Показано (Юсеф Саад, Ітеративні методи для розріджених лінійних систем , стор. 260)
Це правда для так само?
У випадку, якщо дорівнює з , я спостерігаю, що
Чи є в цьому випадку середня формулювання в перерахунку на кращим?
Показано (Юсеф Саад, Ітеративні методи для розріджених лінійних систем , стор. 260)
Це правда для так само?
У випадку, якщо дорівнює з , я спостерігаю, що
Чи є в цьому випадку середня формулювання в перерахунку на кращим?
Відповіді:
Якщо з , тоді
Відповідно номер умови є . Завдяки арифметиці з обмеженою точністю, якщо обчислити cond(A'A)
в matlab, ви отримаєте велику кількість, не Inf
.
Що ж, давайте розберемося, чому має приблизно квадратний номер умови . Використання SVD-розкладу, с , , , можемо висловити як
До чого ми приходимо, помічаючи це є ортонормальним, таким, що . Далі зазначимо, що є діагональною матрицею, такою, що остаточне розкладання можна виразити як , с значення , отримуючи діагональну матрицю з першими N сингулярними значеннями з квадрат у діагоналі. Це означає, що оскільки число умови є співвідношенням першого і останнього особливого значення, для ,
Тепер ми можемо виконати ту саму вправу :
Що означає, що ми отримуємо результат , оскільки тут означає , тонка відмінність від позначень вище.
Але зауважте, що тонка різниця! Для, число умови має в знаменнику значення М'-ї однини, а має N-е особливе значення. Це пояснює, чому ви бачите значні відмінності в кількості умови - дійсно буде "кращою умовою", ніж .
І все-таки Девід Кетчесон був правильним - ви порівнюєте числа умов між двома абсолютно різними матрицями. Зокрема, що ви можете досягти не буде тим самим, що ви можете досягти .
Твердження, що (для квадратних матриць) у запитанні та [Редагувати: я неправильно прочитав] у відповіді Артана - це нісенітниця. Контрприклад
для чого ви можете це легко перевірити поки .
У точній арифметичній умові (A ^ 2) = cond (A'A) = cond (AA '), див. Голуб і Ван Позика, 3-е видання, с70. Це не вірно в арифметиці з плаваючою комою, якщо A майже не вистачає рангу. Найкраще порадити дотримуватися наведених вище рецептів книг при вирішенні найменших квадратних завдань, найбезпечнішим підходом SVD, p257. Замість цього використовуйте \ varepsilon-rank при обчисленні SVD, де \ varepsilon - роздільна здатність ваших матричних даних.