Zusammenfassung
Dieses Kapitel bietet einen Exkurs zur Niedrigrangapproximation von Matrizen. Dazu betrachten wir zunächst die Singulärwertzerlegung, mit deren Hilfe die bestmögliche Niedrigrangapproximation bestimmt werden kann. Anschließend führen wir die adaptive Kreuzapproximation und die pivotisierte Cholesky-Zerlegung ein. Beide Verfahren dienen der Approximation großer, vollbesetzter Matrizen, ohne dass diese Matrizen explizit aufgestellt werden müssen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Author information
Authors and Affiliations
Corresponding author
Übungsaufgaben
Übungsaufgaben
Aufgabe 8.1
(Abschätzung der Spektralnorm) Beweisen Sie für Matrizen \({{\boldsymbol{A}}}\in \mathbb {R}^{n\times n}\) die Abschätzung der Spektralnorm
Aufgabe 8.2
(Abschätzung der Spektralnorm) Berechnen Sie die Singulärwertzerlegung der Matrix
Aufgabe 8.3
(Niedrigrangapproximation) Es sei \({{\boldsymbol{A}}}\in \mathbb {R}^{m\times n}\).
-
a)
Zeigen Sie, dass es zu jedem \(k<{{\,\mathrm{rang}\,}}{{\boldsymbol{A}}}\) eine Matrix \({{\boldsymbol{A}}}_k\in \mathbb {R}^{m\times n}\) vom Rang \(k\) gibt, so dass
$$ \Vert {{\boldsymbol{A}}}-{{\boldsymbol{A}}}_k\Vert _2=\sigma _{k+1}. $$ -
b)
Zeigen Sie, dass es zu jedem \(k<{{\,\mathrm{rang}\,}}{{\boldsymbol{A}}}\) eine Matrix \({{\boldsymbol{A}}}_k\in \mathbb {R}^{m\times n}\) vom Rang \(k\) gibt, so dass
$$ \Vert {{\boldsymbol{A}}}-{{\boldsymbol{A}}}_k\Vert _F =\sqrt{\sum _{\ell =k+1}^{{{\,\mathrm{rang}\,}}{{\boldsymbol{A}}}}\sigma _{\ell }^2}. $$
Aufgabe 8.4
(Spurnorm) Zeigen Sie, dass die Spurnorm \(\Vert {{\boldsymbol{A}}}\Vert _{\text {tr}}\mathrel {\mathrel {\mathop :}=}\sum _{i=1}^n a_{i,i}\) tatsächlich eine Norm auf der Menge der symmetrischen, positiv semidefiniten \((n\times n)\)-Matrizen definiert. Überlegen Sie sich weiterhin, dass \(\Vert {{\boldsymbol{A}}}\Vert _2\le \Vert {{\boldsymbol{A}}}\Vert _{\text {tr}}\le n\Vert {{\boldsymbol{A}}}\Vert _2\) gilt.
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE , ein Teil von Springer Nature
About this chapter
Cite this chapter
Harbrecht, H., Multerer, M. (2022). Matrixapproximationsverfahren. In: Algorithmische Mathematik. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-41952-2_8
Download citation
DOI: https://doi.org/10.1007/978-3-642-41952-2_8
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-642-41951-5
Online ISBN: 978-3-642-41952-2
eBook Packages: Life Science and Basic Disciplines (German Language)