数值分析总结
数值分析 知识点总结
数值分析知识点总结一、数值分析的基本概念1. 数值分析的对象数值分析的对象是现实生活中的数字数据和信息。
这些数据和信息可以来自各个领域，包括自然科学、社会科学、技术工程等。
例如，物理实验中测得的实验数据、经济管理中的统计信息、天气观测中的气象数据等，都是数值分析的对象。
2. 数值分析的目的数值分析的主要目的是通过对数值数据和信息的定量分析，发现其中的规律，提取有用的信息，做出科学的预测和决策。
例如，通过对某种药物的临床试验数据进行数值分析，可以得出这种药物的疗效和毒性情况，为临床医生的治疗决策提供依据。
3. 数值分析的方法数值分析采用数学和计算机科学的方法对数值数据和信息进行处理和分析。
它涉及的具体方法包括数值计算、插值与逼近、数值微分和积分、常微分方程数值解、数值线性代数等。
二、数值分析的基本内容1. 数值计算数值计算是数值分析的基本方法之一，它包括离散化、数值稳定性、误差分析等内容。
离散化是将连续问题转化为离散问题，这是数值计算的基本工作方式。
数值稳定性研究的是数值方法对误差的敏感程度，是评价数值方法好坏的重要指标。
误差分析则研究数值计算中产生的误差的成因和大小。
2. 插值与逼近插值与逼近是数值分析的重要内容之一，它研究如何通过已知的数值数据估计未知函数的值。
插值是通过已知的离散数据点构造一个连续函数，使得这个函数通过这些数据点；逼近则是通过已知的离散数据点构造一个近似函数，使得这个函数与原函数的差尽量小。
3. 数值微分和积分数值微分和积分是数值分析的又一重要内容，它研究如何通过已知的函数值计算函数的导数和定积分值。
数值微分是通过函数值计算函数的导数值；数值积分则是通过函数值计算函数的定积分值。
这两项工作在科学计算中有着广泛的应用。
4. 常微分方程数值解常微分方程数值解也是数值分析的重要内容之一，它研究如何通过数值方法计算常微分方程的近似解。
常微分方程是自然界和技术工程中经常出现的数学模型，因此其数值解的研究有着广泛的应用价值。
数值分析知识点总结
数值分析知识点总结数值分析是计算数值解的方法和理论，它研究的是如何利用计算机对数学问题进行数值计算和数值逼近。
数值分析包括了数值方法的设计、分析和实现，以及误差分析和计算复杂性分析等方面。
下面是数值分析的一些重要知识点的总结。
1.数值算法：数值算法是解决数学问题的计算方法，它由一系列具体的计算步骤组成。
常见的数值算法有插值、数值积分、数值微分、常微分方程数值解法等。
2.数值稳定性：数值稳定性是指数值算法在计算过程中对误差的敏感程度。
一个数值算法如果对输入数据的微小扰动具有较大的响应，就称为不稳定算法；反之，如果对输入数据的微小扰动具有较小的响应，就称为稳定算法。
3.四舍五入误差：在浮点数计算中，由于计算机表示的限制，涉及舍入运算的计算可能会引入误差。
四舍五入误差是指在进行舍入运算时，取最近的浮点数近似值所引入的误差。
4.条件数：条件数是用来衡量数值问题的不稳定性的一个指标。
它描述了输入数据的微小扰动在计算结果中的放大程度。
条件数的大小决定了数值算法的数值稳定性，通常越大表示问题越不稳定。
5.插值：插值是基于已知数据点，构造插值函数来近似未知数据点的方法。
常用的插值方法有线性插值、多项式插值和样条插值等。
6. 数值积分：数值积分是用数值方法进行积分计算的一种方法。
常见的数值积分方法有梯形法则、Simpson法则和Gauss-Legendre积分法等。
7.数值微分：数值微分是通过数值方法来计算函数的导数的一种方法。
常用的数值微分方法有中心差分法和前向差分法等。
8. 常微分方程数值解法：常微分方程数值解法用于求解常微分方程的近似解。
常用的常微分方程数值解法有Euler法、Runge-Kutta法和Adams法等。
9.误差分析：误差分析是对数值算法计算结果误差的研究。
可以通过理论分析或实验方法来估计误差，并找到减小误差的方法。
10.计算复杂性分析：计算复杂性分析是对数值算法运行时间和计算资源的需求进行评估的方法。
期末数值分析重点总结
期末数值分析重点总结第一部分：数值逼近（Approximation）数值逼近是数值分析的基础，主要研究如何利用有限的计算资源得到逼近数学问题的有效算法。
数值逼近的主要内容包括多项式逼近、插值和最小二乘等。
1. 多项式逼近多项式逼近是指用一个多项式函数来逼近给定函数的值。
通过选择合适的多项式次数和插值点，可以使得多项式逼近误差最小化。
其中最常用的方法是最小二乘法，它可以通过最小化残差来得到最佳的多项式逼近。
多项式逼近在信号处理、图像处理和计算机图形学等领域中有广泛的应用。
2. 插值插值是指通过已知数据点的函数值来估计在其他点的函数值。
常用的插值方法有拉格朗日插值和牛顿插值。
拉格朗日插值通过构造一个满足插值条件的多项式来逼近给定函数。
牛顿插值则利用差商的概念来构造插值多项式。
插值方法在数值微分和数值积分中有广泛的应用。
3. 最小二乘最小二乘是一种在一组离散数据点上拟合曲线的方法。
通过最小化数据点与拟合曲线之间的欧几里得距离，可以得到最佳拟合曲线。
最小二乘法可以用于曲线拟合、参数估计和数据关联等问题。
第二部分：数值解方程（Numerical Solution of Equations）数值解方程是数值分析的重要内容之一，研究如何通过数值计算来求解非线性方程组和线性方程组。
数值解方程的主要方法有迭代法、常微分方程数值解和偏微分方程数值解等。
1. 迭代法迭代法是求解非线性方程组的常用方法之一。
通过不断迭代逼近方程的根，可以得到方程组的数值解。
常用的迭代法有牛顿迭代法和弦截法。
迭代法在计算机辅助设计、优化和数据分析等领域中有广泛的应用。
2. 常微分方程数值解常微分方程数值解研究如何通过数值计算来求解常微分方程。
常微分方程数值解的主要方法有Euler方法、Runge-Kutta方法和线性多步法等。
常微分方程数值解在物理学、工程学和生物学等领域中有广泛的应用。
3. 偏微分方程数值解偏微分方程数值解研究如何通过数值方法来求解偏微分方程。
数值分析的所有知识点总结
数值分析的所有知识点总结一、数值分析的基本概念1.1 数值分析的定义和作用数值分析是研究利用计算机对数学问题进行数值计算的一门学科。
它旨在发展和分析数值计算方法，以解决实际问题中出现的数学模型。
数值分析的主要作用在于加快科学研究和工程设计的速度，提高计算精度和可靠性，以及发现新的科学规律和工程技术。
1.2 数值计算的基本步骤数值计算通常包括以下基本步骤：建立数学模型、选择适当的数值方法、编写计算程序、进行计算和分析结果。
其中，建立数学模型是数值计算的基础，它将实际问题抽象为数学公式或方程组的形式；选择适当的数值方法是指根据具体问题的特点，选择合适的数值计算方法进行求解；编写计算程序是指将选择的数值方法用计算机程序的形式实现；进行计算和分析结果是指利用计算机进行数值计算，并分析计算结果的准确性和可靠性。
1.3 数值分析的应用范围数值分析广泛应用于科学、工程、经济、金融等领域。
在科学研究中，数值分析常用于数学建模、实验数据处理、科学计算等方面；在工程领域，数值分析常用于工程设计、结构分析、流体力学、传热传质等方面；在经济金融领域，数值分析常用于风险评估、金融工程、市场预测等方面。
二、数值计算方法2.1 插值法插值法是利用已知的离散数据（如实验数据、观测数据）推导出未知的数据值的一种数值计算方法。
常用的插值方法包括拉格朗日插值、牛顿插值、分段插值等。
2.2 数值微分与数值积分数值微分是指利用离散数据计算函数的导数值的数值计算方法。
常用的数值微分方法包括差商法、中心差商法等。
数值积分是指利用离散数据计算函数的积分值的数值计算方法。
常用的数值积分方法包括复合梯形法、复合辛普森法等。
2.3 数值线性代数数值线性代数是研究线性代数问题的数值计算方法。
它涉及到线性方程组的求解、线性方程组的特征值和特征向量的计算、矩阵的LU分解、矩阵的QR分解等内容。
2.4 非线性方程求解非线性方程求解是研究非线性方程的数值计算方法。
数值分析例题和知识点总结
数值分析例题和知识点总结数值分析是一门研究如何用计算机求解数学问题数值解的学科，它在科学计算、工程技术、金融经济等领域都有着广泛的应用。
为了更好地理解和掌握数值分析的知识，下面将通过一些例题来对常见的知识点进行总结。
一、误差分析误差是数值分析中一个非常重要的概念。
误差分为绝对误差、相对误差和有效数字。
绝对误差：设某量的准确值为$x$，近似值为$x^＄，则绝对误差为$｜x x^｜＄。
相对误差：相对误差是绝对误差与准确值的比值，即$＼frac{｜xx^｜｝｛｜x|｝＄。
有效数字：若近似值$x^＄的绝对误差限是某一位的半个单位，该位到$x^＄的第一位非零数字共有$n$位，则称$x^＄有$n$位有效数字。
例如，＄＼pi$的近似值为 314，准确值约为 31415926，绝对误差为$｜31415926 314| ＝ 00015926$，相对误差为$＼frac{00015926}｛31415926} ＼approx 0000507$，314 有 3 位有效数字。
二、插值法插值法是数值分析中的一种基本方法，用于通过已知的数据点来构造一个函数。
1、拉格朗日插值已知$n ＋ 1$个互异节点$（x_0, y_0)，（x_1, y_1)，＼cdots, （x_n, y_n)＄，拉格朗日插值多项式为：＄L_n(x) ＝＼sum_{i ＝ 0}＾n y_i l_i(x)＄其中，＄l_i(x) ＝＼frac{＼prod_{j ＝ 0, j ＼neq i}＾n （x x_j)｝｛＼prod_{j ＝ 0, j ＼neq i}＾n （x_i x_j)｝＄例如，已知点$（1, 2)＄，＄（2, 3)＄，＄（3, 5)＄，求插值多项式。
设$L_2(x) ＝ y_0 l_0(x) ＋ y_1 l_1(x) ＋ y_2 l_2(x)＄＄l_0(x) ＝＼frac{（x 2)（x 3)｝｛（1 2)（1 3)｝＝＼frac{1}｛2}（x 2)（x 3)＄＄l_1(x) ＝＼frac{（x 1)（x 3)｝｛（2 1)（2 3)｝＝（x 1)（x 3)＄＄l_2(x) ＝＼frac{（x 1)（x 2)｝｛（3 1)（3 2)｝＝＼frac{1}｛2}（x 1)（x 2)＄则$L_2(x) ＝ 2 ＼times ＼frac{1}｛2}（x 2)（x 3) ＋ 3 ＼times （x1)（x 3) ＋ 5 ＼times ＼frac{1}｛2}（x 1)（x 2)＄2、牛顿插值牛顿插值多项式为：＄N_n(x) ＝ fx_0 ＋ fx_0, x_1(x x_0) ＋ fx_0, x_1, x_2(x x_0)（xx_1) ＋＼cdots ＋ fx_0, x_1, ＼cdots, x_n(x x_0)（x x_1) ＼cdots （xx_{n 1}）＄其中，均差$fx_0, x_1, ＼cdots, x_k ＝＼frac{fx_1, x_2, ＼cdots, x_k fx_0, x_1, ＼cdots, x_{k 1}｝｛x_k x_0}＄三、数值积分数值积分用于计算定积分的近似值。
数值分析实验报告心得(3篇)
第1篇在数值分析这门课程的学习过程中，我深刻体会到了理论知识与实践操作相结合的重要性。
通过一系列的实验，我对数值分析的基本概念、方法和应用有了更加深入的理解。
以下是我对数值分析实验的心得体会。
一、实验目的与意义1. 巩固数值分析理论知识：通过实验，将课堂上学到的理论知识应用到实际问题中，加深对数值分析概念和方法的理解。
2. 培养实际操作能力：实验过程中，我学会了使用Matlab等软件进行数值计算，提高了编程能力。
3. 增强解决实际问题的能力：实验项目涉及多个领域，通过解决实际问题，提高了我的问题分析和解决能力。
4. 培养团队协作精神：实验过程中，我与同学们分工合作，共同完成任务，培养了团队协作精神。
二、实验内容及方法1. 实验一：拉格朗日插值法与牛顿插值法（1）实验目的：掌握拉格朗日插值法和牛顿插值法的原理，能够运用这两种方法进行函数逼近。
（2）实验方法：首先，我们选择一组数据点，然后利用拉格朗日插值法和牛顿插值法构造插值多项式。
最后，我们将插值多项式与原始函数进行比较，分析误差。
2. 实验二：方程求根（1）实验目的：掌握二分法、Newton法、不动点迭代法、弦截法等方程求根方法，能够运用这些方法求解非线性方程的根。
（2）实验方法：首先，我们选择一个非线性方程，然后运用二分法、Newton法、不动点迭代法、弦截法等方法求解方程的根。
最后，比较不同方法的收敛速度和精度。
3. 实验三：线性方程组求解（1）实验目的：掌握高斯消元法、矩阵分解法等线性方程组求解方法，能够运用这些方法求解线性方程组。
（2）实验方法：首先，我们构造一个线性方程组，然后运用高斯消元法、矩阵分解法等方法求解方程组。
最后，比较不同方法的计算量和精度。
4. 实验四：多元统计分析（1）实验目的：掌握多元统计分析的基本方法，能够运用这些方法对数据进行分析。
（2）实验方法：首先，我们收集一组多元数据，然后运用主成分分析、因子分析等方法对数据进行降维。
数值分析学习总结感想
数值分析学习总结感想在数值分析学习的过程中，我深刻体会到了这门学科的重要性和广泛应用的范围。
通过学习数值分析，我不仅加深了对数学理论的理解，还掌握了一些重要的数值计算方法和算法。
在此过程中，我收获了很多，也产生了许多感想。
首先，数值分析教给我了科学问题解决的方法。
在数值计算中，我们通常无法通过简单的代数运算来求解问题，而是需要借助计算机和数值算法来逼近解。
这种方法可以应用于很多实际问题，例如求解线性方程组、积分、微分方程等。
通过数值分析课程的学习，我掌握了很多常见的数值计算方法，例如高斯消元法、插值方法、数值积分等。
这些方法在实际问题中的应用非常广泛，能够帮助我们解决许多实际问题，提高计算效率和精度。
其次，数值分析也教会了我如何分析和估计误差。
在数值计算中，误差是无法避免的，而且可能会在计算过程中不断累积。
因此，我们需要了解误差的来源，能够进行误差估计和控制。
通过学习数值分析，我学会了如何使用泰勒展开式、理解截断误差和舍入误差等概念，同时也学会了如何使用残差计算和误差估计方法。
这对于判断数值结果的可靠性和计算效果的好坏非常重要，能够帮助我们找到优化方法和改进方案。
另外，数值分析还教会了我如何进行数值模拟和数据处理。
在实际工程和科学研究中，常常需要通过数值模拟来研究分析问题。
通过数值分析的学习，我学会了如何建立数学模型、选择合适的数值方法和算法来模拟求解问题，并能够对模拟结果进行合理的处理和分析。
这对于科学研究和工程设计都非常有价值，能够提高研究效率和解决复杂问题的能力。
最后，数值分析还培养了我一种严谨的科学态度和问题解决的能力。
在数值计算中，一个细微的误差可能会导致完全不同的结果，因此需要我们对问题进行仔细的分析，并保持谨慎的态度。
通过编程实现数值算法，我学会了如何调试代码和检查问题，发现解决bug的方法。
这培养了我的逻辑思维和问题解决能力，也增强了我对科学研究和工程实践的兴趣和热情。
综上所述，通过数值分析的学习，我不仅掌握了一些重要的数值计算方法和算法，还学会了科学问题解决的方法和误差估计的技巧。
数值分析期末知识点总结
数值分析期末知识点总结一、引言数值分析是一门研究如何使用计算机提高数学模型数值计算精度和效率的学科。
它是计算数学的一个重要分支，涉及到数值计算、数值逼近和误差分析等一系列内容。
在数值分析课程中，我们将学习到数值解微分方程、线性代数问题的求解、插值与拟合、积分等一系列内容。
本文将对数值分析期末知识点进行总结，以便帮助大家复习。
二、常见数值计算方法1. 插值与拟合插值与拟合是数值分析中重要的内容，它们用于在给定数据点集上构造一个函数，以便在其他点上进行求值。
插值是通过一些已知数据点来求得一个函数，使得这个函数能够通过这些点，而拟合则是通过已知数据点来求得一个函数，使得这个函数在这些点附近能够比较好地拟合数据。
常见的插值方法包括线性插值、拉格朗日插值、牛顿插值等；而拟合方法包括最小二乘法拟合、多项式拟合等。
2. 数值解微分方程数值解微分方程是数值分析的一个重要内容，它讨论如何使用计算机对微分方程进行数值求解。
微分方程是自然界中描述变化的数学方程，它们在物理学、化学、生物学等领域都有着重要的应用。
数值解微分方程的方法包括欧拉法、中点法、四阶龙格-库塔法等。
3. 数值线性代数数值线性代数是数值分析领域的另一个重要内容，它讨论如何使用数值方法解决线性代数问题。
原始的线性代数问题可能非常大或者非常复杂，因此我们常常需要使用计算机进行数值计算。
数值线性代数的方法包括高斯消元法、LU分解、Jacobi迭代法、Gauss-Seidel 迭代法等。
4. 数值积分数值积分是数值分析的一个重要内容，它讨论如何使用数值方法对积分进行数值求解。
在实际问题中，有很多积分问题是无法解析求解的，因此我们需要使用数值方法进行近似求解。
数值积分的方法包括复合辛普森法、复合梯形法、龙贝格积分法等。
三、数值分析的误差分析在数值计算过程中，我们会遇到误差的问题。
这些误差可能来自于测量、舍入、截断等各种原因。
因此，误差分析是数值分析中一个非常重要的内容。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数值分析总结第二章数值分析基本概念教学内容：1.误差与有效数字误差、误差限、相对误差、相对误差限和有效数字的定义及相互关系；误差的来源和误差的基本特性；误差的计算（估计）的基本方法。
2.算法的适定性问题数值分析中的病态和不稳定性问题介绍；病态问题和不稳定算法的实例分析。
3.数值计算的几个注意问题避免相近二数相减；避免小分母；避免大数吃小数；选用稳定的算法。
1.数值分析简介数值分析的任务数值分析是研究求解各类数学问题的数值方法和有关理论的学科 ● 数值分析的过程构造算法、使用算法、分析算法2. 数值计算的基本概念● 误差概念和分析误差的定义：设x 是精确值，p 是近似值，则定义两者之差是绝对误差: a x p ∆=-由于精确值一般是未知的,因而Δ不能求出来,但可以根据测量误差或计算情况估计它的上限|-|x p εε<称为绝对误差限。
相对误差定义为绝对误差与精确值之比ar x∆∆=ar xη∆∆=<称为相对误差限误差的来源：舍入误差将无限位字长的精确数处理成有限位字长近似数的处理方法称为舍入方法。
带来舍人误差。
有效数字 对于a=a0 a1 … am . am+1 … am+n(a0≠0) 的近似数， 若|Δ|≤0.5x10-n ，则称a 为具有m+n+1位有效数字的有效数，其中每一位数字都叫做a 的有效数字。
有效数和可靠数的最末位数字称为可疑数字 有效数位的多少直接影响到近似值的绝对误差与相对误差的大小。
推论1 对于给出的有效数，其绝对误差限不大于其最末数字的半个单位。
推论2 对于给出的一个有效数，其相对误差限可估计如下：例:计算y = ln x 。
若x ≈ 20，则取x 的几位有效数字可保证y 的相对误差 <120.10mn x a a a =±⨯1102m nx x *-∆=-≤⨯120.10mn x a a a =±⨯15()10n r x a -∆≤⨯0.1% ?截断误差用数值法求解数学模型时，往往用简单代替复杂,或者用有限过程代替无限过程所引起的误差。
●数值计算的算法问题“良态”问题和“病态”问题在适定的情况下，若对于原始数据很小的变化δX，对应的参数误差δy也很小，则称该数学问题是良态问题；若δy很大，则称为病态问题。
病态问题中解对于数据的变化率都很大，因此数据微小变化必将导致参数模型精确解的很大变化。
数学问题的性态完全取决于该数学问题本身的属性，在采用数值方法求解之前就存在，与数值方法无关。
稳定算法和不稳定算法如果用数值方法计算时,舍入误差对结果影响小的算法称为稳定算法。
否则称为不稳定算法。
●数值计算应注意的问题第三章线性方程组求解的数值方法教学内容：1.高斯消元法消元法的实现过程；主元问题。
2.矩阵分解矩阵LU分解的一般计算公式；利用LU分解的线性方程组求解方法；Cholesky分解；Matlab的Cholesky分解函数。
3.向量范数与矩阵范数向量范数及其性质；矩阵函数及其性质；常用范数形式。
4.线性方程组的迭代法求解迭代求解的思路；Jacobi迭代法；高斯_赛德尔迭代法；松弛法；迭代法的收敛性。
5.方程组的病态问题与误差分析线性方程组解的误差分析；条件数和方程组的病态性。
消元法： 问题：消去法是按照系数矩阵的主对角线上的元素（主元）进行消元。
从而可能出现： （1）某个主元为零，导致消元过程无法进行。
（2）当某个主元的绝对值很小时，计算结果误差很大。
定理：若A 的所有顺序主子式 均不为0，则高斯消元无需换行即可进行到底，得到唯一解。
全主元消去法每一步选绝对值最大的元素为主元素。
列主元消去法省去换列的步骤，每次仅选一列中最大的元。
矩阵三角分解法,||max ||0;k k i j ij k i j na a ≤≤=≠,||max ||0k i k ik k i na a ≤≤=≠11121n21222n 313212(1)nn ( 111U 1n n n n Gauss LU A LU L u uu l uul l l ll u -=⎛⎫⎛⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪== ⎪ ⎪ ⎪⎪ ⎪ ⎪⎝⎭⎝⎭由消去法加上列主元或全主元）有分解：由：得到计算公式：1112131411121314212122232422234431323132333433344142434142434444100010001000100a aa a u uu u l a a a a uu u l l a a a a uu l lla aaau⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦1112131421112112222113232114243111311232223113322333311432243441114112422241134223433341144224433444u uu u l u l u u l u u l u u l u l u l u l u l u u l u l u u l u l u l ul u l u l ul u l u l u u⎡⎤⎢⎥+++⎢⎥=⎢⎥+++++⎢⎥++++++⎢⎥⎣⎦11i1111, j 1, ,n, i 2,, njji u a l a u ====k-1kj km m 1k-1ik im kk m 12, 3,, j k ,, n( )/ i k 1 ,, nkj mj ik mk k n u a l u l a l u u ====-==-=+∑∑对计算算法：Cholesky 分解：回顾对称正定矩阵的定义和性质。
由对称性推出：定理：设矩阵A 对称正定，则存在非奇异下三角阵L 使得T A LL = 。
若限定L 对角元为正，则分解唯一。
Matlab 中的Cholesky 分解函数：chol （）11-11, 2, 3,,(1) i iijijj i n Y y by y b l ===-=∑解：1 ,1, , 1(2) nnnni i ij j iiij n i n y x xuy x u x u+==⎛⎫=- ⎪⎝⎭=-∑解：TA LL =向量和矩阵的范数为了研究线性方程组近似解的误差估计和迭代法的收敛性，引进向量（矩阵）的范数的概念。
向量范数 定义：n R 空间的向量范数 || · || 对任意 满足下列条件：常用范数：定理：(2)||||||||||x x αα=⋅Cα∈(齐次性)(3)||||||||||||x y x y +≤+（三角不等式)(1)||||0;||||00x x x ≥=⇔=,nxy R ∈（正定性)11nii xx ==∑1/2221n i i x x =⎛⎫= ⎪⎝⎭∑1/1pn p i pi xx =⎛⎫= ⎪⎝⎭∑max iixx ∞=n R 上一切范数都等价。
矩阵范数 定义：n m R ⨯空间的向量范数 || · || 对任意 满足下列条件：(4)* || AB || ≤ || A || · || B || 常用矩阵范数： Frobenius 范数：由向量范数 || · ||p 导出关于矩阵 A ∈ R n ⨯n 的p 范数:,n mAB R ⨯∈(1)||||0;||||00A A A ≥=⇔=(2)||||||||||A A αα=⋅(3)||||||||||||A B A B +≤+||||F A =1||||||||||||maxmax ||||||||p x p p px pAx A Ax x ≠===谱半径：矩阵A 的谱半径记为ρ (A ) =max i iλ，其中λi 为A 的特征根。
定理：对任意算子范数 || · || 有 定理：若A 对称，则有2()A A ρ= 定理：若矩阵B 对某个算子范数满足 ||B || < 1，则必有(1)()2I B ±可逆。
（）特别有：11||||max ||i nnij j A a ≤≤∞==∑（行和范数） 111||||max ||j nnij i A a ≤≤==∑（列和范数）2||||A （谱范数 ）()||||A A ρ≤()111||||I B B -±≤-解线性方程组的迭代法 研究内容：● 如何建立迭代公式？ ● 收敛速度？● 向量序列的收敛条件？ ● 误差估计？ 思路：1(0)(1)()()() ()(,,) , (k=0,1,2,){}Tij n n n n n k k k k Ax b A a b b b x Mx gM n g R x R x Mx g x k x Ax b ⨯+====+∈∈=+=对线性方程组其中非奇异矩阵， 构造其形如的同解方程组，其中为阶方阵，。
任取初始向量代入迭代公式产生向量序列，当充分大时，以作为方程组的近似解，这就是求解线 M 性方程组的单步定常线性迭代法。
称为迭代矩阵。
收敛问题：()()()()()()() {} lim 0{} lim {}()(1,2,),({}k k k k k k k k ij ij k A n A n A A A A A AA a k A a n A A →∞→∞-=⋅====定义：设为阶方阵序列，为阶方阵，如果其中为矩阵范数，则称序列收敛于矩阵，记为定理：设)均为阶方阵，则矩阵序列收敛于矩阵的充()(1)()()(1)() lim (,1,2,,){}, lim lim[]k ij ij k k k k k k k k a a i j n x Mx g x x x x Mx g Mx gx A →∞++→∞→∞===+==+=+要条件为证明略。
定理表明，向量序列和矩阵序列的收敛可以归结为对应分量或对应元素序列的收敛。
若按产生的向量序列收敛于向量则有即是方程组x b =的解。
雅可比(Jacobi)迭代法高斯—塞德尔迭代法迭代法的收敛性lim 0()1 lim 0lim 0 ()0()[()] lim[()]0 ()11 ()1k k kk k k k k kkk A n A A A A A A A A A A A A ρρρρρρρε→∞→∞→∞→∞=<==≤⇒≤=≤<-<=定理：设为阶方阵，则的充要条件为。
证：必要性：若由矩阵收敛的定义知又因由极限存在的准则，有＝所以。
充分性。
若，取()0,21()()12,lim lim 0lim 0.kkk k k k k k A A A A A A A A A ρρρε→∞→∞→∞>⋅+≤+=<≤⇒≤=⇒=由上一定理知，存在一种矩阵范数，使得而12121111222 02 ,,, det()[()] det()1 det()()(1)1 () (1n nn nnM M M M M D L D U D L a a a ωλλλλλλρωωωωω--<<=≤<=--+-=-推论松弛法收敛的必要条件是。