Обусловленность матрицы в численных методах¶

Обусловленность матрицы — это числовая характеристика матрицы, отражающая степень её чувствительности к погрешностям входных данных и ошибкам округления при решении систем линейных алгебраических уравнений (СЛАУ). Количественно обусловленность выражается через число обусловленности, которое показывает, во сколько раз относительная погрешность решения может превышать относительную погрешность исходных данных (коэффициентов матрицы и правой части).

¶Определение и число обусловленности

Для квадратной невырожденной матрицы A число обусловленности определяется как произведение нормы матрицы на норму обратной к ней матрицы:

\[ \kappa(A) = \|A\| \cdot \|A^{-1}\| \]

Число обусловленности всегда не меньше единицы (\(\kappa(A) \ge 1\)). В зависимости от выбранной матричной нормы различают спектральное число обусловленности (по норме \(\|\cdot\|_2\)), строчное (\(\|\cdot\|_\infty\)) и столбцовое (\(\|\cdot\|_1\)). Для спектральной нормы справедлива формула:

\[ \kappa_2(A) = \frac{\sigma_{\max}}{\sigma_{\min}} \]

где \(\sigma_{\max}\) и \(\sigma_{\min}\) — соответственно наибольшее и наименьшее сингулярные числа матрицы.

¶Смысл и интерпретация

Если число обусловленности велико, матрица называется плохо обусловленной. Это означает, что малые возмущения в элементах матрицы или векторе правой части приводят к большим изменениям в решении. На практике это проявляется в том, что:

• решение СЛАУ становится неустойчивым к ошибкам округления, накапливающимся в ходе вычислений;
• результаты, полученные разными численными методами, могут существенно различаться;
• погрешность решения может оказаться неприемлемо большой даже при использовании точных алгоритмов.

Для хорошо обусловленных матриц (\(\kappa(A)\) близко к единице) решение устойчиво, а ошибки округления незначительно влияют на результат.

¶Примеры и оценка

Классическим примером плохо обусловленной матрицы является матрица Гильберта \(H_{ij} = \frac{1}{i+j-1}\). Уже при размере \(10 \times 10\) её число обусловленности превышает \(10^{13}\), что делает решение СЛАУ с такой матрицей практически невозможным в арифметике с плавающей точкой двойной точности.

На практике для оценки числа обусловленности используется оценка через отношение максимального и минимального по модулю собственных значений (для симметричных матриц) либо через сингулярные числа. В пакетах программ (например, MATLAB, LAPACK) применяются эффективные алгоритмы оценки числа обусловленности, не требующие полного вычисления обратной матрицы.

¶Связь с точностью решения

При решении СЛАУ \(Ax = b\) с возмущённой правой частью \(\delta b\) относительная погрешность решения удовлетворяет неравенству:

\[ \frac{\|\delta x\|}{\|x\|} \le \kappa(A) \cdot \frac{\|\delta b\|}{\|b\|} \]

Аналогичное неравенство справедливо и для возмущений матрицы. Таким образом, число обусловленности напрямую определяет верхнюю границу погрешности решения. При \(\kappa(A) \approx 10^k\) теряется примерно \(k\) значащих цифр результата относительно точности представления данных.

¶Способы улучшения обусловленности

Для плохо обусловленных задач применяются следующие подходы:

• Масштабирование (нормировка) строк или столбцов матрицы, которое в ряде случаев снижает число обусловленности.
• Регуляризация (например, метод Тихонова), добавляющая к диагонали малую положительную величину и стабилизирующая решение.
• Использование методов с ортогонализацией (QR-разложение, сингулярное разложение), которые менее чувствительны к обусловленности, чем метод Гаусса с выбором главного элемента.
• Переход к другим формам записи задачи — например, использование нормальных уравнений с последующей регуляризацией.

¶Значение в вычислительной математике

Обусловленность является фундаментальным понятием численного анализа. Она позволяет:

• оценивать достоверность полученных численных решений;
• выбирать подходящий метод решения (прямой или итерационный);
• проектировать устойчивые вычислительные алгоритмы;
• диагностировать вырожденность или близость к вырожденности матрицы.

Понимание обусловленности необходимо при решении задач интерполяции, аппроксимации, метода наименьших квадратов, а также при численном решении дифференциальных уравнений, где матрицы часто оказываются плохо обусловленными.

¶Источники

• Голуб Дж., Ван Лоун Ч. Матричные вычисления. — М.: Мир, 1999.
• Тыртышников Е. Е. Основы численных методов. — М.: ФИЗМАТЛИТ, 2012.
• Самарский А. А., Гулин А. В. Численные методы. — М.: Наука, 1989.
• Уоткинс Д. С. Основы матричных вычислений. — М.: Бином, 2006.