对角矩阵的性质(diagonal matrix)
对角矩阵(英语:diagonal matrix)是一个主对角线之外的元素皆为0的矩阵。对角线上的元素可以为0或其他值。因此n行n列的矩阵{\displaystyle \mathbf {D} } = (di,j)若符合以下的性质:
{\displaystyle d_{i,j}=0{\mbox{ if }}i\neq j\qquad \forall i,j\in \{1,2,\ldots ,n\}}
则矩阵{\displaystyle \mathbf {D} }为对角矩阵。
目录
[隐藏]
- 1例子
- 2矩阵运算
- 3性质
- 4方阵与对角矩阵相似的充分必要条件
- 5参考
例子[编辑]
{\displaystyle {\begin{pmatrix}a&0&0\\0&b&0\\0&0&c\end{pmatrix}},{\begin{pmatrix}1&0&0\\0&2&0\\0&0&0\end{pmatrix}},{\begin{pmatrix}1&0\\0&7\end{pmatrix}},{\begin{pmatrix}2\end{pmatrix}}}
均为对角矩阵
矩阵运算[编辑]
- 加法
{\displaystyle {\begin{bmatrix}a_{1}&&&\\&a_{2}&&\\&&\ddots &\\&&&a_{n}\end{bmatrix}}+{\begin{bmatrix}b_{1}&&&\\&b_{2}&&\\&&\ddots &\\&&&b_{n}\end{bmatrix}}={\begin{bmatrix}a_{1}+b_{1}&&&\\&a_{2}+b_{2}&&\\&&\ddots &\\&&&a_{n}+b_{n}\end{bmatrix}}}
- 乘法
{\displaystyle {\begin{bmatrix}a_{1}&&&\\&a_{2}&&\\&&\ddots &\\&&&a_{n}\end{bmatrix}}{\begin{bmatrix}b_{1}&&&\\&b_{2}&&\\&&\ddots &\\&&&b_{n}\end{bmatrix}}={\begin{bmatrix}a_{1}b_{1}&&&\\&a_{2}b_{2}&&\\&&\ddots &\\&&&a_{n}b_{n}\end{bmatrix}}}
- 逆矩阵
{\displaystyle {\begin{bmatrix}a_{1}&&&\\&a_{2}&&\\&&\ddots &\\&&&a_{n}\end{bmatrix}}^{-1}={\begin{bmatrix}a_{1}^{-1}&&&\\&a_{2}^{-1}&&\\&&\ddots &\\&&&a_{n}^{-1}\end{bmatrix}}} 当且仅当 {\displaystyle a_{1},a_{2},\cdots ,a_{n}} 均不为零。
性质[编辑]
- 对角矩阵都是对称矩阵。
- 对角矩阵是上三角矩阵及下三角矩阵。
- 单位矩阵In及零矩阵恒为对角矩阵。一维的矩阵也恒为对角矩阵。
- 一个对角线上元素皆相等的对角矩阵是数乘矩阵,可表示为单位矩阵及一个系数λ的乘积:λI。
- 一对角矩阵 diag(a1, ..., an) 的特征值为a1, ..., an。而其特征向量为单位向量 e1, ..., en。
- 一对角矩阵 diag(a1, ..., an) 的行列式为a1...an的乘积。
- 矩阵 A 左乘一个对角矩阵 D,是分别用 D 的对角线元素分别作用于矩阵 A 的每一行;
- 相似地,矩阵 A 右乘一个对角矩阵 D,是分别将 D 的对角线元素分别作用于矩阵 A 的每一列
- 对角矩阵之间的矩阵乘法运算,对角线元素相乘,仍为对角矩阵,自然此时满足乘法的交换律;
方阵与对角矩阵相似的充分必要条件[编辑]
{\displaystyle n}阶方阵可进行对角化的充分必要条件是:
- {\displaystyle n}阶方阵存在{\displaystyle n}个线性无关的特征向量
- 推论:如果这个{\displaystyle n}阶方阵有{\displaystyle n}阶个不同的特征值,那么矩阵必然存在相似矩阵
- 如果{\displaystyle n}阶方阵存在重复的特征值,每个特征值的线性无关的特征向量的个数恰好等于该特征值的重复次数
对角矩阵的性质(diagonal matrix)相关推荐
- 对角矩阵(diagonal matrix)
1. 对角矩阵参与矩阵乘法 矩阵 A 左乘一个对角矩阵 D,是分别用 D 的对角线元素分别作用于矩阵 A 的每一行: 相似地,矩阵 A 右乘一个对角矩阵 D,是分别将 D 的对角线元素分别作用于矩阵 ...
- 【机器学习】奇异值分解
奇异值分解 1 概述 奇异值分解(singular value decomposition,SVD)是一种矩阵因子分解方法,是线性代数的概念,但在统计学习中被广泛使用.奇异值分解可以被概括为能够将任意 ...
- 线性代数-中英文对照
原文链接 https://blog.csdn.net/touzani/article/details/1618597 向量代数 向量--有方向和大小的量 (向量(vector)),法向量(norma ...
- gram矩阵的性质_线性代数(十五)标准正交基(Orthonormal Bases)和Gram-Schmidt正交化...
本节讲述什么是标准正交基.为什么需要标准正交基以及如何获得标准正交基. 标准正交基需要两个要素:正交(orthogonal 垂直)和标准(normal 长度为1).如果只是正交的基,而向量长度不为1, ...
- 判断上三角矩阵_线性代数15——矩阵空间\对角矩阵\和秩1矩阵
矩阵空间 矩阵空间是对向量空间的扩展,因为矩阵的本质是向量,所以与向量空间类似,也存在矩阵空间. 在向量空间中,任意两个向量的加法和数乘仍然在该空间内.类似的,所有固定大小的矩阵也组成了矩阵空间,在空 ...
- 【几种特殊的矩阵:对角矩阵、上下三角矩阵、正态分布随机矩阵、魔方矩阵、希尔伯特矩阵、托普利兹矩阵】
(这两个最不特殊了,线代中学过不过有点忘) 1.对角矩阵: 对角矩阵(diagonal matrix)是一个主对角线之外的元素皆为0的矩阵,常写为diag(a1,a2,...,an) .对 ...
- 【机器学习的数学基础】(七)矩阵分解(Matrix Decomposition)(中)
文章目录 4 矩阵分解(Matrix Decomposition)(中) 4.3 Cholesky分解 4.4 特征分解与对角化 4.5 奇异值分解 4.5.1 几何图解SVD 4.5.2 SVD的构 ...
- Matrix operations
本文为<Linear algebra and its applications>的读书笔记 目录 Sums and Scalar Multiples Matrix Multiplicati ...
- 【李宏毅2020 ML/DL】P57 Unsupervised Learning - Linear Methods | PCA Matrix Factorization
我已经有两年 ML 经历,这系列课主要用来查缺补漏,会记录一些细节的.自己不知道的东西. 已经有人记了笔记(很用心,强烈推荐):https://github.com/Sakura-gh/ML-note ...
最新文章
- Python面向对象篇(2)-继承
- 64位以内Rabin-Miller 强伪素数测试和Pollard rho 因数分解解析
- win7下安装 python2 和python3
- 1539. 第 k 个缺失的正整数
- C++/C--vector初始化与赋值【转载】
- class meta
- solr html显示,在SOLR中,如何执行索引. html 文件_solr_开发99编程知识库
- php 获取图片、swf的尺寸大小
- Chipmunk2D中文手册
- 为什么郭台铭才是夏普的最佳归宿?
- 宋朝五子登科家族金榜进士涂大任后裔在松滋
- 腾讯云Ubuntu建FTP心得
- error C2448 函数样式初始值设定项类似函数定义
- HDMI 1.4 协议详解
- python3中的os.path模块
- 中专生女生学高铁还是计算机,女生学习高铁乘务专业好就业吗
- Let正版短信测压开源源码
- matlab的导数等
- python规则引擎pyke_规则引擎Pyke与PyClips对比研究报告
- emui免root改MAC,手机机型修改免root
热门文章
- (java)leetcode122 买卖股票的最佳时机2 数组的多个谷底与峰值的求和
- android+硬件服务,android之硬件访问服务框架
- g80 architecture overview
- H5网页头部的声明应该是用 lang=zh 还是 lang=zh-cn?
- 害虫防治技术有哪些?
- JavaScript——易班优课YOOC课群在线测试自动答题解决方案(十四)自动刷题
- 如果阿里裁员30%是真的,你拿什么和阿里背景的程序员竞争?
- 模仿东京首页banner轮播,京东新闻上下滚动动画实现(动画实现)
- 大一C语言总结贴(持更) Part 3 计算圆周率
- Docker-- 什么是Docker和Docker的基本知识