フロベニウスノルム計算機
フロベニウスノルムは、行列の大きさ(マグニチュード)を測るための行列ノルムです。行列に含まれるすべての要素の絶対値を2乗し、その総和の平方根をとることで求められます。この計算機を使えば、どんな行列でもフロベニウスノルムを素早く正確に算出できます。
フロベニウスノルムとは?
フロベニウスノルム(ユークリッドノルムとも呼ばれます)は、行列内のすべての要素を2乗した値の総和の平方根として定義される行列ノルムです。要素 \(a_{ij}\) を持つ行列 \(A\) に対して、フロベニウスノルムは \(\lVert A \rVert_F\) と表記されます。
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$このノルムは、ユークリッドノルムがベクトルの大きさを測るのと同じように、行列の「大きさ」を測る指標となります。線形代数、行列解析、数値計算など、幅広い分野で利用されています。
フロベニウスノルムを使う場面
フロベニウスノルムは、次のようなさまざまな用途で特に役立ちます。
- 行列の近似:低ランク近似や圧縮センシングなどで、ある行列が別の行列にどれだけ近いかを測る際に使われます。
- 数値解析:反復法や数値アルゴリズムにおいて、行列間の誤差や差を評価するために使用します。
- 信号処理:行列形式で表された信号のエネルギー量を解析する際に活用されます。
計算例
例1:2×2行列
行列 \(A = [1, 2; 3, 4]\) のフロベニウスノルムを計算します。
| 行列 | 計算 | 結果 |
|---|---|---|
| [1, 2; 3, 4] |
$$\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}$$ | 5.4772 |
例2:3×3行列
行列 \(B = [2, 0, 1; -1, 3, 5; 4, 2, 1]\) のフロベニウスノルムを計算します。
| 行列 | 計算 | 結果 |
|---|---|---|
| [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 |
例3:正方行列ではない場合
2×3行列 \(C = [5, 2, 1; 3, 4, 0]\) のフロベニウスノルムを計算します。
| 行列 | 計算 | 結果 |
|---|---|---|
| [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 |
フロベニウスノルムのステップバイステップ計算方法
フロベニウスノルム(ヒルベルト–シュミットノルムまたはユークリッド行列ノルムとも呼ばれます)は、このカリキュレーターが表示する式によってエントリーごとに定義されます:
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$- 行列を記述し、その次元に注目します。 \(m\) 行と \(n\) 列を持つ \(A\) を記録します。合計 \(m \times n\) 個のエントリーがあります。上の入力ボックスでは、行内の値はコンマで区切られ、行は
|で区切られます。二重和における \(i = 1 \ldots m\) と \(j = 1 \ldots n\) の制限はまさにこれらの次元です。 - すべてのエントリーを二乗します。 各 \(a_{ij}\) を \(a_{ij}^{2}\) に置き換えます。これは二重和の内部の項です。二乗は符号を削除するため、\(-4\) と \(+4\) の両方が \(16\) に寄与します。ノルムは決して行列の符号パターンに依存しません。複素行列の場合、正しい項は二乗された絶対値 \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\) です。これは実数で非負です(例えば \(|3 + 4i|^2 = 9 + 16 = 25\))。
- すべての \(m \times n\) 個の二乗値を加算します。 行ごとに作業します:行1の二乗を合計し、次に行2を、などとして、行の合計を加算します。その累積が二重和 \(\sum_{i}\sum_{j} a_{ij}^{2}\) です。
- 非負の平方根を取ります。 すべての項が二乗だったため、合計は \(\ge 0\) で、主根(非負)は常に定義されます。構造上、\(\lVert A \rVert_F \ge 0\) です。
- 目的の精度に丸めます。 平方根は通常無理数であるため、アプリケーションが必要とする小数点以下の桁数を報告します。ノルムが追加の計算に供給される場合は、中間ステップで完全な精度を保ちます。
計算例
\(2 \times 3\) の行列を取得します
$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$ステップ2と3、すべてのエントリーを代入:
$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$ステップ4と5:
$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$したがって、フロベニウスノルムは7.416198です(小数点以下6桁に四捨五入)。
作業を簡素化する2つの性質
- 順序は重要ではありません。 加算は可換かつ結合的であるため、二乗されたエントリーは任意の順序で合計できます。行ごと、列ごと、または一度にすべてです。\(\lVert A \rVert_F\) の値は、どちらの場合でも同じです。これが、ノルムが行列を数値の単一リストに「フラット化する」ものとして説明される理由です。
- 転置は何も変わりません。 転置は \(a_{ij}\) を \(a_{ji}\) と入れ替えますが、全く同じ一連のエントリーを再利用するため、\(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\) です。上の例では、\(3 \times 2\) の転置も \(\sqrt{55}\) を与えます。
簡単なサニティチェック:ノルムは最大の絶対値エントリーと同じくらい大きくなければなりません。その項は合計の項の1つだからです。この例では、\(\sqrt{55} \approx 7.42 \ge 5\) と期待どおりです。
主要用語と記法
| 用語 | 記号 | 定義 |
|---|---|---|
| 行列 | \(A\) | 行と列に配置された数値の長方形配列。その次元は \(m \times n\) と記述されます。\(m\) 行と \(n\) 列を意味し、合計で \(m \cdot n\) 個のエントリーがあります。 |
| 要素(エントリー) | \(a_{ij}\) | \(A\) の行 \(i\) と列 \(j\) にある単一の数値。最初のインデックスは常に行を参照します。 |
| フロベニウスノルム | \(\lVert A \rVert_F\) | すべてのエントリーの二乗の合計の平方根、\(\sqrt{\sum_i \sum_j a_{ij}^2}\)。ヒルベルト–シュミットノルムとも呼ばれます。または(古いテキストでは)ユークリッド行列ノルムと呼ばれます。 |
| ユークリッド/ベクトル2ノルム | \(\lVert x \rVert_2\) | ベクトル \(x\) に対して、\(\sqrt{\sum_k x_k^2}\) —その通常の長さです。\(A\) を長さ \(mn\) の単一ベクトル \(\mathrm{vec}(A)\) にフラット化する場合、\(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\) です。フロベニウスノルムは、展開されたマトリックスのベクトル2ノルムそのものです。 |
| エントリーごとのノルム | — | 個々のエントリーから直接計算されるノルム。行列を数値のリストとして扱います。フロベニウスノルムはエントリーごとの2ノルムです。 |
| 誘導(演算子)ノルム | \(\lVert A \rVert_p\) | \(A\) がベクトルをどれだけ拡張できるかで定義されるノルム:\(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\)。誘導ノルムは、データ配列としてではなくマップとしての \(A\) を説明します。フロベニウスノルムは誘導ノルムではありません。 |
| スペクトルノルム | \(\lVert A \rVert_2\) | ベクトル2ノルムによって誘導されるノルム。最大特異値 \(\sigma_{\max}(A)\) に等しいです。記法の衝突に注意:行列の場合 \(\lVert A \rVert_2\) はスペクトルノルムを意味し、エントリーごとの2ノルムではありません。 |
| トレース | \(\operatorname{trace}(A)\) | 正方行列の対角エントリーの合計、\(\sum_i a_{ii}\)。これは恒等式 \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\) を生成します(複素行列の場合は共役転置 \(A^{*}\) を使用します)。\(A^{\mathsf{T}}A\) の対角は二乗された列の長さを保持するためです。 |
| 特異値 | \(\sigma_i\) | 特異値分解 \(A = U\Sigma V^{\mathsf{T}}\) における \(\Sigma\) の対角上の非負の数値。それらは \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) を満たすため、フロベニウスノルムは特異値ベクトルの2ノルムです。 |
| 正方対非正方 | \(m = n\) 対 \(m \ne n\) | 正方行列は行数と列数が等しい。非正方(長方形)行列はそうではありません。フロベニウスノルムは両方に対して定義されます。\(m = n\) を必要とする行列式や固有値とは異なります。 |
| 直交/ユニタリ不変性 | \(Q^{\mathsf{T}}Q = I\) | 直交行列 \(Q\)(実数)またはユニタリ行列 \(U\)(複素数)は長さと角度を保ちます。フロベニウスノルムはそのような乗算の下で不変です:互換性のある大きさの直交 \(Q\) と \(Z\) に対して \(\lVert QAZ \rVert_F = \lVert A \rVert_F\)。 |
| 階数 | \(\operatorname{rank}(A)\) | \(A\) の線形独立な行(同等に、列)の数。非ゼロ特異値の数に等しいです。 |
フロベニウスノルム結果の解釈
返される数値は、行列全体をまとめた単一の非負の大きさです。その量の以下が確立された性質です。
範囲と単位
- \(\lVert A \rVert_F \ge 0\) は常に成り立ち、\(\lVert A \rVert_F = 0\) の場合、すべてのエントリーがゼロである場合に限ります。つまり、ゼロ行列の場合のみです。
- これは確率、パーセンテージ、または1で制限されたスコアではありません。上限はありません:エントリーまたは次元が増加するにつれて、ノルムは無制限に増加します。
- 結果は行列エントリーの単位を持ちます。二乗してから平方根を取ると元のスケールに戻るからです。エントリーがメートルの場合、ノルムはメートルです。異なる物理単位を持つエントリーを1つの行列に混ぜると、算術はまだ実行されますが、ノルムは物理的に無意味になります。
- ノルムは最大の絶対値エントリーと同じくらい大きく、\(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\) で、最大でそれの \(\sqrt{mn}\) 倍です。
変換への対応
- スケーリング:任意のスカラー \(c\) に対して \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\)。すべてのエントリーを2倍にするとノルムも2倍になります。行列を否定するとそれは変わりません。
- 転置:\(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\)。同じエントリーが合計されるからです。
- 直交/ユニタリ不変性:\(Q\) と \(Z\) が直交(またはユニタリ)のときはいつでも、\(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\)。回転、反射、行または列の順列は値を変えません。
- 三角不等式と部分乗法性:\(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\)。適合性のある \(A\) と \(B\) に対して \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\)。
スペクトルノルムとの関係
\(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) である一方、\(\lVert A \rVert_2 = \sigma_{\max}\) であるため、2つのノルムは
$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$によって結びつけられます。下界は \(A\) が階数1(単一の非ゼロ特異値)を持つときに達成され、上界はすべての非ゼロ特異値が等しいときに達成されます。例えば、\(n \times n\) 単位行列の場合、\(\lVert I_n \rVert_2 = 1\) である一方、\(\lVert I_n \rVert_F = \sqrt{n}\) です。\(n = 4\) の場合、フロベニウスノルムは2です。
近似誤差として
- \(\lVert A - B \rVert_F\) は、ある行列が別の行列からどれだけ離れているかの標準的な尺度です。これはフロベニウス内積 \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\) によって誘導される距離です。それを最小化することは、すべてのエントリーに対する最小二乗フィッティングと全く同じです。
- Eckart–Young–Mirskyの定理は、階数が最大 \(k\) であるすべての行列 \(B\) の中で、切り詰められた特異値分解 \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) が \(\lVert A - B \rVert_F\) を最小化し、最小値は \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\) であると述べています。(同じ切り詰めもスペクトルノルムで最適です。その場合、誤差は \(\sigma_{k+1}\) です。)
絶対対相対的大きさ
大きな値は、それ自体が大きなエントリーを示しているわけではありません。単に大きな行列を反映しているかもしれません。\(mn\) 個のエントリーすべてが寄与するからです。各要素が0.1に等しい10,000個のエントリーを持つ行列は、すべてのエントリーが小さいにもかかわらず、\(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\) を持ちます。そのため、相対誤差
$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$は、通常、参照 \(A\) に対する近似 \(B\) を比較する場合の意味のある量です。それは無次元で、\(A\) の全体的なスケールから独立しています。\(A\) がゼロ行列である場合、定義されません。