; a) = 0; то вектор a коллинеарен вектору e1, и следует перейти ко второму шагу. В случае (w; a) 6= 0; получаем:
w = a e1
2(w; a)
(т.е. вектор w есть линейная комбинация векторов a и e1). Из этого равенства получаем
(w; a) = k a k2 (a; e1):
2(w; a)
Обозначим скалярное произведение (w; a) = : Тогда
2 2 =k a k2 (a; e1):
Так как k Wa k=k a k; то для j j получаем: j j =k a k : Для того, чтобы величина 2 2 была положительна, выберем
= sign(a; e1) k a k
ивеличина известна. Взяв, например, положительное значение вычислим вектор w :
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
|
|
|
|
1 |
: |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a |
e |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
w |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Остается проверить, что k w k= 1 : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
( |
|
|
|
1; |
|
|
|
|
1) |
= |
k |
|
k 2 ( |
|
|
|
1)+ k |
|
k2 |
|
||||||||||||||
|
|
2 |
= ( |
|
|
|
|
a |
e |
a |
e |
a |
a; |
e |
a |
= |
|||||||||||||||||||||||||
|
w |
w; w) = |
|||||||||||||||||||||||||||||||||||||||
k |
k2 |
|
|
|
|
|
4 2 |
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 2 |
|
||||||||||||||||||||||
|
|
|
|
2(k |
|
k2 ( |
|
|
|
|
|
|
2 2 2 |
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
= |
a |
a; e1)) |
= |
|
= 1: |
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
4 2 |
|
|
|
|
|
4 2 |
|
|
|
|
|
|
|
|
Обозначим полученный вектор w через w1, обозначим = 1; преобразование отражения W через W1: Второй и последующие шаги состоят в последовательном построении преобразований Wm; таких что
элементы m-го столбца матрицы Am = WmAm 1 равны 0 при i > m; а при i = m элемент отличен от 0. В результате получим верхнюю треугольную матрицу U: U = WnWn 1:::W1A:
Обозначим WnWn 1:::W2W1 = W ; W A = U:
Матрица W ортогональна:
W = W1 W2 :::Wn 1Wn = W1 1W2 1:::Wn 11Wn 1 = (WnWn 1:::W2W1) 1 = W 1:
Матрицы W в общем случае несимметрична: произведение симметричных матриц в общем случае не является симметричной матрицей.
Из равенства W A = U получим A = W 1U: Матрица W 1 ортогональная: W 1 = W : Таким образом, метод отражений состоит в представлении матрицы A в виде произведения ортогональной матрицы и верхней треугольной матрицы.
Вычисление решения системы сводится к решению системы Ux = Wy и производится аналогично обратному ходу метода Гаусса.
Ясно, что как и в методе Гаусса, изменение нумерации строк или столбцов позволяет применить метод отражений только при одном условии:
det A 6= 0:
Число операций в методе отражений 43 n3; но по сравнению с другими методами решения СЛАУ, этот метод более устойчив к вычислительным ошибкам.
17