what 可以刻画 矩阵的收敛性 （对比 常量数列的收敛性） 向量数列的收敛性
向量的范数 （可以称为一种函数） 实质上还是一个数 n维向量经过 范数的作用 映射到一个实数
一范数 每个分量的模长的和 （模长对比 绝对值来学习 模长 向量当中的概念 包括 幅向量 模长的求解过程 根号下 a^2 + b^2 ...） 一种表示 线段的长度 （二维中） 此概念有待商榷
二范数 每个分量模长的平方和再开根号 表示到原点的距离
无穷范数 所有分量的模长中最大的那一个
最后扩充到 P范数
补充一点别的理解 （将矩阵范数 （收敛性的感念）与之前学习的数列的极限 相当于是 把矩阵中所有的数 给串联起来 相当于 之前学习的数据列 ）
证明的一下 再 C^n 上 任意的两种范数等价
再介绍到 谱半径 （所有范数的下确界）
再延伸到了 矩阵函数
先研究收敛性 （具体的相应的实际的一个理解 还没有形成 就是研究极限的一个现实的作用是什么 相应的专业术语 为什么要研究 极限 ）与之前研究极限的方式形同
首先判断一个矩阵是否收敛
第一个方式 判断它的谱半径是否小于1 这里比较简单的一个方式 判断 行核范数 以及 列核范数
或者求解A 的范数是否小于 1 找到一个就可以证明 矩阵收敛
之后判断是否 绝对收敛 与收敛半径进行比较 谱半径是否小于收敛半径 也就是是否小于1 比值法 之另外一个 绝对收敛的进行标胶 以及 求解收敛到多少 现阶段唯一的一个方式 是 （E - A）^-
还有要掌握的方法 二阶矩阵的伴随的求解
