El®adók: Virágh János, Dombi József, Csendes Tibor

Numerikus Matematika I
v 0.8

1999/2000-es tanév I. félév

ABSOLUTE NO WARRANTY!
szerkesztgeti: Hevér L®rinc heverl@freemail.hu
Special thanx: Bodor Gábor, Lukács Andrea, K®vágó Tamás
Tartalomjegyzék
1 2
1.1 Bevezetés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Hibaszámítás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Speciális alakú mátrixok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 5
2.1 Eliminációs módszerek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Gauss-elimináció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Részleges f®elemkiválasztásos Gauss-elimináció . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Teljes f®elemkiválasztásos Gauss-elimináció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3 9
3.1 Jordan-elimináció (f®elemkiválasztás nélküli) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Mátrix invertálás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3 Elimináció formális leírása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 F®elemkiválasztás formális leírása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 14
4.1 Számolás partícionált mátrixokkal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2 Frobénius-féle mátrix invertálás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.3 LR-felbontás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5 19
5.1 Az LR algoritmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.2 Az LR felbontás felhasználási lehet®ségei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.3 LR felbontás speciális alakú mátrixokra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.4 Az RT R Cholesky-felbontás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6 27
6.1 Cholesky-felbontás (eddig tanultak összefoglalása) . . . . . . . . . . . . . . . . . . . . . . . . . 27
6.2 Cholesky-felbontás folytatása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
6.3 QR ortogonális-trianguláris felbontás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6.4 QR felbontás kiszámítása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.4.1 Gram-Schmidt-féle ortogonalizáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.5 QR-felbontás alkalmazásai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
7 Sajátértékszámítás 33
8 36
8.1 Mátrixok speciális alakra transzformálása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

1
 2

9 Vektornormák, mátrixnormák 41
9.1 Vektornormák . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
9.2 Mátrixnormák Rn×n -ben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
9.3 A spektrálsugár és a mátrixnormák kapcsolata . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
9.4 Normák ekvivalenciája . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
10 Vektorsorozatok és mátrixsorozatok 47
10.1 Vektorsorozatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
10.2 Mátrixsorozatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
10.3 Sajátértékek korlátai; Gersgorin-tétel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
11 51
11.1 Hatvány módszer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
11.2 Mátrixok speciális alakra transzformálása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
11.2.1 LR-transzformáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
11.2.2 QR-transzformáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
11.2.3 RT R-transzformáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
12 56
12.1 Iterációs módszerek bevezetése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
12.2 Reguláris szétvágások . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
12.2.1 Jacobbi-iteráció (J-módszer) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
12.2.2 (Gauss-)Seidel-iteráció (S-módszer) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
12.2.3 Jacobbi-féle túlrelaxációs módszer (J(ω)-módszer) . . . . . . . . . . . . . . . . . . . . . 59
12.2.4 Szukszecesszív túlrelaxációs módszer (S(ω)-módszer) . . . . . . . . . . . . . . . . . . . . 59
12.3 A Jacobbi- és a Seidel-módszer konvergenciája . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
13 61
13.1 Az iterációs módszerek konvergenciája diagonális domináns A együtthatómátrixok esetén . . . 61
13.2 II/14-es tétel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
13.3 A 4 módszer konvergenciája pozitív denit mátrixok esetén . . . . . . . . . . . . . . . . . . . . 63
14 65
14.1 Utóiteráció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
14.2 Kerekítési hiba az iterációs módszereknél . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
14.3 Kondíciószám . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
14.4 Perturbáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Fejezet 1

1.1 Bevezetés
1. Közelít® módszerek
2. Eektív (algoritmikus) módszerek
Miért van szükség numerikus módszerekre?
1. A klasszikus módszerekkel nem oldható meg a probléma
2. Gauss-elimináció ⇔ Cramer-szabály
3. Stabilitás, hiba
n × n-es valós együtthatós lineáris egyenletrendszer:
a11 x1 + a12 x2 + · · · + a1n xn = a1,n+1
a21 x1 + a22 x2 + · · · + a2n xn = a2,n+1
..
.
an1 x1 + an2 x2 + · · · + ann xn = an,n+1

1.1 Tétel. Ax = a egyértelm¶en megoldható ⇔ det(A) 6= 0

Ekkor a Cramer-szabály szerint:
det(Ai )
xi = i = 1, . . . , n
det(A)
n+1 db determináns kell.

1.2 Hibaszámítás
Hiba fajták:
1. Öröklött hiba: ha az adatok mérések, kísérlétek eredményei, akkor az öröklött hiba elkerülhetetlen. Sok-
szor ide számítják az adott számítógépre vitelkor alkalmazott konverziók által eredményezett hibákat
is.
2. Képlet hiba: a numerikus módszerek általában csak közelít® megoldást adnak, jó eseben olyan korlátot is
ami felülr®l becsli a pontos megoldástól való eltérést.
3. Kerekítése hiba: az alkalmazott eszközök véges pontosságú számábrázolása, az alapm¶veletek eredményein
végzett kerekítés, a beépített függvények kiértékelésekor fellép® hibája miatt adódik.

3
SPECIÁLIS ALAKÚ MÁTRIXOK 4

1.2 Deníció. Legyen a a pontos érték és a∗ a közelít® értéke. Ekkor az a − a∗ értéket a közelítés hibájának
nevezzük, az |a − a∗ | pedig az abszolút hibának nevezzük. |a − a∗ | ≤ M az abszolút hibakorlát.
1.3 Példa. Legyen a, b a pontos érték, a∗ , b∗ a közelít® érték Ma , Mb fels® korlátok, az összeg abszolút hibakor-
látja így alakul: |a + b − (a∗ + b∗ )| = |(a − a∗ ) + (b − b∗ )| ≤ |a − a∗ | + |b − b∗ | ≤ Ma + Mb
1.4 Deníció. |a−a∗ |
|a∗ | ≤ δ, a relatív hibakorlát, ahol |a∗ | =6 0
1.5 Példa.
|ab − a∗ b∗ | |(ab − a∗ b) + (a∗ b − a∗ b∗ )| |b||a − a∗ | |a∗ ||b − b∗ |
= ≤ +
|a∗ b∗ | ∗ ∗
|a ||b | |a∗ ||b∗ | |a∗ ||b∗ |
|b| 1 Ma Mb
≤ Ma ∗ ∗ + M b ∗ ≈ ∗ + ∗ = δ a + δ b
|a ||b | |b | |a | |b |

Dierenciálható f (x) függvénynek az argomentumok pontosságából ered® hibája a Lagrange-tétellel becsül-

het®: ha f (x) dierenciálható az a és a∗ által kifeszített intervallumban, akkor létezik ebben az intervallumban
olyan ξ közbüls® hely, amelyre
f (a) − f (a∗ ) = f 0 (ξ)(a − a∗ ).
Abszolút értékeket véve:
|f (a) − f (a∗ )| = |f 0 (ξ)||a − a∗ | ≤ |f 0 (ξ)|Ma ≤ K1 Ma ,

fetléve, hogy f 0 (x) korlátos is az el®bb említett intervallumon, és ugyanitt K1 abszolút értékeinek is fels®korlátja.

1.3 Speciális alakú mátrixok

Következzék itt néhány speciális alakú mátrix, a könnyebb ábrázolhatóság kedvéért 5 × 5-s formában:
Fels® trianguláris egy R mátrix, ha rij = 0 akkor, ha i > j
 
r11 r12 r13 r14 r15
0 r22 r23 r24 r25 
 
0 0 r33 r34 r35 
 
0 0 0 r44 r45 
0 0 0 0 r55

Alsó trianguláris egy L mátrix, ha lij = 0 akkor, ha i < j

 
l11 0 0 0 0
l21 l22 0 0 0 
 
l31 l32 l33 0 0 
 
l41 l42 l43 l44 0 
l51 l52 l53 l54 l55

Megjegyzés. A kés®bbi fejezetekben az alsó trianguláris mátrixon, az ehhez hasonló olyan mátrixot értik ame-
lynek a f®átlójában csupa 1-ek vannak.
Diagonális egy D mátrix, ha dij = 0 akkor, ha i 6= j
 
d11 0 0 0 0
 0 d22 0 0 0 
 
 0 0 d33 0 0 
 
 0 0 0 d44 0 
0 0 0 0 d55
SPECIÁLIS ALAKÚ MÁTRIXOK 5

Fels® Hessenberg egy H mátrix, ha hij = 0 akkor, ha i > j + 1

 
h11 h12 h13 h14 h15
h21 h22 h23 h24 h25 
 
 0 h32 h33 h34 h35 
 
 0 0 h43 h44 h45 
0 0 0 h54 h55

Alsó Hessenberg egy G mátrix, ha lij = 0 akkor, ha i < j + 1

 
g11 g12 0 0 0
g21 g22 g23 0 0 
 
g31 g32 g33 g34 0 
 
g41 g42 g43 g44 g45 
g51 g52 g53 g54 g55

Egy x vektort mindig oszlopvektornak tekintünk:

 
x1
 x2 
x= .  xT = (x1 x2 . . . xn )
 .. 
 

xn
Fejezet 2

2.1 Lineáris egyenletrendszerek megoldása (eliminációs módszerekkel)

2.1 Feladat. Adott az Ax = a (A ∈ Rn×n ; a ∈ Rn ) reguláris együtthatómátrixú egyenletrendszer, határozzuk
meg az x-et.
2.2 Deníció. A reguláris, ha det(A) 6= 0
A feladatot eleve úgy t¶ztük ki, hogy adott a reguláris együtthatómátrixú lineáris egyenletrendszer, ez azért
van mert ekkor a feladatnak egyértelm¶ megoldása létezik.
2.3 Tétel. Az Ax = a rendszernek pontosan akkor létezik egyértelm¶ megoldása, ha A reguláris.
Ezt nem nagy dolog bebizonyítani, hiszen ez a mátrix alakban felírt egyenletrendszer olyasmit jelent, hogy
keresünk olyan xi valós számokat, hogy az A oszlopvektor rendszerének egy alkalmas lineáris kombinációjával
el®állítsuk a jobboldali konstans vektort. Ez nyilván akkor fog sikerülni, hogy ha benne van ezek által kifeszített
altérben1 az a és biztos benne lesznek, akkor ha ezek bázist2 alkotnak, s®t ha ezek bázist alkotnak, akkor az
el®állítás egyértelm¶ lesz. Tehát egyetlen egy ilyen x létezik.
Mit mondhatunk a homogén rendszerekr®l? Ebb®l a tételb®l az következik, hogy a homogén rendszereknek
pontosan akkor van nem triviális megoldása, hogy ha az A mátrix nem reguláris.
2.4 Következmény. Az Ax = 0 homogén rendszernek, pontosan akkor létezik nem triviális x megoldása ha A
szinguláris.3
Azzal a kikötéssel, hogy A reguláris gondok lehetnek numerikus értelemben, mivel annak az ellen®rzésehez,
hogy A determinánsa nulla vagy nem nulla körülbelül annyit kell számolni mintha megoldanánk a rendszert.
Szóval ha azt a kikötést elhagyjuk, hogy A reguláris, akkor innent®l kényelmetlenebbé válnak a dolgok, hogy
lássuk azt, hogy vannak olyan mátrixok amikor könnyebb ezt a kérdést megválaszolni mutatunk egy speciális
mátrix osztályt.
2.5 Deníció. A diagonális domináns, ha |aii | > Pnj=1,j6=i |aij | (i = 1, . . . , n)
Tehát abszolút értékben a diagonális elemek határozottan nagyobbak, mint a sorukban lév® összes többi
elem abszolút értékes összege.
2.6 Példa. A következ® mátrix diagonális domináns:
 
−5 1 1
 0 2 −1
3 3 −7

2.7 Tétel. Ha A diagonális domináns, akkor

1 altér: egy számtest feletti vektortér nemüres részlhalmaza, amely maga is vektorteret alkot a számtest felett
2 bázis: lineárisan független egyenletrendszer
3 mivel ha det(A) = 0 (azaz a szinguláris), akkor a 2.3 tétel szerint nem létezik egyértelm¶ megoldás az egyenletrendszerre, tehát
a triviális megoldáson kívül léteznie még legalább egy megoldásnak.

6
ELIMINÁCIÓS MÓDSZEREK 7

(i) aii 6= 0 i = 1, . . . , n

(ii) A reguláris
Bizonyítás. (i) Ez a denícióban lév®, határozottan nagyobb jelb®l következik.
(ii) Minden diagonális domináns mátrix reguláris.
Ezt indirekt úton bizonyítjuk. Tegyük fel, hogy A diagonális domináns de szinguláris. Ha az A szinguláris és
veszzük az Ax = 0 homogén renszert, akkor van A-nak nem triviális megoldása. Ekkor van olyan x∗ ∈ Rn , hogy
x∗ 6= 0 (tehát nem triviális megoldás) és Ax∗ = 0. Itt csak azt írtuk fel, hogy ennek a homogén rendszernek
van nem triviális megoldása. Tehát ha ez nem triviális megoldás, akkor vannak benne nem 0 komponensek is,
válaszunk ki ezek közül egy maximális abszolút érték¶t (több ilyen is lehet).
Legyen |x∗k | = max1≤i≤n |x∗i |. Vegyük az egyenletrendszerünkb®l a k-adik egyenletet. Ez úgy néz ki, hogy
venni kell a mátrixunk k-adik sorát és végig kell szorozni a megoldás komponensekkel.
ak1 x∗1 + ak2 x∗2 + · · · + akk x∗k + · · · + akn x∗n = 0
n
X
akk x∗k = − akj x∗j
j=1
j6=k

Vegyük mindkét oldal abszolút értékét:

 
 
 X n  X n n
  X
|akk x∗k | = − akj x∗j  ≤ |akj | x∗j  ≤ |akj | |x∗k |
 
 j=1  j=1 j=1
 j6=k  j6=k j6=k

Ez utolsó egyenl®tlenségnél mindegyik megoldás komponens abszolút értéke helyére a maximális komponens
abszolút értékét írtuk. Ekkor x∗k -al lehet egyszer¶síteni (hiszen nem 0).
n
X
|akk | ≤ |akj |
j=1
j6=k

Ez viszont ellentmond annak, hogy A diagonális domináns.

Annak eldöntése, hogy egy mátrix diagonális domináns-e, viszonylag könnyen elérhet®. Durván számolva a
sorösszegeket kell kiszámolni és csinálni kell n db összehasonlítást, ami n2 m¶velettel eldönthet®.
Mikor ekvivalens két egyenletrendszer? Akkor ha ugyanaz mindkett®nek a megoldáshalmaza. A
megoldáshalmaz itt vektoroknak a halmaza. Mondjuk mindig feltesszük azt, hogy egyértelm¶ a megoldás,
ekkor két egyenletrendszer ekvivalenciája azt jelenti, hogy ugyanaz a megoldás vektora.
2.8 Feladat. Van a kiindulási egyenletrendszerünk és ehhez kell konstruálni vele ekvivalens egyenletrendsz-
ereket, amiknek ugyanaz a megoldása és amiket már könnyen meg tudunk oldani.
A1 x = a1 ⇔ A2 x = a2 ⇔ · · · ⇔ Al x = al
1. Gauss-elimináció, ekkor Al = R (fels® trianguláris)
2. Jordan-elimináció, ekkor Al = I (egységmátrix)

Elemi átalakítások
1. tetsz®leges egyenletet beszorzunk, valamilyen nem 0 konstanssal
2. hozzáadjuk egyik sort a másikhoz.
Két egyenlet sorrendjének a megváltoztatása sem változtat az eredményen, de ez bizonyos értelemben nem
nevezhet® elemi átalakításnak. A két elemi átalakítást kombinálni szokták, ekkor valamelyik sor konstanss-
zorosát adjuk hozzá egy másik sorhoz.
A numerikus algoritmusoknál szigorúan meghatározott az átalakítások sorrendje.
GAUSS-ELIMINÁCIÓ 8

2.2 Gauss-elimináció
Csak a b®vített mátrixot fogjuk kezelni: Â = ( A| a) ∈ Rn×(n+1)
n-1 lépésben hajtjuk végre az átalakítást, hogy a végén fels® trianguláris alakot kapjunk.

j-dik lépés:
(j = 1, 2, . . . , n−1) kiküszöböljük az xj
ismeretlent a j-dik alatti összes (tehát a j +1, j +2, . . . , n-ik) egyenletb®l.
A j-dik egyenlet alkalmas konstans szorosait hozzáadjuk az egyenletekhez (j+1-dikhez, j+2-dikhez stb.). A fels®
indexek azt jelölik, hogy hányadik lépésnél tartunk:
a011 a012 a01n a01,n+1
 
...
 a021 a022 ... a02n a02,n+1 
Â0 =  . ... .. .. 
 ..
 
. . 
a0n1 a0n2 . . . a0nn a0n,n+1
Az els® lépésben Â0 -b®l az a011 alatti elemeket kell kinullázni, ekkor fogjuk Â1 -et kapni. A j-dik lépésnél
viszont már a következ®k állnak fenn:
 j−1
aj−1 aj−1 aj−1

a11 12 ... 1,j−1 1j ...
 0 aj−1
22 ... aj−1
2,j−1 aj−1
2j . . .
... .. .. .. 
 
. . .

 0 0
.. .. 
 
. .

Âj−1
 0
= 0 0 aj−1
j−1,j−1 
 0 0 0 0 aj−1 . . .
 
j,j
aj−1
 
 0 0 0 0 j+1,j . . .
 . .. .. .. .. .. 
 
 .. . . . . .
0 0 0 0 aj−1
n,j ...
Tegyük fel, hogy az 6= 0, ekkor a j-dik sor alkalmas konstansszorosát, adjuk hozzá az alattalév®khöz.
aj−1
jj
Mik ezek az alkalmas konstansok?
aj−1
ij
lij = (i = j + 1, . . . , n)
aj−1
jj

Most már megtudjuk mondani, hogy az j-dik egyenletnek hányszorosát kell az i-dikhez hozzáadni, hogy 0-t
kapjunk.
ajik = aj−1 j−1
ik − lij ajk (k = j + 1, . . . , n + 1)
Az oszlopindex azaz a k csak a j + 1-dik oszloptól megy mivel a j-dikben úgyis 0-k állnak tehát azzal nem
kell tör®dni, a többi elem azonban kell a következ® lépésekhez és azért tart n+1-ig mert összevont mátrixról
van szó.
Ha a aj−1
jj 6= 0 feltétel nem teljesül, akkor módosítani kell az algoritmust (lsd lentebb).

2.9 Állítás. Ha a A diagonális domináns, akkor az Ax = a megoldható a Gauss-eliminációval.

Költségelemzés
Helyigény
Mindig ugyanazon a mátrixon hajtjuk végre a m¶veleteket. Így a helyigénye körülbelül n2 , ezt precízen meg-
fogalmazva o(n2 ) (egészen pontosan n2 + n).
2.10 Deníció. an = o(bn ),
ha van olyan K ∈ R+ , hogy |an | ≤ K |bn | majdnem minden n-re (azaz van egy
küszöbszám ami után teljesül).
RÉSZLEGES FŽELEMKIVÁLASZTÁSOS GAUSS-ELIMINÁCIÓ 9

2.11 Példa. an = n2
n+1 = n2 −1+1
n+1 = (n−1)(n+1)+1
n+1 =n−1+ 1
n+1 = n − 1 + o( n1 )

M¶veletigény
Adott j-re:
(n-j) osztást
(n-j)(n-j+1) kivonást
(n-j)(n-j+1) szorzást kell elvégezni.
Minden m¶veletet azonos súllyal veszünk.
n−1
X n−1
X
M (n) = (n − j) + 2(n − j)(n − j + 1) = (n − j)(1 + 2(n − j + 1))
j=1 j=1
n−1
X n−1
X n−1
X n−1
X
= (n − j)(2(n − j) + 3) = l(2l + 3) = 2 l2 + 3 l
j=1 l=1 l=1 l=1
(n − 1)n(2(n − 1) + 1) (n − 1) + 1 2
= 2 + 3(n − 1) = n3 + o(n2 )
6 2 3
4
A Visszahelyettesítés m¶veletigénye n2 + O(n), ami az elimináció futási idejéhez képest elhanyagolható.

2.3 Részleges f®elemkiválasztásos Gauss-elimináció

Egyszer¶en az a feladat, hogy a f®átlóban és az alatta lév® elemek közül kiválasztjuk a maximális abszolút
érték¶t. Legyen ez az elem a f®elem, azaz "cseréljük fel" az aktuális sort a f®elem sorával (ez algoritmikus
szempontból nem hatékony, érdemes a sorokra mutató pointereket használni és azokat megcserélni, a f®elem
kiválasztása o(n) összehasonlítást jelent).
2.12 Deníció. A j -dik lépésnél használt f®elem legyen az aj−1
 
kj  := max |aij |, határozzunk meg ilyen k -t.

j≤i≤n

Cseréljük fel az Âj−1 -ban a k-dik és j-dik sort.

Ez már csak akkor lehet 0, ha a f®átlóban 0 áll és az alatt lév® elemek is mind 0-k, ekkor viszont a determináns
is 0 (azért mert ekkor szorozni kell egymással a diagonális elemeket a j-dik sorig és venni a fennmaradó rész
determinánsát, a fennmaradó rész determinánsa viszont biztos, hogy 0 mivel van egy teljesen 0 oszlopa).
2.13 Állítás. Tetsz®leges reguláris együtthatómátrixú Ax = a egyenletrendszer megoldható részleges f®elem-
kiválasztással.
Azt szokták mondani, hogy a részleges f®elemkiválasztásos Gauss-eliminációnak ugyanannyi a m¶velet-
igénye, mint a f®elemkiválasztás nélkülinek.

2.4 Teljes f®elemkiválasztásos Gauss-elimináció

A teljes f®elemkiválasztásnál úgy módosítjuk az algoritmust, hogy a f®elemet a j -ik lépésnél nem csak a j -ik
oszlopból keressük hanem az egész fönnmaradó részmátrixból, és azt visszük fel a f®elem helyére.
2.14 Deníció.  
 j−1 
akl  = max |aip |
j≤i,p≤n

Cseréljük fel a j-ik és a k-ik sort a Âj−1 mátrixban, utána pedig cseréljük fel a j-ik és az l-ik oszlopot (az
oszlopcserét viszont el kell tárolni).
Bizonyos esetekben, a teljes f®elemkiválasztással jobb eredményt érhetünk el, mint a részlegessel. A kritikus
része az algoritmusnak az amikor leosztunk a f®elemmel, ha nagyon kicsi lenne a f®elem, akkor kerekítési
problémák adódhatnak és ezen módosítani tud a teljes f®elemkiválasztás.
4 felhasználjuk az els® n négyzetszám összegét, ami n(n+1)(2n+1)
6
és az els® n egész szám összegét, ami n(n+1)
2
Fejezet 3

3.1 Jordan-elimináció (f®elemkiválasztás nélküli)

3.1 Feladat.
A = A1 ⇔ A2 ⇔ · · · ⇔ An = I
Ix = an ⇔ x = an
Ekkor nem kell vissza helyettesíteni, az algoritmushoz n lépés kell.
3.2 Deníció. Jordan-elimináció A j-dik egyenletet leosztjuk a f®elemmel, hogy a f®elem egy legyen. Ha
ajj 6= 0
ajk
ajk := (k = j + 1, . . . , n + 1)
ajj
az így módosított j-dik egyenlettel kiküszöböljük az xj ismeretlent az összes többi egyenletb®l:1
aik := aik − aij ajk (i = 1, . . . , n i 6= j)

M (n) = O(n3 ) (n3 + O(n2 ))†

A f®elemekiválasztások hasonlóak, mint a Gauss-eliminációnál

3.2 Mátrix invertálás

3.3 Feladat. Hogyan lehet egyszerre több egyenletrendszert megoldani? Tegyük föl, hogy olyan egyenletren-
szereink vannak, amelyeknek ugyanaz az együtthatómátrixa de más a jobboldala.
Ax = a1 


Ax = a2 


.. m db
.



Ax = am

Ezeket egyszerre is meglehet oldani, úgy hogy veszük az együttható mátrixot és leírjuk egymás mellé a jobb
oldalakat.
A b®vített mátrix most a következ®:
 = (Aa1 a2 . . . am ) ∈ Rn×(n+m) k = ...n + m

k = ...n + m azt jelenti, hogy az oszlopindex n + m-ig fog elmenni.

A mátrix invertálás ennek a feladatnak a speciális esete.
1 nyilván a a -at kell kivonni az egyes elmekb®l mivel a -t kapjuk a j-dik egyenlet f®elemmel való leosztása után, ami ahhoz
ij jk
kell, hogy a f®elem 1 legyen, ezt a pedig szorozni kell az aktuális sor j-dik oszlopában lév® elemmel, hogy a kivonás után 0 eredményt
jk

kapjunk a j-dik oszlopban.

† (n-j+1)osztást, (n-1)(n-j+1) szorzást és (n-1)(n-j+1) kivonást kell elvégeznünk

10
ELIMINÁCIÓ FORMÁLIS LEÍRÁSA 11

AX = I (ahol X = A−1 ∈ Rn×m és X = (x1 , . . . , xn )) ez pontosan, akkor teljesül ha

Ax1 = e1
Ax2 = e2
..
.
Axn = en

Jordan-elmiminációt alkalmazunk úgy, hogy m = n tehát k = . . . 2n és Ân = x1 . . . x2 I . Ha azonban így

csináljuk, akkor az még messze nem optimális mivel a kiegészít® résznek speciális tulajdonságai vannak. Az
oszlop indexel elég csak n + j -ig elmenni.
A kiindulásnál generálni kellene az n2 elemb®l álló egységmátrixot (Â0 = (A|I) ), valójában erre sincs
szükség. Szét kell szedni egy kicsit a képleteket és a megfelel® résznél azokat alkalmazni. Az n+1-t®l a következ®
képleteket alkalmazzuk: ajk := a1 jj valamint aik := −aij ajk . A m¶veletigényre már meglehet mutatni, hogy
így is O(n3 ) de a helyigény az 2n2 . A helyigényen úgy lehet javítani, hogy helyben invertálunk, tehát az els®
lépésnél az els® oszloppal már úgy sem foglalkoznánk, így oda tárolhatjuk a kiegészít® rész els® oszlopát és így
tovább (mod n számoljuk az oszlopokat), így a helyigény leszorítható n2 -re.
Megjegyzés (A Jordan eliminációval való mátrixinvertálás összefoglalása). Â0 = (AI) ∈ Rn×(2n) ,
def
a j-dik lépés-
ben:
(i) a j-dik egyenlet leosztása a(j−1)
jj f®elemmel
(j−1)
(j) ajk
ajk = (j−1)
k = j + 1, j + 2, . . . , n + j
ajj

(ii) az xj ismeretlen kiküszöbölése a megfelel® egyenletekb®l:

(j) (j−1) (j−1) (j)
aik = aik − aij ajk k = j + 1, . . . , n + j i = 1, . . . , n i 6= j

Hogyan lehetne formálisan leírni ezeket az algoritmusokat, lineáris algebrában alkalmazott eszközökkel?

3.3 Elimináció formális leírása

3.4 Példa. Van egy B mátrixunk amib®l csinálni akarunk egy olyan mátrixot ami ®t®le csak abban különbözik,
hogy a j -dik sora le van osztva az diagonális elemmel a bjj -vel. Ekkor balról szorozni a következ® diganodális
mátrixal:
1
 


... 

 
 1 
1
 
Dj = 
 b jj


 1 
...
 
 
 
1
eTi A, ekkor az A mátrix i-dik sora lesz az eredmény
Aek , ekkor az A mátrix k-dik oszlopa lesz az eredmény
eTi Aek ekkor az aik elem lesz az eredmény
ELIMINÁCIÓ FORMÁLIS LEÍRÁSA 12

Vektor szorzatok
1. skalár szorzat (bels® szorzat)
n
c, d ∈ RP
T n
c d = i=1 ci di ∈ R
2. diadikus szorzat (küls® szorzat)
 T  
c1 d c1 d1 c1 d2 ... c1 d n
..   . .. .. 
cdT = G = (d1 c . . . dn c) =  .  =  .. . .  Ekkor G rangja legfeljebb 1 (akkor


cn dT cn d1 cn d2 . . . cn dn
lehet kevesebb, ha legalább az egyik 0 vektor).
3.5 Deníció. Gj eliminációs mátrix , ha felírható Gj = I + gj eTj alakban, ahol gj j -dik komponense 0,
= 0.
(j)
gj
Ekkor Gj a következ®képpen néz ki:
 (j) 
1 g1
... ..
.
 
 
 
(j)

 1 gj−1 

Gj =  1
 

 (j) 
 gj+1 1 
.. ...
 
.
 
 
(j)
gn 1

Ezekkel a mátrixokkal tudunk majd eliminálni egy oszlopot. Például úgy kapjuk a Gauss-eliminációt, hogy gi -k
helyére beiírjuk az lij -et, ez azonban még úgy módosul, hogy a j-dik oszlopban 1 felett is 0-k vannak.
3.6 Állítás. Legyen Gj tetsz®leges eliminációs mátrix, ekkor
(i) B = Gj A olyan mátrix, melyben az i-dik sor úgy áll el®, hogy az A i-dik sorához hozzádadjuk A j-dik
sorának gi(j) -szeresét.(A soraihoz hozzáadogatjuk a gi -ben lév® konstansszorosait a j-dik sornak)
(ii) C = AGj olyan mátrix, melynek a j-dik oszlopát úgy kapjuk, hogy A j-dik oszlopához hozzáadjuk A els®
oszlopának g1(j) -szeresét..., A n-dik oszlopának gn(j) -szeresét.
Bizonyítás. (i) nézzük meg B i-dik sorának k-dik elemét
bik = eTi Bek = eTi (Gj A)ek = eTi ((I + g j eTj )A)ek
= eTi (A + g j eTj A)ek = eTi Aek + eTi g j (eTj Aek )
(j)
= aik + (eTi g j )ajk = aik + gi ajk

ahol gi(j) a gj vektor i-dik eleme.

3.7 Példa. G3 A 4 × 4-es mátrixok esetén:
 (3)
   (3) (3) (3) (3)

1 0 g1 0 a11 a12 a13 a14 a11 + g1 a31 a12 + g1 a32 a13 + g1 a33 a14 + g1 a34
(3) (3) (3) (3) (3)
0 1 g2 0  a a22 a23 a24  a + g2 a31 a22 + g2 a32 a23 + g2 a33 a24 + g2 a34 
   
21
G3 A =    21
=
0 0 1 0 a31 a32 a33 a34 a31 a32 a33 a34
 
 
(3) a41 a42 a43 a44 (3) (3) (3) (3)
0 0 g 4 1 a41 + g a31 4 a42 + g4 a32 a43 + g4 a33 a44 + g4 a34

Tehát a B mátrixnak az i-dik sorát úgy kapjuk, hogy A i-dik sorához hozzáadjuk A j-dik sorának megfelel®
konstansszorosát és az egyes eliminációs módszereknél csak ezeket a konstansokat kell megváltoztatni.
FŽELEMKIVÁLASZTÁS FORMÁLIS LEÍRÁSA 13

3.4 F®elemkiválasztás formális leírása

3.8 Deníció. Legyen 1 ≤ i, j ≤ n, i 6= j tetsz®leges. A Pij elemi permutációs mátrixon azt a mátrixot
értjük, amelyet az I egységmátrixból az i-dik és j-dik sor fölcserélésével kapunk.
3.9 Példa. Ha n = 3, i = 1, j = 2, akkor P12 =
0 1 0
100
001

3.10 Deníció. P permutációs mátrix , ha el®áll az I egységmátrix sorainak alkalmas permutálásával.

3.11 Állítás. Tetsz®leges A mátrixot a Pij elemi permutációs mátrixszal szorozva:
(i) B = Pij A-t úgy kapjuk, hogy fölcseréljük A i-dik és j-dik sorát.
(ii) C = APij -t úgy kapjuk, hogy fölcseréljük A i-dik és j-dik oszlopát.
Bizonyítás. (i) Válasszuk ki B -nek egy tetsz®leges elemét:
bkl = eTk Bel = eTk (Pij A)el = (eTk Pij )(Ael )

(a) Ha a kiválasztott elem olyan volt, hogy az eredeti A mátrixban nem érintette a sorcsere, vagyis k 6= i és
k 6= j , akkor eTk Pij = eTk (hiszen ekkor eTk "kiválasztja" Pij k -dik sorát, de mivel k 6= i és k 6= j ezért
ebben az esetben az egység mátrixnak tekinthet® Pij ), ezért bkl = eTk Ael = akl .
(b) Ha k = i, akkor eTk Pij = eTi Pij = eTj , ezért bil = eTj Ael = ajl .
(c) Ha k = j , akkor eTk Pij = eTj Pij = eTi , ezért bjl = eTi Ael = ail

Ha részleges f®elemkiválasztást kell csinálni, akkor az azt jelenti, hogy balról kell szorozni a mindenkori
"A" mátrixot. Ha teljes kiválasztást akarunk, akkor balról is szorozni kell és jobbról is szorozni kell valamilyen
hasonló permutációs mátrixszal.

F®elemkiválasztás nélküli Gauss-elimináció

A j-dik lépésben adott Âj−1 , amib®l Âj = Gj Âj−1 ahol
 
0
 .. 
 . 
 
 0 
 
 0 
gj =  
−lj+1,j 
 . 
 .. 
 

−ln,j

R = An−1 = Gn−1 · · · G2 G1 A0
| {z }
A1
| {z }
A2
| {z }
An−1

Az eliminációs mátrix inverze a következ®képpen adódik:

3.12 Állítás. G−1 T
j = I − g j ej

Bizonyítás.
Gj G−1 T T T T
j = (I + g j ej )(I − g j ej ) = I − g j (ej g j ) ej = I
| {z }
0

eTj g j esetén eTj éppen a j -dik komponenst választja ki gj -ben ami 0.

FŽELEMKIVÁLASZTÁS FORMÁLIS LEÍRÁSA 14

Az elimináció végeredménye:
G−1
n−1 / R = Gn−1 · · · G2 G1 A0
G−1
n−1 R = Gn−2 · · · G2 G1 A0
−1 −1 −1
G1 G2 · · · Gn−1 R = A0
| {z }
L

Ekkor A0 a kiindulási együttható mátrix, R a Gauss-elimináció végerdménye a G-k eliminációs mátrixok,

és az inverzek miatt + szerepel bennük. Tehát L a következ®képpen néz ki:
 
1 0 ... 0
 l21 1 0 
... .. 
 
.

 l31
L= l32 1
 . ... ...
 ..


0
ln1 n2 . . . ln,n−1 1

A lik a Gauss-elimináció során deniált konstans. L alsó egység trianguláris mátrix.

3.13 Tétel. Ha A-ra végrehajtható a f®elemkiválasztás nélküli Gauss- elimináció, akkor A-nak létezik A = LR
trianguláris felbontása.
Részleges f®elemkiválasztásos Gauss-elimináció
Âj = Gj Pjπ(j) Âj−1 j ≤ π(j) ≤ n π(j) ∈ N
El®ször megcserélük a j-dik és a π(j)-dik sort.
An−1 = Gn−1 Pn−1,π(n−1) · · · G1 P1π(1) A0 P A = L∗ R∗
Fejezet 4

4.1 Számolás partícionált mátrixokkal

Egy mátrix partíconálása azt jelenti, hogy valamilyen módon feldaraboljuk a sorait, oszlopatit (nem feltétlenül
ugyanolyan módon). Így részmátrixok keletkeznek, amiket blokkok nak is szoktak nevezni. Egy valós n × m-es
A mátrix i sorra és s oszlopra való partícionálása a következ®képpen néz ki:
 
A11 A12 ... A1s m1
 A21 A22 ... A2s  m2 Pi
n = mj
 .. .. . . . ..  .. j=1
 
 . . .  . Ps
Ai1 Ai2 . . . Ais mi m = j=1 lj
l1 l2 . . . ls
Az ilyen felbontás azért jó, mert egy szintel feljebb lehet vinni a mátrix algebra szokásos számolási sz-
abályait. A mátrixok vonatkozóan összeadni, skalárral szorozni lehet úgy ezeket a m¶veleteket lehet általánosí-
tani blokkokra. Ha van egy szintén n × m-es mátrixunk amely ugyanúgy van praticionálva, mint A:
 
B11 B12 ... B1s
 B21 B22 ... B2s 
B= . .. ... .. 
 ..
 
. . 
Bi1 Bi2 ... Bis

akkor a C összegmátrix a megfelel® blokkok összegeként áll el®:

 
C11 C12 ... C1s
 C21 C22 ... C2s 
C =A+B . .. ..  Cpq = Apq + Bpq
 ..
 
. Cpq . 
Ci1 Ci2 ... Cis

. A skalárszorzat értelemszer¶en:
 
G11 G12 ... G1s
 G21 G22 ... G2s 
G = αA  . .. ..  Gpq = αApq
 ..
 
. Gpq . 
Gi1 Gi2 ... Gis

A mátrix szorzásnál plussz feltétel is bejön mivel a blokkoknak külön-külön összeszorozhatónak kell lenniük,
ez pedig akkor teljesül, ha a szorzandó mátrix oszlopat annyi darabra bontottuk, mint a szorzó mátrix sorait.
Csak egy speciális estet fogunk alkalmazni, amikor a mátrix 4 darabra van partícionálva és ekkor az els®
partícó méreti egyértelm¶en meg fogják határozni a többi partíció méretét
   
A11 A12 B11 B12
A=
A21 A22
és van egy ugyanígy partícionált B = B21 B22

15
FROBÉNIUS-FÉLE MÁTRIX INVERTÁLÁS 16

akkor a C szorzatmátrix a következ®képpen áll el®:

 
A11 B11 + A12 B21 A11 B12 + A12 B22
C = AB
A21 B11 + A22 B21 A21 B12 + A22 B22

4.2 Frobénius-féle mátrix invertálás

Mátrix invertálásnál X-re keressük a megoldást a következ® egyenletrendszerben:
    
A11 A12 X11 X12 I11 012
=
A21 A22 X21 X22 021 I22

I11 = A11 X11 + A12 X21 (4.1)

012 = A11 X21 + A12 X22 (4.2)
021 = A21 X11 + A22 X21 (4.3)
I22 = A21 X12 + A22 X22 (4.4)
A leosztások helyett itt mátrix inverzekkel kell dolgozni és még arra kell vigyázni, hogy itt már nem kommutatív
a szorzás. Tegyük fel, hogy A−1 és A−1 11 létezik. Szorzzuk balról az (4.1)-es egyenletet A11 -el, majd szintén
−1

balról −A21 -el. Ekkor az els® és a harmadik egyenlet így néz ki:
−A21 A−1
11 = −A21 X11 + −A21 A−1
11 A12 X21
0 = A21 X11 + A22 X21

Majd a két egyenletet összeadjuk és az eredményt rendezzük.

−A21 A−1
11 = −A21 A−1
11 A12 X21 + A22 X21
−A21 A−1
11 = (A22 − A21 A−1 A12 ) X21
| {z 11 }
B

X21 = −B −1
A21 A−1
11

Majd visszahelyettesítjük az így kapott egyenletet az els®be, azt egy kicsit átalakítva megkapjuk X11 -et:
A11 X11 = I11 − A12 X21
X11 = A−1
11 (I11 − A12 X21 )

Ezután vesszük a második egyenletet (4.2) és beszorozzuk −A21 A−1

11 -el balról. Ezután a második és a negyedik
egyenlet a következ®képpen néz ki:
0 = −A21 X21 − A21 A−1
11 A12 X22
I22 = A21 X12 + A22 X22

Majd szintén összeadjuk a két egyenletet és átalakítjuk:

I22 = A22 X22 − A21 A−1
11 A12 X22
−1
I22 = (A22 − A21 A11 A12 ) X22
| {z }
B

X22 = B −1

Ezt visszahelyettesítjük az átalakítoot második (4.2) egyenletbe:

A11 X21 = −A12 X22
X21 = −A−1
11 A12 X22
LR-FELBONTÁS 17

Meg kell még mutatni, hogy a B = A22 − A21 A−1

11 A12 mátrixnak van inverze. Ehhez tekintsük a következ®
mátrixokat:
    
I11 012 A11 A12 A11 A12
=
−A21 A−1
11 I22 A21 A22 021 B
| {z }| {z } | {z }
G A C

Ekkor a determináns szorzástétele alapján det(c) = det(G) det(A). A-nak tudjuk, hogy nem 0 a deter-
minánsa (ez volt a feltétel), G-r®l látszik, hogy 1 a determinánsa, mivel egy alsó egységtrianguláris mátrix, tehát
C -nek nem lehet 0 a determinánsa és a következ®képpen fejezhet® ki: det(A11 ) det(B) ebb®l pedig következik,
hogy B -nek sem lehet 0 a determinánsa.
Megjegyzés. Több féle úton is el lehet jutni a megoldásokhoz. Lehetne lépésenként ellen®rizni, hogy a szorzások
tényleg evégezhet®ek-e és amit eredményül kapunk az olyan dimenziós-e, hogy össze lehesen adni, ez azonban
minden lépésnél teljesül.
Az Frobénius-invertálásnak O(n3 ) a m¶veletigénye.
Speciális esetekben érdemes ezt a módszert használni, példaul ha a mátrix

kvázi trianguláris vagy kvázi diagonális

   
A11 A12 A11 0
0 A22 0 A22

mivel ilyenkor a képletek jelent®sen leegyszer¶södnek. Akkor is hasznos lehet ez a módszer, ha olyan nagy
mátrixal dolgozunk, amely nem fér be a memóriába.

4.3 LR-felbontás
4.1 Deníció. A = LR az A trianguláris felbontása, ha L alsó egység trianguláris, R pedig fels® trianguláris.
4.2 Tétel (LR unicitása). Ha A reguláris, akkor az A = LR felbontás egyértelm¶ (legfeljebb 1 db felbontás
létezhet).
Bizonyítás. Indirekt módon. Tegyük fel, hogy létezik két különböz® felbontás:
A = L1 R1 = L2 R2

(tehát vagy az L1 különbözik az L2 -t®l vagy az R1 különbözik az R2 -t®l). Mivel A reguláris volt, így a többi
mátrixnak is regulárisnak kell lennie, így lehet manipulálni az inverzekkel.
L−1
2 / L1 R1 = L2 R2
L−1
2 L1 R1 = R2 /R1−1
L−1
2 L1 = R2 R1−1

Ezzel már ellentmondásra is jutottunk. Miért nem állhat fenn ez az egyenl®ség? Mivel a bal oldalon alsó egység
trianguláris mátrix van (hiszen egy alsó egység trianguláris mátrix inverze is alsó egység trianguláris és két alsó
egység trianguláris mátrix szorzata is alsó egység trianguláris) a jobb oldalon fels® trianguláris mátrix van ami
csak úgy lehetséges ha mindkett® diagonális ez a digonális viszont csak az egységmátrix lehet. Ekkor viszont
azt kapnánk, hogy I = L−1 2 L1 és I = R2 R1 , amib®l viszont L2 = L1 , R1 = R2 -t kapnán. Err®l viszont már
−1

egyértelm¶en látszik, hogy ellentmond a feltételünknek.

Abból, hogy A reguláris még nem következik, hogy létezik is a felbontás. Tehát következ® kérdés az egzisz-
tencia, azaz mikor létezik ez a felbontás.
4.3 Tétel (LR egzisztenciája). Az A reguláris mátrixnak, pontosan akkor létezik A = LR felbontása, ha
det(Akk ) 6= 0 k = 1, . . . , n (∃A = LR ⇔ det(Akk ) 6= 0).
4.4 Segédtétel. Ha létezik az A = LR felbontás, akkor a det(Akk ) = r11 · · · rkk = (r11 r22 · · · rk−1,k−1 )rkk =
det(Ak−1,k−1 )rkk (det(A00 ) deníció szerint 1).
LR-FELBONTÁS 18

   
Bizonyítás. Tekintsük a következ®képpen partícionált mátrixot =
E 0
F G
Akk
C
B
H J
D
0 K
Ekkor
Akk = EH , ha ez igaz akkor a determinánsát a követekez®képpen lehet felírni det(Akk ) = det(E) det(H).
det(E) = 1 mivel E alsó egység trianguláris, H viszont fels® trianguláris, tehát det(Akk ) = 1 det(H) =
r11 · · · rkk .
Bizonyítás.

(i) (A reguláris és ∃A = LR ⇒ det(Akk ) 6= 0) Tegyük fel, hogy létezik a felbontás, mivel A reguláris, akkor
az elöz® segédtétel alapján 0 6= det(A) = det(Ann ) = r11 · · · rnn . Ebb®l az következik, hogy semelyik rii
(1 ≤ i ≤ n) sem lehet 0, tehát mindegy, hogy az r-ek közül mennyit szorzunk össze mindig 0 különböz®
leszt det(Akk ).
(ii) (A reguláris és det(Akk ) 6= 0 ⇒ ∃A = LR ) Legyen det(Akk ) 6= 0 k = 1, . . . , n, megmutatjuk a mátrix
rendje szerinti indukcióval, hogy létezik a felbontás.
√
(a) n=1 0 6= det(Akk ) ekkor A = |{z}
1 |{z}
A
L R
(b) tegyük fel, hogy az állítás igaz bármely a tétel feltételeit teljesít® n-1-ed rend¶ mátrixra. Legyen A
a feltételeket teljesít® n-ed rend¶ mátrix, keressük így a felbontását (az utolsó sora és oszlopa el®tt
partícionálunk):
    
An−1,n−1 b Ln−1,n−1 0 Rn−1,n−1 x
A= =
cT ann yT 1 0T z

A-t ismerjük. Mikor lenne igaz ez a felbontás?

An−1,n−1 = Ln−1,n−1 Rn−1,n−1 (4.5)
b = Ln−1,n−1 x (4.6)
cT
= y T Rn−1,n−1 (4.7)
ann = yT x + z (4.8)
(4.5) az indukciós feltevés miatt egyértelm¶en létezik. (4.6) az x-re vonatkozóan egy lineáris egyenle-
trendszernek tekinthet®. A rendszer az x-re vonatkozóan egyértelm¶en megoldható, mivel az együt-
thatómátrixa reguláris. (4.7) az elöz® eset transzponáltja, tehát ilyen yT is egyértelm¶en létezik. z
is egyértelm¶en kifejezhet® (4.8)-ból, hiszen yT x egy skalár szorzat, amit már ismerünk és ann adott
volt.

A tétel bizonyítása során adódik egy rekurzív algoritmus az LR felbontásra, azonban nem ezt érdemes
használni, van direkt algoritmus is.
4.5 Állítás. Ha A diagonális domináns, akkor egyértelm¶en létezik az A = LR felbontás.
Ez azért igaz, mert ha A diagonálisan domimáns, akkor Akk is diagonálisan domináns tehát det(Akk ) 6= 0
a diagonális dominancia tulajdonsága miatt.

Alkalmazások A = LR-re
Mindig felteszzük, hogy A reguláris
(1) determináns számítás det(A) = det(L) det(R) = det(R)
| {z }
1

(2) mátrix invertálás A = LR ⇔ A −1

= L−1 R−1
LR-FELBONTÁS 19

(3) lineáris egyenletrendszer megoldása

"el®re" helyettesítés O(n2 )

Ly = a
Ax = a ⇔ LRx = a ⇔
Rx = y visszahelyettesítés O(n2 )
Fejezet 5

5.1 Az LR algoritmus
5.1 Példa. Az LR algoritmus végrehajtásánál, a mátrixszorzáshoz hasonló m¶veletr®l van szó. A kiindulási
mátrix jelen esetben a 3 × 3-s A mátrix. A 2-al keretezett elemeket keressük.
R r11 r12 r13 1.
0 r22 r23 3.
L 0 0 r33 5.
1 0 0 2 1 2
l21 1 0 4 5 5
l31 l32 1 2 7 5
2. 4. A
A mátrix szorzás szabálya szerint felírhatók az ismeretlenekre vonatkozó egyenletek amib®l el®ször R els® sorát
tudjuk meghatározni:
1 · r11 + 0 · 0 + 0 · 0 = 2
r11 = 2
1 · r12 + 0 · r22 + 0 · 0 = 1
r12 = 1
1 · r13 + 0 · r23 + 0 · r33 = 2
r13 = 2
A 2. lépésben L els® oszlopát tudjuk meghatározni:
l21 · r11 + 1 · 0 + 0 · 0 = 4
l21 · 2 = 4
l21 = 2
l31 · r11 + l32 · 0 + 1 · 0 = 2
l31 · 2 = 2
l31 = 1
3. lépésben R második sorát tudjuk kiszámolni:
l21 · r12 + 1 · r22 + 0 · 0 = 5
2 · 1 + 1 · r22 = 5
r22 = 3
l21 · r13 + 1 · r23 + 0 · r33 = 5
2 · 2 + 1 · r23 = 5
r23 = 1

20
AZ LR ALGORITMUS 21

Végül L második oszlopát és R harmadik sorát:

l31 · r12 + l32 · r22 + 1 · 0 = 7
1 · 1 + l32 · 3 = 7
l32 = 2
l31 · r13 + l32 · r23 + 1 · r33 = 5
1 · 2 + 2 · 1 + r33 = 5
r33 = 1

Tehát L és R a következ®képpen alakul:

   
1 0 0 2 1 2
L = 2 1 0 R = 0 3 1
1 2 1 0 0 1

Minden lépés egyértelm¶en meghatározott volt és nem volt olyan lépés ahol ne tudtuk volna folytatni az
eljárást.
Az eredeti A mátrix egy bizonyos elemére támaszkodunk és abból az elemb®l kivonjuk a megfelel®en összes-
zorzott számpárokat amelyeket már korábban megismertünk és így kapjuk R megfelel® értékét.

j−1
(5.1)
X
rjk = ajk − ljp rpk k = j, j + 1, . . . , n
p=1

L megfele® elemének kiszámításánál rjj -vel még osztanunk kell és ez az osztás a kritikus m¶velet az eljárás-
ban. Ha rjj 0 lenne akkor ezt nem tudnánk végrehajtani.

j−1
1
(5.2)
X
lij = (aij − lip rpj ) i = j + 1, j + 2, . . . , n j = 1, 2, . . . , n
rjj p=1

M¶veletigény
A m¶veletigényt két részletben fogjuk számolni. Az egyik számítás az lesz, hogy mennyi m¶velet kell az R ele-
meinek a kiszámításához, ez lesz M1 érték és a kés®biekben meghatározzuk az L elemeihez tartozó m¶veletigényt
is. (5.1)-ben j − 1 darab összevonás (ami összeadást és/vagy kivonást jelent) és j − 1 szorzás van.1

n
X n
X
M1 (n) = 2(j − 1)(n − j + 1) = 2(j − 1)(n − (j − 1))
j=2 j=2
n−1
X n−1
X n−1
X n−1
X
= 2l(n − l) = 2ln − 2l2 = 2n +2 l2
l=1 l=1 l=1 l=1
(n − 1)n) (n − 1)n(2(n − 1) + 1) 2n3 − 3n2 + n
= 2n −2 = n3 − n2 −
2 6 3
1 3 2
= n + O(n )
3
Megjegyzés. Érdemes m¶veletigény els® sorát megvizsgálni. Azt állítottuk, hogy j − 1 darab összevonás és
j − 1 darab szorzás kell a minden
P lépésben ( miatt) (5.1) kiszámításánál ezért szerepel a m¶veletigényben
Pj−1
p=1
2(j − 1), egészen pontosan a -as részben eggyel kevesebb összeadás szerepel, mint szorzás de a el®t ott
P

1 ez a könyv a szorzást és az összeadást már egyenrangúnak veszi hiszen egy korszer¶ processzor 1 órajel alatt végzi el mind az
összeadást mind a kivonást (szemben a régiekkel, ahol a szorzás ideje többszöröse volt az összeadásénak)
AZ LR FELBONTÁS FELHASZNÁLÁSI LEHETŽSÉGEI 22

van még egy kivonás is. A vizsgált sorban j. elemt®l mindegyik elemre (k = j, . . . , n) kell a m¶veleteket
végrehajtani R-ben ezért jön be az (n − j + 1)-es szorzó. Ezzel megkaptuk R egy sorának a kiszámításához
szükséges m¶veletigényt.
Mivel ezt minden sorra végre kell hajtani ezért jön be a , pontosabban az els® sorra nem kell végrehajtani
P
mivel
P j = 1 esetén a (5.2)-es képlet r1k = a1k bemásolásra redukálódik, ezért indul j = 2-r®l az indexelés
( nj=2 ).
Az els® sorról a másodikra úgy jutunk, hogy l = j − 1-et behejetettesítünk, majd a második sorról a
harmadikra úgy, hogy felhasználjuk az els® n egész szám és az els® n négyzetszám összegének a már ismert
képleteit ( 21 n(n + 1) és n(n+1)(2n+1)
3 ), csak itt most n − 1-re alakalmazzuk ®ket. Huh, azt hiszem ezt egy kicsit
túlmagyaráztam, a rövidebb változat megtalálható a könyv 50. oldalán (A szerkesztget®).
Az O (ejtsd ordó) egy nagyságrendet mutató kifejezés. Jelen esetben az utolsó sor azt mutatja, hogy az A
n × n mátrix n rendjét®l milyen módon függ a m¶veletigény, ez egy polinomiális függés lesz, a legnagyobb fokú
tag az n3 aminek az együtthatója 13 (nyilván ez a rész lesz a domináns) és a mögötte lév® O(n2 ) azt jelenti,
hogy vannak további tagok melyek együtthatói legfeljebb másod fokúak és ezekkel már nem foglalkozunk.
Az L mátrixbeli értékek meghatározásához egy hasonló értéket fogunk kapni. A különbség az elöz®höz
képest az, hogy bejön még egy plusz osztás és soronként eggyel kevesebb elemre kell végrehajtani, ez azonban
a m¶veletigényt nem fogja jelent®sen befolyásolni.

n
X 1 3
M2 (n) = (2(j − 1) + 1)(n − j) = n + O(n2 )
j=2
3

A teljes m¶veletigény a müveletigények összege:

2 3
M (n) = M1 (n) + M2 (n) = n + O(n2 )
3
Ez a m¶veletigény hasonló a Gauss-elimináció m¶veletigényéhez. Nem véletlenül, hiszen a felbontás ekvivalens
az elimináció megoldásával.

5.2 Az LR felbontás felhasználási lehet®ségei

1. Determináns számítás
det(A) = det(L) · det(R) = 1 · det(R)
A determinások szorzástételét használjuk itt ki. Mivel L alsó egység trianguláris ezért a determinánsa
0. Mivel R fels® trianguláris ezért a determinánsa könnyen számítható, a f®átlójában lév® elemek
szorzataként.
2. Egyenletrendszer megoldásához
"el®re" helyettesítés O(n2 )

Ly = a
Ax = a ⇔ LRx = a ⇔
Rx = y visszahelyettesítés O(n2 )
Ax = a-t vele ekvivalens problémává alakítjuk. Ez el®rehelyettesítésnél egy "fordított" vissza helyettesítés-
r®l van szó, hogy mivel L speciális alakú ezért az y vektor komponensei az elöz® sor segítségével egyértelm¶en
kifejezhet®k, az els® komponens pedig triviálisan kifejezhet®. Ha már y ismerlyük akkor azt be tudjuk
helyettesíteni a második egyenl®tlenségbe amit egy egyszer¶ visszahelyettesítéssel meg tudunk oldani.
Mindkét egyenletrendszer megoldásánál O(n2 ) m¶veletigény szükséges.
3. Mátrix inverzének a meghatározása
A−1 = R−1 L−1
Egyszer¶bb R-nek és L-nek az inverzét meghatározni. R inverze is fels® tranguláris lesz és L inverze is
alsó tranguláris lesz.
LR FELBONTÁS SPECIÁLIS ALAKÚ MÁTRIXOKRA 23

5.3 LR felbontás speciális alakú mátrixokra

5.2 Következmény. Ha az A mátrix diaginiálisan domináns, akkor az A = LR felbontás egyértelm¶en létezik.
Bizonyítás. Itt arról van szó, hogy a (5.2) képletben lév® osztás során nem fordulhat el®, hogy 0 szerepel az
osztóban, mivel a f®minorok mind pozitívak lesznek. A bizonyitás a (4.3)-as tételb®l következik, a diagonális
dominencia tulajdonsága miatt.
• Hessenberg mátrix: lásd 1. el®adás
tridiagonális mátrix: a f®átló és a két mellékátló csak a 0-tól különböz®.
•
• bidiagonális mátrix : a f®átló és az egyik mellékátlója csak a 0-tól különböz®.

5.3 Segédtétel. Ha a H reguláris fels® Hessenberg mátrixnak létezik H = LR felbontása, akkor L alsó egység
bidiagoniális mátrix.
Bizonyítás. A regularitási feltételb®l következik, hogy rjj 6= 0. Az lij = 0 ha i > j + 1 egyenl®tlenségeket az
oszlopok szerinti indukcióval bizonyítjuk. j = 1 (az els® oszlopra)2 teljesül az állítás, li1 = hi1 /r11 = 0 mivel
hi1 ha i > 2. Tegyük fel, hogy az 1, 2, . . . , j − 1 oszlopokra beláttuk az állítást. Ekkor
j−1
1 X 1
lij = (hij − lip rpj ) = (0 − 0) = 0,
rjj p=1
r jj

Mivel hij = 0 és az összeg is 0 az indukciós feltétel miatt.

5.4 Segédtétel. Ha a G reguláris alsó Hessenberg mátrixnak létezik G = LR felbontása, akkor R fesl® bidiag-
oniális mátrix.
Bizonyítás. Transzponálással visszavezetjük az elöz® esetre:
1
z }| {
−1 −1 −1
T T T
G = R L = (R diag(r11T
, r22 , . . . , rnn ))(diag(r11 , r22 , . . . , rnn ) LT ) = L∗ R∗

Mivel a levezetés végén a GT fels® Hessenber-mátrix felbontása áll, L∗ az elöz® segédtétel alapján csak alsó
egység bidiagonális mátrix lehet, mivel L∗ -ot L∗ = RT diag(r11
−1 −1 −1
, r22 , . . . , rnn ) módon adódik és denicóból
látszok, hogy R fels® bidiagoniális mátrix kell, hogy legyen.
Az elöz® két segédtételb®l következik a következ®:
5.5 Segédtétel. Ha a T reguláris tridiagoniális mátrixnak létezik T = LR felbontása, akkor L alsó egység-
bidiagoniális, R pedig fels® bidiagoniális mátrix.
5.6 Következmény. Ha létezik a reguláris A mátrix A = LR felbontása és
(i) A (fels® vagy alsó) Hessenberg-mátrix, akkor a felbontás m¶veletigénye O(n2 )
(ii) A tridiagoniális mátrix, akkor a felbontás m¶veletigénye O(n).
A probléma az algoritmus végrehajtása során akkor adódhat, ha rjj = 0 valamely j -re, azaz a mátrix
valamelyi f®minora3 0. Ez viszont kezelhet® egy a f®elemkiválasztáshoz hasónló módszerrel.
5.7 Példa. ( 01 12 ) ebben az esetben az algoritmus közvetlenül nem végrehajtható.
Jelen példánknál annyit kellene csinálni, hogy a két sort meg kellene cserélni. Egy permutációs mátrixot
fogunk használni. A G eliminácóban használt sor-oszlop cserélgetést írja le a permutációs mátrix.
5.8 Deníció. P A = LR az A ∈ Rn×n mátrix általánosított tranguláris felbontása, ha P permutációs R
fels® tragnuláris, L alsó egység-tranguláris mátrix.
2R -ben az egyes lépések sorokra, L-ben oszlopokra vonatkozi a j index.
3 a f®minor fogalom alatt átalában aldeterminánst értenek
AZ RT R CHOLESKY-FELBONTÁS 24

Az ötlet az, hogy ha az adot pozicióba nem tudunk egy nullától eltér® elemet becserélni, akkor az aktulás
oszlopban teljesen egészében 0-k kellenek, hogy legyenek, ha viszont ez áll fenn akkor a mátrix nem lehet
reguláris. Megfordítva a dolgot, mivel csak reguláris mátrix esetén van ennek a felbontásnak értelme ilyenkor
ezt a trükköt pedig mindig meg tudjuk csinálni.
5.9 Segédtétel. Tetsz®leges A reguláris mátrixhoz megadható olyan P permutációs mátrix, hogy a B = P A
mátrixra det(Bkk ) 6= 0
Bizonyítás. B mátrix rendje szerinti indukcióval bizonyítjuk. Ha n=1, akkor az állítás triviálisan igaz mert 1×1-
es mátrix esetén nincs mit cserélni. Tegyük fel, hogy az n − 1 rend¶ mátrixokra az állítás igaz! Vegyünk egy
tesz®leges n-ed rend¶ A mátrixot, fejtsük ki A-t az utolsó oszlopa szerint, azaz határozzuk meg A determinánsát,
az utolsó oszlop elemei és az adjungált aldeterminánsok segítségével mindenütt a megfelel® el®jelet gyelembe
véve.
0 6= det(A) = (−1)2n ann det(Ann ) − an−1n det(An−1,n ) ± · · · + (−1)n a1n det(A1n )
Mivel ez az összeg nem 0 (hiszen A reguláris) ezért léteznie kell legaláb egy olyan j indexnek, hogy det(Ajn ) 6= 0.
Legyen j egy ilyen rögzített index és tekintsük azt a P1 permutációs mátrixot, amivel A balról szorozva Ajn
sorai felkerülnek A els® n − 1 sorába. Mivel Ajn n − 1-ed rend¶ reguláris mátrix ezért az indukciós feltevés
szerint már van olyan P2 n − 1-ed rend¶ permutációs mátrix, hogy a
 
P2 0
B= P1 A
0T 1

mátrix f®minorai n − 1-ed rendig nem 0-k. Persze det(B) = ± det(A) 6= 0 is igaz, ezért
 
P2 0
P = P1
0T 1

mátrixszal való szorzás a kívánt B mátrixot adja.

Megjegyzés. P1 -nek az a szerepe, hogy n − 1-ig reguláris legyen A, P2 az indukciós feltételeben szerepl® P , tehát
A sorait úgy cserélgeti n − 1-dik sorig, hogy a f®minorok ne legyenek 0-k.
Ez a segédtétel lényegében már bizonyítja a következ® tételt is.
5.10 Tétel. Egy tetsz®leges A reguláris mátrixnak létezik P A = LR felbontása.
Ez bizonytható algoritmikus úton is (végighaladva az algoritmus lépésein) annak a felhasználásával, hogy a
részleges f®elemkiválasztásos Gauss-elimináció tetsz®leges reguláris mátrixra végrehajtható.

5.4 Az RT R Cholesky-felbontás
Szimmetrikus A esetén szeretnénk egy speciális LR felbontás alkalmazni úgy, hogy két azonos mátrixra bontsuk
fel A-t.
5.11 Példa. A 2-al keretezett elemeket keressük. RT felesleges feljegyezni, hiszen az értékek megegyeznek az
R értékeivel.

R r11 r12 r13 1.

0 r22 r23 2.
RT 0 0 r33 3.
r11 0 0 4 2 4
r12 r22 0 2 10 5
r13 r23 r33 4 5 6
A
AZ RT R CHOLESKY-FELBONTÁS 25

r11 · r11 = 4
r11 = 2
r11 · r12 = 2
r12 = 1
r11 · r13 = 4
r13 = 2
r12 · r12 + r22 · r22 = 10
r22 = 3
r12 · r13 + r22 · r23 = 5
1 · 2 + 3 · r23 = 5
r33 = 1
r13 · r13 + r23 · r23 + r33 · r33 = 6
r33 = 1

Tehát  
2 1 2
R = 0 3 1
0 0 1
Megjegyzés. Eddigi észrevételeim alapján a Cholesky felbontás valahogy így m¶ködik.
• Elég csak az R mátrixszal foglalkozni.
• Sorra kitöltjük R sorait felülr®l lefelé haladva.
• Egy soron belül balról jobbra haladunk, természetesen csak a f®lóban lév® elemt®l.
• Adott sor f®átlóban lév® elemét úgy kapjuk, hogy vesszük a megfelel® f®átlóbeli elemet A-ból, majd
kivonjuk R-ben a meghatározandó elem feletti elemek négyzetének összegét (kivéve az els® sort, mert
akkor ez a lépés kimarad) és az így kapott összegb®l négyzetgyököt vonunk. (Csak a pozitív el®jel¶
gyököt vesszük gyelembe.)  
r11 r12 r13 r14 ...
0 r22 r23 r24 . . .
 
0 0 r33 r34 . . .
.. .. .. .. ...
 
. . . .
Tehát r33 a következ®képpen kapható meg:
q
2 + r2 )
r33 = + a33 − (r13 23

• Egy f®átlótól jobbra lév® elemet úgy számítunk, hogy vesszük R-ben sorra a f®átló feletti és az adott elem
feletti elemek szorzatát (csak az azonos sorban lév®ket szorozzuk össze) és kivonjuk a számítandó elemnek
megfelel® A beli elemb®l ®ket. Végül leosztjuk az aktuális R-beli f®átlóbeli elemmel (az els® sorban csak
a f®tlóbeli elemmel kell leosztani a megfelel® A beli elemet). Például r34 a következ® módon kapható meg:
a34 − r13 · r14 − r23 · r24
r34 =
r33

• Ha tévedtem, akkor majd kiigazít valaki (A szerkesztget®)

AZ RT R CHOLESKY-FELBONTÁS 26

5.12 Segédtétel. Ha az A reguláris mátrixnak (nem feltétlenül szimmetrikus) létezik az LR felbontása, akkor
egyértelm¶en létezik olyan LDS felbontása, ahol D diagonális, L alsó egység-trianguláris és S fels® egység-
trianguláris.
Lényegében arról van szó, hogy az R mátrixot átalakítjuk úgy, hogy a f®átlóbeli elemeket kigyüjtük a D
mátrixba. S -t úgy kapjuk, hogy R-t elosztjuk D-vel. Diagonális mátrixnak egyszer¶en számolható az inverze,
a f®átlóbeli elemek reciproka.
5.13 Segédtétel. Ha az A szimmetrikus mátrixnak létezik LR felbontása, akkor létezik RT R Cholesky-felbontása
is.
Bizonyítás. Mivel A szimmetrikus mátrix ezért A = AT és az elöz® segédtételben leírt felbontás létezik
LDS = A = AT = (LDS)T = S T DLT
√
Az egyértelm¶ség csak akkor lehet igaz, ha az L = S T -vel. Tehát D-t véve (a f®átlóban lév® elemek gyöke)
felírható az √ √ √ √ √ √
A = S T DS = S T D DS = (S T ( D)T )( DS) = ( DS)T ( DS)
√
amelyb®l az R def
= DS denicóval látható az A = RT R Cholesky-felbontás.
Ha a R diagonálisában negatív elemek is el®fordulnak, akkor a D mátrix megfelel® elemei tiszta képzetes
számok lesznek, ekkor a Cholesky felbontás komplex mátrixot eredményez.
5.14 Tétel. Csak szimmetrikus mátrixnak létezik Cholesky felbontása.
Bizonyítás. Mivel ha létezik az A = RT R, akkor
AT = (RT R)T = RT (RT )T = RT R = A

Cholesky-felbontás egyértem¶sége
5.15 Állítás. Ha adott az A = RT R Cholesky felbontás, akkor tetsz®leges olyan diagonális mátrixot véve,
amelyre D2 = I , az A = (RT DT )(DR) is érvényes.
Lenyegében ugyan ezt fogalmazza meg a következ® tétel.
5.16 Tétel. Tetsz®leges A ∈ Rn×n szimmetrikus reguláris mátrix A = RT R felbontása R sorainak el®jelét®l
eltekintve egyértelm¶.
Bizonyítás. Legyen
A = R1T R1 = R2T R2
az A két különböz® felbontása! Mivel a felbontásban szerepl® minden mátrix reguláris:
(R2T )−1 R1T = R2 (R1 )−1

Így a bal oldal alsó a jobb oldal fels® trianguláris, ami csak úgy lehetséges, ha
D = (R2T )−1 R1T = R2 (R1 )−1
| {z } | {z }
B J

Ekkor viszont
B J
z }| { z }| {
D2 = DDT = (R2T )−1 R1T ( R2 (R1 )−1 )T = (R2T )−1 R1T (R1T )−1 R2T = I
| {z }
I
| {z }
I

vagyis djj = ±1. Tehát R2 = DR1 .

AZ RT R CHOLESKY-FELBONTÁS 27

5.17 Tétel. Ha létezik az A valós mátrix A = RT R felbontása, akkor

2 2 2 2
det(Ak k) = det(Ak−1,k−1 )rkk = r11 r22 · · · rnn

Bizonyítás. A (4.4)-es segédtételhez hasonló particionálással4 .

Az eddigi eredményeket foglalja össze a következ® tétel:
5.18 Tétel. Tetsz®leges valós, szimmetrikus, reguláris A mátrixra a következ® két állítás ekvivalens:
(i) Létezik az A = RT R Cholesky-felbontás.
(ii) det(Akk ) 6= 0 bármely 1 ≤ k ≤ n-re.
Bizonyítás. Az el®z® tételek felhasználásával bizonyítható:
(i) ⇒ (ii) Az el®z® segédtétel alapján bizonyítható.
(ii) ⇒ (i) Az 5.13 segédtétel és a 4.3 tétel alapján bizonyítható.

Megjegyzés. Ezt az el®adást dr. Csendes Tibor tartotta 1999.10.14-én. Az el®adás nagy mértékben a könyvre
támaszkodott.

4 a könyvben is csak a korábbi 4.1.4-es segédtételre van hivatkozás

Fejezet 6

6.1 Cholesky-felbontás (eddig tanultak összefoglalása)

6.1 Feladat. A kérdés az, hogy ha egy A mátrixot fel tudunk bontani LR alakra és ha ez az A mátrix
szimetrikus nem tudjuk-e egyszer¶síteni a felbontást két "azonos" mátrix szorzatára? Erre a kérdésre a
Cholesky-felbontás a válasz.
Cholesky felbontás arról szól, hogy az A mátrix RT R alakban felbontható-e (azaz két azonos mátrix szorza-
tára), és szimmetrikus mátrixok esetében nem tudnánk-e ezt az egész felbontást egyszer¶síteni
1. Ha A reguláris mátrix és ennek az A-nak létezik (és ezt tudjuk, hogy létezik) egy LR felbontása, akkor
létezik az A-nak egy olyan felbontása amit úgy tudunk felírni, hogy LDS . Ahol D digaonális L alsó S
fels® egység trianguláris mátrix tehát az R-ben lév® diagonális elemeket egy D mátrixba rakjuk be.
2. A legyen szimmetrikus, tehát AT = A-val, és reguláris mátrix. A-nak ekkor létezik A = LR felbontása,
azonban ekkor A-nak létezik
√ Cholesky-féle felbontása √
is azaz A el®áll RT R el®állításával. A bizonyításban
az az érdekes, hogy R DS formában áll el®, ahol a D a diagoniálisokból vont négyzetgyök.
3. Csak szimmetrikus mátrixoknak létezik Cholesky-féle felbontása. Ez azért van mert, ha A-t feltudom
bontani A = RT R alakban és megnézem, hogy igazából mivel egyenl® AT , akkor azt kapom, hogy A-val
egyenl®.
AT = (RT R)T = RT (RT )T = RT R = A
Így csak szimmetrikus mátrixok esetén van annak értelme, hogy Cholesky féle felbontásról beszéljünk.
4. Legyen a D egy olyan mátrix, amelyre D2 = I . Ilyen D több létezik hiszen, ha csak egyesek vannak
a f®átlóban és az egyesek el®jelét változtatgatva D-t önmagával megszorozva mindig egység mátrixot
kapunk. Tehát D2 = I -nek több megoldása van. Ekkor A = RT R = RT IR = RT D2 R = (RT DT )(DR).
Mivel D-nek ±1 lehet az el®jele látszik, hogy ez a felbontás nem lehet egyértelm¶, mégpedig az történik,
hogy ahol + és - van ott a megfelel® sorok megváltoztatják az el®jelüket. Tehát az lehet kimondani, hogy
a Cholesky felbontás R sorainak el®jelét®l eltekintve egyértelm¶.
5. R sorainak el®jelét®l függetlenül meghatározható
6. Ha az A mátrixnak létezik Cholesky féle felbontása, akkor az Akk aldetermináns úgy határozható meg,
hogy veszem az aldetermináns Ak−1,k−1 -et és megszorzom rkk 2
-el, ebb® a rekurzív denícóból az is
következik, hogy det(Akk ) úgy határozható meg, hogy veszem az r-ek produktumát.
k
Y
2 2
det(Akk ) = det(Ak−1,k−1 )rkk = rii
i=1

7. Az A = RT R Cholesky felbontás, akkor és csak akkor létezik, ha det(Akk ) 6= 0. Ha az RT R felbontás

létezik, akkor a 6-ik megfontolás alapján azt modhatjuk, hogy det(Akk ) nem 0, mivel ez nem más, mint
négyzetszámok szorzata. A másik irány az LR-ra vontatkozó tétel1 valamint a "Ha A szimmetrikus
1 A reguláris mátrixra a következ® két állítás ekvivalens:
(i) egyértelm¶en létezik az A = LR felbontás
(ii) det(Akk ) 6= 0 minden 1 ≤ k ≤ n-re.

28
CHOLESKY-FELBONTÁS FOLYTATÁSA 29

mátrixnak létezik LR-felbontása, akkor létezik Cholesky-felbontása is." segédtétel alapján, tehát a 2-ik
megfontolás alapján mondhatjuk azt, hogy det(Akk ) 6= 0 következik a az A = RT R Cholesky felbontás
létezése.

6.2 Cholesky-felbontás folytatása

6.2 Következmény. (4.2.6) Ha A diagonális domináns és szimmetrikus (a digagonális domináns mátrixok-
ról elmondhatjuk, hogy nem elfajulóak, 2.7. tétel), akkor A-nak létezik Cholesky felbontása (az elöz® tételb®l
következ®en).
A 2-es megfontolás esetén azt mondtuk, hogy ha AT = A-val, A-nak létezik LR felbontása, akkor A√-nak
létezik Cholesky felbontása és az R-et konstruktív módon állítottuk el®, méghozzá azt mondtuk, hogy ez DS
lesz. Ez a D nem más, mint az R-nek a f®átlójában lév® elemei. Ez nem biztos, hogy pozitív el®jel¶, ha nem
pozitív el®jelü, akkor negatív számból kell gyököt vonni, ami azt jelenti, hogy képzetes számok is el®jönnek a
Cholesky féle felbontásnál. Tehát ha az A-ról csak azt tudom, hogy ® szimmetrikus és létezik az LR felbontása,
ez még nem garantálja azt, hogy valós aritmetikával meg tudom oldani. A következ® tétel erre vonatkozik.
6.3 Tétel. (4.2.8) Ha az A-nak létezik A = RT R Cholesky-féle felbontása, akkor R bármely sora vagy valós
vagy tiszta képzetes elemekb®l áll.
√
A D-vel való szorzás azt jelenti, hogy a f®átló elemei vagy képzetes vagy valós számok (attól függ®en,
hogy a f®átlóban pozitív vagy negatív elem volt) és ez azt jelenti, hogy ha megszorzom a mátrixot, akkor a
képzetesek éppen a sorokra terjednek ki és a megfelel® oszlopokra.
Bizonyítás. Tehát A-t A = RT R módon tudom felírni. Az RT R felbontás egy tesz®leges ajk elemre nézve a
következ®t jelenti:
j
(6.1)
X
ajk = rlj rlk
l=1

Ez jelenti azt, hogy a transzponáltal szorzom meg az R mátrixot. Ha k = j -vel:

ajj = r1j r1j + r2j r2j + · · · + rj−1,j−1 rj−1,j−1 +rjj rjj
| {z }
Pj−1 2
l=1 rlj

j−1
X
2 2
(a) rjj = ajj − rlj
l=1

Ha k 6= j -vel:
j−1
X
(b) rjj rjk = ajk − rlj rlk
l=1

rjj vagy valós vagy tiszta képzetes lesz a szerint, hogy az (a) képlet jobb oldalán pozitív vagy negatív számjön
ki. Ezután vizsgáljuk a (b) képletet, itt
Kell-e komplex aritmetikát használni? Az állításunk az, hogy nem szükséges, mert az A = RT R helyett az
A = S T D2 S -t fogjuk használni, ahol a D2 az valós szám lesz és a D nem más, mint az R-eknek a diagonálisában
lév® elemei.
A kérdés továbbiakban az, ha már van ilyen felbontásunk, akkor mit tudunk mondani az egyértelm¶ségr®l?
Mikor tudnák biztosítani a Cholesky féle felbontás egyértelm¶ségét? Arra már választ kaptunk, hogy a felbontás
el®jelt®l függ®. Ezért, hogy az egyértelm¶séget biztosítsuk, be kell vezetni a kanonikus felbontásnak a fogalmát.
6.4 Deníció. Ha A egy n × n-es szimmetrikus mátrix, az A = RT R Cholesky féle felbontást, akkor nevezzük
kanonikusnak, ha R valós mátrix, továbbá a f®átl®jában lév® elemek mind pozitívak.
CHOLESKY-FELBONTÁS FOLYTATÁSA 30

A következ® tétel a kanonikus felbontás egzisztenciájára és unicitására ad feltételt.

6.5 Tétel. Ha A szimmetrikus valós mátrix, akkor a következ® két állítás ekvivalens:
(i) egyérelm¶en létezik a Cholesky féle kanonikus felbontás
(ii) az aldeterminánsok mind pozitívak (det(Akk ) > 0 bármely 1 ≤ k ≤ n-re).
Bizonyítás. (i) ⇒ (ii) Mivel a det(Ann )-r®l tudjuk, hogy az nagyobb, mint nulla, mivel r2 -ek szorzata. Innen
következik, hogy det(Akk ) > 0, tehát nem fajul el. Gyakorlatilag az egyik lépést elintéztük, a másik lépés az
sokkal érdekesebb. Ha det(Akk ) > 0,akkor miért mondhatjuk azt, hogy az A = RT R kanonikus felbontás létezik
és egyértelm¶?
(ii) ⇒ (i)A bizonyítást teljes indukcióval fogjuk végezni. Felvesszük az A mátrixot és felbontjuk A = RT R
szorzatra a következ® módon:
T
     
An−1,n−1 b Rn−1,n−1 0 Rn−1,n−1 r
A= = ·
bT ann rT rnn 0T rnn

Ahonnan a megfelel® elemekre a következ®k teljesülnek:

An−1,n−1 T
= Rn−1,n−1 Rn−1,n−1 (6.2)
b = T
Rn−1,n−1 r (6.3)
bT
= T
r Rn−1,n−1 (az elöz® transzponáltja) (6.4)
ann = rT r + rnn
2
(6.5)
Az indukciós feltevés miatt egyértelm¶en létezik a (6.1)-et kielégít® valós reguláris Rn−1,n−1 mátrix. Ekkor
viszont a (6.2) lineáris egyenletrendszert az r ismeretlenre megoldva már egyértelm¶en adódik a valós r vektor is,
ami kielégíti a (6.3)-at is. Meg kellene oldani az r-re és meg kellene nézni, hogy az r vektor milyen is.pMert annak
kellene teljesülnie, hogy ez egy valós szám. (6.4)-b®l rnn -t kifejezve a következ®t kapjuk rnn = + ann − rT r.
Be kell látnunk, hogy rnn valós és nagyobb egyenl® min 0. Az A determinánsról tudjuk, hogy határozottan
nagyobb, mint 0 és a determinánsok szorzástételét kihasználva:
T
0 < det(A) = det(Rn−1,n−1 )rnn det(Rn−1,n−1 )rnn = det(Rn−1,n−1 )2 rnn
2

Mivel mátrix és transzponáltjának determinánsa ugyan az. A kifejezésb®l látszik, hogy nem lehetséges, hogy
rnn kisebb legyen, mint 0.
Ezzel azt láttuk, hogy a kanonikus felbontás segít nekünk abban, hogy az egyértelm¶séget biztosíthassuk.
A következ®kben általánosabb dolgokkal foglalkozunk. Megvizsgáljuk a Cholesky féle felbontás denitséggel
szemidenitséggel való kapcsolatát.
6.6 Segédtétel. Tekintsünk egy S valós n × m-es mátrixot (1 ≤ m ≤ n) és ez a mátrix legyen oszlopreguláris
(tehát lineáris kombinációkkal az egyik oszlop nem fejezhet® ki a többiek segítségével) ezután képezzük A = S T S
mátrixot, ez már m × m-es mátrix lesz, ez a mátrix pozitív denit.
Bizonyítás. Az els® megfontolás az, hogy az így kapott A mátrix az szimmetrikus Ez elég egyszer¶ mert csak
azt kell megnézni, hogy AT = A?
AT = (S T S)T = S T (S T )T = S T S = A

Az mondható, hogy az S T S az mindig szimmetrikus. A pozitív denitséghez azt kell megnézni, hogy az xT Ax
nagyobb-e, mint 0?
xT Ax = xT (S T S)x = (xT S T )(Sx) = (Sx)T (Sx) = y T y = kyk22 ≥ 0

Egy vektort kaptunk (y), azért mert egy mátrixot szorzotunk vektrorral. Ahhoz, hogy belátsuk a pozitív
denitséget be kell látni, hogy y = 0 csak akkor lehetséges, ha x = 0. Az y vektor nem más, mint az Sx. Az
Sx-r®l azt mondtuk, hogy oszlopreguláris, azaz ez egy olyan egyenletrendszer amelyiknek van megoldása. Mivel
az egy nem elfajuló mátrix az ilyennek a 0 megoldása csak akkor léphet fel, ha a másik oldal 0. Ezzel be is
fejeztük a bizonyítást mert itt használtuk ki az oszlopregularitásnak a lényegét.
QR ORTOGONÁLIS-TRIANGULÁRIS FELBONTÁS 31

6.7 Következmény. Ha az A = RT R valós Cholesky felbontás létezik, akkor A pozitív szemidenit.

6.8 Tétel. Tetsz®leges A szimmetrikus mátrixra a következ® állítások ekvivalensek:
(i) A pozitív denit
(ii) Akk pozitív denit
(iii) det(Akk ) ≥ 0
(iv) (a Cholesky-felbontás egyértelm¶sége) az A = RT R kanonikus és egyértelm¶
(v) A = S T S , ahol S reguláris mátrix
Bizonyítás.
(i)⇒(ii) A-ról azt mondjuk, hogy pozitív denit, ekkor xT Ax > 0-nak kell teljesülnie. Ha most tekintünk egy
z vektort és a z T Akk z -t, ekkor z T Akk z = y T Ay > 0, az a kérdés, hogy hogyan válaszuk meg ezt az y -t?

zi ha i ≤ k
(
yi =
0 ha i > k
(ii)⇒(iii) Akk -ról tudjuk, hogy pozitív denit minden k-ra, akkor be kell látni, hogy det(Akk ) > 0.
Ha Ak k pozitív denit, akkor azt mondhatjuk az ® sajátérékeir®l, hogy mind pozitív. A determinánsát
pedig úgy lehet kiszámítani sajátértékei segítségével, hogy vesszük a sajátértékek szorzatát. Ebb®l következ®en
A determinánsának nagyobbnak kell lennie, mint 0.
k
Y
det(Akk ) = λj (Akk ) > 0
j=1

(iii)⇒(iv) Ha det(Akk ) > 0, akkor egyértelm¶en létezik az A = RT R kanonikus felbontás. Ezt viszont már
bizonyítottuk a 6.5. tételben. (iv)⇒(v) választható például S = R
(v)⇒(i) 6.6 segédtétel következménye, ugyanis ha S reguláris, akkor oszlopreguláris is.

6.3 QR ortogonális-trianguláris felbontás

Az R szokás szerint fels®trianguláris mátrix aminek a f®átlója alatt 0-k szerepelnek. Q egy ortogonális mátrix,
transzponáltja éppen az inverzet adja (QT = Q−1 ).
A különböz® felbontások összefügnek azzal, hogy a különböz® lineáris egyenletrendszerek hogyan oldhatók
meg. Ha a mátrixban egy kis értéket megváltoztatunk, akkor a megoldások hogyan viselkednek? Szemléletesen
a lineáris egyenletrendszerek megoldása nem más, mint egyenesek metszéspontjának a megkeresése. Ha az
egyenesek közel párhuzamosak és egy kicsit megmozgatjuk ®ket, akkor a megoldásokban nagyon nagy változások
lehetnek. A mátrixokat jó lenne jellemezni, hogy mennyire stabilak a felbontásokra, az egyenletrendszerek
megoldására vonatkozólag. Ha ortogonális triangulizációt végzünk el, akkor a stabilitás nagyon nagy fokú
szemben a másik esetekkel.
6.9 Deníció. Az A = QR felbontásokat nevezzük ortogonális-trianguláris felbontásoknak.
Az egzisztencia nagyon könnyen bizonyítható.
6.10 Tétel (Egzisztencia-tétel). Ha A reguláris, akkor létezik a QR-felbontás.
Bizonyítás. Vegyünk egy A reguláris mátrixot és deniáljuk a B mátrixot B def
= AT A. AT A szimmetrikus és
pozitív denit, tehát B -nek létezik Cholesky-felbonátsa azaz B = R R. Legyen Q = AR−1 . Az a kérdés,
T

hogy Q ortogonális-e? Q ortogonalitásához azt kell igazolni, hogy Q−1 = QT azaz QT Q = I . Tehát ki kell
számítanunk QT Q-t.
QT Q = (AR−1 )T (AR−1 ) = (R−1 )T |A{z
T
A} R−1 =
B
= (R−1 )T BR−1 = (R−1 )T (RT R)R−1 =
= ((R−1 )T RT )(RR−1 ) = II = I
QR FELBONTÁS KISZÁMÍTÁSA 32

A bizonyítás konstruktív, hiszen megadja hogyan kell ezt a felbontás elkészíteni. Vesszük az A mátrixot,
megszorozzuk a transzponáltjával és erre csinálunk egy Cholesky felbontást. A felbontás alapján R-nek képezzük
az inverzét amivel A megszorzozzuk és "máris" megkapjuk Q-t. Ez azonban eszméletlen sok m¶veletet igényelne
tehát keresni kell egy másik fajta megoldást. El®bb azonban bebizonyítjuk, hogy egyértelm¶ a felbontás.
6.11 Tétel (Unicitás). Tetsz®leges A reguláris mátrix QR felbontása Q oszlopainak és R sorainak el®jelét®l
eltekintve egyértelm¶en meghatározható.
Bizonyítás. Indirekt módon bizonyítjuk. Tegyük fel, hogy
A = Q1 R1 = Q2 R2
Q−1
2 Q1 = R2 R1−1
QT2 Q1 = R2 R1−1
a bal oldal ortogonális a jobb oldal fels® trianguláris, ez csak úgy lehetséges, ha V diagonális
V = QT2 Q1 = R2 R1−1
Vizsgáljuk V 2 -et:
V 2 = V V T = (QT2 Q1 )(QT2 Q1 )T = QT2 Q1 QT1 Q2 = QT2 Q2 = I
| {z } | {z }
I I
hiszen az ortogonális mátrix transzponáltja megegyezik az inverzével. Tehát vjj = ±1 és Q2 = Q1 V , R2 =
V R1 .

6.4 QR felbontás kiszámítása

Az utosó téma, amivel foglalkozunk az el®adás alatt, hogy hogyan lehet más módon megcsinálni a felbontást,
mint a bizonyításban. Ez a módszer a

6.4.1 Gram-Schmidt-féle ortogonalizáció

Legyen A egy reguláris mátrix. Jelöljük A oszlopvektorait a1 , . . . , an -el. Mivel ortogonális trianguláris felbontást
akarunk végezni, ezét egy QR felbontást kell kapnunk, ahol Q oszlopait jelöljük (q1 , . . . , qn )-el, R pedig fels®
trianguláris azaz:
 
r11 r12 ... r1n

0 ... 
r22 r2n 
 .
... 
(a1 , a2 , . . . , an ) = (q 1 , q 2 , . . . , q n ) 
 .. ... ...


0 ... 0 rnn
Tehát A mátrix megfelel® elemeit úgy kapjuk, hogy Q-val megszorozzuk ezt az R mátrixot. Írjuk fel ezeket az
egyenleteket a szorzás szabályai alapján.

a1 = r11 q 1
a2 = r12 q 1 + r22 q 2
..
.
ak = r1k q 1 + r2k q 2 + · · · + rkk q k
..
.
an = r1n q 1 + r2n q 2 + · · · + rkn q k + · · · + rnn q n

Ezekben az egyenletekben az r-ek és a q-k az ismeretlenek q vektorokról viszont tudjuk, hogy ortogonálisak.
QR-FELBONTÁS ALKALMAZÁSAI 33

Az 1. és a 2. egyenlet megoldása
Nézzük meg mivel egyenl® az aT1 a1 .Az els® egyenlet alapján:
2 T
aT1 a1 = r11 q1 q1

mivel Q ortogonális ezért qT1 q1 = 1, tehát ha azt ortonormáltságot is hozzávesszük: aT1 a1 = r11 2
. Innen
r11 = + a1 a1 . a1 a1 mindig pozitív, mert a komponensek négyzetösszegével egyenl®. Ekkor q 1 kifejezhet® az
p
T T

egyenletb®l:
1
q1 = a
r11 1
Tehát eddig megvan r11 és q1 , a kérdés az, hogy hogyan tudunk továbbhaladni?
A második egyenletben nem ismerjük r12 -t, r22 -t és q2 -t. De ha az egyenletet beszorozzuk qT1 -al, akkor mivel
q T1 q 2 = 0 az ortonormáltság miatt q T1 q 1 = 1 szintén az ortonormáltság miatt, ezért az egyenlet a következ®kép-
pen alakul:
q T1 a2 = r12 ,

azaz r12 meghatározható. q2 meghatározásához el®ször határozzuk meg a b2 def

= a2 − r12 q 1 vektort. Ekkor
q
b2 = r22 q 2 , ebb®l az els® egyenletnél látottakhoz hasonlóan adódik, hogy bT2 b2 = r22
2
, így r22 = + bT2 b2 és
q 2 = r122 b2 .

A k. egyenlet megoldása
Feltéve, hogy az el®z® egyenletek meg lettek oldva, azaz 1 ≤ i ≤ j < k-ra qj -t illetve rij -t már kiszámoltuk.
Ekkor i = 1, 2, . . . , k − 1-re az egyenletet balról qTi -al szorozva az összes q elt¶nik, kivéve az rik -val való szorzást,
tehát innen az rik meghatározható Azaz
rik = q Ti ak i = 1, 2, . . . , k − 1
qk meghatározásához képezek egy bk vektort:
bk = ak − (r1k q 1 + r2k q 2 + · · · + rk−1,k q k−1 )
Felhasználva a bk = rkk qk összefüggést a k-dik egyenlet alapján könnyen igazolható. De ekkor az els®
q
egyenlethez hasonlóan bTk bk = rkk
2
. Így rkk = bTk bk és qk = rkk
1
bk .
Ezzel az eljárással meghatározható a QR felbontás. A m¶veletigény n db gyökvonás és O(n3 ) aritmetikai
m¶velet.

6.5 QR-felbontás alkalmazásai

Vajon hogyan tudunk QR felbontás segítségével lineáris egyenleteket megoldani? Egy lineáris egyenletrendszert
akarunk megoldani, azaz egy Ax = a egyenletrendszert. Tudjuk, hogy A-t felbonthatjuk QR alakra azaz
(QR)x = a. Az asszociativitás miatt vehetjük a Q(Rx) = a egyenletet. Jelöljük Rx-et y -al, ekkor a
Qy = a
Rx = y
egyenletekhez jutottunk. Mivel QT = Q−1 ezért az y meghatározható y = QT a egyenlet alapján. Ezek után
Rx = y egyenletrendszer visszahelyettesítéssel megoldható.
Ha az A mátrix inverzeit akarjuk meghatározni, akkor az A−1 = R−1 QT képlet alapján csak egy felülr®l
trianguláris mátrix inverzét kell meghatározni, azonban ez nem ad jelent®s m¶veletcsökkentést a standard
algoritmushoz képest.
Másik jelent®s felhasználás a sajátérték illetve sajátvektor számításnál van.
Megjegyzés. Ezt az el®adást dr. Dombi József tartotta 1999.10.21-én. Az el®adás nagy mértékben a könyvre
támaszkodott.
Fejezet 7
Sajátértékszámítás
Adott A ∈ Cn×n mátrix. Meghatározandó az összes olyan λ ∈ C, amelyekhez van olyan x 6= 0, x ∈ Cn , hogy
Ax = λx (7.1)
7.1 Deníció. Az ilyen λ számokat A sajátértékeinek nevezzük; a λ-hoz tartozó x-eket a λ-hoz tartozó
sajátvektoroknak nevezzük.

Ax − λx = 0 (7.2)
(A − λI)x = 0 (7.3)
(A−λI)x = 0 homogén lineáris egyenletrendszer x-re nézve ⇔ van (nem triviális) megoldása ha det(A−λI) = 0.
Ebb®l következik, hogy λ akkor és csak akkor sajátérték, ha det(A − λI) = 0 (A − λI olyan diagonális mátrix
melynek a f®átlójában a diagonális elemekb®l kivonjuk λ-t).
7.2 Deníció. def
PA (λ) = det(A − λI) az A mátrix karakterisztikus polinomja (n-ed fokú komplex együt-
thatós polinom).
A sajátértékei a PA (λ) = 0 egyenletnek a megoldásai lesznek.
7.3 Példa. A = ( 10 11 ) (A − λI) = ( 1−λ 1 2 2
0 1−λ ) PA (λ) = (1 − λ) = λ − 2λ + 1

 
a11 − λ a12 ... a1n
... ..
.
 
 a21 a22 − λ  = (−1)n λn + . . . (7.4)

det(A − λI) =  .
det 
 .. ... ... 
an−1,n 
an1 ... an,n−1 ann − λ

PA (λ) = (−1)n (λn − α1 λn−1 − α2 λn−2 − · · · − αn−1 λ − αn ) (7.5)

A karakterisztikus polinom gyöktényez®s alakja a következ®képpen néz ki:

PA (λ) = (−1)n (λ − λ1 )(λ − λ2 ) · · · (λ − λn ) (7.6)

PA (0) = (−1)2n λ1 λ2 · · · λn = det(A) (7.7)
β0 λn + β1 λn−1 + · · · + βn
β0 (λ − λ1 )(λ − λ2 ) · · · (λ − λn )
β0 λn + · · · + β0 (−1)n λ1 λn
| {z }
βn

34
 35

7.4 Állítás. Tetsz®leges A mátrixra

n n
(i)
P P
aii = α1 = λj
i=1 j=1

(ii) (−1)n+1 αn = det(A) =

Qn
j=1 λj
Bizonyítás.
(i) λn−1 együtthatjójának (7.5) (7.4) és (7.6)-beli kifejtéséb®l adódik:
n
X n
X
(−1)n (−α1 ) = (−1)n+1 aii = (−1)n (−1) λj
i=1 j=1

Ezt még szorozzuk (−1)n+1 -el és kész is vagyunk.

(ii) (7.5) (7.4) és (7.6)-ben λ = 0-t helyettesítve: PA (0) = det(A − 0I) = det(A) = (−1)n λ1 λ2 · · · λn
7.5 Deníció. Mátrix nyomán a f®átlójában lév® elemek összegét értjük, jele:tr (trace) tr(A) = Pnj=1 ajj
Egy mátrix akkor és csak akkor szinguláris, ha a sajátértéke 0.
A PA (λ) = 0 egyenletre egzakt megoldást nem tudunk adni. Viszont ha egy mátrix trianguláris, akkor a
f®átlóbeli elemei a sajátértékei. Homogén lineáris egyenletrendszerek megoldásai alteret alkotnak, ha van egy
nemtriviális megoldásuk, akkor végtelen sok van.
A sajátérték multiplicitása:
algebrailag: a karakterisztikus polinom hányszoros gyöke;
geometriailag: a hozzá tartozó saját altér hány dimenziós.
Szimmetrikus valós mátrixoknak valós sajátértékei vannak.
7.6 Deníció. Tetsz®leges T reguláris mátrix esetén az A 7→ T −1 AT transzformációt hasonlósági transz-
formációnak nevezzük (lehet A 7→ T AT −1 is).
7.7 Állítás. A A 7→ T −1 AT hasonlósági transzformáció meg®rzi a sajátértékeket.
Bizonyítás. Legyen B = T −1 AT
PA (λ) = det(A − λI)
I
z }| {
PB (λ) = det(B − λI) = det(T −1 AT − λ T −1 T )
= det(T −1 (A − λI)T )
= det(T −1 ) det(A − λI) det(T )
| {z }
PA (λ)
−1
= det(T ) det(T ) PA (λ)
| {z }
I
= PA (λ)

7.8 Deníció. Két mátrix hasonló, ha az egyik hasonlósági transzformációval átvihet® a másikba. Minden
mátrix hasonló önmagával.
Ha két mátrix hasonló, akkor sajátértékeik ugyan azok s a karakterisztikus polinomjaik is, de a fordítottja
nem igaz.
7.9 Példa. A = ( 10 11 ) B = ( 10 01 ) Mindkett®nek a sajátértéke 1 dupla multiplicitással (n=2) mégsem hasonlók.
7.10 Deníció. A diagonizálható, ha hasonló egy diagonális mátrixhoz.
7.11 Deníció. A triangulizálható, ha hasonló egy trianguláris mátrixhoz.
 36

7.12 Állítás.
(i) Nem minden mátrixot lehet diagonizálni. Pl.: ( 10 11 )
(ii) A pontosan akkor diagonizálható, ha van n db lineárisan független sajátvektora (nem elfajuló)
Bizonyítás. Ha az A sajátértékei λ1 , λ2 , . . . , λn , és egy-egy sajátvektora x1 , x2 , . . . , xn ekkor:
Ax1 = λ1 x1 , Ax2 = λ2 x2 , . . . , Axn = λn xn
| {z }
AX=XD

ahol  
λ1
 λ2 
X = (x1 , x2 , . . . xn ) D =  ...
 

 
λn
AX = XD ⇔ X −1 AX = D

Ha minden sajátértéke A-nak különböz®, akkor diagonizálható, akkor van n db. lineárisan független
sajátvektora.
7.13 Állítás. A különböz® sajátértékeihez lineárisan független sajátvektorok tartoznak.
Bizonyítás. Indukcióval bizonyítjuk. Ha k = 1, akkor az állítás triviális. Tegyük fel, hogy k-ra igaz az állítás
vizsgáluk k + 1-re:
λ1 , λ 2 , . . . , λ n
x1 , x2 , . . . , xn

Lineárisan függetlenek lesznek-e? (Lineárisan független, ha csak a triviális lineáris kombinációval állítható el®
a 0 vektor.)
A/ α1 x1 + α2 x2 + · · · + αk xk + αk+1 xk+1 = 0
α1 Ax1 + α2 Ax2 + · · · + αk Axk + αk+1 Axk+1 = 0
α1 λ1 x1 + α2 λ2 x2 + · · · + αk λk xk + αk+1 λk+1 xk+1 = 0 (7.8)
Tekintsük a következ® egyenletet:
α1 λk+1 x1 + α2 λk+1 x2 + · · · + αk λk+1 xk + αk+1 λk+1 xk+1 = 0 (7.9)
Vonjuk ki a (7.7)-b®l (7.8)-at.
α1 (λ1 − λk+1 )x1 + α2 (λ2 − λk+1 )x2 + · · · + αk (λk − λk+1 )xk = 0 (7.10)
Így már csak az els® k vektor szerepel az egyenletben. Mivel a sajátértékekr®l feltettük, hogy különböz®ek ezért
λi − λk+1 nem adhatják ki a 0-t. Tehát a jobb oldal csak akkor lehet 0, ha α1 = α2 = · · · = αk = 0.
7.14 Állítás.
(iii) Ha A minden sajátértéke különböz®, akkor diagoniziálható.
7.15 Állítás. Tetsz®leges A mátrix triangulizálható.
7.16 Deníció. Tetsz®leges A mátrixra a C = AH konjugált transzponált mátrix elemeire cik = āki
7.17 Deníció. Az U mátrix unitér mátrix, ha U H U = I .
Fejezet 8

8.1 Mátrixok speciális alakra transzformálása

A következ® tételben azt fogjuk igazolni, hogy tetsz®leges A mátrix hasonlósági transzformációval fels® trian-
guláris alakra hozható (trangulizálható). Azaz ennél többet bizonyítunk mégpedig azt, hogy tetsz®leges unitér
transzformációval triangulizálható A (az unitér hasonlósági transzformáció stabilabb, a kerekítési hibák jobban
alakulnak).
8.1 Tétel (Schur-féle normálforma). Tetsz®leges A ∈ Cn×n -hez van olyan U ∈ Cn×n unitér és R ∈ Cn×n
fels®trinaguláris mátrix, hogy U H AU = R
Bizonyítás. A rendje szerinti teljes indukcióval bizonyítjuk. A rendet n-el szoktuk jelölni.
(i) n = 1 ebben az esetben triviálisan 1A1 = R, ahol A és R 1 × 1-es mátrix (azon azonban el lehetne
gondolkodni, hogy miben különbözik egy 1 × 1-es mátrix és egy komplex szám).
(ii) tegyük fel, hogy az állítás minden n−1-ed rend¶ mátrixra igaz. Legyen A tesz®leges n-ed rend¶ mátrix. A
feladat az, hogy visszavezessük az elöz®re. Nyilván valamilyen partícionálással lehet visszavezetni. Legyen
λ1 A-nak valamelyik sajátértéke, x1 olyan sajátvektor, 1
p amelyre ||x1 ||2 = 1 (komplex vektor esetén a kettes
nomrát a következ®képpen értelmezzük: ||x1 ||2 = x1 x1 ahol x1 konjugált transzponáltat jelent).
H H

Ekkor a következ®ket mondhatjuk, van a Cn n dimenziós komplex vektortér. Ha vesszük az el®bbi x1 -

et, akkor ki lehet egészíteni bázissá, s®t többet is lehet mondani: ki lehet egészíteni ortogonális bázissá
(páronként mer®legesek a vektorok). Valós vektortérben ezt már tudjuk, hiszen ha veszünk egy nem 0
vektort, akkor azt másik n − 1 darabbal alkalmas módon ki lehet egészíteni n elem¶ vektorrendszerré, ami
bázisa Rn -nek, a helyzet ugyan ez Cn -re is. Tehát vesszük az x1 -et, ekkor ehhez lehet mondani további
n − 1 darab vektort, hogy kapjak egy n elem¶ vektorrendszert, ami ortogonális vektorokból áll és bázisa
a Cn térnek.
Van olyan x1 , . . . , xn , hogy Cn ortonormált bázisa (lineárisan függetlenek és páronként mer®legesek),
ekkor a következ® teljesül xH i xj = δij (tehát a skalárszorzat 0 ha i 6= j és 1 ha i = j ).
Konstruáljuk meg Q(x1 , . . . , xn ) mátrixot, ahol x1 , . . . , xn oszlopvektorok. Mit jelent az, hogy ennek a
mátrixnak az oszlopvektorai ortonormált rendszert alkotnak? Ez pontosan azt jelenti, hogy QH Q = I .
Ez viszont megegyezik azzal, hogy a Q mátrix unitér.
Visszakanyarodva a bizonyításhoz, azt modhatjuk, hogy ha vesszük egy tetsz®leges sajátértékét A-nak,
megy egy hozzá tartozó normált x1 sajátvektort, akkor ehhez lehet mondani n − 1 olyan további vektort,
hogy ha ezeket összerakjuk, akkor kapunk egy unitér mátrixot. Mire jó ez?
Számítsuk ki a QH AQ-t, pontosabban ennek az els® oszlopvektorát:
QH A Qe1 = QH Ax1 = QH λ1 x1 = λ1 QH x1 = λ1 e1
|{z} | {z }
x1 e1
1ilyet lehet választani hiszen ha van egy sajátvektorunk akkor azt tetsz®leges nullától különböz® értékkel beszorozva újra
sajátvektort kapunk. Ha ez az eredetileg vett sajátvektorra nem teljesült, akkor az ® hosszának a reciprokával kell beszorozni (ami
valós konstans), hogy olyan sajátvektort kapjunk, hogy ez teljesüljön. x̃1 := ||x1|| x1 (x1 irányába mutató egységnyi hosszúságú
vektor)
1 2

37
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 38

Tehát azt kapjuk, hogy a mátrix els® oszlopában legfelül λ1 van alatta pedig csupa 0, tehát megadható
ilyen alakban:
bT
 
λ1
QH AQ =  B ∈ C(n−1)×(n−1)
 

 0 B 

és erre a B -re már tudjuk alkalmazni az indukciós feltevést.

Az indukciós feltevésb®l következ®en, van olyan S ∈ C(n−1)×(n−1) unitér mátrix és V ∈ C(n−1)×(n−1)
fels® trianguláris mátrix, hogy igaz S H BS = V . Hogyan lehetne ezzel befejezni a bizonyítást? B -re már
tudjuk, hogy igaz, de n dimenzós mátrixokkal kellene dolgozni, ekkor ezeket "felfújjuk" csinálunk bel®le
n dimenziósakat. S helyett és V helyett tekintjük

0T 0T
   
1 1
   
W =  P = 
 0 S   0 V 

P is fels®tianguláris és W is unitér lesz. Eddig volt egy hasonlósági transzformációnk Q-val, amivel idáig
eljutottunk, alkamazunk még egy hasonlósági transzformációt a W unitér mátrixszal:
0T bT 0T
   
1 λ1 1
W H QH AQW = 
   
H
  
 0 S  0 B  0 S 

Ha most a particionált szorzást elvégezzük akkor az eredmény csak hasonló lehet:

 
λ1 ...
 
 
 0 S H BS 

ez már Schur normálalak.

Megjegyzés. Ez nem konstruktív bizonyítás, mivel abból indulunk ki, hogy ismerünk egy sajátértéket. Rangszám
csökkentésre alkalmazható ha ismerjük λ1 -et.
A másik bizonyítás azt mondja ki, hogy elemi hasonlósági transzformációkkal triangulizálható egy mátrix.
8.2 Deníció. T −1 AT elemi hasonlósági transzformáció, ha T egy elemi permutációs mátrix (T = Pij )
vagy eliminációs mátrix ( Gj amit egy egységmátrixból úgy kapunk, hogy a j -ik oszlopába eliminációs konstan-
sokat írunk).
8.3 Tétel. Tetsz®leges A ∈ Cn×n elemi hasonlósági transzformációval triangulizálható
Tehát lehet mondani véges sok permutációs vagy eliminációs mátrixokat, hogy ezekkel egymás után hason-
lósági transzformációkat csinálunk és a végén fels®rianguláris mátrixot kapunk. Persze az is igaz, hogy amit a
végén kapunk fels® trianguláris mátrixot ahhoz A hasonló, tehát a f®átlójában sajátértékek lesznek.
Bizonyítás. Megint a mátrix rendje szerinti indukcióval bizonyítunk.
(i) ha n=1 akkor triviálisan igaz
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 39

(ii) tegyük fel, hogy az állítás igaz tetsz®leges n − 1-ed rend¶ mátrixra. Legyen A tetsz®leges n-ed rend¶
mátrix, λ1 a sajátértéke és x1 olyan hozzátartozó sajátvektor, hogy max |xi | = |xm |.† Az ötlet az, hogy
1≤i≤n
a sajátvektor komponenseit rendezük át és küszöböljük ki ahelyett, hogy A-t transzformálnánk. Ha az
m-dik komponens maximális abszolút érték¶, akkor P1m x1 esetén egy olyan vektort kapunk amiben fel
van cserélve az els® és az m-ik komponens, vagyis a maximális abszolútérték¶ komponens felkerül az els®
helyére. Most küszöböljük ki a másodiktól az összes komponenst egy eliminációs mátrixszal.
 
1
0
G1 P1m x1 = e1 =  . 
 .. 
 
| {z }
w1
0
Mit kell ebbe a G1 -be írni? A bal fels® sarkába 1-et alá pedig a w1 -ben lév® komponensek −1 szereseit,
mert így lesznek a szorzatban 0-k.Egy Gi eliminációs mátrix inverze úgyan úgy néz ki, mint önmaga csak
az i-dik oszlopban az elemek el®jelét kell ez ellentetjére változtatni.
Nézzük meg, mi történik, ha ezekkel a mátrixokkal A-n végzünk hasonlósági transzformációt. Permutációs
mátrix inverze önmaga.
G1 P1m AP1m G−1
1
| {z }
C
Jelöljük ezt a mátrixot C -vel. Most is azt kell kihozni, hogy az els® oszlop elemei: λ1 és alatta 0-k. Ha
T −1 AT elemi hasonlósági transzformáció, akkor T AT −1 is az.
Ce1 = G1 P1m AP1m G−1 G1 P1m x1
| 1{z }
I
= G1 P1m A P1m P1m x1 = G1 P1m Ax1
| {z }
I
= G1 P1m λ1 x1 = λ1 G1 P1m x1 = λe1
Tehát most már lehet alkalmazni az indukciót.
Megint levágjuk az els® sort és az els® oszlopot és amit kapunk arra alkalmazzuk az indukciós feltevést.
C -t állítsuk el® a következ® formában:
dT
 
λ1
F ∈ C(n−1)×(n−1)
 
C=
 0

F 

Erre az F -re alkalmazhatjuk az indukciós feltevést, tehát van hozzá véges sok trianguláris transzformáció
ami ®t fels® trianguláris alakra hozza. Így ha F helyett a
Ts−1 . . . T2−1 T1−1 F T1 T2 . . . Ts
alkalmazzuk, akkor egy fels® trianguláris W mátrixot kapunk. Legyen
0T
 
1
 
K=
 0

T 

0T dT 0T
   
1 λ1 1
K −1 CK = 
   
  =
 0 −1
T  0 F  0 T 

† ezt el lehet érni hiszen ha nem teljesül a feltétel, akkor itt is lehet normálni. Megkeressük a maximális abszolút érték¶

komponensét és ennek az értéknek a reciprokával megszorozzuk a vektor összes komponensét és akkor már olyan vektort kapunk
amire ez a feltétel teljesül. Ez az eredetinek (egy nem 0) konstansszorosa, tehát sajátvektor marad.
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 40

 
λ1 ...
 = K −1 G1 P1m AP1m G−1 K
 
= 1
 0 W 

Ezzel a transzformáció sorozattal most egy fels® trianguláris mátrixot kaptunk. Az indukció megmutatta,
hogy kaphatunk egy fels® triangulárist, de több volt az állításban, az volt, hogy véges sok elemi hasonlósági
transzformációval kell kapni fels® trianguláris mátrixot. Azonban, ha veszünk egy P elemi permutációs
mátrixot vagy egy eliminációs mátrixot és a következ® módon kiegészítjük: ( 10 0P ) akkor újra permutációs
T

vagy eliminációs mátrixot kapunk.

8.4 Deníció. A ∈ Cn×n hermetikus mátrix, ha AH = A (a szimmetria kiterjesztése komplex esetekre).

8.5 Következmény. Ha A ∈ Cn×n hermetikus, akkor A összes sajátértéke valós.
Bizonyítás. A Schur-normálforma alapján U H AU = R, ha még azt is tudjuk, hogy A hermetikus akkor RH =
(U H AU )H = U H AH (U H )H = U H AU = R. Azt kaptuk hogy RH = R, R az fels® trianguláris mátrix volt,
RH viszont alsó trianguláris, tehát az a kett® csak úgy egyezhet meg ha R diagonális. De még van további
kitétel is hiszen RH f®átlójában R f®átlójában lév® elemek konjugáltjai vannak azaz a f®átlóban lév® elemek
meg kell, hogy egyezzenek a konjugáltjaikkal azaz a f®átlóban csak valós számok lehetnek (azt meg tudjuk,
hogy a f®átlóban a sajátértékek vannak).
8.6 Következmény. Minden hermetikus mátrix diagonizálható és választható olyan sajátvektor rendszere, hogy
az egy ortonormált vektorrendszer legyen Cn -ben.
Mikor igaz, hogy van egy valós szimmetrikus mátrix és a sajátértékei pozitívak? Akkor és csak akkor ha
pozitív denit.
8.7 Deníció. Az A mátrix pozitív denit, xT Ax > 0 tetsz®leges x 6= 0 x ∈ Rn -re és A szimmetrikus.
8.8 Állítás. Az A ∈ Cn×n szimmetrikus mátrix akkor és csak akkor pozitív denit ha minden sajátértéke
nagyobb, mint 0.
Bizonyítás. Ennek teljesülnie kell speciálisan akkor is ha mi sajátvektorokat írunk. Legyen λj sajátérték, xj a
hozzá tartozó sajátvektor, akkor annak igaznak kell lenni, hogy az
0 < xTj Axj = xTj λj xj = λj xTj xj .
| {z }
>0

Ebb®l már következik, hogy λj > 0, tehát ha az A pozitív denit akkor minden sajátértéke pozitív. Megfordítva
ha azt tudjuk, hogy az A szimmetrikus mátrix és minden sajátértéke pozitív, akkor ® pozitív denit. Ezt, hogy
lehetne megcsinálni?
Vissza kell térnünk a Schur normálforma tételhez, tudjuk, hogy U H AU = D. Ezt az algebrában F®tengely-
tételként szokták tisztelni és a következ®képpen szokták felírni:QT AQ = D, ebb®l
√ A-t fejezükk ki, A = QDQ
T

és
√ √ha behehettesítünk, tesz®leges x vektorra irhatjuk: x T
QDQ T
x tekintsük D -t a következ®képpen
√ √ D =
D D amit megkaphatunk a diaginálisban lév® elemek négyzetgyökeként. xT QDQT x = xT Q D DQT x =
| {z } | {z }
yT y

y y > 0 hiszen y 6= 0, mivel x 6= 0 volt a Q ortonormált mátrix volt ami mellesleg reguláris is és ha egy reguláris
T
√
mátrixal szorzok egy nem 0 vektort akkor nyilván csak nem 0 eredmény lehet és persze D is reguláris.
Megjegyzés. Most már tudunk néhány ekvivalens állítást a pozitív denit mátrixokra:
• Az A az pozitív denit, ha minden sajátértéke pozitív.
• Az A az pozitív denit, akkor és csak akkor ha van neki valós Cholesky felbontása. Olyan valós Cholesky
felbontása, hogy a f®átlóban pozitív számok vannak.
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 41

• Az A akkor és csak akkor pozitív denit ha minden f®minora pozitív.

A sajátérték számításnál szeretnénk valamilyen hasonlósági transzformációkkal
A1 ∼ A2 ∼ · · · ∼ Ak

egyszer¶bb alakra hozni az A-t, úgy hogy a végén Ak valamilyen egyszer¶bb mátrix lenne. Ha az eddigieket arra
akarnánk használni, hogy meghatározzuk a sajátértékeket akkor baj van, ha viszont ismerjük a sajátértékeket
akkor lehet véges sok transzformációt csinálni úgy, hogy a végén vagy diagonális vagy fels® trianguláris mátrixot
kapunk. A gyakorlati sajátérték számítások úgy néznek ki, hogy végtelen sorozatát képezzük a mátrixoknak és
határértéknek kell lenni valamilyen egyszer¶ mátrixnak.
Fejezet 9
Vektornormák, mátrixnormák
Tulajdonképpen két lehet®ség van az egyik az amelyiket most követünk, hogy vektornormákat deniálunk el®ször
és majd azok segítségével különböz® mátrixnormákat, de lehetne fordítva is. A mátrixoknál be fogunk vezetni
egy plusz tulajdonságot a mátrixok szorzatára, ami nem minden könyvben szerepel. Vektornormák szorza-
tára nem érdemes tulajdonságot bevezetni, mivel szorzatként már nem vektort kapunk eredményül (vektoron
oszlopvektort értve).

9.1 Vektornormák
9.1 Deníció. ||.|| vektornorma egy olyan leképezés, amely Rn → R képezi le, ha tetsz®leges x, y ∈ Rn -re és
α ∈ R-re teljesülnek a következ®k:
(i) ||x|| > 0, ha x nem a 0 vetktor
(ii) ||αx|| = |α| ||x||
(iii) ||x + y|| ≤ ||x|| + ||y|| (háromszög egyenl®tlenség)
Megjegyzés. Van egy másik háromszög egyenl®tlenség is, ami úgy szól, hogy két odal különbsége mindig kisebb,
mint a harmadik ennek vektoros megfelel®je:
(iv) | ||x|| − ||y|| | ≤ ||x − y|| (a "másik" háromszög egyenl®tlenség)
(iv) következik (iii)-ból:
||x|| = ||(x − y) + y|| ≤ ||x − y|| + ||y||

Az elejét és a végét tekintve:

||x|| − ||y|| ≤ ||x − y|| (9.1)

||y|| = ||(y − x) + x|| ≤ ||y − x|| + ||x||

||y|| − ||x|| ≤ ||y − x|| = ||x − y|| (9.2)
(9.1) és (9.2)-b®l következik:
| ||x|| − ||y|| | ≤ ||x − y||

Megjegyzés. A 0 vektor normája a 0 szám (mivel (ii) alapján ||00|| = |0| ||0|| = 0).

42
MÁTRIXNORMÁK RN ×N -BEN 43

Megjegyzés. A (iii)-ban megadott egyenl®tlenséget lehet általánosítani véges sok tag összegére is indkucióval:
n n
tetsz®leges n ∈ N-re
X X
|| xj || ≤ ||xj ||
j=1 j=1

Az üres összeget, n = 0, általában 0-nak vesszük.

A következ® lépés az, hogy deniálunk különféle vektornormákat. Végtelen sokat tudnánk deniálni.
Deniálunk egy norma családot a következ®képpen:
9.2 Deníció. tetsz®leges p ≥ 1 valós számra az ||x||p def
Pn
számot az x vektor p-normájának
p
= p
i=1 |xi |p
nevezzük. Kitüntetett értékek:
Pn
p = 1 : ||x||1 = i=1 |xi |
pPn
p = 2 : ||x||2 = i=1 |xi |2
p = ∞ : ||x||∞ = max1≤i≤n |xi |
Megjegyzés.

• ||.||1 -át szokták Manhattan-normának is nevezni, amikor a komponenseket összeadogatjuk abszolult érték-
ben az szemléletesen az a távolság fogalom amikor két dimenzóban csak függ®legesen és vízszintesen
mozoghatánk úgy mint ha egy négyzetrácsos utcahálózaton jutnánk el valahova.
a valós euklídészi térben a vektor hossza vagy más néven két pont távolsága (a kezd® és a végpont
• ||.||2
távolsága)
• ||x||∞ = limp→∞ ||x||p (ezt azonban be kellene bizonyítani), úgy kell értelmezni, hogy ha az x vektor
rögzítjük és vesszük p-knek olyan sorozatát, ami végtelenhez tart és minden egyes p-re kiszámoljuk az
x vektornak a p-normáját, akkor valós számok egy sorozatát kapjuk és a végtelen norma ennek a valós
számsorozatnak a határértékével lesz egyenl®.
Megjegyzés. valóban vektornorma. Ahol gond lehet az a háromszög egyenl®tlenség1 (az els® két tuladon-
||.||p
ság igazolása elég triviális), például a ||.||2 -nál a Cauchy-Bunyakovszkij-Schwarz-féle egyenl®tlenség kell az
igazolásához.
Amikor már adott egy vektornorma, akkor abból még lehet újabb normákat konstruálni a következ® módon:
9.3 Deníció. Ha adott a ||.|| vektornorma és a T reguláris mátrix, akkor deniáljuk ||x||T def
= ||T x|| normát
(és ez tényleg vektornorma).
Ezzel már egyetlen egy vektornormából is lehetne végtelen sok vektornormát csinálni attól függ®en, hogy
milyen milyen mátrixokat veszünk, ha különböz® mátrixokat veszünk, akkor különböz® normák lesznek. Mikor
különböz® két norma? Akkor különböz®, ha van legalább egy olyan vektor, amelyben az egyiknek a normája
nem ugyan olyan, mint a másiké.
Megjegyzés. Amit idáig leírtunk az a komlex vektorok esetén is igaz.
Hogyan vezethetünk be mátrixnormákat?

9.2 Mátrixnormák Rn×n-ben

9.4 Deníció. ||.|| mátrixnorma egy olyan leképezés, amely Rn×n → R képezi le, ha tetsz®leges A, B ∈ Rn×n -
re és α ∈ R-re teljesülnek a következ®k:
1 A ||.||p normákq(iii)-dik tulajdonságát
qP a Minkowski-egyenl®tlenség igazolja:
i=1 |yi | (A szerkesztget®)
p
p
Pn p p
Pn P np P
i=1 |xi yi | ≤ i=1 |xi | +
MÁTRIXNORMÁK RN ×N -BEN 44

(i) ||A|| > 0, ha A nem a 0 mátrix

(ii) ||αA|| = |α| ||A||
(iii) ||A + B|| ≤ ||A|| + ||B|| (háromszög egyenl®tlenség)
(iv) ||AB|| ≤ ||A|| ||B||
Megjegyzés. A (ii)-es a kakukk tojás, mivel ha azt mondjuk, hogy mátrixokról beszélünk úgy mint mátrix
gy¶r¶r®l, akkor tulajdonképpen ilyen m¶velet nincs. Ha a mátrixokat mint lineáris tér elemeit tekintjük,
akkor van skalárral való szorzás. Persze értelmezni ezt tudjuk hiszen az αA megfelel annak, hogy A minden
komponensét megszorozzuk α-val, csak ha valaki ezt nagyon szigorúan veszi, akkor ez nem gy¶r¶ m¶velet. A
skalárszorzás megfeleltethet® annak ha veszünk egy diagonális mátrixot és a f®átlójába végig α-t írunk és ezzel
a diagonális mátrixszal szorzunk, így már gy¶r¶ m¶veletr®l beszélhetünk.
Ahogy a háromszög egyenl®tlenségb®l a vektoroknál levezettük a másik háromszög egyenl®tlenséget úgy
most is újra le lehetne vezetni. Hogy ne kelljen ezeket megismételni, ahhoz lehetne csinálni egy huszárvágást.
Ezek az n×n-es mátrixokat úgy tekintjük, mint a mátrixgy¶r¶ elemit, de ha azt csináljuk, hogy az A mátrixhoz
hozzárendelünk egy n2 komponens¶ vektort úgy, hogy leírjuk a komponenseit valamilyen rögzített sorrendben
például sorfolytonosan, akkor ezzel kölcsönösen egyértelem¶ módon hozzá lehet egy n × n mátrixhoz rendelni
az n2 dimenziós lineáris tér egy elemét.
9.5 Példa. Ha n = 2 és ( aa1121 aa1222 ) ehhez hozzárendeljük a (a11 , a12 , a21 , a22 )T , akkor az ilyen fajta hozzárendelés
kölcsönössen egyértelm¶ hozzárendelés az összes n × n-es mátrix és az összes n2 komponens¶ vektort között.
Ha mátrixnormákkal szeretnénk foglalkozni tulajdonképpen vissza lehet játszani a vektornormákra, ha azt
mondjuk, hogy ha van egy mátrixnormánk n × n-es mátrixgy¶r¶ben, akkor az n2 lineáris térben vektornorma
lesz, úgy értve, hogy értve, hogy a példában szerepl® vektornak a normáját úgy értelmezzük, mint a hozzá
tartozó mátrixnak a normáját. Mivel az (i) − (iii) feltételek mátrixok és vektorok esetében ugyanúgy nézett
ki azért, ha van egy mátrinormánk akkor az vektornorma lesz az n2 dimenziós lineáris téren is, ezért nem kell
mindent újra bizonyítani. Tesz®leges mátrixnorma vektornorma is lesz. Visszafelé már nem igaz, tetsz®leges
vektornorma nem lesz mátrixnorma, a (iv)-k tulajdonság miatt.
Mátrix normákat más módon deniálunk, mint vektornormákat. Megmutatjuk, hogy viszonylag egyszer¶en,
hogy lehet mátrixnormákat gyártani vektor normákból.

Származtatott mátrixnormák
9.6 Deníció. Adott vektornorma esetén a bel®le származtatott mátrixnormát így deniáljuk: tetsz®leges
A ∈ Rn×n mátrixra:
def ||Ax||
||A|| = sup
x6=0 ||x||

Az hogy ez tényleg mátrixnorma be kellene bizonyítani, most csak kijelentjük, hogy ezt tényleg mátrixnorma.
9.7 Állítás. A 9.6 denícióban valóban mátrixnormát kapunk.
9.8 Állítás.
||Ax|| 1. ||Ax|| 2.
||A|| = sup = max = max ||Ax||
x6=0 ||x|| x6=0 ||x|| ||x||=1

Az, hogy az 1. egyenl®ség igaz nem olyan triviális. Itt arról van szó, hogy van a valós számoknak egy
részhalmaza ami ilyen hányadosokként kijön, azt állítottuk, hogy van supremuma2 . Attól hogy van supremuma
egy számhalmaznak nem olyan biztos, hogy van maximuma, ha van maximum, akkor az a supremum. A 2.
egyenl®séget is bizonyítani kell.
Miért szokták operátor normaként is emlegetni ezt a deníciót? Azért mert ha vesszük a n dimenziós
lineáris teret, akkor tetsz®leges rögzített mátrixra mondhatjuk, hogy az egy leképezést indukál (x → Ax),
ilyen értelemben operátor az A. Leképezés normája valami olyasmi, hogy maximálisan hányszorosára tud
megnyújtani egy leképezés egy nem 0 vektort.
2 supremum, legkisebb fels® korlát: ha A felülr®l korlátos számhalmaz, akkor fels® korlátai között létezik legkisebb.
MÁTRIXNORMÁK RN ×N -BEN 45

Hogy lehet egy adott vektor irányába mutató egységvektort megadni? Van valamilyen x vektor, akkor x
vektorhoz hozzá lehet rendelni az ® irányába mutató egységvektort xe = ||x||
1
||x||, az igaz, hogy egységvektor
mivel ebben a normában 1 a normája (||xe || = 1). A hagyományos értelemben vett egységvektorok esetén, ei -k
is minden normában 1 lesz.
9.9 Állítás.
n
1.
"oszlopnorma"
X
||A||1 = max |aij |
1≤j≤n
i=1
n
2.
"sornorma"
X
||A||∞ = max |aij |
1≤i≤n
j=1

Az 1.-t úgy számoljuk, hogy veszünk valamilyen rögzített j -t, rögzített j mellett a j -ik oszlop elemeinek
abszolultértékes összegét vesszük, és az oszlop összegeknek vesszük a maximumát. A 2.-nál megcseréljük a
sorok oszlopok szerepét (sor összegek maximuma).
9.10 Deníció. %(A) = max |λi |
1≤i≤n
az A mátrix spektrálsugara.
Tehát a spektrálsugár a sajátértékek abszolút értékének a maximuma. λi -k (a sajátértékek) a karakter-
isztikus polinom gyökei a komplex számsíkon. Azért nevezik spektrálsugárnak a 9.10 denícióban megadott
fogalmat, mivel szemléletesen megfelel a legkisebb sugarú olyan körnek a komplex számsíkon amely tartalmazza
az összes sajátértéket.

√
||A||2 = AT A "spektrálnorma"

Ezt nem lehet minden esetben számítani.

Mi van akkor ha A szimmetrikus mátrix? Akkor az összes sajátértéke valós. AT A = A2 , A2 mátrix
sajátértékei az A sajátértékeinek a négyzetei. Ha A szimmetrikus, akkor ||A||2 = %(A)
9.11 Deníció. A következ® mátrixnormák nem származtatottak:
s X
(i) ||A||F = |aij |2 Frobénius-norma
1≤i,j≤n

(ii) ||A||M = n max |aij |

1≤i,j≤n

Be lehet látni direkt számolással, hogy mindkett® mátrixnorma és azt is be lehet látni, hogy egyik sem
származtatott. Minden származtatott normánál az egység mátrix normája 1. Itt látszik, hogy nem 1 az
egységmátrix
√ normája. (i)-nél az összes négyzetösszegének a négyzetgyökét kell venni, ami egységmátrik esetén
n , (ii)-nél pedig az n-es szorzó miatt nem lesz az egységmátrix 1 (kivéve az egy dimenziós esetet).
Meglehetne még ezeket a normákat is sokszorozni. Ha van egy reguláris mátrixnormánk és egy reguláris
mátrixunk, akkor hogyan lehet az ahhoz tartozó újabb normát deniálni?
9.12 Kérdés. Mi lesz az ||A||T = supx6=0 ||Ax|| T
||x||T =?

Ez az a T norma amit a vektormáknál deniáltunk.

Egy másik fajta kapcsolatot is deniálunk egy vektornorma és egy mátrixnorma között (egyik fajta kapcsolat
volt a származtatás). Egy másik kapcsolat a kompatibilitás. A kompatbilitás jó lesz arra, hogy különböz®
egyenl®tlenségeket becsléseket tudjunk manipulálni.
9.13 Deníció. A ||.||v vektornorma és az ||.||m mátrixnorma kompatibilis, ha tetsz®leges x-re és A-ra
||Ax||v ≤ ||A||m ||x||v
A SPEKTRÁLSUGÁR ÉS A MÁTRIXNORMÁK KAPCSOLATA 46

Egy kicsit hasonlít a (iv) negyedik tulajdonságra, de ez nem annak a következménye.

9.14 Példa. A ||.||2 vektornorma kompatibilis a ||.||F mátrixnormával.
(i) Minden vektornorma kompatibilis a bel®le származtatott mátrixnormával.
 
||Ax|| ||Ax||
||Ax|| = ||x|| ≤ max ||x|| = ||A|| ||x||
||x|| x6=0 ||x||

Ennek a következménye, hogy minden vektornormához megadható vele kompatibilis mátrixnorma (például
amit bel® le származtatunk, de lehet több ilyen is).
(ii) Tetsz®leges mátrixnormához megadható vele kompatibilis vektornorma. Deniáljunk a következ®képpen
egy vektornormát: ||x||v def
= ||x 0 . . 0} ||m , be lehet bizonyítani, hogy így tényleg vektornormát kapunk.
| .{z
n-1 db

9.3 A spektrálsugár és a mátrixnormák kapcsolata

Az el®z®ek segítségével be lehet bizonyítani a spektrál sugárra egy fels® korlátot. Mátrix norma végtelen sok
van, bebizonyítjuk, hogy tetsz®leges mátrixnak a spektrálsugara kisebb vagy egyenl®, mint tetsz®leges normája.
9.15 Állítás. Tetsz®leges A-ra és ||.||m -ra igaz a %(A) ≤ ||A||m egyenl®tlenség.
9.16 Példa. Legyen A = ( 10 21 )
%(A) ≤ ||A||∞ = 3
%(A) ≤ ||A||1 = 3
√
%(A) ≤ ||A||F = 6

Ez a példa nem túl jó (hiszen jelen esetben ismerjük a sajátértékeket mivel fels® trianguláris mátrixról van szó),
ahhoz képest, hogy %(A) = 1 ezek nem túl jó korlátok.
Bizonyítás. Legyen adott A és legyen adott ||.||m , legyen ||λl || = %(A) (1 ≤ l ≤ n) (azaz λl a legnagyobb
abszolút érték¶ sajátérték) és Axl = λl xl (tehát a λl -hez tartozó egyik sajátvektor az xl ). Most vegyünk ezzel
a mátrixnormával kompatibilis vektornormát, legyen ||.||v az adott mátrixnormával kompatibilis vektornorma,
ekkor a következ®t lehet csinálni:
|λl | ||xl ||v = ||λl xl ||v = ||Axl ||v ≤ ||A||m ||xl ||v

Ha a két szélét nézzük és leosztunk ||xl ||v -val (megtehetjük mivel ||xl || > 0), akkor megkapjuk, hogy |λl | ≤
||A||m ,
amib®l már következik a tétel.

9.4 Normák ekvivalenciája

9.17 Deníció. A ||.|| és ||.||∗ vektornormák ekvivalensek , ha léteznek olyan csak a két normától függ®
γ∗ , δ∗ kostansok, hogy tetsz®leges x ∈ R-re
γ∗ ||x||∗ ≤ ||x|| ≤ δ∗ ||x||∗

9.18 Állítás. A vektornormák ekvivalenciája ekvivalencia reláció.

Tehát reexív, szimmetrikus, tranzitív. Minden norma ekvivalens sajátmagával, fel lehet cserélni a két
normát.
9.19 Állítás. Bármely két vektornorma ekvivalens.
NORMÁK EKVIVALENCIÁJA 47

Elég belátni, hogy tetsz®leges vektornorma, ekvivalens egy darab rögzítt vektornormával (például ||.||1 -val).
9.20 Deníció. A ||.|| és ||.||∗ mátrixnormák ekvivalensek, ha léteznek olyan csak a két normától függ®
γ∗ , δ∗ kostansok, hogy tetsz®leges A ∈ Rn×n -re
γ∗ ||A||∗ ≤ ||A|| ≤ δ∗ ||A||∗

9.21 Állítás. A mátrixnormák ekvivalenciája ekvivalencia reláció.

9.22 Állítás. Bármely két mátrixnorma ekvivalens.
Legközelebb folytatjuk azzal, hogy ez az ekvivalencia miért jó, akkor amikor a határértékeket vizsgáljuk.
Fejezet 10
Vektorsorozatok és mátrixsorozatok
10.1 Vektorsorozatok
10.1 Deníció. Az {xk } vektorsorozat konvergens , ha megadható olyan vektor, amellyel limk→∞ x(k)
i = x∗i
teljesül bármely 1 ≤ i ≤ n-re
Röviden, akkor mondjuk egy vektors sorozatra, hogy konvergens, ha komponensenként konvergens. Ha ez a
határérték létezik, akkor egyértelm¶.
A vektornormák segítségével is lehet a konvergenciát deniálni.
10.2 Deníció. Az {xk } vektorsorozat konvergens, ha van olyan x∗ amelyre limk→∞ ||x∗ − xk || = 0 (Ez a
deníció független a választott vektornormától a normák ekvivalenciája miatt.)
10.3 Állítás. A konvergencia két deníciója ekvivalens.
A vektorsorozat deníciója általánosítása a valós számsorozatoknak, hiszen amikor n = 1 (egy dimenziós a
tér), akkor számsorozatokat kapunk. A két deníció tulajdonképpen a xk → x∗ ⇔ |xk −x∗ | → 0 ekvivalenciából
adódik, csak az abszolút érték helyett normák vannak.
Bizonyítás. Az állítást elegend® a végtelen normára bizonyítani. Azt kellene belátni, hogy:
(k) (k)
∀1 ≤ i ≤ n lim xi = x∗i ⇔ lim max |x∗i − xi | = 0
k→∞ k→∞
m
(k)
lim |x∗i − xi | = 0
k→∞

Ezután az állítás után már mindegy, hogy melyik deníciót használjuk. Bizonyos értelemben a második
a kényelmesebb, mivel az els®nél a vektorsorozat konvergenciáját n db valós szám sorozat konvergenciájára
vezettük vissza. A másodiknál 1 db valós számsorozatot kell csak nézni.
10.4 Állítás.
(i) Ha az xk → x∗ és yk → y∗ , akkor xk + yk → x∗ + y∗
(ii) Ha az xk → x∗ és αk → α∗ , akkor αk xk → α∗ x∗
Bizonyítás.

(i) szükséges és elegend® azt megmutatni, hogy ||x∗ + y∗ − (xk + yk )|| → 0

0 ≤ ||(x∗ − xk ) + (y ∗ − y k )|| ≤ ||x∗ − xk || + ||y ∗ − y k || → 0
| {z } | {z }
↓ ↓
0 0

48
MÁTRIXSOROZATOK 49

(ii)
0 ≤ ||α∗ x∗ − (αk xk )|| = ||(α∗ x∗ − α∗ xk ) + (α∗ xk − αk xk )|| ≤ |α∗ | ||x∗ − xk || + |α∗ − αk | ||xk || → 0
korlátos
| {z } | {z } | {z }
↓ ↓
0 0

10.5 Következmény. Ha xk → x∗ , akkor ||xk || → ||x∗ ||

Bizonyítás. Felhasználva a második háromszög egyenl®tlenséget ((iv)-es tulajdonság): Ha xk → x∗ , akkor
∗
||xk − x || → 0 de
0 ≤ | ||xk || − ||x∗ || | ≤ ||xk − x∗ || → 0
| {z }
m
||xk || → ||x∗ ||

10.6 Alkalmazás. Lineáris egyenletrendszerek közelít® megoldásinál, közelít® megoldások sorozatát fogjuk
képezni és az lesz a kérdés, hogy ez a sorozat konvergál-e a megoldáshoz.

10.2 Mátrixsorozatok
10.7 Deníció. Az {Ak } ∈ Rn×n mátrixsorozat konvergens, ha megadható olyan A∗ mátrix, amellyel
= a∗ij teljesül bármely rögzített 1 ≤ i, j ≤ n-re
(k)
limk→∞ aij
Tehát konvergens egy mátrixsorozat, ha komponensenként konvergens. Így tulajdonképpen n2 darab valós
számsorozat konvergenciáját vizsgáljuk.
10.8 Deníció. Az {Ak } mátrixsorozat konvergens, ha van olyan A∗ mátrix amelyre limk→∞ ||A∗ −Ak || = 0
(Ez a deníció is független a választott mátrixnormától a normák ekvivalenciája miatt.)
Kölcsönösen egyértelm¶ leképéezés lehet megadni Rn×n ⇔ Rn között, úgy hogy valamilyen x sorrendben
2

lírjuk az n2 komponenst. Az látszik, hogy ha tekintünk egy mátrixsorozatot az akkor és csak akkor lesz
konvergens, ha mint vektorsorozat konvergens. Ez alapján a két deníció a mátrixsorozatoknál is ekvivalens.
Viszont a mátrix gy¶r¶ben vannak olyan m¶veletek melyek a vektorok esetében nem voltak.
10.9 Állítás. Tetsz®leges {Ak }, {Bk } mátrixsorozatra és α valós számra
(i) Ha az Ak → A∗ és Bk → B ∗ , akkor Ak + Bk → A∗ + B ∗
(ii) Ha az Ak → A∗ , akkor αk Ak → α∗ A∗
(iii) Ha az Ak → A∗ és Bk → B ∗ , akkor Ak Bk → A∗ B ∗
Bizonyítás.

(i) szükséges és elegend® azt megmutatni, hogy ||A∗ + B ∗ − (Ak + Bk )|| → 0

0 ≤ ||(A∗ − Ak ) + (B ∗ − Bk )|| ≤ ||A∗ − Ak || + ||B ∗ − Bk || → 0
| {z } | {z }
↓ ↓
0 0

(iii) szükséges és elegend® azt megmutatni, hogy ||A∗ B ∗ − Ak Bk || → 0

0 ≤ ||Ak Bk − A∗ B ∗ || = ||(Ak Bk − Ak B ∗ ) + (Ak B ∗ − A∗ B ∗ )||
≤ ||Ak Bk − Ak B ∗ || + ||Ak B ∗ − A∗ B ∗ || = ||Ak (Bk − B ∗ )|| + ||(Ak − A∗ )B ∗ ||
≤ ||B ∗ || ||A∗ − Ak || + ||B ∗ − B k || ||Ak || → 0
korlátos
| {z } | {z } | {z }
↓ ↓
0 0
SAJÁTÉRTÉKEK KORLÁTAI; GERSGORIN-TÉTEL 50

(iii) ⇒(ii) αk helyett vehetünk egy olyan diagonális mátrixot melynek a f®átlójában végig αk komponensek
szerepelnek.

10.10 Állítás. Tetsz®leges {Ak } és {Tk } mátrixsorozatra

(iv) ha Ak → A∗ -hoz és A∗ reguláris (tehát A∗ létezik), akkor (Ak )−1 → (A∗ )−1
−1

(v) ha Ak → A∗ -hoz, akkor det(Ak ) → det(A∗ )

(vi) (a) ha Ak → A∗ és T reguláris, akkor T −1 Ak T → T −1 A∗ T
(b) ha Ak → A∗ , Tk → T ∗ és T ∗ reguláris, akkor Tk−1 Ak Tk → (T ∗ )−1 A∗ T ∗ . Ez az állítás az el®z®ekb®l
következik.
(vii) Ha Ak → A∗ , akkor tetsz®leges l ∈ N-re (Ak )l → (A∗ )l

10.3 Sajátértékek korlátai; Gersgorin-tétel

10.11 Állítás. Ha A sajátértékei λ1 , λ2 , . . . , λn akkor
(i) Al sajátértékei λl1 , λl2 , . . . , λln
(ii) αA sajátértékei αλ1 , αλ2 , . . . , αλn
(iii) P (A) sajátértékei P (λ1 ), P (λ2 ), . . . , P (λn )
P (A) valamilyen l-ed fokú polinom, azt jelenti, hogy α0 xl + α1 xl−1 + · · · + αl−1 x + αl tetsz®leges P (x)
polinom esetén az x-ek helyére be kell helyettesíteni az A mátrixot, így
P (A) = α0 Al + α1 Al−1 + · · · + αl−1 A + αl I

Az így számított P (A) egy mátrix lesz.

Tehát (iii) arra vonatkozik, hogy ha veszünk egy tetsz®leges valós együtthatós polinomot és kiszámoljuk a
P (A) polinomot, akkor P (A) sajátértékeit úgy kapjuk meg, hogy ugyanabba a P polinomba behelyettesítjük a
sajátértékeket. Ez a legáltalánosabb állítás, a többi ennek speciális esete.
(iii)-t lehet fokszám szerinti teljes indukcióval bizonyítani úgy, hogy kétfeléválasztjuk P (A)-t

P (A) = α0 Al + (α1 Al−1 + · · · + αl−1 A + αl I)

és innen az els® két állítás segítségével adódik a bizonyítás. Ehhez azonban be kell bizonyítani (i)-t és (ii)-t.
Bizonyítás. (i)-t l szerinti teljes indukcióval bizonyítjuk. Ha feltesszük, hogy l − 1-re igaz, akkor
Al xj = A(Al−1 xj ) = A(λl−1 l−1 l−1 l
j xj ) = λj Axj = λj λj xj = λj xj

(ii) α(Axj ) = αλj xj

10.12 Állítás. ha A sajátértékei λ1 , λ2 , . . . , λn és λj 6= 0 (magyarul a 0 nem sajátérték), akkor

(iv) A−1 sajátértékei 1 1 1
λ1 , λ2 , . . . , λn .
Azt könnyen lehet látni, hogy egy A mátrixnak a 0 pontosan, akkor lesz sajátértéke ha A szinguláris (det(A)
a sajátértékek szorzata).
Bizonyítás. (iv)
1
Axj = λj xj ⇔ xj = λj A−1 xj ⇔ x = A−1 xj
λj j
amit már lehet úgy olvasni, hogy az A−1 mátrixnak a sajátvektora az xj és a hozzá tartozó sajátérték 1
λj
SAJÁTÉRTÉKEK KORLÁTAI; GERSGORIN-TÉTEL 51

Ha A reguláris mátrixra feltesszük, hogy A−l def

= (A−1 )l , akkor mondhatjuk, hogy A−l sajátértékei λl1 , λl2 , . . . , λln
Már bizonyítottuk, hogy tetsz®leges A-ra és tetsz®leges mátrixnormára %(A) ≤ ||A||. Ehhez kapcsolódó
tételeket veszünk.
10.13 Tétel.
Ak → 0 ⇔ ||A|| < 1
Ak → 0 ⇔ %(A) < 1
El®ször azt fogjuk bizonyítani, hogy a két állítás ekvivalens egymással.
10.14 Állítás. %(A) < 1 akkor és csak akkor, ha van olyan normája az A-nak, hogy ||A|| < 1.
A 10.14 állítás bizonyításához vesszük a következ® tételt.
10.15 Állítás. Tetsz®leges A mátrixhoz és  > 0 megadható olyan (A-tól és -t®l függ®) ||.|| mátrixnorma,
amelyre
%(A) ≤ ||A|| ≤ %(A) + 
77. oldal
| {z }

%(A) ≤ ||A||-t pedig már bizonyítottuk.

A 10.15 állításból a 10.14 már triviálisan következik hiszen, ha az ||A|| < 1 akkor a %(A) < 1 is. Másik
irányba, ha a %(A) < 1, akkor lehet úgy választani azt a  > 0-t, hogy %(A) +  is kisebb legyen mint 1.
Bizonyítás. A 10.13-es tétel bizonyítása:
Ha Ak → 0, akkor . . . (ez a nehezebbik fele Jordan-normával kellene bizonyítani vagy macerásan a Schur-
normálformával).
Ha ||A|| < 1, akkor Ak → 0. Ez a fele a bizonyításnak sokkal könnyebb hiszen rögtön lehet azt csinálni, hogy:
0 ≤ ||Ak || ≤ ||A||k → 0
Ezzel már készen is vagyunk hiszen qk → 0 akkor és csak akkor teljesül, ha q < 1, itt viszont A-ra eleve
kikötöttük, hogy ||A|| < 1.
10.16 Tétel (Gersgorin-tétel). Tetsz®leges A mátrix esetén A összes sajátértéke benne van az Sni=1 ki hal-
mazban, ahol n
X
ki = {x : |x − aii | ≤ |aij |}
j=1
j6=i

sugár
| {z }

10.17 Példa.  
−2 1 3
A =  1 1 −5
−2 1 3
A tétel köröket deniál a komplex síkon. A diagonális elemek lesznek a körök középpontjai (x = −2, x = 1,
x = 3)és a diagonálison kívül lev® elemek abszolút értékes összege lesz a kör sugara (−2 körül 4, 1 körül 6, 3
körül 3 sugarú kört kapunk). A tétel az állítja, hogy az összes sajátérték benne van a körök egyesítésében.
Bizonyítás. Legyen λj tetsz®leges sajátérték, az hogy benne van ebben az egyesítésben úgy is kifejezhet®, hogy
tetsz®leges j -hez van olyan i, hogy a λj benne van a ki -ben. Ekkor a Bj def
= A − λj I mátrix szinguláris (ez a
sajátérték deníciója). A diagonális dominanciánál bebizonyítottuk, hogy ha egy mátrix diagonális domináns,
akkor reguláris. Ezt az állítást meg is lehet fordítani azaz ha egy mátrix szinguláris akkor nem diagonális
domináns. Ezért Bj nem diagonális domináns. Azaz van olyan i (1 ≤ i ≤ n) hogy:
n
X n
X
|bii | ≤ |bij | ⇔ |aii − λj | ≤ |aij |
j=1 j=1
j6=i j6=i
Fejezet 11

Tetsz®leges A mátrixnak van Schur-normálalakja. Tehát tetsz®leges A mátrixhoz van olyan Q unitér mátrix
hogy:  
λ1 r12 . . . r1n
 0 λ2 . . .
.. 
. 

H
Q AQ = R =  .
 .. . .
. . . . rn−1,n 
 

0 ... 0 λn
Bizonyos esetekben lehet olyat is csinálni, hogy:
 
λ1 0 ... 0
... .. 
.

0 λ2
T −1 AT = D = 
.
 .. ... ...


0
0 ... 0 λn

Ilyet akkor és csak akkor lehet csinálni, ha az A mátrixnak van egy nem elfajult sajátvektor rendszere, tehát van
n darab lineárisan független sajátvektora. Ha numerikusan akarunk sajátértékeket meghatározni, akkor a valam-
ilyen el®bb említett formát kellene elérni. A baj az, hogy ezek bizonyításánál felhasználtuk a sajátértékeket.
Azért sem sikerülhet, hogy tesz®leges mátrixra véges sok hasonlósági transzformációval a fent említett két alak
valamelyikét elérjük, mert a sajátértékek megoldása az algebrai egyenletek meghatározásával ekvivalens feladat
amir®l pedig tudjuk, hogy algoritmikus úton nem meghatározható.
Tehát valamilyen közelít® sajátérték számítást csinálunk, de a minta ez lenne. Két irányba lehet általánosí-
tani, az egyik az lenne, hogy nem pont ilyen alakokat próbálnánk elérni, hanem ehhez hasonlót, ilyen lehet a
fels® Hessenberg alak. Tehát valami ilyesmit próbálunk, hogy:
 
h11 h12 ... ... h1n
h21 h22 ... ... h2n 
... ... .. 
 
T −1 AT = H =  . 

 0
 . ... ... ... .. 
 ..

. 
0 ... 0 hn,n−1 hnn

Kérdés lehet, hogy tesz®leges A mátrixot tudunk-e ilyen alakra hozni (a sajátértékek ismerete nélkül véges sok
lépésben)? Ilyet tudunk csinálni. Miért akarnánk Hessenberg alakra hozni hiszen a H -nak semmit sem tudunk
a sajátértékeir®l csak azt, hogy ugyan azok a H és az A sajátértékei? Azért szokták Hessenberg alakra hozni a
mátrixot mivel, ilyen alakra a kés®bbi algoritmusok könnyebben alkalmazhatók.
Egy másik lehet®ség lesz az, hogy megpróbáljuk az A mátrixot tridiagonális alakra hozni szintén hasonlósági

52
HATVÁNY MÓDSZER 53

transzformációval.  
s11 s12 0 ... 0
... ... ..
.
 
s21 s22 
... ... ...
 
−1
T AT = S =  0
 
0 
 . ... ... ...
 
 ..

sn−1,n 
0 ... 0 sn,n−1 snn
A tridiagonális alakra hozást csak akkor szokták ajánlani, ha az A mátrix szimmetrikus volt és ilyenkor meg
lehet mutatni, hogy S szimmetrikus lesz. Ennek is csak annyi az el®nye, hogy egy ilyen mátrixra mégkönnyebb
alkalmazni a kés®bb bemutatandó algoritmusokat. Egy régi algoritmus a következ®

11.1 Hatvány módszer

A hátvány módszernél és az el®z® alapgondolaton alapuló módszereknél úgy határozzuk meg a sajátértékeket,
hogy vektorsorozatokat számolunk és majd azokkal manipulálunk. A többi algoritmusnál mátrix sorozatokat
számolunk, tehát a fent említett alakokakat végtelen mátrixsorozatokkal közelítjük.
Van egy A mátrixunk és ennek a sajátértékeit szeretnénk meghatározni. A sajátértékeket indexezzük meg
olyan módon, hogy |λ1 | ≥ |λ2 | ≥ · · · ≥ |λn |. Választunk egy tetsz®leges v0 kezd®vektort utánna pedig számoljuk
a következ® iterációs sorozatot:
def
v k+1 = Av k
ebb®l kapunk egy vektorsorozatot {v0 , v1 , v2 , . . . , vk }
11.1 Állítás. v k = Ak v 0 tetsz®leges k ∈ N-re.
Bizonyítás. k-szerinti teljes indukcióval bizonyítjuk. k = 1-re igaz, tegyük fel, hogy k-ra igaz és vizsgáluk
k + 1-re:
v k+1 = A(v k ) = A(Ak v 0 ) = Ak+1 v 0

Legyen A szimmetrikus, ekkor van ortonormált sajátvektor rendszere {x1 , x2 , . . . , xk }. Mivel ez egy ortonor-
mált rendszer ezért bázist is alkot a vektortérben térben úgy hogy akármilyen kezd®vektorból indultunk ki azt
fel lehet írni ezek lineáris kombinációjaként.
v0 = α1 x1 + · · · + αn xn
vk = Ak v 0 = α1 Ak x1 + · · · αn Ak xn = α1 λk1 x1 + · · · + αn λkn xn

Tudjuk azt, hogy a vk -t így fel lehet írni, de nem ismerjük se az α-t se a λ-t se az x-t. A vicc az benne, hogy
nem is kell ismerni mivel abból, hogy van egy ilyen el®állítása lehet valamit kihozni a sajátértékekre pusztán
úgy, hogy a v sorozatot nézzük.
Vegyük a
v Tk v k = (α1 λk1 x1 + · · · + αn λkn xn )T (α1 λk1 x1 + · · · + αn λkn xn )-t.

Tudjuk azt, hogy az xi -k ortonormált rendszert alkottak. Két n tagú összeg van ezért mindent mindennel össze
kellene szorozni, de mivel ortonormált rendszert alkottak ezért ha különböz® index¶eket veszünk ki az els®b®l,
mint a másodikból akkor mindig 0-t kapunk. Vagyis ténylegesen csak a következ® szorzatokat kell felírni.
= α12 λ2k T 2 2k T
1 x1 x1 + · · · + αn λn xn xn
| {z } | {z }
1 1
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 54

Ha képezzük a vektorsorozatot, akkor szimetrikus mátrix esetén az el®z® alakban felírható a vTk vk szorzat. Ne
csak ezt képezzük hanem vegyünk egy olyan hányadost, hogy:
v Tk+1 v k+1 α12 λ2k+2 + · · · + αn2 λ2k+2
n
=
v Tk v k α12 λ2k + · · · + αn2 λ2k
n
 2k+2  2k+2
λ2k+2
1 (α12 + α22 λλ21 + · · · + αn2 λλn1 )
=  2k  2k
λ2k 2 2 λ2 + · · · + αn2 λλn1
1 (α1 + α2 λ1 )
 2k+2  2k+2
α12 + α22 λλ21 + · · · + αn2 λλn1
= λ21  2k  2k → λ1
2
2 2 λ2 λ
α1 + α2 λ1 + · · · + αn2 λ1 n

ha |λ1 | > |λ2 | és α1 6= 0. Tehát a hatvány módszernél a legnagyobb abszolút érték¶ sajátértékere kapunk egy
ilyen képletet.

11.2 Mátrixok speciális alakra transzformálása hasonlósági transz-

formációkkal
Alapvet®en két módszer van, az egyik a Gauss-eliminációra hasonlít a másik az QR ortogonális trianguláris
felbontásra (err®l nem fogunk beszélni).
A Gauss elminiációból ismer®s elemi permutációs és elminációs mátrixokat használjuk fel most is. Az
algoritmus lépései: j = 1, 2, . . . , n − 2 és a j -dik lépésben a j -dik oszlopot hozzuk Hessenberg alakra. Ha adott
az Aj−1 akkor el®ször választanikell f®elemet de nem a f®átlóba hanem a f®átló alá (részleges f®elemkiválasztással
fog dolgozni az algoritmus). j = 1-re
A1 = G1 Pπ(1),2 A0 Pπ(1),2 G−1
1

Azért kell a G1 Pπ(1),2 inverzével jobbról is szorozni mivel itt hasonlósági transzformációval dolgozunk (Pπ(1),2 -
nek saját maga az inverze). G1 Pπ(1),2 A0 -ról már a Gauss elminációnál beláttuk, hogy a kívánt formát hozza
létere (jelen setben az els® oszlopban a második sortól kinulláz minden elemet), azt kell még belátni, hogy
1 -vel való jobbról szorzás nem rontja el az eddigi eredményt.Ha jobbról szorzunk a Pπ(1),2 permutációs
Pπ(1),2 G−1
mátrixszal, akkor két oszlopot cserél meg, pontosabban a π(1) index¶t a másodikkal, viszont π(1) értéke kett®
vagy annál nagyobb tehát semmi baj sem lesz az els® oszlopra nézve. Ha balról szorzunk G1 -el az azt jelenti,
hogy egy bizonyos sor konstansszorosait hozzáadjuk a többi sorhoz, G1 inverzét pedig úgy kapjuk, hogy egy
oszlopban az elemek el®jelét meg kell változtatni. Ha G1 -el jobbról szorzunk, akkor egy bizonyos oszlophoz
adjuk hozzá a többi oszlop konstansszorosait, jelen esetben a másodikhoz, tehát az els® oszlop még mindig
Hessenberg alakú marad.
Lehetne ilyet csinálni ortogonális mátrixokkal is, csak azzal az a baj, hogy satbilabb algoritmus, de több a
m¶velet igénye. A másik módszer, hogy hasonló mátrixok sorozatát generáljuk úgy, hogy reménykedünk abban,
hogy a határértéke az el®adás elején említett R vagy D.
A következ® {Ak } mátrix sorozatot képezzük
(i) amenyiben adott az Ak mátrixunk akkor azt bontsuk fel Ak = Mk Rk alakra, ahol Rk fels® trianguláris,
Mk reguláris

(ii) Ak+1 def

= R k Mk

Meg lehet mutatni, hogy ez hasonló mátrixok sorozata lesz.

11.2 Állítás.
(i) Ak hasonló A1 -hez.
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 55

(ii) | {z }
−1
Ak = (M1 M2 . . . Mk−1 )−1 A1 (M1 M2 . . . Mk−1 ) = Tk−1 A1 Tk−1
Tk−1

(iii) Ak1 = Tk Uk ahol Uk a megfelel® R-ek szorzata (R1 R2 . . . Rk )

Bizonyítás. (ii) ⇒ (i). (ii)-t k szerinti indukcióval lehet bizonyítani. Ha feltételezzük, hogy Ak -ra igaz az
állítás:
Ak+1 = Mk−1 Ak Mk = Mk−1 (M1 M2 . . . Mk−1 )A1 (M1 M2 . . . Mk−1 )Mk
A (iii)-t is be lehet látni k szerinti indukicóval, de ett®l most eltekintünk.

11.2.1 LR-transzformáció
(i) Ak−1 = Lk−1 Rk−1
(ii) Ak = Rk−1 Lk−1
Kérdés az, hogy ez a sorozat létezik-e minden k-ra és egyértelm¶-e? Ha az A1 reguláris, akkor az LR felbontása
egyértelm¶ tehát utánna is mind egyértelm¶ lesz, így az egyértelm¶séggel nincs baj (hiszen hasonlo mátrixokat
csinálunk).
Az egzisztenciával baj van mivel nem tudjuk azt garantálni, hogy minden k-ra létezni fog ilyen felbontás.
Magára az A1 -re lehetne ilyen feltételt mondani, ha A1 minden f®minora 0-tól különböz® akkor létezik neki LR
felbontása, de nincs olyan értélmes feltétel ami az egzisztenciát garantálná, még reguláris A1 mellet is bármely
k-nál megszakadhat a felbontás.
Elegend® feltételt lehet mondani arra, hogy az Ak kovergens legyen és a határértéke fels®trianguláris legyen.
Elegend® feltétel a következ®:
11.3 Tétel. Ha A1 sajátértékeire |λ1 | > |λ2 | · · · |λn | > 01 , létezik minden k-ra Ak , az felírásban szerepl® X −1 és
X mátrixok mindegyikének létezik LR felbontása, akkor Ak olyan fels®trianguláris mátrixhoz konvergál melynek
a f®átlójában A1 sajátértékei állnak.
Ha minden sajátérték különböz® akkor diagonizálható.

11.2.2 QR-transzformáció
(i) Ak−1 = Qk−1 Rk−1
(ii) Ak = Rk−1 Qk−1
Az els® el®nye a QR transzformációnak, hogy mindig alkalmazható, mivel tetsz®leges mátrixnak létezik QR
felbontása (mi a bizonyításánál feltettük, hogy a kiindulási mátrix reguláris). Másik el®nye, hogy a szimmetriát
meg®rzi:
Ak = Q−1 Ak−1 Qk−1 = QTk−1 Ak−1 Qk−1
Ebb®l pedig már lehet indukcióval bizonyítani a szimmetria meg®rzését.
A konvergenciához is viszonylag egyszer¶bb feltételek kellenek, és a numerikus stabilitása is jobb (a kerekítési
hiba nem annyira vészes).

11.2.3 RT R-transzformáció
(i) Ak−1 = Rk−1
T
Rk−1

(ii) Ak = Rk−1 Rk−1

T

1 ez a feltétel azt is jelenti, hogy A -nek van n darab különböz® sajátértéke s®t azt is, hogy A reguláris, mivel a legkisebb
1 1
abszolútérték¶ sajátérték is nagyobb mint 0
MÁTRIXOK SPECIÁLIS ALAKRA TRANSZFORMÁLÁSA 56

Ez a felbontás csak szimmetrikus mátrixoknál jöhet szóba. Csak akkor érdemes alkalmazni, ha valós a Cholesky-
felbontás, ez pedig akkor teljesül, ha A1 pozitív denit és ekkor minden Ak pozitív denit lesz. Ha az A1
pozitív denit, akkor diagonális domináns mátrixhoz konvergál a sorozat (tehát a f®átlóban a sajátértékeket
tartalmazza).
Egy egy lépés számítása O(n3 ) mindhárom módszernél, ha viszont el®tte tridiagonális alakra hozzuk a
mátrixot akkor már csak O(n) a m¶veletigény, fels® Hessenbergnél O(n2 ). Tehát ezeknél az algoritmus csalá-
doknál érdemes el®tte speciális alakra hozni a mátrixot.
Fejezet 12

12.1 Iterációs módszerek bevezetése

Ax = a (12.1)
A ∈ Rn×n reguláris, a ∈ R. Legyen x∗ ∈ R a 12.1-es rendszer egyértelm¶en létez® megoldása (Ax∗ = a).
Hogyan lehetne a 12.1 egyenletrendszert nem eliminációs módszerrel megoldani? Úgy lehetne, hogy olyan vek-
torsorozatot konstruálnánk ami ehhez a megoldáshoz konvergál. Hogyan lehetne olyan xk közelít® megoldásokat
konstruálni, hogy xk → x∗ ?
Alakítsuk át a 12.1-es egyenletrendszert a következ® alakra:
x = Bx + b (12.2)
úgy, hogy 12.1⇔12.2. (A legtriviálisabb megoldás az lenne, ha mindkét oldalhoz hozzáadnánk az x vektort a-t
pedig átvinnénk a másik oldalra. Az erdmény ekkor: x = (A + I)x − a.)
Ha ekvivalens átalakítások alapján felírtuk a 12.2-es rendszert, akkor ennek alapján tudunk kostruálni egy
xk sorozatot rekurzióval.
Válasszunk egy tetsz®leges x0 kezd®vektort (xk ∈ Rn ) és képezzük:
xk+1 = Bxk + b (12.3)
képletnek megfelel® xk iterációs vektorsorozatot. B az iterációs mátrix, xk+1 = Bxk +b-el számolt sorozat
a iterációs sorozat, 12.3 az iterációs módszer. Egyújabb lépés kiszámolása O(n2 ) m¶veletet jelent. Addig
éri meg számolni amíg k < n.
A kérdés az, hogy mikor lesz igaz, hogy a vektorsorozat a megoldáshoz konvergál? Nyilván akkor ha a hiba
0-hoz tart.
12.1 Deníció. ek = xk − x∗ vektort hibavektornak nevezzük ( a k-dik közelítés hibája).
12.2 Állítás. xk → x∗ ⇔ ek → 0
A konvergencia vizsgálatánál azt fogjuk nézni, hogy ek mikor tart 0-hoz (mármint a 0 vektorhoz). ek → 0,
ha ||ek || → 0 (többnyire majd ezt fogjuk vizsgálni). Ha könnyítünk egy kicsit a feltételeken és csak elegend®
feltételt mondunk, máris könnyebb helyzetben vagyunk: hiszen van egy számsorozat és hogy az 0-hoz tart-e,
ennek az igazolásához fels® korlátokat kell megadni, olyan fels® korlátokat, hogy a fels® korlátok 0-hoz tartsanak.
12.3 Állítás.
ek = B k e0 (12.4)
Bizonyítás. k szerinti teljes indukcióval. k = 0-ra teljesül, tegyük fel, hogy k-ra igaz és vizsgáljuk k + 1-re:
xk+1 = Bxk + b
x∗ = Bx∗ + b

57
ITERÁCIÓS MÓDSZEREK BEVEZETÉSE 58

egyenletekb®l következik (amelyek a (12.2)-es egyenletb®l következnek), hogy

ek+1 = xk+1 − x∗ = B(xk − x∗ ) = Bek = B(B k e0 ) = B k+1 e0

12.4 Állítás. Tetsz®leges x0 mellet akkor és csak akkor teljesül xk → x∗ , ha %(B) < 1
(Másként: a 12.3 módszer akkor és csak akkor globálisan konvergens, ha %(B) < 1.)
Bizonyítás. ⇐ Legyen %(B) < 1, ekkor biztosan van olyan k.k mátrixnorma, amelyre ||B|| < 1. (12.4) alapján
bármely x0 kezd®vektor mellett a következ® teljesül:
kek k = kB k e0 k ≤ kB k kke0 || ≤ kBkk ke0 || → 0
| {z }
→0

kBkk 0-hoz tart hiszen B 1-nél kisebb. Ezzel csináltunk egy olyan fels®korlátját a hibavektornak, amely
0-hoz tart.
⇒ Ha globálisan konvergens az iteráció, akkor %(B)-nek kissebbnek kell lennie, mint 1. Ennek az iga-
zolásához indirekt bizonyítást alkalmazunk. Tegyük fel hogy, 12.3 módszer globálisan konvergens, de van olyan
λ sajátértéke B -nek, hogy |λ| > 1. Mivel feltettük, hogy globálisan konvergens a módszer ezért mindegy, hogy
milyen értéket választunk kezd®értéknek mindig konvergálni fog. Válasszuk úgy a kezd®rtéket, hogy a kezd®
hiba (e0 ) pontosan egy λ-hoz tartozó sajátvektor legyen. Ekkor viszont ellentmondáshoz jutunk:
0 ← kek k = kB k e0 k = kλk e0 k = |λ|k ke0 k 9 0

Ezzel ellentmondásra jutottunk.

%(B) akkor és csak akkor kisebb, mint egy ha van olyan ||.|| mátrixnormája ami kisebb, mint 1.
12.5 Állítás. a 12.3-as iterációs módszerre a következ® három állítás ekvivalens:
(i) 12.3 módszer globálisan konvergens
(ii) %(B) < 1
(iii) létezik olyan ||.|| mátrixnorma maelyben ||B|| < 1
Gyöngébben fogalmazva: ha tudunk mondani egy olyan mátrixnormát amiben a ||B|| < 1, akkor a 12.3-as
módszer globálisan konvergens.
12.6 Következmény. Ha a ||.|| mátrixnomában ||B|| < 1, akkor 12.3 globálisan konvergens.
12.7 Példa. 1 1

4 0 4
xk+1 = 1 1
− 18  xk +b
8 4
1
8 0 0
| {z }
B

Mivel ||B||∞ < 1 ezért az iteráció konvergens1

12.8 Tétel. legyen ||B|| < 1, ekkor tetsz®leges x0 -ra igaz:
(i) xk → x∗

(ii) kek k ≤ kBkk ke0 ||

(iii) kek k ≤ kBk

1−kBk kxk−1 − xk ||
1 mátrixok végtelen normája úgy számítható, hogy soronként összeadjuk a komponenseket és az így keletkezett összegek közül
a legnagyobbat vesszük.
REGULÁRIS SZÉTVÁGÁSOK 59

(iv) kek k ≤ kBkk

1−kBk kx0 − x1 ||

(iii)-at és (iv)-et eektíven ki lehet számolni. Mivel mindegy, hogy milyen x0 -ból indulunk ezért kényelme-
sebb ha b-t választjuk x0 -nak.
(v) kek k ≤ kBkk
1−kBk kbk

Ha olyan esetre nézzük (v)-t amikor ||B|| < 1, akkor ez egy jó fesl® hibakorlát lesz mivel 0-hoz tart. Végig igaz
volt, hogy a vizsgált vektornorma és mátrixnorma kompatibilis volt egymással.
Egy iterációs módszert egyértelm¶en meghatároz a B iterációs mátrix és a b iterációs vektor. Hogyan lehet
ilyen iterációs módszert csinálni? Reguláris szétvágással több iterációs módszert is el® lehet állítani.

12.2 Reguláris szétvágások

12.9 Deníció. A=T −S az A mátrix reguláris szétvágása, ha T reguláris.
Nyilván egy adott A mátrixnak végtelen sok reguláris szétvágása van és ha egyet veszünk ezek közül, akkor
a következ®képpen csinálhatunk ekvivalens átalakításokka a 12.3-hez hasonló iterációt:
Ax = a ⇔ (T − S)x = a ⇔ T x = Sx + a ⇔ x = |T −1
{z S} x + T
−1
a.
| {z }
B b

Tehát minden reguláris szétvágás esetén tudunk csinálni egy iterációs módszert.
Mik a legyakrabban használt reguláris szétvágások? Vegyük az A = D − L − R reguláris szétvágását:
     
a11 0 ... 0 0 0 ... 0 0 a12 ... a1n
... ..  ... ..  ... ..
.  . .
   
 0 a22  L = −  a22 0  R = − 0 0
  
 .
D=
... ...  . ... ... . . ...
 ..  ..  .. ..

  
0  0 an−1,n 
0 ... 0 ann an1 . . . an,n−1 0 0 ... 0 0

Továbbiakban mindig tegyük fel, hogy D reguláris és a f®átlójában nincsenek 0-k.

12.10 Deníció. A er®sen reguláris, ha A reguláris és aii 6= 0 i = 1, 2 . . . , n
12.11 Példa. A diagonális domináns és a pozitív denit mátrixok er®sen regulárisak.
Ez azért fontos mert er®sen reguláris A mátrixok esetén nyugodtan lehet csinálni a reguláris szétvágásokat.

Négy fontos reguláris szétvágás

12.2.1 Jacobbi-iteráció (J-módszer)
T = D , S = L + R, ekkor:
BJ = T −1 S = D−1 (L + R) = D −1
| {z L} + D
−1
| {z R}
L̂ R̂
bJ = T −1 a = D−1 a
xk+1 = BJ xk + bJ

L̂ deníció szerint: D−1 L, R̂ deníció szerint: D−1 R

Ez az iteráció akkor és csak akkor konvergál a megoldáshoz, ha BJ spektrálsugara kisebb, mint 1 vagy
||BJ || < 1.
A JACOBBI- ÉS A SEIDEL-MÓDSZER KONVERGENCIÁJA 60

12.2.2 (Gauss-)Seidel-iteráció (S-módszer)

T = D − L, S = R, ekkor:
BS = T −1 S = (D − L)−1 R = (D(I − D−1 L))−1 R = (I − L̂)−1 D−1 R
bS = T −1 a = (D − L)−1 a
xk+1 = BS xk + bS
T is reguláris mátrix. A gyakorlatban nem így kell majd számolni.
A harmadik és negyedik módszer ismertetéséhez bevezetünk egy ω paramétert. Legyen ω > 0 való rögzített
paraméter.
1 1
A=D−L−R= D − (L + R + ( − 1)D)
ω ω
Miért jó, hogy ω-t behoztuk? Az ω paraméter különböz® választásaival befolyásolni tudjuk az iterációs
mátrix spektrálsugarát, hogy milyen gyors legyen a konvergencia.
Az egy dolog, hogy a módszer akkor és csak akkor konvergál, ha %(B) < 1 de nyilván, ha a következ®
hibaképletekre gondolunk: ||ek || ≤ ||B||k ||e0 || látható, hogy minél kisebb a %(B) annál gyorsabb a konvergencia.

12.2.3 Jacobbi-féle túlrelaxációs módszer (J(ω)-módszer)

Legyen T = ω1 D S = L + R + ( ω1 − 1)D
Az ω-t relaxációs paraméternek nevezik ezért hívják az ilyen módszereket relaxációs módszereknek. Amikor
ω > 1 túlrelaxációról beszélünk.

1
BJ(ω) = T −1 S = ωD−1 (L + R + ( − 1)D) = ω(L̂ + R̂) + (1 − ω)I
ω
bJ(ω) = T −1 a = ωD−1 a
Ha az ω paramétert 1-nek választjuk, akkor éppen a Jacobbi-iterációt kapjuk, tulajdonképpen a Jacobbi-
módszer a J(ω)-módszer speciális esete.

12.2.4 Szukszecesszív túlrelaxációs módszer (S(ω)-módszer)

Legyen T = ω1 D − L, S = R + ( ω1 − 1)D
1 1
BS(ω) = T −1 S = ( D − L)−1 (R + ( − 1)D)
ω ω
−1 1 1
= (I − ω L̂) ( D) (R + ( − 1)D) = (I − ω L̂)−1 (ω R̂ + (1 − ω)I)
−1
ω ω
−1 1 −1
bS(ω) = T a = ( D − L) a
ω
xk+1 = BS(ω) xk + bS(ω)
A B mátrixot kiszámolni meglehet®sen költséges ezért a kiindulási A mátrixra célszer¶ feltételeket mondani:
ha az A mátrixra ilyen és olyan feltétel teljesül, akkor az iterációs módszer (úgy értve, hogy a 4 közül valamelyik)
konvergens.

12.3 A Jacobbi- és a Seidel-módszer konvergenciája

12.12 Tétel. Ha ||L̂ + R̂|| < 1 valamilyen mátrixnormában, akkor a Jacobbi-módszer konvergens.
Ez egy triviális következménye annak, hogy ha az iterációs mátrix valamilyen nomrája kisebb mint 1, akkor
a módszer konvergens.
Hogyan kaphatjuk meg az L̂ + R̂ mátrixot? Úgy, hogy A-ban a f®átlóbeli elemek helyére 0-t írunk, a többi
elemnek a (−1) szeresét vesszük és minden sort leosztunk a diagonális elemmel (mármint az eredetivel).
A 12.12 tétel jó a Jacobbi-iterációra, ha azonban ezen egy kicsit er®sítünk, akkor a Seidel-módszerre is
tudunk valamit mondani.
A JACOBBI- ÉS A SEIDEL-MÓDSZER KONVERGENCIÁJA 61

12.13 Állítás. Ha ||L̂|| + ||R̂|| < 1, akkor a Seidel-módszer is konvergens.

Bizonyítás. Meg kell nézni hogyan alakul a hiba a Seidel-iterációnál.
xk+1 = BS xk + bS = (I − L̂)−1 R̂xk + bS

Ha behelyettesítjük a pontos megoldást, akkor

x∗ = (I − L̂)−1 R̂x∗ + bS

Az el®zö két egyenlet különbségének segítségével számítjuk a k + 1-ik közelítés hibáját:

ek+1 = (I − L̂)−1 R̂ek
(I − L̂)ek+1 = R̂ek
ek+1 = L̂ek+1 + R̂ek

Felhasználva a háromszög egyenl®tlenséget:

||ek+1 || = ||L̂ek+1 + R̂ek || ≤ ||L̂ek+1 || + ||R̂ek ||
≤ ||L̂|| ||ek+1 || + ||R̂|| ||ek ||

Az el®zö egyenl®tlenségek elejét és a végét tekintve:

(1 − ||L̂||) ||ek+1 || ≤ ||R̂|| ||ek ||
||R̂||
||ek+1 || ≤ ||ek ||
1 − ||L̂||

Az ||L̂|| + ||R̂|| < 1 feltételb®l következik, hogy ||ek || szorzója 1-nél kisebb szám, tehát a hiba 0-hoz tart.
Fejezet 13

13.1 Tétel. Ha a J-módszer konvergens, akkor a J(ω)-módszer is konvergens, tetsz®leges 0 ≤ ω ≤ 1-re

Bizonyítás. BJ a J-módszer tartozó iterációs mátrix, a J-módszer konvergens pontosan akkor ha BJ spektrál-
sugara kisebb mint 1 (%(BJ ) < 1).
Legyenek BJ sajátértékei λ1 , λ2 , . . . , λn és tudjuk, hogy %(BJ ) < 1. A J(ω)-módszerhez tartozó iterációs
mátrix a BJ(ω) , a két módszer között a következ® összefüggés vehet® észre:
BJ(ω) = ωBJ + (1 − w)I

Ha a J-módszerr®l tudjuk, hogy konvergál a megoldáshoz akkor, hogy jön ki, hogy a J(ω)-módszer is konvergál?
Jelöljük a J(ω)-módszer sajátértékeit µ1 , µ2 , . . . , µn -el. Mikor igaz, hogy %(BJ ) < max1≤i≤n |µi | < 1?
Tekintsük a P (x) def
= ωx + 1 − ω -t, ekkor P (BJ ) = BJ(ω) és µ1 = P (λ1 ), µ2 = P (λ2 ), . . . , µn = P (λn ). λi -re
van fels®korlátunk, mit tudunk ez alapján µi -kr®l?
|µi | = |p(λi )| = |ωλi + 1 − ω| ≤ |ωλi | + |1 − ω|
1.
= |ω| |λi | + |1 − ω| = ω |λi | + 1 − ω < ω1 + 1 − ω = 1

1. azért lehetséges mivel ω-ra kiötöttük, hogy 0 és 1 közé esik ezért 1 − ω pozitív lesz ezért elhagyhatjuk az
abszolút értéket.
Olyan tételeket mondunk ki, hogy ha az eredeti mátrix ilyen és ilyen tulajdonságú, akkor biztosak lehetünk
benne, hogy ez és ez a módszer konvergens.

13.1 Az iterációs módszerek konvergenciája diagonális domináns A

együtthatómátrixok esetén
13.2 Tétel. Ha A diagonális domináns, akkor mind a J-módszer mind az S-módszer konvergens.
A tétel bizonyításához el®ször megnézzük, hogy az iterációnál használt fogalmakkal mikor lesz lesz egy
mátrix diagonális domináns.
13.3 Állítás. A akkor és csak akkor diagonális domináns, ha ||BJ ||∞ < 1.
||BJ ||∞ = ||L̂ + R̂||∞ = ||D−1 L + D−1 R||∞ < 1
Bizonyítás. A BJ mátrixot úgy kapjuk, hogy A-ban a f®átló beli elemek helyére 0-t írunk. Majd az eredeti
megfelel® diagonális elemekkel leosztjuk a sorokat. Tehát ||BJ ||∞ < 1 részletesebben kifejezve:
n
aij
(13.1)
X
max | |<1
1≤i≤n
j=1
aii
j6=i

62
II/14-ES TÉTEL 63

a diagonális dominancia deníciója pedig:

n
(13.2)
X
|aii | > |aij |
j=1
j6=i

(13.1) ekvivalens (13.2)-vel, hiszen ha (13.2)-t leosztjuk |aii |-vel, akkor megkapjuk (13.1)-t1 . Az ekvivalenciából
látszik, hogy ha az A diagonális domináns, akkor ||BJ ||∞ < 1 és ha ||BJ ||∞ < 1, akkor A diagonális domináns.

Bizonyítás. (13.2 tétel bizonyítása) J-módszerre az el®z® állítás miatt igaz a tétel.
S-módszerre: a 12.13-as tételben levezettük, hogy ek+1 = L̂ek+1 + R̂ek . Az i-dik komponens abszolút értéke
a háromszög egyenl®tlenség után:
i−1 n
(k+1) (k+1) (k)
X X
|ei |≤ |bij ||ej |+ |bij ||ej |
j=1 j=i+1

i = m-et rögzítjük
m−1 n
(k+1) (k)
X X
||ek+1 ||∞ = |ek+1
m |≤ |bmj ||ej |+ |bmj ||ej |
j=1 j=m+1

vegyük a maximális komponenst i-nek:

m−1
X n
X
||ek+1 ||∞ ≤ |bmj | ke(k+1) k∞ + |bmj | ke(k) ||∞
j=1 j=m+1
| {z } | {z }
δm γm

A diagonális dominancia miatt:

δm + γm < 1

||ek+1 ||∞ ≤ δm ||e(k+1) ||∞ + γm ||e(k) ||∞

||ek+1 ||∞ − δm ||e(k+1) ||∞ ≤ γm ||e(k) ||∞
||ek+1 ||∞ (1 − δm ) ≤ γm ||e(k) ||∞
γm
||ek+1 ||∞ ≤ ||e(k) ||∞
1 − δm
| {z }
<1

Tehát a hibavektor 0-hoz konvergál.

13.4 Következmény. Ha A diagonális domináns, akkor a J(ω)-módszer is konvergál bármely 0 < ω < 1-re.
Hogyan kell az ω-t választani?

13.2 II/14-es tétel

13.5 Tétel. Mind a J(ω) mind az S(ω)-módszernél a konvergencia szükséges feltétele 0 < ω < 2.
Bizonyítás. J(ω) estén elég annyit bizonyítani, hogy |1 − ω| ≤ %(BJ(ω) ) , hiszen %(BJ(ω) ) < 1 kell ahhoz, hogy
a módszer konvergens legyen tehát |1 − ω| < 1 feltételhez jutottunk amir®l látszik, hogy ω 0 és 2 közé kell, hogy
essen.
1 ehhez persze a max-t el kell mismásolni.
A 4 MÓDSZER KONVERGENCIÁJA POZITÍV DEFINIT MÁTRIXOK ESETÉN 64

Alkalmazzuk azt az ismert azonosságot, hogy a mátrix nyoma megegyezik a sajátértékek összegével. BJ(ω)
sajátértékeit jelöljük µi -vel. BJ(ω) f®átlójában végig 1 − ω van, ami a BJ(ω) deníciójából következik (BJ(ω) =
ω(L̂ + R̂) + (1 − ωI))
n
X
µi = tr(BJ(ω) ) = n(1 − ω)
i=1
n
X
n(1 − ω) = µi
i=1
⇓
n
X
n|1 − ω| ≤ |µi | ≤ n%(BJ(ω) )
i=1
|1 − ω| ≤ %(BJ(ω) )

S(ω) esetén az állítás a következ®: jelelölje λ1 , λ2 , . . . , λn a BS(ω) sajátértékeit. |1 − ω| ≤ %(BS(ω) )-t kell
bizonyítani.
PB (λ) = det(BS(ω) − λI)
BS(ω)
z }| {
−1
= det((I − ω L̂) (ω R̂ + (1 − ω)I) −λI)
= det((I − ω L̂)−1 ) det(ω R̂ + (1 − ω)I − λ(I − ω L̂))
| {z }
1

mivel a I − ωL̂-t vizsgálva láthajuk, hogy L̂ szigorúan alsótrianguláris (a f®tlójában 0-k vannak), I − ωL̂ egy
alsótrianguláris mátrix amelynek a f®átlójában csupa 1-es áll. Az invertálás után is csupa 1-es áll a f®tlóban,
így a determinánsa egy lesz.
A sajátértékek szorzata megegyezik a determináns értékével. A λ = 0 értéket behelyettesítve a baloldalnál
azt kapjuk, hogy a sajátértékek szorzata.
n
Y n
Y
λi = (1 − ω)n ⇒ |1 − ω|n = n
|λi | ≤ %(BS(ω) )
i=1 i=1

13.3 A 4 módszer konvergenciája pozitív denit mátrixok esetén

13.6 Segédtétel. Ha mind A, mind az A − H T AH pozitív denit, akkor a %(H) < 1.
Bizonyítás. Legyen
λ a H mátrix tetsz®leges sajátértéke az u ∈ Cn sajátvektorral. Az uH Au > 0 és az
u (A − H AH)u > 0 (⇒ uH Au > uH H T AHu) egyenl®tlenségek felhasználásával:
H T

uH Au > uH H T AHu = (λu)H A(λu) = |λ2 |uH Au

Ha két szélét leosztjuk uH Au-val, akkor 1 > |λ2 |-t kapunk.

Tehát van egy pozitív denit mátrixunk az A, veszünk valamilyen H mátrixot és kiszámoljuk az új mátrixot
A − H T AH -t. Ha A még mindig pozitív denit marad, akkor ez valami olyasmit jelent, hogy a H az kicsi.
13.7 Deníció. Tetsz®leges A-ra az A = T − S p-reguláris szétvágás, ha T reguláris és T T + S pozitív
denit.
13.8 Segédtétel. Ha A pozitív denit és A = T − S p-reguláris szétvágás, akkor %(B) = %(T −1 S) < 1 (tehát
az iteráció konvergens)
A 4 MÓDSZER KONVERGENCIÁJA POZITÍV DEFINIT MÁTRIXOK ESETÉN 65

Bizonyítás. Az el®z®ek alapján elég belátni, hogy az A − B T AB is pozitív denit (hiszen akkor %(B) < 1 ).
Ekkor S = T − A és B = T −1 S = T −1 (T − A) = I − T −1 A:
A − B T AB = A − (I − T −1 A)T A(I − T −1 A) = A − (I − A(T −1 )T )(A − AT −1 A)
= A − (A − A(T −1 )T A − AT −1 A + A(T −1 )T AT −1 A)
= A(T −1 )T A + AT −1 A − A(T −1 )T AT −1 A
= (T −1 A)T A + AT −1 A − (T −1 A)T AT −1 A
= (T −1 A)T (A + T T T −1 A − AT −1 A)
= (T −1 A)T (T + T T − A)T −1 A) = (T −1 A)T (T T + T − A )(T −1 A)
| {z }
S
−1 T T −1
= (T A) (T + S)(T A)

Ha A pozitív denit, akkor tetsz®leges Z reguláris mátrixra B = Z T AZ is pozitív denit lesz és ez teljesül
mivel A = T − S p-reguláris szétvágás volt.
13.9 Tétel (Konvergencia-tétel). Ha az A mátrix pozitív denit
(i) a J-módszer konvergenciájához elegend®, ha a 2D − A mátrix is pozitív denit.
(ii) a J(ω)-módszer konvergenciájához elegend®, ha a ω2 D − A mátrix is pozitív denit.
(iii) az S-módszer mindig konvergens.
(iv) az S(ω)-módszer tetsz®leges 0 < ω < 2-re konvergens
A bizonyítás annyit jelent, hogy felírjuk rá a 4 módszerhez tartozó iterációs mátrixot és felírjuk rá a második
segédtételt.
Bizonyítás. (i) mivel T T + S = DT + D − A = 2D − A ezért, ha 2D − A pozitív denit, akkor T T + S is
pozitív denit tehát A = T − S p-reguláris szétvágás és az el®z® segédtétel miatt az iteráció konvergens.
(ii) T T + S = ( ω1 D)T + ω1 D − A = ω2 D − A
S A
z }| {
(iii) T + S = (D − L) + (D − L) − A = 2D − LT − L − (D − L − LT ) = D ez mindig pozitív denit, ha A
z }| {
T T

az (ha az A mátrix pozitív denit akkor a f®átlójában pozitív számok vannak).

(iv) T T + S = ( ω1 D − L)T + ( ω1 D − L) − A = ω2 D − LT − L − (D − L − LT ) = ( ω2 − 1)D ez pedig bármely
0 < ω < 2 esetén pozitív denit lesz.
Fejezet 14

14.1 Tétel. Ha egy mátrix szimmetrikus, aii > 0 és diagonális domináns, akkor pozitív denit.

xk+1 = Bxk + b Ax = a
ek = xk − x∗

||ek ||-ra keresünk fels® korlátot.

Axk ≈ a
rk = a − Axk

14.1 Utóiteráció
Legyen Â−1 = A−1
xk+1 = xk + Â−1 rk

Ha például az A = LR felbontással oldottuk meg a rendszert, akkor

 = L̂R̂ Â−1 = R̂−1 L̂−1

xk+1 = xk + R̂−1 L̂−1 (a − Axk )

Ezeket a képleteket ilyen alakban érdemes felírni, hogy:

L̂z k = rk
R̂uk = zk
xk+1 = xk + uk

Ha így számoljuk, akkor egy-egy lépéshez csak O(n2 ) m¶velet kell és így az egészhez is csak O(n2 ) m¶velet kell.
zk kiszámításához tulajdonképpen egy el®rehelyettesítést kell csinálni és uk kiszámításához visszahelyettesítés
kell. Lehet más fajta iterációt is el®állítani:
xk+1 = xk + D−1 rk

A D−1 jelentsen valamilyen diagonális mátrixot. A következ® közelítés legyen olyan, hogy vesszük az xk -t és
adjunk hozzá korrekciót, azaz vesszük az rk vektor komponenseit és megszorozzuk egy-egy számmal ®ket, ezt
jelenti a D−1 rk kifejezés. Ilyen értelemben próbálnánk csökkenteni a hibát. Olyat csinálhatnánk, hogy ahol
rk -ban nagy volt a hiba ott D-ben egy nagy szorzót vennénk és akkor azt a komponensét a hibának ilyen módon

66
KEREKÍTÉSI HIBA AZ ITERÁCIÓS MÓDSZEREKNÉL 67

csökkentenénk. Ha azt mondanánk, hogy ez a D legyen az A mátrix diagonálisában lév® elemekb®l álló mátrix,
akkor a J-módszert kapnánk más formában.
xk+1 = D−1 (L + R)xk + D−1 a A=D−L−R
= xk − D−1 (Axk − a)
= xk + D−1 rk

A J(ω)-módszert is meglehet hasonló módon adni.

xk+1 = xk + ωD−1 rk

Ez nem más, mint a J(ω)-módszer. Tehát látszik, hogy a reziduum1 fogalomból kiindulva, le lehet vezetni
többféle iterációs módszert, részben a korábban megismerteket is. Amit mi felírunk az iterációs módszereknél
az csak elméletben igaz. A gyakorlatban itt is történik kerekítési hiba.

14.2 Kerekítési hiba az iterációs módszereknél

elmélet: xk+1 = Bxk + b
gyakorlat: z k+1 = Bz k + b + dk

tehát a gyakorlat úgy néz ki, mint ha az eredeti formulával számolnánk csak minden lépésben rárakódik valam-
ilyen kerekítési hiba (jelen esetben dk ).
Tegyük fel, hogy ||dk || < δ minden k-ra. A kiindulási feltételünk legyen ugyanaz:
z0 = x0

A kerekítési hiba hatásánál a z k − xk különbségre vagyunk kíváncsiak (méginkább egy fels® korlátjára):
def
||fk || = ||z k − xk || <?
f k+1 = z k+1 − xk+1 = Bf k + dk

A 0. lépésnél mindkett® megegyezik. Az els® lépésnél (majd rekurzióval folytatva):

f1 = z 1 − x1 = d1
f k+1 = Bf k + dk

Úgy lehetne egyszer¶síteni a dolgokat, ha azt mondanánk, hogy a d-knél az indext®l szabaduljunk meg. Mondjuk
azt, hogy ezekre a kerekítési hibavektorokra van valamilyen k-tól független globális hibakorlátunk. Erre szolgál
a ||dk || < δ feltétel az eszmefuttatás elején. Így már mondhatjuk a következ®ket:
||f 1 || ≤ δ
||f k+1 || ≤ ||B|| ||f k || + δ
||f 2 || ≤ ||B||δ + δ
||f k || ≤ (||B||k + ||B||k−1 + · · · + ||B|| + 1)δ
||B||k+1 1 − ||B||k+1
||f k || ≤ δ= δ
||B|| − 1 1 − ||B||
1 Bakos bácsi szerint maradékot jelent, a Matematikai kislexion már érdekesebb véleményen van: valamely f komplex függvény
egy z0 izolált szinguláris pontjához tartozó1 ésR res[f, z0 ]-lal jelölt reziduumán az f függvény "z0 körüli" Laurent sorában a −1-edik
hatvány együtthatóját, vagyis a c−1 = 2πi c f (ζ)d(ζ) komplex számot értjük, ahol a C görbén és annak belsejében z0 -on kívül
minden pont f reguláris pontja (a szerk.)
KONDÍCIÓSZÁM 68

Abban az esetben, ha vesszük az elméleti iterációt és tudjuk, hogy B normája kisebb mint 1, akkor már
elméletben iterálna. A gyakorlati konvergenciához azt kellene nézni, hogy:
||z k − x∗ || = || (z k − xk ) + (xk − x∗ ) ||
| {z } | {z }
fk ek

≤ ||f k || + ||ek ||
1 − ||B||k+1 ||B||k+1
≤ δ+ ||b||
1 − ||B|| 1 − ||B||
Tehát a gyakorlatban számolt zk sorozatra ilyen korlátot lehet adni.

14.3 Kondíciószám
14.2 Deníció. Tetsz®leges reguláris T mátrix esetén a k(T ) def
= ||T || ||T ||−1 -t a T mátrix (||.|| normára
vonatkozó) kondíciószámnak nevezzük. Ha T nem reguláris legyen k(T ) = ∞.
Mindig olyan normát használunk, ami nekünk kényelmes (1-es, 2-es, végtelen, Frobénius norma). Általában
minden egyes norma esetén más-más szám lesz. De látszik a képletekb®l, hogy bizonyos értélemben jellemzi a
lienáris algebrai problémákat az, hogy ez a szám mekkora. Tekintsük a következ® problémákat:
Ax = a
Ax = I
(A − λI)x = 0
mind a három feladatosztálynál meg lehet mutatni, hogy az A mátrix kondíciószáma a dönt®. Mi inkább csak
az els®r®l fogunk beszélni, de el®bb a kondíciószám tulajdonságait vizsgálgatjuk.
14.3 Állítás. Ha ||.|| norma származtatott norma, akkor a kondíciószám nagyobb egyenl® mint 1 (1 ≤ k(T )).
Bizonyítás. Itt reguláris mátrixról beszéltünk. Felírjuk az egységmátrixot:
1 = ||I|| = ||T T −1 || ≤ ||T || ||T −1 || = k(T )

A sajátértékekr®l is érdemes szót ejteni, mivel láttuk, hogy a lineáris egyenletrendszereknél konvergenciánál
is komoly szerepe van. Lehet különböz® becsléseket megadni a kondíciószámra melyekben sajátértékek szere-
pelnek.
14.4 Állítás.
max |λi |
1≤i≤n
k(T ) ≥
min |λi |
1≤i≤n

ahol T sajátértékei λ1 , λ2 , . . . , λn , T −1 sajátértékei λ1 1 , λ1 2 , . . . , λ1 1 .

Bizonyítás. Azt már tudjuk, hogy ||T || ≥ %(T ), ezt lehet alkalmazni egy kicsit trükkös módon.
max |λi |
1 1≤i≤n
k(T ) = ||T || ||T −1 || ≥ %(T )%(T −1 ) = max |λi | max | |=
1≤i≤n 1≤i≤n λi min |λi |
1≤i≤n

Úgy lehet ezt az állítást olvasni, hogy ha van egy olyan T mátrixunk aminek vannak nagyon nagy és nagyon
kicsi abszolút érték¶ sajátértékei, akkor annak a kondíciószáma is nagy lesz. Minél nagyobb a kondíciószám
annál gyengébben meghatározott a feladat, annál jobban elbillenhet különböz® hibaforrások hatására.
Következ® kérdés az lenne, ha valamilyen transzformációt hajtunk végre a T mátrixon, akkor hogyan változik
a kondíciószám. Ha kettes normával dolgozunk és ortogonális transzformációt csinálunk, akkor nem romlik a
helyzet. Ugyan ez a helyzet ortogonális hasonlósági transzformáció esetén.
PERTURBÁCIÓ 69

14.5 Állítás. A kettes norma esetén a legegyszer¶bb belátni a következ®ket:

(i) k(QT ) = k(T )
(ii) k(QT QT ) = k(T )
Bizonyítás. Ha a Q ortogonális mátrix, akkor a kettes normája 1.
(i) ||C||2 =
p
%(C T C)
q q
k2 (QT ) = ||QT ||2 ||T T QT ||2 = %((T T QT )(QT )) %((T T QT )T (T T QT ))
q q
= %(T T T ) %((T T QT )T (T T QT ))
q q
= ||T ||2 %((QT )(T T QT )) = ||T ||2 %((T T QT )(QT ))
= k2 (T )

(ii) mivel ||C||2 = ||C T ||2 és az (i)-t is felhasználva:

k(QT T Q) = k(T Q) = k((T Q)T ) = k(QT T T ) = k(T T ) = k(T )

Tehát ortogonális transzformációk esetén a kondíciószám nem változik.

14.4 Perturbáció
Van egy lineáris egyenletrendszerünk és valahogy megváltoztatjuk, akkor hogyan változik a megoldása. Gyengén
meghatározott egy egyenletrendszer, ha csak egy kicsit változtatunk rajta, akkor nagyon megváltozik a megoldás.
Legyen x∗ az eredeti egyenletrendszer megoldása x̃ a perturbált egyenletrendszer megoldása.
Ax∗ = a (eredeti egyenletrendszer)
(A + F )x̃ = a + g (perturbált egyenletrendszer)
||x∗ −x̃||
Az abszolút hibára ||x∗ − x̃|| <? és a relatív hibára ||x∗ || <? lennénk kíváncsiak. Feltéve, hogy mind az A
mind az F reguláris az inverzekkel átszorozhatunk.
x∗ − x̃ = A−1 a − (A + F )−1 (a + g) = (A + F )−1 ((A + F )A−1 a − a − g)
= (A + F )−1 (F A−1 a − g) = (A + F )−1 (F x∗ − g)

Tehát a következ®höz jutottunk:

||x∗ − x̃|| ≤ ||(A + F )−1 || (||F || ||x∗ || + ||g||) (14.1)
Ezzel még sehol sem vagyunk, mivel a jobb oldalon szerepel az x∗ . Valami olyat fels® korlátot kell produkálni,
ahol a jobb oldalon már ismert mennyiségek szerepelnek.
Megnézzük, hogy milyen esetekben létezik az (A + F )−1 és ilyen esetekben hogy lehet a (14.1)-re fels®
korlátokat adni.
14.6 Állítás. Ha valamely származtatott mátrixnormában ||A|| < 1, akkor az (I + A)−1 létezik és
1
||(I + A)−1 || ≤
1 − ||A||
PERTURBÁCIÓ 70

Bizonyítás. Legyen x 6= 0 tetsz®leges vektor. Ekkor

||(I + A)x|| = ||x − (−Ax)|| ≥ | ||x|| − ||Ax|| |
≥ ||x|| − ||Ax|| ≥ ||x|| − ||A|| ||x|| = (1 − ||A||) ||x|| > 0

Tehát (I + A)x 6= 0, vagyis I + A reguláris. Legyen C def

= (I + A)−1 . Mivel

1 = ||I|| = ||(I + A)C|| = ||C − AC|| ≥ ||C|| − ||A|| ||C|| = (1 − ||A||)||C|| = (1 − ||A||)||(I + A)−1 ||

ezzel beláttuk az inverz normájára vonatkozó egyenl®tlenséget is.

14.7 Állítás. Ha valamely származtatott mátrixnormában az ||A|| ||F || < 1, akkor az (A + F )−1 létezik és az
||A−1 ||
||(A + F )−1 || ≤
1 − ||A−1 || ||F ||

Bizonyítás.
||(A + F )−1 || = ||(A(I + A−1 F ))−1 || = ||(I + A−1 F )−1 A−1 || ≤ ||(I + A−1 F )−1 || ||A−1 ||
1 ||A−1 ||
≤ −1
||A−1 || ≤
1 − ||A F || 1 − ||A−1 || ||F ||

Ott hagytuk abba, hogy:

||x∗ − x̃|| ≤ ||(A + F )−1 || (||F || ||x∗ || + ||g||)

Következ®t lehet csinálni:

||x∗ − x̃|| ||A−1 || ||g|| ||A−1 || ||g|| ||A||
   
≤ ||F || + ∗ = ||F || +
||x∗ || 1 − ||A−1 || ||F || ||x || 1 − ||A−1 || ||F || ||a||
−1 −1
||F || ||g|| ||F || ||g||
   
||A || ||A|| ||A || ||A||
= + = +
1 − ||A−1 || ||F || ||A|| ||a|| 1 − ||A|| ||A−1 || ||F || ||A|| ||a||
||A||

||F || ||g||
 
k(A)
= +
1 − k(A) ||F || ||A|| ||a||
||A||
Tárgymutató
k -dik közelítés hibája, 56 iterációs módszer, 56
tr, 34 iterációs sorozat, 56
iterációs vektorsorozat, 56
általánosított trianguláris felbontás, 22
elemi hasonlósági transzformáció, 37 J(ω)-módszer, 59
J-módszer, 58
abszolút hiba, 3 Jacobbi-féle túlrelaxációs módszer, 59
abszolút hibakorlát, 3 Jacobbi-iteráció, 58
alsó Hessenberg mátrix, 4 Jordan-elimináció, 9
alsó tringuláris mátrix, 3
közelítés hibája, 3
bels® szorzat, 11 küls® szorzat, 11
bidiagonális mátrix, 22 kanonikus felbontás, 28
blokk, 14 karakterisztikus polinom, 33
diadikus szorzat, 11 kompatibilis (norma), 44
diagonális dominancia, 5 kondíciószám, 67
diagonális mátrix, 3 konjugált transzponált mátrix, 35
diagonizálható (mátrix), 34 konvergencia (mátrixsorozatoké), 48
konvergencia (vektorsorozatoké), 47
egyenletrendszerek ekvivalenciája, 6 kvázi diagonális, 16
ekvivalencia (vektornormáké), 45 kvázi trianguláris, 16
elemi hasonlósági transzformációval triangula rizálás,
37 LR algoritmus, 19
elemi mátrix átalakítások, 6 LR alkalmazásai, 21
elemi permutációs mátrix, 12 LR egzisztenciája, 16
eliminációs mátrix, 11 LR unicitása, 16
er®sen reguláris (mátrix), 58 LR-felbontás, 16

f®elem, 8 mátrix invertálás (Frobénius-féle), 15

F®tengely-tétel, 39 mátrix invertálás (Jordan-féle), 9
fels® Hessenberg mátrix, 4 mátrix nyoma, 34
fels® trianguláris mátrix, 3 mátrixnorma, 42

Gauss-elimináció, 7 oszlopnorma, 44
Gauss-elimináció m¶veletigénye, 8
Gersgorin-tétel, 50 p-norma, 42
gyöktényez®s alak (karakterisztikus polinom), 33 p-reguláris szétvágás, 63
partícionálás, 14
hasonló (két mátrix), 34 permutációs mátrix, 12
hasonlósági transzformáció, 34 pozitiv denit, 39
hatvány módszer, 52 preturbáció, 68
hermetikus mátrix, 39
hibavektor, 56 reguláris szétvágás, 58
homogén rendszer, 5 relatív hibakorlát, 3

iterációs mátrix, 56 S(ω)-módszer, 59

71
PERTURBÁCIÓ 72

S-módszer, 59
sajátérték, 33
sajátérték multiplicitása, 34
sajátvektor, 33
Schur-féle normálforma, 36
Seidel-iteráció, 59
skalár szorzat, 11
sornorma, 44
spektrálnorma, 44
spektrálsugár, 44
származtatott mátrixnorma, 43
Szukszecesszív túlrelaxációs módszer, 59
trace, 34
triangulizálható, 34
tridiagonális mátrix, 22
unitér mátrix, 35
vektornorma, 41