Skip to main content

Matrixapproximationsverfahren

  • 1477 Accesses

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.

This is a preview of subscription content, access via your institution.

Buying options

eBook
USD   24.99
Price excludes VAT (USA)
  • ISBN: 978-3-642-41952-2
  • Instant PDF download
  • Readable on all devices
  • Own it forever
  • Exclusive offer for individuals only
  • Tax calculation will be finalised during checkout
Softcover Book
USD   34.99
Price excludes VAT (USA)

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Helmut Harbrecht .

Übungsaufgaben

Übungsaufgaben

Aufgabe 8.1

(Abschätzung der Spektralnorm) Beweisen Sie für Matrizen \({{\boldsymbol{A}}}\in \mathbb {R}^{n\times n}\) die Abschätzung der Spektralnorm

$$ \Vert {{\boldsymbol{A}}}\Vert _{2}^2\le \Vert {{\boldsymbol{A}}}\Vert _1\Vert {{\boldsymbol{A}}}\Vert _\infty . $$

Aufgabe 8.2

(Abschätzung der Spektralnorm) Berechnen Sie die Singulärwertzerlegung der Matrix

$$ {{\boldsymbol{A}}} = \begin{bmatrix} 9 &{} 8 &{} 12 \\ 12 &{} -6 &{} 16 \end{bmatrix}. $$

Aufgabe 8.3

(Niedrigrangapproximation) Es sei \({{\boldsymbol{A}}}\in \mathbb {R}^{m\times n}\).

  1. 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

    $$ \Vert {{\boldsymbol{A}}}-{{\boldsymbol{A}}}_k\Vert _2=\sigma _{k+1}. $$
  2. 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

Reprints and Permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE , ein Teil von Springer Nature

About this chapter

Verify currency and authenticity via CrossMark

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