- •Глава1. Проблема аппроксимации
- •§1. Полиномиальная апппроксимация
- •§2. Интерполяционный полином в форме Лагранжа
- •§3. Интерполяционный полином в форме Ньютона
- •§4. Аппроксимация сплайнами
- •§5. Метод наименьших квадратов
- •§6. Полиномиальная интерполяция с кратными узлами
- •§7. Свойства разделенных разностей
- •§8. Задача Чебышева. Разрешимость системы
- •§9. Теорема Чебышева
- •§10. Многочлены Чебышева
- •Глава2. Численное дифференцирование
- •Глава3. Численное интегрирование
- •§1. Интерполяционные квадратурные формулы
- •1.Интерполяционные квадратурные формулы
- •2.Интерполяционные квадратурные формулы наилучшей алгебраической точности
- •3.Ортогональные многочлены и их свойства
- •§2. Применение квадратурных формул
- •§3. Метод Монте-Карло (метод статистических испытаний)
- •§4. Правило Рунге практической оценки погрешности
- •Глава4. Алгебраическая проблема собсвенных значений
- •§1. Ортогональные матрицы
- •1.Ортогональные матрицы
- •2.Матрица элементарного поворота
- •§2. Вариационное свойство собственных значений
- •§3. Приведение симметричной матрицы к диагональному виду
- •§4. Сингулярное разложение матрицы
- •§5. Сопряженная матрица
- •§6. Частная спектральная задача
- •1.Вариационный метод
- •2.Степенной метод
- •§7. Метод максимизации столбцов
- •1.Максимизация первого столбца
- •2.Алгоритм сингулярного разложения
- •3.Главное собственное число
- •§8. Метод вращения
Глава4. Алгебраическая проблема собсвенных значений
Постановка задачи
Пусть A=(aik) – вещественная матрица порядка n×n пространства Rn. Элементы пространства Rn имеют вид: x=(x1..xn)T.
Скалярное произведение векторов в Rn: .
Норма вектора в пространстве Rn: .
Число λ – собственное число матрицы А, если существует нетривиальный вектор x1≠0: Ax=λx. При этом x1 – собственный вектор А. (1)
Множество всех собственных чисел матрицы – её спектр.
Спектральная задача – задача нахождения всех или нескольких собственных чисел матрицы и, возможно, соответствующих им собственных векторов.
Пусть λ1 – собственное число матрицы А. Перепишем уравнение (1) в виде:
.
Многочлен вида: - характеристический многочлен матрицы А.
Т.о. если λ – собственное число матрицы А, то λ – корень характеристического многочлена матрицы А. Верно и обратное.
Утверждение Любая матрица А порядка n×n имеет хотя бы один собственный вектор и имеет n собственных чисел (могут быть как различными, так и кратными).
Из сказанного: задача нахождения собственных чисел матрицы А сводится к задаче нахождения корней её характеристического многочлена, т.е. решения уравнения Pn(λ) = 0.
Некорректность спектральной задачи
При исследовании спектральной задачи было выяснено, что она неустойчива. Приведем пример. Рассмотрим матрицу порядка 20×20:
, где ε – малое возмущение нулевого элемента.
Характеристический многочлен матрицы А имеет вид: .
Рассмотрим два случая:
1)ε=0 Тогда младший коэффициент Pn(λ) a0=20!≈2,5×1018. Собственные числа матрицы А λk=1..20.
2) - малое число.
При этом a0=0 и возникает новое собственное число матрицы А λ=0.
Т.о. как коэффициенты, так и корни характеристического многочлена могут быть очень чувствительны к малым погрешностям матричных элементов, что означает слабую устойчивость спектральной задачи.
§1. Ортогональные матрицы
1.Ортогональные матрицы
Рассмотрим два ортонормированных базиса в пространстве Rn: . Т.е. .
Разложим вектора второго базиса по векторам первого:
Обозначим как U=(uik).
Рассмотрим скалярное произведение:
Таким образом, сумма Cik трактуется как произведение iой строки матрицы U на kый столбец матрицы UT. C другой стороны, из свойств ортонормированного базиса матрица C=(cik)=E.
Отсюда получим: UUT=E или UTU=E.
Из выведенных формул следуют равенства:
1) U-1 = UT (из определения обратной матрицы)
2) (Ux,Uy) = (x,y) для любых векторов x,y из Rn (т.е. скалярные произведения векторов и их образов относительно U совпадают).
Действительно, (Ux,Uy) = (UUTx,y) = (x,y)
3)Отсюда в частности следует: || x || = || Ux ||
Действительно, .
Матрица V, удовлетворяющая любому из этих трех равенств, ортогональная. Она обладает следующими свойствами:
1)переводит ортогональный базис в ортонормиррованный
2)сохраняет углы между векторами, а также их нормы
Представление матрицы-оператора в другом базисе
Из теорем линейных операторов:
1)Всякой матрице А можно сопоставить некоторый линейный оператор
Ω: x→y=Ax
2)Всякий линейный ограниченный оператор в Rn представим в виде матрицы.
Рассмотрим некоторый ортонормированный базис и найдем представление в нем матрицы А.
Пусть x=(x1..xn)T в базисе .
Т.е. .
Рассмотрим оператор Ω: x→y в . Т.е. оператор (β – оператор Ω в новом базисе).
- представление матрицы А в базисе .