Frobenius-Norm-Rechner

Frobenius-Norm-Rechner

Wachsend AI Skill PRO

Geben Sie die Berechnung ein

Ergebnisse

Frobeniusnorm
16,8819

Eingabematrix:

1,2,3|4,5,6|7,8,9

Matrixgröße:

3 x 3

Matrix:

1
2
3
4
5
6
7
8
9

Formel

‖A‖F=∑i=1m∑j=1naij2A=Matrix\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}
Nutzungsstatistik

Werbung

Fehler auf dieser Seite melden

Frobeniusnorm-Rechner

Die Frobeniusnorm ist eine Matrixnorm, die die Größe einer Matrix misst. Sie wird als Quadratwurzel aus der Summe der quadrierten Beträge aller Elemente der Matrix berechnet. Mit diesem Rechner bestimmen Sie die Frobeniusnorm einer beliebigen Matrix schnell und genau.

Was ist die Frobeniusnorm?

Die Frobeniusnorm (auch euklidische Matrixnorm genannt) ist eine Matrixnorm, die als Quadratwurzel aus der Summe der Quadrate aller Elemente einer Matrix definiert ist. Für eine Matrix A mit den Elementen \(a_{ij}\) wird die Frobeniusnorm mit \(\lVert A \rVert_F\) bezeichnet.

Diese Norm liefert ein Maß für die „Größe“ einer Matrix, ähnlich wie die euklidische Norm den Betrag eines Vektors misst. Sie wird häufig in der linearen Algebra, der Matrixanalyse und bei numerischen Berechnungen verwendet.

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$
Matrixgitter, bei dem jeder Eintrag quadriert, summiert und anschließend die Wurzel gezogen wird, um die Frobeniusnorm zu erhalten
Die Frobeniusnorm quadriert jeden Matrixeintrag, summiert die Quadrate und zieht dann die Quadratwurzel.

Wann wird die Frobeniusnorm verwendet?

Die Frobeniusnorm ist in verschiedenen Anwendungen besonders nützlich:

  • Matrixapproximation: Wenn gemessen werden soll, wie nahe eine Matrix an einer anderen liegt, etwa bei Low-Rank-Approximationen und Compressed Sensing.
  • Numerische Analysis: Zur Beurteilung des Fehlers bzw. der Differenz zwischen Matrizen bei iterativen Verfahren oder numerischen Algorithmen.
  • Signalverarbeitung: Bei der Analyse des Energiegehalts von Signalen, die in Matrixform dargestellt sind.

Beispiele

Beispiel 1: 2×2-Matrix

Berechnen Sie die Frobeniusnorm der Matrix A = [1, 2; 3, 4]

Matrix Berechnung Ergebnis
[1, 2;
3, 4]
\(\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}\) 5,4772

Beispiel 2: 3×3-Matrix

Berechnen Sie die Frobeniusnorm der Matrix B = [2, 0, 1; -1, 3, 5; 4, 2, 1]

Matrix Berechnung Ergebnis
[2, 0, 1;
-1, 3, 5;
4, 2, 1]
\(\sqrt{2^2 + 0^2 + 1^2 + (-1)^2 + 3^2 + 5^2 + 4^2 + 2^2 + 1^2} = \sqrt{4 + 0 + 1 + 1 + 9 + 25 + 16 + 4 + 1} = \sqrt{61}\) 7,8102

Beispiel 3: Nicht quadratische Matrix

Berechnen Sie die Frobeniusnorm der 2×3-Matrix C = [5, 2, 1; 3, 4, 0]

Matrix Berechnung Ergebnis
[5, 2, 1;
3, 4, 0]
\(\sqrt{5^2 + 2^2 + 1^2 + 3^2 + 4^2 + 0^2} = \sqrt{25 + 4 + 1 + 9 + 16 + 0} = \sqrt{55}\) 7,4162

Verwandte Rechner

Werbung

So berechnen Sie die Frobeniusnorm Schritt für Schritt

Die Frobeniusnorm (auch Hilbert-Schmidt-Norm oder euklidische Matrixnorm genannt) ist eintragsweise durch die Formel definiert, die dieser Rechner anzeigt:

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$
  1. Schreiben Sie die Matrix auf und notieren Sie ihre Dimensionen. Erfassen Sie \(A\) mit \(m\) Zeilen und \(n\) Spalten, sodass sie insgesamt \(m \times n\) Einträge hat. Im Eingabefeld oben werden die Werte innerhalb einer Zeile durch Kommas getrennt und die Zeilen durch |. Die Grenzen \(i = 1 \ldots m\) und \(j = 1 \ldots n\) in der Doppelsumme entsprechen genau diesen Dimensionen.
  2. Quadrieren Sie jeden Eintrag. Ersetzen Sie jedes \(a_{ij}\) durch \(a_{ij}^{2}\) — das ist der Term innerhalb der Doppelsumme. Das Quadrieren beseitigt Vorzeichen, sodass \(-4\) und \(+4\) beide \(16\) beitragen; die Norm hängt nie vom Vorzeichenmuster der Matrix ab. Bei einer komplexen Matrix ist der korrekte Term das Betragsquadrat \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\), das reell und nichtnegativ ist (zum Beispiel \(|3 + 4i|^2 = 9 + 16 = 25\)).
  3. Addieren Sie alle \(m \times n\) quadrierten Werte. Gehen Sie zeilenweise vor: Summieren Sie die Quadrate in Zeile 1, dann in Zeile 2 und so weiter, und addieren Sie anschließend die Zeilensummen. Diese Aufsummierung ist die Doppelsumme \(\sum_{i}\sum_{j} a_{ij}^{2}\).
  4. Ziehen Sie die nichtnegative Quadratwurzel. Wenden Sie \(\sqrt{\;\cdot\;}\) auf die Summe an. Da jeder Term ein Quadrat war, ist die Summe \(\ge 0\) und die Hauptwurzel (die nichtnegative Wurzel) stets definiert; \(\lVert A \rVert_F \ge 0\) gilt per Konstruktion.
  5. Runden Sie auf die gewünschte Genauigkeit. Die Quadratwurzel ist meist irrational, geben Sie also so viele Nachkommastellen an, wie Ihre Anwendung benötigt — und behalten Sie in Zwischenschritten die volle Genauigkeit bei, wenn die Norm in eine weitere Berechnung eingeht.

Rechenbeispiel

Nehmen wir die \(2 \times 3\)-Matrix

$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$

Schritt 2 und 3, mit Einsetzen jedes Eintrags:

$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$

Schritt 4 und 5:

$$\lVert A \rVert_F = \sqrt{55} \approx 7{,}416198$$

Die Frobeniusnorm beträgt also 7,416198 (auf sechs Nachkommastellen gerundet).

Zwei Eigenschaften, die die Arbeit vereinfachen

  • Die Reihenfolge spielt keine Rolle. Die Addition ist kommutativ und assoziativ, daher können die quadrierten Einträge in beliebiger Reihenfolge summiert werden — zeilenweise, spaltenweise oder alle auf einmal. Der Wert von \(\lVert A \rVert_F\) ist in jedem Fall identisch, weshalb die Norm oft als „Abflachen“ der Matrix zu einer einzigen Liste von Zahlen beschrieben wird.
  • Transponieren ändert nichts. Beim Transponieren werden \(a_{ij}\) und \(a_{ji}\) vertauscht, aber genau dieselben Einträge verwendet, daher gilt \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\). Im obigen Beispiel ergibt auch die \(3 \times 2\)-Transponierte \(\sqrt{55}\).

Eine kurze Plausibilitätsprüfung: Die Norm muss mindestens so groß sein wie der betragsmäßig größte Eintrag, da dessen Quadrat einer der Summanden ist. Im Beispiel gilt \(\sqrt{55} \approx 7{,}42 \ge 5\), wie erwartet.

Wichtige Begriffe und Notation

Begriff Symbol Definition
Matrix \(A\) Ein rechteckiges Zahlenschema aus Zeilen und Spalten. Ihre Dimensionen werden als \(m \times n\) geschrieben, also \(m\) Zeilen und \(n\) Spalten, insgesamt \(m \cdot n\) Einträge.
Element (Eintrag) \(a_{ij}\) Die einzelne Zahl in Zeile \(i\) und Spalte \(j\) von \(A\). Der erste Index bezieht sich immer auf die Zeile.
Frobeniusnorm \(\lVert A \rVert_F\) Die Quadratwurzel aus der Summe der Quadrate aller Einträge, \(\sqrt{\sum_i \sum_j a_{ij}^2}\). Auch Hilbert-Schmidt-Norm oder (in älteren Texten) euklidische Matrixnorm genannt.
Euklidische Norm / Vektor-2-Norm \(\lVert x \rVert_2\) Für einen Vektor \(x\) gilt \(\sqrt{\sum_k x_k^2}\) — seine gewöhnliche Länge. Wenn Sie \(A\) zu einem einzigen Vektor \(\mathrm{Vek}(A)\) der Länge \(mn\) abflachen, gilt \(\lVert A \rVert_F = \lVert \mathrm{Vek}(A) \rVert_2\); die Frobeniusnorm ist also buchstäblich die Vektor-2-Norm der aufgerollten Matrix.
Eintragsweise Norm — Eine Norm, die direkt aus den einzelnen Einträgen berechnet wird und die Matrix als Liste von Zahlen behandelt. Die Frobeniusnorm ist die eintragsweise 2-Norm.
Induzierte (Operator-)Norm \(\lVert A \rVert_p\) Eine Norm, die dadurch definiert ist, wie stark \(A\) einen Vektor strecken kann: \(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\). Induzierte Normen beschreiben \(A\) als Abbildung, nicht als Datenfeld; die Frobeniusnorm ist keine induzierte Norm.
Spektralnorm \(\lVert A \rVert_2\) Die von der Vektor-2-Norm induzierte Norm, gleich dem größten Singulärwert \(\sigma_{\max}(A)\). Beachten Sie den Notationskonflikt: \(\lVert A \rVert_2\) bedeutet bei einer Matrix die Spektralnorm, nicht die eintragsweise 2-Norm.
Spur \(\operatorname{trace}(A)\) Die Summe der Diagonaleinträge einer quadratischen Matrix, \(\sum_i a_{ii}\). Daraus folgt die Identität \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\) (bei komplexen Matrizen ist die konjugiert Transponierte \(A^{*}\) zu verwenden), da die Diagonale von \(A^{\mathsf{T}}A\) die quadrierten Spaltenlängen enthält.
Singulärwerte \(\sigma_i\) Die nichtnegativen Zahlen auf der Diagonalen von \(\Sigma\) in der Singulärwertzerlegung \(A = U\Sigma V^{\mathsf{T}}\). Sie erfüllen \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\), die Frobeniusnorm ist also die 2-Norm des Singulärwertvektors.
Quadratisch vs. nicht quadratisch \(m = n\) vs. \(m \ne n\) Eine quadratische Matrix hat gleich viele Zeilen und Spalten; eine nicht quadratische (rechteckige) nicht. Die Frobeniusnorm ist für beide definiert, anders als Determinanten oder Eigenwerte, die \(m = n\) voraussetzen.
Orthogonale / unitäre Invarianz \(Q^{\mathsf{T}}Q = I\) Eine orthogonale Matrix \(Q\) (reell) oder unitäre Matrix \(U\) (komplex) erhält Längen und Winkel. Die Frobeniusnorm ist bei einer solchen Multiplikation invariant: \(\lVert QAZ \rVert_F = \lVert A \rVert_F\) für orthogonale \(Q\) und \(Z\) passender Größe.
Rang \(\operatorname{rank}(A)\) Die Anzahl der linear unabhängigen Zeilen (äquivalent: Spalten) von \(A\); sie entspricht der Anzahl der von null verschiedenen Singulärwerte.
Werbung

So interpretieren Sie Ihr Ergebnis der Frobeniusnorm

Die ausgegebene Zahl ist ein einzelner nichtnegativer Wert, der die gesamte Matrix zusammenfasst. Die folgenden Aussagen sind gesicherte Eigenschaften dieser Größe.

Wertebereich und Einheiten

  • Stets gilt \(\lVert A \rVert_F \ge 0\), und \(\lVert A \rVert_F = 0\) genau dann, wenn jeder Eintrag null ist — also nur für die Nullmatrix.
  • Sie ist keine Wahrscheinlichkeit, kein Prozentsatz und kein durch 1 beschränkter Wert. Es gibt keine Obergrenze: Die Norm wächst unbeschränkt, wenn Einträge oder Dimensionen größer werden.
  • Das Ergebnis hat die Einheit der Matrixeinträge, da Quadrieren und anschließendes Wurzelziehen auf die ursprüngliche Skala zurückführen. Sind die Einträge in Metern angegeben, ist die Norm in Metern. Werden in einer Matrix Einträge mit unterschiedlichen physikalischen Einheiten gemischt, ist die Norm physikalisch bedeutungslos, auch wenn die Rechnung formal funktioniert.
  • Die Norm ist mindestens so groß wie der betragsmäßig größte Eintrag, \(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\), und höchstens \(\sqrt{mn}\)-mal so groß.

Verhalten bei Transformationen

  • Skalierung: \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) für jeden Skalar \(c\). Verdoppeln aller Einträge verdoppelt die Norm; Negieren der Matrix lässt sie unverändert.
  • Transposition: \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\), da dieselben Einträge summiert werden.
  • Orthogonale/unitäre Invarianz: \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\), sofern \(Q\) und \(Z\) orthogonal (bzw. unitär) sind. Drehungen, Spiegelungen und Permutationen von Zeilen oder Spalten ändern den Wert daher nicht.
  • Dreiecksungleichung und Submultiplikativität: \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\) und \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\) für verknüpfbare \(A\) und \(B\).

Zusammenhang mit der Spektralnorm

Da \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) und \(\lVert A \rVert_2 = \sigma_{\max}\) gilt, sind die beiden Normen durch

$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$

miteinander verknüpft. Die untere Schranke wird erreicht, wenn \(A\) den Rang 1 hat (ein einziger von null verschiedener Singulärwert), die obere, wenn alle von null verschiedenen Singulärwerte gleich sind. Für eine \(n \times n\)-Einheitsmatrix gilt zum Beispiel \(\lVert I_n \rVert_2 = 1\), aber \(\lVert I_n \rVert_F = \sqrt{n}\); mit \(n = 4\) beträgt die Frobeniusnorm 2.

Als Approximationsfehler

  • \(\lVert A - B \rVert_F\) ist das übliche Maß dafür, wie weit eine Matrix von einer anderen entfernt ist; es ist der vom Frobenius-Skalarprodukt \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\) induzierte Abstand, und seine Minimierung entspricht genau einer Kleinste-Quadrate-Anpassung über alle Einträge.
  • Der Satz von Eckart-Young-Mirsky besagt, dass unter allen Matrizen \(B\) mit Rang höchstens \(k\) die abgeschnittene Singulärwertzerlegung \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) die Größe \(\lVert A - B \rVert_F\) minimiert, mit dem Minimalwert \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\). (Dieselbe Abschneidung ist auch in der Spektralnorm optimal, wo der Fehler \(\sigma_{k+1}\) beträgt.)

Absolute versus relative Größe

Ein großer Wert bedeutet für sich genommen nicht, dass die Einträge groß sind — er kann einfach eine große Matrix widerspiegeln, da jeder der \(mn\) Einträge beiträgt. Eine Matrix mit 10.000 Einträgen, die jeweils 0,1 betragen, hat \(\lVert A \rVert_F = \sqrt{10000 \times 0{,}01} = 10\), obwohl jeder Eintrag klein ist. Deshalb ist der relative Fehler

$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$

beim Vergleich einer Näherung \(B\) mit einer Referenz \(A\) normalerweise die aussagekräftige Größe; er ist dimensionslos und unabhängig von der Gesamtskala von \(A\). Er ist nicht definiert, wenn \(A\) die Nullmatrix ist.

Zuletzt aktualisiert:

Am beliebtesten in Mathe und Statistik

Alle Mathe und Statistik Rechner anzeigen