3.5 Die Kondition eines linearen Gleichungssystems (einer ... · Für ein lineares Gleichungssystem...
Transcript of 3.5 Die Kondition eines linearen Gleichungssystems (einer ... · Für ein lineares Gleichungssystem...
3.5 Die Kondition eines linearen Gleichungssystems (einer Matrix) Neu benötigt: Matrixnorm und ihre Eigenschaften.
|| . || Matrixnorm: ||A|| > 0 für A = 0 ||a*A|| = |a|*||A|| für a∈R ||A+B|| <= ||A|| + ||B||
Besonders wichtig sind Matrixnormen, die zu einer Vektornorm „passen“ :
3.5.1. Eine Matrixnorm ist mit einer Vektornorm verträglich,
wenn xAAx ⋅≤ . Vektor Matrix Vektornorm
- 34 -
3.5.2. Eine Matrixnorm heißt submultiplikativ, wenn stets gilt
BABA ⋅≤⋅
3.5.3. Eine submultiplikative Matrixnorm, verträglich mit einer vorgegeben Vektornorm, kann leicht definiert werden
durch xAx
Ax 0
sup≠
= ,
die sog. Grenzen-Norm oder lub-Norm (least upper bound):
yyAAyAx
Axy
Ayx ∀⋅≤⇒=≤ sup
und
- 35 -
BAx
Bxy
Ay
xBx
BxABx
xABx
BA
xBxy
x
⋅≤⋅≤
≤⎟⎟⎠
- 36 -
⎞⎜⎜⎝
⎛⋅==⋅
= supsup
supsup
So erhält man zu den Vektornormen ∑==
n
iixx
11
und || x ||∞ =maxi=1,…,n |xi | dazugehörige Matrix-Grenzen-Normen || . ||1 und || . ||∞ .
∑ ⋅== iiT yxyxyx ),( 3.5.4. Das innere Produkt
führt auf die
3.5.5. Euklid’sche .Norm: ∑=⋅== 22
2 ),( iT xxxxxx
und die damit verträgliche Matrixnorm
3.5.6. (2-Norm): 2
2
02
supx
AxA
x≠=
mit der Eigenschaft
xAAxAxAxAxAxAxAxAx TTTTT )()()(),(2
2====
)()(supsup max
02
2
2
2
0
2
2AA
xxxAAx
x
AxA T
T
TT
xxλ===
≠≠
- 37 -
)()( maxmax2AAAA T σλ == Also
wobei der größte Eigenwert von A)(max AATλ TA ist, und )( max Aσ der größte Singulärwert von A.
Diese Matrixnorm ist i.A. nicht einfach berechenbar!
3.5.7. Def. der Frobeniusnorm: ∑=2
,: kjFaA
Fasse die Matrix A als Vektor auf und benutze für diesen langen Vektor die euklid’sche Vektornorm ||.||F Die Frobeniusnorm ist mit der euklid’scher Vektornorm verträglich und submultiplikativ.
- 38 -
3.6 Gestörte Eingabedaten
Für ein lineares Gleichungssystem A x = b mit Matrix A, Vektor der rechten Seite b und gesuchtem Lösungsvektor x , untersuchen wir wieder den Einfluss von Eingabefehlern bei sonst exakter Rechnung Kondition der Matrix
Eingabedaten mit Fehler: bbbb ~=Δ+→
Damit ergibt sich an Stelle der exakten Lösung x die Näherung
xxxx ~=Δ+→
Mit Ax = b und bbbxxAxA ~)(~ =Δ+=Δ+=
gilt: bxA Δ=Δ oder bAx Δ=Δ −1
- 39 -
Die Matrix A wird hier als exakt angenommen! Damit erhält man die Ungleichungen
22
1
2
12
bAbAx Δ≤Δ=Δ −−
2222xAAxb ≤=
wegen der Verträglichkeit der euklid’schen Vektor- und Matrixnorm.
Also auch 2
2
2
1bA
x≤ und damit insgesamt:
- 40 -
3.6.1. ( )
2
222
1
2
2
bb
AAxx Δ
⋅⋅≤Δ −
rel.Fehler Kondition rel. Fehler in x von A in b 3.6.2 Definition: Die Kondition der Matrix A bzgl. der euklid’schen Norm ist gegeben durch
22
12 )( AAAcond ⋅= −
(Genauso kann man Konditionszahlen bzgl. anderer verträglicher Normen definieren.)
- 41 -
Die Konditionszahl beschreibt also wieder, wie sich ein relativer Eingabefehler in Vektor b auf das Resultat, den Lösungsvektor x, auswirkt.
cond(A) groß kleine Störungen in b bewirken große Fehler in x
Man beachte: Der relative Fehler des Gesamtvektors wird abgeschätzt, nicht der Fehler einzelner Komponenten!
Als Vektor betrachtet ist , aber ⎟⎟⎠
⎞⎜⎜⎝
⎛≈⎟⎟
⎠
⎞⎜⎜⎝
⎛ −
10
110 16
komponentenweise ist natürlich . 010 16 ≈−
- 42 -
- 43 -
⎟⎟⎠
⎞⎜⎜⎝
⎛ −=⎟⎟
⎠
⎞⎜⎜⎝
⎛= −
−
101010
10110 99
19
AundA Beispiel:
Normen: 22≈A und
9
2
1 102 ⋅≈−A
Also , d.h. A hat große Konditionszahl. 9
2 102)( ⋅=Acond
Wähle speziell: ,0
,10
,11 11
⎟⎟⎠
⎞⎜⎜⎝
⎛Δ=Δ⎟⎟
⎠
⎞⎜⎜⎝
⎛==⎟⎟
⎠
⎞⎜⎜⎝
⎛= − b
bbAxb
Dann folgt 2,1,10 19 ==Δ⋅=Δ bxbx
Damit ergibt sich
bbb
xx Δ
⋅⋅=Δ⋅
=Δ 91
9
1021
10
und
991 1021022)( ⋅=⋅⋅=⋅= −AAAcond
Ein kleiner Fehler in der ersten Komponente von b wirkt sich verstärkt um Faktor 109 in der ersten Komponente von x aus.
- 44 -
3.6.3. Anmerkung: Speziell wichtige Klasse von Matrizen mit Konditionszahl 1: Q ist orthogonale Matrix Q–1 = QT oder Q QT = I = QTQ ,
;2
2
2
2xxxQxQxQx TTT ===
22xQx = 1sup
2
202
== ≠ xQx
Q x Und damit auch cond2(Q)=1
- 45 -
Außerdem gilt
)()( 22 AcondQAcond =
denn 22
2
02
2
02
supsup Ax
Axx
QAxQA
xx===
≠≠ Orthogonale Matrizen sind selbst gut konditioniert und lassen bei Multiplikation mit einer Matrix die Kondition der Ausgangsmatrix unverändert!
- 46 -
3.7 Kosten der Gauss-Elimination
3.7.1. Zunächst Dreieckssystem: ii
n
ij jijii
nnnn
a
xabx
nnifürabx
∑ +=−
=
−−==
1
:1,,2,1;/
K
Programm: FOR i = n,...,1 DO x(i) = b(i); FOR j=i+1,…,n DO x(i) = x(i) - a(i,j)x(j); ENDFOR x(i) = x(i)/a(i,i); ENDFOR
- 47 -
In jedem Schritt i fallen eine Division und jeweils n-i Additionen und Multiplikationen an:
Also ( )
222)1( 21
1
1
1
nnnnjinn
j
n
i
−=−
==− ∑∑−
=
−
=
Additionen und genauso viele Multiplikationen. Dazu kommen n Divisionen.
3.7.2. Definition: Unter flop verstehen wir eine elementare ‚floating point operation’ (Gleitpunktoperation wie + , - , * , / ). Die Kosten eines Algorithmus werden üblicherweise in flop angegeben. Dazu gibt man in erster Näherung nur den Term höchster Ordnung an.
- 48 -
- 49 -
In unserem Fall: sflopnnnnn '22
2 222
→=+⎟⎟⎠
⎞⎜⎜⎝
⎛−⋅
oder sflopn ')( 2Ο
3.7.3. Exkurs: Landau’sche Symbole:
1. Betrachte Funktion in n für n ∞ :
NnfürMngnffallsngnf ≥∞<≤Ο=)()()),(()(
Beispiel: ; denn n)( 22 nnn Ο=+ 2 ist der am stärksten wachsende Term f(n) / g(n) = 1 + 1/n <= M
2. Betrachte Funktion in h für h 0 :
δ≤∞<≤Ο= hfürchghffallshghf)()()),(()(
Beispiel: ; denn h)(2 hhh Ο=+ ist der am langsamsten schrumpfende Term f(h) / g(h) = h + 1 <= c O(..) bezeichnet also jeweils den wichtigsten Term!
- 50 -
Andere, formale Möglichkeit zum Zählen von Operationen:
Schreibe Programm um als Zähler: add = div = mult = 0;
FOR i=n,...,1 DO FOR j=i+1,…,n DO add = add + 1; mult = mult +1; ENDFOR div = div + 1; ENDFOR
Damit ergibt sich mit add := Zahl der Additionen:
)(
2)(1
21
1
1
nninaddni
n
ijniΟ+=−== ∑∑∑
=+== (genauso mult und div)
- 51 -
3.7.4. Kosten der Gauss-Elimination:
Im k-ten Teilschritt arbeitet man in einer n-k x n-k Untermatrix Ak
In dieser Matrix wird für i=k+1,...,n neu berechnet :
⎟⎟⎠
⎞⎜⎜⎝
⎛−=
0*
;kjikijij alaa
Das sind ca. (n-k)2 Additionen und genauso viele Multiplikationen. Insgesamt also
sflopnnnnnjknn
j
n
k')(
32
6)12)(1(22)(2 231
1
21
1
2 Ο+=−−
=∑=∑ −−
=
−
=
- 52 -
Dazu kommen O(n2) flop’s für die Spaltenpivotsuche und O(n2) flop’s für das Auflösen des Dreiecksgleichungssystems.
Diese Kosten fallen aber praktisch nicht ins Gewicht gegenüber den obigen 2/3*n3 .
- 53 -
3.7.5 Beispiel zur Verdeutlichung der Kondition
↓
↓+↓
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
−−−
−−−
=M
L
MOOMM
O
MO
L
1111
10111111001
A
Eliminiere die erste Spalte durch Addieren der ersten Zeile:
↓
+↓
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
−−
−M
L
MOOMM
2110
211021011
Im nächsten Schritt
- 54 -
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
− 4100
410021011
L
MOOMM
Und endlich ⎟⎟⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜⎜⎜
⎝
⎛
=
−
−
1
2
221
412111
n
n
UMO
In jedem Schritt verdoppelt sich der größte Eintrag in der Matrix! Kondition von A selbst ist O(n), Kondition von U ist O(2n-1) !
- 55 -
- 56 -
Im Verlauf der Gauss-Elimination kann die Kondition der Matrizen sehr stark anwachsen! Aber: In der Praxis kommt das so gut wie nie vor! Gauss-Elimination mit Pivotsuche gilt als numerisch stabil.
3.8 Methode der kleinsten Quadrate (Least Squares, Normalgleichung)
- 57 -
Ausgangspunkt: Überbestimmtes System. Mehr Gleichungen als Unbekannte A x = b
Sei A eine m x n – Matrix mit m>n und maximal vollem Rang:
?
rang(A) = n, d.h. A bildet den Rm in den ganzen Rn ab.
Das System A x = b ist dann i.A. nicht lösbar!
Versuche, das Problem so gut wie möglich zu lösen! Minimiere dazu die Abweichung A x - b in passender Norm!
Am besten eignet sich dazu die euklid’sche Norm, da sie auf eine differenzierbare Funktion f führt:
3.8.1. : 2
2min bAxx −
∑ ∑∑
∑
= =
=
=
⎟⎟⎠
⎞⎜⎜⎝
⎛−=
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
−
−
=
=+−=−−=
=−=
m
k
n
jkjjkn
jmjjm
n
jjj
TTTTTT
n
bxabxa
bxa
bbbAxAxAxbAxbAx
bAxxxf
1
2
1,
2
21
,
11,1
2
21
)()(
)(
2)()(
:),,(
M
K
- 58 -
Die Funktion f beschreibt einen Paraboloiden (n-dim. Parabel). Das eindeutige Minimum dieser Funktion ist an der Stelle, an der die Ableitung gleich Null ist (waagrechte Tangente).
∑ ∑= =
⎟⎟⎠
⎞⎜⎜⎝
⎛−==
m
kik
n
jkjjk
i
abxadxdf
1,
1,20
für i=1,...,n
oder k
m
kik
n
jjjk
m
kik baxaa ∑∑∑
===
=1
,1
,1
,
- 59 -
( ) ( )
iT
iT bAAxA = , i=1,...,n In Matrixschreibweise:
3.8.2. Normalgleichung zu Ax=b: bAAxA TT = Die Matrix ATA ist eine n x n – Matrix von Rang n (da A Rang n hat) und beschreibt daher ein eindeutig lösbares, quadratisches lineares Gleichungssystem. Allerdings ist die Kondition von ATA oft sehr viel schlechter als die von A, denn:
- 60 -
)(
)(/)()(/)())(()(
))()((*)(
)()(
22
2
12
2
2min
2maxminmax
maxmax
11maxmax
2
1
22
AcondAA
AAAAAAAAinvAA
AAAAAAAA
AAAAAAcond
TT
TT
TTTT
TTT
=⋅=
===
=⋅=
==
= ⋅ =−
−
−−
σσλλ
λλ
λλ
Im folgenden Abschnitt werden wir daher ein besseres Verfahren zur Lösung dieses Problems kennen lernen. Dazu werden besser orthogonale Matrizen verwendet, um diese Konditionsverschlechterung zu vermeiden.
- 61 -
3.8.3. Lineares Ausgleichsproblem (Ausgleichsgerade)
Gegeben: Punktepaare in der Ebene , i=1,...,n; ),( ii yx
Gesucht: beste Gerade, die möglichst nahe an den Punkten liegt,
y = g(x) = ax + b .
Es soll also gelten: ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛≈
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
+
+
nn y
y
bxa
bxaMM11
oder in Matrixschreibweise
- 62 -
mit und y
ba
A ≈⎟⎟⎠
⎞⎜⎜⎝
⎛,
1
1 1
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
nx
xA MM .
1
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
ny
yy M
Die Normalgleichung lautet also
.
1
1
1
2
1
1
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=⎟⎟⎠
⎞⎜⎜⎝
⎛
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=⎟⎟⎠
⎞⎜⎜⎝
⎛
∑
∑
∑∑
∑
=
=
==
=
j
n
jj
n
jj
n
jj
n
jj
n
jj
T
yx
y
ba
xx
xn
ba
AA
Die Lösung dieses 2 x 2 – Gleichungssystems liefert
a und b, und damit die gesuchte Gerade y = ax + b .
- 63 -
Allgemeiner: Ansatzfunktionen und
))(,),(1 xgxg mK
Punkte , n>m ,(,),,( 11 nn yxyx K
Gesucht : mit ∑=
=m
kkk xgaxf
1)()( njyxf jj ,,1,)( K=≈
Mit ist dann ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
nmn
m
xgxg
xgxgG
()(
)()(
1
111
L
MM
L
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
n
T
m
T
y
yG
a
aGG MM
11
zu lösen.
Ergebnis ist die ‚näheste’ Funktion an den vorgegebenen Punkten, die aus den g1,..., gm linear zusammengesetzt ist.
- 64 -
3.9. Die QR-Zerlegung einer Matrix
Schon vorher haben wir bemerkt: - cond(U) in GE ev. groß, auch bei kleinem cond(A); - Für A schlecht konditioniert: was ist der Rang von A! - cond(AT A) groß, - aber cond(QA) = cond(A), falls Q orthogonal.
Also sind orthogonale Matrizen sehr gut für äquivalente Umformungen von A geeignet (vgl. LU-Zerlegung).
Außerdem ist Q–1 = QT , also sind Gleichungssysteme in Q leicht zu lösen.
Versuche daher, analog zu A=LR , eine Zerlegung der Form
3.9.1. A = QR zu finden, mit Q orthogonal und R obere Dreiecksmatrix.
- 65 -
3.9.2 Elementare orthogonale Matrizen Orthogonale 2 x 2 – Matrix :
Givensreflexion. Denn ⎟⎟⎠
⎞⎜⎜⎝
⎛−
=)cos()sin(
)sin()cos(ϕϕϕϕ
G
;
1001
)(cos)(sin)sin()cos()cos()sin()cos()sin()sin()cos()(sin)(cos
)cos()sin()sin()cos(
)cos()sin()sin()cos(
22
22
⎟⎟⎠
⎞⎜⎜⎝
⎛=
=⎟⎟⎠
⎞⎜⎜⎝
⎛
+−−+
=
=⎟⎟⎠
⎞⎜⎜⎝
⎛−⎟⎟
⎠
⎞⎜⎜⎝
⎛−
==
ϕϕϕϕϕϕϕϕϕϕϕϕ
ϕϕϕϕ
ϕϕϕϕ
GGGGT
- 66 -
- 67 -
⎟⎟⎠
⎞⎜⎜⎝
⎛− )cos()sin(
)sin()cos(ϕϕϕϕ
Alternativ Givensrotation:
G ist eindeutig bestimmt durch den ‘Winkel’ ϕ. Bestimme nun ϕ so, dass
⎟⎟⎠
⎞⎜⎜⎝
⎛==
2221
1211~~~~~aaaa
GAA obere Dreiecksmatrix wird.
Dazu muss gelten:
( ) 0)cos()sin()cos()sin(~ !
211121
1121 =−=⎟⎟
⎠
⎞⎜⎜⎝
⎛−= aa
aa
a ϕϕϕϕ
Lösung: ;)cot(21
11
aa
=ϕ ⎟⎟⎠
⎞⎜⎜⎝
⎛=
21
11
aaarcctgϕ oder ⎟⎟
⎠
⎞⎜⎜⎝
⎛=
11
21
aaarctgϕ
Ist a21 =0, so ist keine weitere Transformation nötig!
Numerisch stabilere Art der Berechnung : (a21 oder a11 könnten fast 0 sein):
;)sin(;)cos(;)( 21112
2121111 ρ
ϕρ
ϕρ aaaaasign ==+=
3.9.3. Givens-Reflexion für den allgemeinen n x n – Fall:
Im Wesentlichen Einheitsmatrix, bis auf 2 x 2 – Block, der wie oben definiert ist, abhängig von ϕ. Multiplikation mit allgemeiner Givens-Matrix:
- 68 -
j i
i
j
Gij
⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜
⎝
⎛
−
=
1
1)cos()sin(
1
1)sin()cos(
1
1
O
O
O
ϕϕ
ϕϕ
- 69 -
zur Elimination eines Elementes aij der Matrix A . Dazu multiplizieren wir Gij ⋅A . Dieses Produkt verändert nur die i-te und die j-te Zeile von A. Es genügt, vom Gesamt-System nur diesen 2 x 2 – Teil zu betrachten. Also muss wieder
⎟⎟⎠
⎞⎜⎜⎝
⎛=
ij
jj
aa
arcctgϕ gesetzt sein wie oben. (1 j und 2 i )
Mit einer solchen Matrix G21 wird dann im ersten Schritt a21 zu Null gemacht.
⎟⎠
⎞⎜⎝
⎛−
=⎟⎠
⎞⎜⎝
⎛−
=⎟⎠
⎞⎜⎝
⎛=
cssc
GI
GG
)cos()sin()sin()cos(
,0
021 ϕϕ
ϕϕ
- 70 -
Genauere Analyse eines allgemeinen Eliminationsschritts:
AGaa
aa
cs
sc
i
j
ji
iiij
jijj
⋅=
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
⋅
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
−,
000
0
OMM
O
O
O
O
O
verändert nur j-te und i-te Zeile; i-te Zeile: ikjkik casaa −→ für k=j,...,n
!0= speziell: −→ ijjjij casaa soll Null werden und legt daher ϕ fest. j-te Zeile: ikjkjk sacaa +→ für k=j,...,n mit c und s zu obigen ϕ .
- 71 -
Verwende der Reihe nach zur Bearbeitung 13121 ,,, nGGG K
der ersten Spalte, also um zu Null zu machen, 13121 ,,, naaa K
und danach , ..... , , und 24232 ,,, nGGG K 221 , −−− nnnn GG 1−nnG
um , ..... , , und zu Null zu 24232 ,,, naaa K 221 , −−− nnnn aa 1−nna machen.
Die Reihenfolge, in der die aj,i zu Null gemacht werden, ist gegeben durch:
- 72 -
- 73 -
2/)1(321
21
.
−−− nnnn
n
L
MM
..
..
.
Jeweils nötig ist eine Multiplikation mit Givens-Reflexion G i,j , i=1,...,n-1 und j=i+1,...,n.
Also benötigt man insgesamt n(n-1)/2 Givensreflexionen um eine quadratische n x n –Matrix auf Dreiecksgestalt zu transformieren.
Man benutze also immer das Diagonalelement ajj und eine Kombination von i-ter/j-ter Zeile, um aij zu Null zu machen.
- 74 -
2112,12,1,: GGGGGQ nnnnnnnT LLL −−−−= Mit
ergibt sich also
RAGGGGGAQ nnnnnnnT == −−−− 2112,12,1, LLL
mit einer oberen Dreiecksmatrix R.
Dann ist , da und A=Q*R. 1,121 −= nnn GGGQ LL ijTij GG =
Q ist gegeben durch die einzelnen Gij; jedes Gij ist eindeutig gegeben durch das ϕij, das nötig war, um genau ein aij zu eliminieren. Genauso kann man für eine m x n Matrix A (m>n) rank(A)=n eine QR- Zerlegung berechnen mit
A = Q . R
- 75 -
Wie bei der Gauss-Elimination eliminiert man also mit den Diagonalelementen der Reihe nach sämtliche Unterdiagonalelemente. Der Vorteil der QR-Zerlegung: cond(A) = cond(QR) = cond(R) Gut für schlecht konditionierte Systeme Anwendbar auf rechteckige Systeme
Andere Orthogonalisierungsverfahren: - Gram-Schmidt (orthonormalisiere Vektoren) - Householder (erzeuge in einem Schritt eine ganze Nullspalte).
3.9.4. Anwendung bei Linearer Ausgleichsrechnung:
( )22
22
minmin
minmin
bQRxbQRxQ
bQRxbAxT
xT
x
xx
−=−=
=−=−
da Q orthogonal und euklid’sche Norm.
R ist obere Dreiecksmatrix der R1 Dimension m x n und vollen R =
0 Ranges n.
- 76 -
Das obige Minimum erhält man durch
211min
2
11min1min~~
~~
00
2
2
2
2
2
2
2
2
bbxRbbxR
bQxR
xxxT +== −⎟⎟
⎠
⎞⎜⎜⎝
⎛−⎟⎟⎠
⎞⎜⎜⎝
⎛−⎟⎟
⎠
⎞⎜⎜⎝
⎛
aus der Lösung des Dreieckssystems
11~bxR = .
Der Wert des Minimums ist gegeben durch 22~b .
- 77 -
Beispiel: QR-Zerlegung für Least Squares:
2
2
min100
101111
min bAxx xx −=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
Erster Schritt: a21 0 :
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−−++
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛⋅⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
100022
10101111
10000
cscsscsc
cssc
mit 4/,2/1 πϕ === sc Zweiter Schritt: a32 0 :
- 78 -
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−=
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
⋅⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
− 001022
00
22
100022
00
001
cs
cssc
mit 2/,1,0 πϕ === sc
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛⋅⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−⋅
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
001022
101111
10002/12/102/12/1
010100001
QT ⋅ A = R
- 79 -
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−=010
2/102/12/102/1
Q Also
Anwendung auf Minimierungsproblem :
2
2
22
10
1022min
010
1022
min
100
02/12/110002/12/1
001022
min100
min
⎟⎟⎠
⎞⎜⎜⎝
⎛−⋅⎟⎟
⎠
⎞⎜⎜⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛−⋅⎟⎟
⎠
⎞⎜⎜⎝
⎛=
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛⋅
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
xx
xAx
xx
xx
- 80 -