Frobenius Normu Hesaplama Aracı
Frobenius normu, bir matrisin büyüklüğünü ölçen bir matris normudur. Matristeki tüm elemanların mutlak değerlerinin karelerinin toplamının kareköküyle hesaplanır. Bu araç, herhangi bir matrisin Frobenius normunu hızlı ve doğru bir şekilde bulmanıza yardımcı olur.
Frobenius Normu Nedir?
Frobenius normu (Öklid normu olarak da bilinir), bir matristeki tüm elemanların karelerinin toplamının karekökü olarak tanımlanan bir matris normudur. Elemanları \(a_{ij}\) olan bir \(A\) matrisi için Frobenius normu \(\lVert A \rVert_F\) şeklinde gösterilir.
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$Bu norm, tıpkı Öklid normunun bir vektörün büyüklüğünü ölçmesi gibi, bir matrisin "boyutunu" ölçmenin bir yolunu sunar. Lineer cebir, matris analizi ve sayısal hesaplamalarda yaygın olarak kullanılır.
Frobenius Normu Ne Zaman Kullanılır?
Frobenius normu özellikle şu uygulamalarda işe yarar:
- Matris Yaklaşımı: Düşük ranklı yaklaşımlar ve sıkıştırılmış algılama gibi uygulamalarda bir matrisin başka bir matrise ne kadar yakın olduğunu ölçerken.
- Sayısal Analiz: İteratif yöntemlerde veya sayısal algoritmalarda matrisler arasındaki hatayı ya da farkı değerlendirmek için.
- Sinyal İşleme: Matris biçiminde temsil edilen sinyallerin enerji içeriğini analiz ederken.
Örnekler
Örnek 1: 2×2 Matris
A = [1, 2; 3, 4] matrisinin Frobenius normunu hesaplayalım.
| Matris | Hesaplama | Sonuç |
|---|---|---|
| [1, 2; 3, 4] |
\(\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}\) | 5.4772 |
Örnek 2: 3×3 Matris
B = [2, 0, 1; -1, 3, 5; 4, 2, 1] matrisinin Frobenius normunu hesaplayalım.
| Matris | Hesaplama | Sonuç |
|---|---|---|
| [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 |
Örnek 3: Kare Olmayan Matris
2×3 boyutundaki C = [5, 2, 1; 3, 4, 0] matrisinin Frobenius normunu hesaplayalım.
| Matris | Hesaplama | Sonuç |
|---|---|---|
| [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 |
Frobenius Normunun Adım Adım Nasıl Hesaplanacağı
Frobenius normu (ayrıca Hilbert–Schmidt veya Öklidyen matris normu olarak adlandırılır) aşağıdaki formülle girdiye göre tanımlanır:
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$- Matrisi yazın ve boyutlarını not edin. \(A\) matrisini \(m\) satır ve \(n\) sütun ile kaydedin, böylece toplamda \(m \times n\) girişi vardır. Yukarıdaki giriş kutusunda, bir satır içindeki değerler virgülle, satırlar ise
|ile ayrılır. Çift toplama içindeki sınırlar \(i = 1 \ldots m\) ve \(j = 1 \ldots n\) tam olarak bu boyutlardır. - Her girişin karesini alın. Her \(a_{ij}\) öğesini \(a_{ij}^{2}\) ile değiştirin — bu çift toplam içindeki terimdir. Karesini almak işaretleri kaldırır, bu nedenle \(-4\) ve \(+4\) her ikisi de \(16\) katkıda bulunur; norm hiçbir zaman matrisin işaret desenine bağlı değildir. Karmaşık bir matris için doğru terim kare modülüs \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\) olup, bu gerçel ve negatif olmayan bir sayıdır (örneğin \(|3 + 4i|^2 = 9 + 16 = 25\)).
- Tüm \(m \times n\) kare değerleri ekleyin. Satır satır çalışın: birinci satırın karelerini toplayın, sonra ikinci satırı toplayın ve bu şekilde devam edin, ardından satır toplamlarını ekleyin. Bu biriktirme çift toplam \(\sum_{i}\sum_{j} a_{ij}^{2}\) olur.
- Negatif olmayan kare kökü alın. Toplama \(\sqrt{\;\cdot\;}\) uygulayın. Her terim bir kare olduğu için, toplam \(\ge 0\) ve ana (negatif olmayan) kök her zaman tanımlıdır; \(\lVert A \rVert_F \ge 0\) yapıyla tanımlıdır.
- İstenilen kesinliğe yuvarlayın. Kare kök genellikle irrasyoneldir, bu nedenle uygulamanızın ihtiyaç duyduğu kadar ondalık basamak bildirin — norm ek bir hesaplamaya giriyorsa ara adımlarda tam kesinliği saklayın.
Çalışılan örnek
\(2 \times 3\) matrisini alın
$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$Adım 2 ve 3, her girişi yerine koyarak:
$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$Adım 4 ve 5:
$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$Bu nedenle Frobenius normu 7.416198 (altı ondalık basamağa yuvarlanmış) olur.
İşi basitleştiren iki özellik
- Sıra önemli değildir. Toplama değişmeli ve birleşmeli olduğu için, kare girişler herhangi bir sırada toplanabilir — satır satır, sütun sütun veya hepsi birden. \(\lVert A \rVert_F\) değeri her iki şekilde de aynıdır, bu nedenle norm genellikle matrisi tek bir sayı listesine "düzleştirme" olarak tanımlanır.
- Devrik hiçbir şeyi değiştirmez. Devrik almak \(a_{ij}\) ile \(a_{ji}\) arasında yer değiştirir ancak tam olarak aynı girişleri yeniden kullanır, bu nedenle \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\) olur. Yukarıdaki örnekte, \(3 \times 2\) devriği de \(\sqrt{55}\) verir.
Hızlı bir kontrol: norm en az en büyük mutlak girişi kadar büyük olmalıdır, çünkü o girişin karesi toplama katkıda bulunan terimlerden biridir. Örnekte, \(\sqrt{55} \approx 7.42 \ge 5\) olarak beklendiği gibidir.
Temel Terimler ve Gösterim
| Terim | Sembol | Tanım |
|---|---|---|
| Matris | \(A\) | Satırlar ve sütunlarda düzenlenmiş sayılardan oluşan dikdörtgen bir dizi. Boyutları \(m \times n\) olarak yazılır, bu da \(m\) satır ve \(n\) sütun ve toplam \(m \cdot n\) girişi anlamına gelir. |
| Eleman (girişi) | \(a_{ij}\) | \(A\) matrisinin \(i\) satırı ve \(j\) sütununda yer alan tek sayı. İlk dizin her zaman satırı belirtir. |
| Frobenius normu | \(\lVert A \rVert_F\) | Tüm girişlerin karelerinin toplamının karekökü, \(\sqrt{\sum_i \sum_j a_{ij}^2}\). Ayrıca Hilbert–Schmidt normu veya (eski metinlerde) Öklidyen matris normu olarak adlandırılır. |
| Öklidyen / vektör 2-normu | \(\lVert x \rVert_2\) | Bir vektör \(x\) için, \(\sqrt{\sum_k x_k^2}\) — onun sıradan uzunluğu. \(A\) matrisini tek bir vektör \(\mathrm{vec}(A)\) içine (uzunluk \(mn\)) düzleştirirseniz, \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\) olur; Frobenius normu tam olarak açılmış matrisin vektör 2-normudur. |
| Girdiye göre norm | — | Matrisin bireysel girişlerinden doğrudan hesaplanan norm, matrisi sayı listesi olarak işler. Frobenius normu girdiye göre 2-normdur. |
| İndüklenen (operatör) norm | \(\lVert A \rVert_p\) | \(A\) matrisinin bir vektörü ne kadar uzatabileceği tarafından tanımlanan norm: \(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\). İndüklenen normlar \(A\) matrisini veri dizisi olarak değil, harita olarak tanımlar; Frobenius normu değil indüklenen bir normdur. |
| Spektral norm | \(\lVert A \rVert_2\) | Vektör 2-normu tarafından indüklenen norm, en büyük tekil değerine eşit \(\sigma_{\max}(A)\). Gösterim çakışmasına dikkat edin: bir matris için \(\lVert A \rVert_2\) spektral norm anlamına gelir, girdiye göre 2-norm değil. |
| İz | \(\operatorname{trace}(A)\) | Kare matrisin köşegen girişlerinin toplamı, \(\sum_i a_{ii}\). Özdeşliği \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\) verir (karmaşık matrisler için eşlenik devrik \(A^{*}\) kullanın), çünkü \(A^{\mathsf{T}}A\) matrisinin köşegeni sütun uzunluklarının karelerini içerir. |
| Tekil değerler | \(\sigma_i\) | Tekil değer ayrıştırması \(A = U\Sigma V^{\mathsf{T}}\) içinde \(\Sigma\) matrisinin köşegeninde yer alan negatif olmayan sayılar. \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) olmasını sağlarlar, bu nedenle Frobenius normu tekil değer vektörünün 2-normudur. |
| Kare karşı kare olmayan | \(m = n\) karşı \(m \ne n\) | Kare matris eşit sayıda satır ve sütuna sahip; kare olmayan (dikdörtgen) matris değildir. Frobenius normu, determinantlar veya özdeğerler gibi \(m = n\) gerektirenlerin aksine her ikisi için tanımlanır. |
| Ortogonal / üniter değişmezliği | \(Q^{\mathsf{T}}Q = I\) | Ortogonal matris \(Q\) (gerçel) veya üniter matris \(U\) (karmaşık) uzunlukları ve açıları korur. Frobenius normu böyle çarpımlar altında değişmezdir: uyumlu boyuta sahip ortogonal \(Q\) ve \(Z\) için \(\lVert QAZ \rVert_F = \lVert A \rVert_F\) olur. |
| Rütbe | \(\operatorname{rank}(A)\) | \(A\) matrisinin doğrusal bağımsız satırlarının (eşdeğer olarak sütunlarının) sayısı, sıfır olmayan tekil değerlerin sayısına eşittir. |
Frobenius Norm Sonucunuzu Yorumlama
Döndürülen sayı tüm matrisi özetleyen tek bir negatif olmayan büyüklüktür. Aşağıdakiler o miktarın kuruluş özellikleridir.
Aralık ve birimler
- \(\lVert A \rVert_F \ge 0\) her zaman geçerli ve \(\lVert A \rVert_F = 0\) ancak ve ancak her girişi sıfır ise — yani yalnızca sıfır matris için.
- Bu olasılık, yüzde, 1 ile sınırlı bir skor değildir. Üst sınır yoktur: norm girişler veya boyutlar büyüdükçe sınırsız olarak artar.
- Sonuç matris girişlerinin birimini taşır, çünkü karesini almak ve sonra karekök almak orijinal ölçeğe dönüş yapar. Girişler metre ise, norm metre cinsindendir. Bir matriste farklı fiziksel birimlerin girişlerini karıştırmak normu fiziksel olarak anlamsız yapar, aritmetik hala çalışmasına rağmen.
- Norm en az en büyük mutlak girişi kadar büyüktür, \(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\), ve en fazla \(\sqrt{mn}\) kez bu değerdir.
Dönüşümlere nasıl yanıt verir
- Ölçeklendirme: Herhangi bir skaler \(c\) için \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) olur. Her girişi iki katına çıkarmak normu iki katına çıkarır; matrisi nefis kılmak onu değiştirmez.
- Devrik: Aynı girişler toplandığı için \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\) olur.
- Ortogonal/üniter değişmezliği: \(Q\) ve \(Z\) ortogonal (veya üniter) olduğunda \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\) olur. Döndürmeler, yansımalar ve satırların veya sütunların permütasyonları bu nedenle değeri değiştirmez.
- Üçgen eşitsizliği ve alt çarpımsallık: \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\) ve uyumlu \(A\) ve \(B\) için \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\) olur.
Spektral norma ilişki
\(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) iken \(\lVert A \rVert_2 = \sigma_{\max}\) olduğu için, iki norm birbirlerine bağlıdır
$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$Alt sınır \(A\) rütbesi 1 olduğunda (tek bir sıfır olmayan tekil değer) elde edilir ve üst sınır tüm sıfır olmayan tekil değerler eşit olduğunda. Örneğin, \(n \times n\) özdeşlik matrisi için, \(\lVert I_n \rVert_2 = 1\) iken \(\lVert I_n \rVert_F = \sqrt{n}\); \(n = 4\) olduğunda Frobenius normu 2 olur.
Yaklaşıklık hatası olarak
- \(\lVert A - B \rVert_F\) bir matrisin diğerine ne kadar uzak olduğunun standart ölçüsüdür; Frobenius iç çarpımı \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\) tarafından indüklenen uzaklıktır ve onu en aza indirmek tüm girişler üzerinde en küçük kareler uyumudur.
- Eckart–Young–Mirsky teoremi en fazla \(k\) rütbesindeki tüm \(B\) matrisleri arasında, kesilen tekil değer ayrıştırması \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) \(\lVert A - B \rVert_F\) en aza indirir, minimum değeri \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\) olur. (Aynı kesme spektral normda da en uygundir; burada hata \(\sigma_{k+1}\) olur.)
Mutlak karşı göreli boyut
Büyük bir değer kendi başına büyük girişleri göstermez — basitçe büyük bir matrisi yansıtabilir, her biri \(mn\) girişin katkıda bulunduğu için. 10.000 girişi her biri 0.1'e eşit olan bir matris \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\) olur, her girişi küçük olmasına rağmen. Bu nedenle göreli hata
$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$normalde bir yaklaşıklık \(B\) ile referans \(A\) karşılaştırılırken anlamlı niceliktir; boyutsuz ve \(A\) toplamının ölçeğinden bağımsızdır. \(A\) sıfır matrisi olduğunda tanımsızdır.