一文通俗搞懂线性无关特征向量个数≤特征值重数
线代有个很难理解的知识点,即同一特征值的线性无关特征向量个数要小于等于特征值重数。 这个结论是怎么来的呢?本文用最朴素的证明来帮助大家弄懂这个知识点(结论推导所用的都是基础的线代知识,只是有些数学式子比较复杂,认真看完,理解很容易,相信自己!)。
a.首先一起看下会用到的两个tips:
tip 1:一定可以找到n个线性无关的n维向量,且它们可以表示任何一个n维向量
比如2维向量:能找到 α 1 = ( 1 , 0 ) T 和 α 2 = ( 1 , 1 ) T \alpha_{1}=(1,0)^{T} 和 \alpha_{2}=(1,1)^{T} α1=(1,0)T和α2=(1,1)T
两个线性无关的向量,能表示二维平面里面的所有向量。
3维向量:能找到 α 1 = ( 1 , 0 , 0 ) T , α 2 = ( 1 , 1 , 0 ) T , α 3 = ( 0 , 1 , 1 ) T \alpha_{1}=(1,0,0)^{T} , \alpha_{2}=(1,1,0)^{T} ,\alpha_{3}=(0,1,1)^{T} α1=(1,0,0)T,α2=(1,1,0)T,α3=(0,1,1)T三个线性无关的向量,能表示三维立体空间里面的所有向量。
tip 2:来计算一下某种行列式的值
n阶行列式:
以5阶为例,一起来找规律。
由此可见,其行列式的值都是x的某次方乘以一堆式子。
于是我们将此规律扩展到n维:
拓展到n维(为了方便,将后面的常数用“星号”代替)
至此两个需要用到的tips讲完了,接着开始证明。
b.准备就绪,开始证明:
设A为n阶矩阵, λ 1 \lambda_{1} λ1 是它特征值(重根), α 1 α m \alpha_{1} ~ \alpha_{m} α1 αm 分别为其m个线性无关的特征向量。所以我们所要证明的就是 λ 1 \lambda_{1} λ1 的重数要≥m
证明:
1.构造一个n阶可逆矩阵P:
由于 α 1 \alpha_{1} α1 ~ α m \alpha_{m} αm 为n维向量,所以一定能找到 α m + 1 \alpha_{m+1} αm+1 ~ α n \alpha_{n} αn,使 α 1 \alpha_{1} α1 ~ α n \alpha_{n} αn 线性无关且可以表示任何一个n维向量(根据前面tip 1得到的)
因此可以构造出一个n阶可逆矩阵
P = ( α 1 , α 2 , … , α m , α m + 1 , … , α n ) P=\left( \alpha_{1} ,\alpha_{2} ,…,\alpha_{m} ,\alpha_{m+1} ,…,\alpha_{n} \right) P=(α1,α2,…,αm,αm+1,…,αn)
2.A左乘可逆矩阵P:
A P = ( A α 1 , A α 2 , … , A α m , A α m + 1 , … , A α n ) AP=\left( A\alpha_{1} ,A\alpha_{2} ,…,A\alpha_{m} ,A\alpha_{m+1} ,…,A\alpha_{n} \right) AP=(Aα1,Aα2,…,Aαm,Aαm+1,…,Aαn)
由特征值与特征向量的关系: A α i = λ 1 α i A\alpha_{i}=\lambda_{1}\alpha_{i} Aαi=λ1αi (其中i=1,2,……,m)得
A P = ( λ 1 α 1 , λ 1 α 2 , … , λ 1 α m , A α m + 1 , … , A α n ) AP=\left( \lambda_{1}\alpha_{1} ,\lambda_{1}\alpha_{2} ,…,\lambda_{1}\alpha_{m} ,A\alpha_{m+1} ,…,A\alpha_{n} \right) AP=(λ1α1,λ1α2,…,λ1αm,Aαm+1,…,Aαn)
又因为: A α i A\alpha_{i} Aαi 的结果为n维向量(i=m+1,m+2,…,n)
所以 A α i A\alpha_{i} Aαi 的结果可以用 α 1 \alpha_{1} α1 ~ α n \alpha_{n} αn 线性表示出来(根据tip 1得到的),即:
A α i = a 1 i α 1 + a 2 i α 2 + … + a n i α n = ∑ k = 1 n a k i α k ( i = m + 1 , m + 2 , … , n ) A\alpha_{i}=a_{1i}\alpha_{1}+a_{2i}\alpha_{2}+…+a_{ni}\alpha_{n}=\sum_{k=1}^{n}{a_{ki}\alpha_{ k}} (i=m+1,m+2,…,n) Aαi=a1iα1+a2iα2+…+aniαn=∑k=1nakiαk(i=m+1,m+2,…,n)
2.把AP的结果用矩阵表示:
A P = ( λ 1 α 1 , λ 1 α 2 , … , λ 1 α m , A α m + 1 , … , A α n ) AP=\left( \lambda_{1}\alpha_{1} ,\lambda_{1}\alpha_{2} ,…,\lambda_{1}\alpha_{m} ,A\alpha_{m+1} ,…,A\alpha_{n} \right) AP=(λ1α1,λ1α2,…,λ1αm,Aαm+1,…,Aαn)
⇒ A P = ( λ 1 α 1 , λ 1 α 2 , … , λ 1 α m , ∑ k = 1 n a k ( m + 1 ) α k , … , ∑ k = 1 n a k n α k ) \Rightarrow AP=\left( \lambda_{1}\alpha_{1} ,\lambda_{1}\alpha_{2} ,…,\lambda_{1}\alpha_{m} ,\sum_{k=1}^{n}{a_{k(m+1)}\alpha_{ k}} ,…,\sum_{k=1}^{n}{a_{kn}\alpha_{ k}} \right) ⇒AP=(λ1α1,λ1α2,…,λ1αm,∑k=1nak(m+1)αk,…,∑k=1naknαk)
⇒ A p = ( α 1 , α 2 , … , α m , α m + 1 , … , α n ) \Rightarrow Ap=\left( \alpha_{1} ,\alpha_{2} ,…,\alpha_{m} ,\alpha_{m+1} ,…,\alpha_{n} \right) ⇒Ap=(α1,α2,…,αm,αm+1,…,αn)· ( λ 1 a 1 ( m + 1 ) ⋯ a 1 n λ 1 a 2 ( m + 1 ) ⋯ a 2 n ⋱ ⋮ ⋮ λ 1 a m ( m + 1 ) ⋯ a m n 0 0 ⋯ 0 a ( m + 1 ) ( m + 1 ) ⋯ a ( m + 1 ) n ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 0 a n ( m + 1 ) ⋯ a n n ) \begin{pmatrix} \lambda_{1}& & & & a_{1(m+1)}&\cdots&a_{1n} \\ & \lambda_{1} & & & a_{2(m+1)}&\cdots&a_{2n}\\ & & \ddots & & \vdots& &\vdots \\ & & & \lambda_{1} & a_{m(m+1)}&\cdots&a_{mn}\\ 0 & 0 & \cdots & 0 & a_{(m+1)(m+1)}&\cdots&a_{(m+1)n} \\\vdots& \vdots& & \vdots& \vdots& &\vdots \\0&0& \cdots & 0&a_{n(m+1)}&\cdots&a_{nn}\\ \end{pmatrix} ⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛λ10⋮0λ10⋮0⋱⋯⋯λ10⋮0a1(m+1)a2(m+1)⋮am(m+1)a(m+1)(m+1)⋮an(m+1)⋯⋯⋯⋯⋯a1na2n⋮amna(m+1)n⋮ann⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞
所以就有: P − 1 A P = ( λ 1 a 1 ( m + 1 ) ⋯ a 1 n λ 1 a 2 ( m + 1 ) ⋯ a 2 n ⋱ ⋮ ⋮ λ 1 a m ( m + 1 ) ⋯ a m n 0 0 ⋯ 0 a ( m + 1 ) ( m + 1 ) ⋯ a ( m + 1 ) n ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 0 a n ( m + 1 ) ⋯ a n n ) P^{-1}AP= \begin{pmatrix} \lambda_{1}& & & & a_{1(m+1)}&\cdots&a_{1n} \\ & \lambda_{1} & & & a_{2(m+1)}&\cdots&a_{2n}\\ & & \ddots & & \vdots& &\vdots \\ & & & \lambda_{1} & a_{m(m+1)}&\cdots&a_{mn}\\ 0 & 0 & \cdots & 0 & a_{(m+1)(m+1)}&\cdots&a_{(m+1)n} \\\vdots& \vdots& & \vdots& \vdots& &\vdots \\0&0& \cdots & 0&a_{n(m+1)}&\cdots&a_{nn}\\ \end{pmatrix} P−1AP=⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛λ10⋮0λ10⋮0⋱⋯⋯λ10⋮0a1(m+1)a2(m+1)⋮am(m+1)a(m+1)(m+1)⋮an(m+1)⋯⋯⋯⋯⋯a1na2n⋮amna(m+1)n⋮ann⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞
3.减去 λ E \lambda E λE后,取行列式 :
P − 1 A P − λ E = ( λ 1 a 1 ( m + 1 ) ⋯ a 1 n λ 1 a 2 ( m + 1 ) ⋯ a 2 n ⋱ ⋮ ⋮ λ 1 a m ( m + 1 ) ⋯ a m n 0 0 ⋯ 0 a ( m + 1 ) ( m + 1 ) ⋯ a ( m + 1 ) n ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 0 a n ( m + 1 ) ⋯ a n n ) − λ E P^{-1}AP-\lambda E= \begin{pmatrix} \lambda_{1}& & & & a_{1(m+1)}&\cdots&a_{1n} \\ & \lambda_{1} & & & a_{2(m+1)}&\cdots&a_{2n}\\ & & \ddots & & \vdots& &\vdots \\ & & & \lambda_{1} & a_{m(m+1)}&\cdots&a_{mn}\\ 0 & 0 & \cdots & 0 & a_{(m+1)(m+1)}&\cdots&a_{(m+1)n} \\\vdots& \vdots& & \vdots& \vdots& &\vdots \\0&0& \cdots & 0&a_{n(m+1)}&\cdots&a_{nn}\\ \end{pmatrix} -\lambda E P−1AP−λE=⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛λ10⋮0λ10⋮0⋱⋯⋯λ10⋮0a1(m+1)a2(m+1)⋮am(m+1)a(m+1)(m+1)⋮an(m+1)⋯⋯⋯⋯⋯a1na2n⋮amna(m+1)n⋮ann⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞−λE
左边: P − 1 A P − λ E = P − 1 A P − λ P − 1 P = P − 1 ( A − λ E ) P P^{-1}AP-\lambda E=P^{-1}AP-\lambda P^{-1}P=P^{-1}(A-\lambda E)P P−1AP−λE=P−1AP−λP−1P=P−1(A−λE)P
右边: ( λ 1 − λ ∗ ⋯ ∗ λ 1 − λ ∗ ⋯ ∗ ⋱ ⋮ ⋮ λ 1 − λ ∗ ⋯ ∗ 0 0 ⋯ 0 ∗ ⋯ ∗ ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 0 ∗ ⋯ ∗ ) \begin{pmatrix} \lambda_{1}-\lambda& & & & *&\cdots&* \\ & \lambda_{1}-\lambda & & & *&\cdots&*\\ & & \ddots & & \vdots& &\vdots \\ & & & \lambda_{1}-\lambda & *&\cdots&*\\ 0 & 0 & \cdots & 0 & *&\cdots&* \\\vdots& \vdots& & \vdots& \vdots& &\vdots \\0&0& \cdots & 0&*&\cdots&*\\ \end{pmatrix} ⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛λ1−λ0⋮0λ1−λ0⋮0⋱⋯⋯λ1−λ0⋮0∗∗⋮∗∗⋮∗⋯⋯⋯⋯⋯∗∗⋮∗∗⋮∗⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞ (为了方便,将后面的常数用“星号”代替)
即得: P − 1 ( A − λ E ) P = ( λ 1 − λ ∗ ⋯ ∗ λ 1 − λ ∗ ⋯ ∗ ⋱ ⋮ ⋮ λ 1 − λ ∗ ⋯ ∗ 0 0 ⋯ 0 ∗ ⋯ ∗ ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 0 ∗ ⋯ ∗ ) P^{-1}(A-\lambda E)P= \begin{pmatrix} \lambda_{1}-\lambda& & & & *&\cdots&* \\ & \lambda_{1}-\lambda & & & *&\cdots&*\\ & & \ddots & & \vdots& &\vdots \\ & & & \lambda_{1}-\lambda & *&\cdots&*\\ 0 & 0 & \cdots & 0 & *&\cdots&* \\\vdots& \vdots& & \vdots& \vdots& &\vdots \\0&0& \cdots & 0&*&\cdots&*\\ \end{pmatrix} P−1(A−λE)P=⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛λ1−λ0⋮0λ1−λ0⋮0⋱⋯⋯λ1−λ0⋮0∗∗⋮∗∗⋮∗⋯⋯⋯⋯⋯∗∗⋮∗∗⋮∗⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞
最后取行列式得:
左边: ∣ P − 1 ( A − λ E ) P ∣ = ∣ P − 1 ∣ ∣ A − λ E ∣ ∣ P ∣ = ∣ A − λ E ∣ |P^{-1}(A-\lambda E)P|=|P^{-1}||A-\lambda E||P|=|A-\lambda E| ∣P−1(A−λE)P∣=∣P−1∣∣A−λE∣∣P∣=∣A−λE∣
右边:根据之前的tip 2得: ( λ 1 − λ ) m ( 一 堆 式 子 ) (\lambda_{1}-\lambda)^{m}(一堆式子) (λ1−λ)m(一堆式子)
即得: ∣ A − λ E ∣ = ( λ 1 − λ ) m ( 一 堆 式 子 ) |A-\lambda E|=(\lambda_{1}-\lambda)^{m}(一堆式子) ∣A−λE∣=(λ1−λ)m(一堆式子) ,
所以可以得到 λ 1 \lambda_{1} λ1 至少为m重根,为什么至少呢?因为有可能后面乘以的一堆式子中可以提取出若干个 ( λ 1 − λ ) (\lambda_{1}-\lambda) (λ1−λ) 出来,所以用至少这个词。
到此为止,我们得到想证的 λ 1 \lambda_{1} λ1 的重数要≥m,命题成立。
到此结束~
我是煜神学长,考研我们一起加油!!!
关注GZH:鱼跃考研,了解考研数学提分利器思维导图
一文通俗搞懂线性无关特征向量个数≤特征值重数相关推荐
- layer output 激活函数_一文彻底搞懂BP算法:原理推导+数据演示+项目实战(下篇)...
在"一文彻底搞懂BP算法:原理推导+数据演示+项目实战(上篇)"中我们详细介绍了BP算法的原理和推导过程,并且用实际的数据进行了计算演练.在下篇中,我们将自己实现BP算法(不使用第 ...
- 一文彻底搞懂BP算法:原理推导+数据演示+项目实战(下篇)
在"一文彻底搞懂BP算法:原理推导+数据演示+项目实战(上篇)"中我们详细介绍了BP算法的原理和推导过程,并且用实际的数据进行了计算演练.在下篇中,我们将自己实现BP算法(不使用第 ...
- 一文彻底搞懂前端监控 等推荐
大家好,我是若川.话不多说,这一次花了几个小时精心为大家挑选了20余篇好文,供大家阅读学习.本文阅读技巧,先粗看标题,感兴趣可以都关注一波,一起共同进步. 前端点线面 前端点线面 百度前端研发工程师, ...
- opc服务器是硬件吗,opc是什么(一文彻底搞懂什么是OPC)
原标题:(opc是什么(一文彻底搞懂什么是OPC)) opc是什么(一文完全搞懂什么是OPC)从2000年终以来,我们就一直在运用OPC软件互操纵性范例,而那些正准备踏入和想要踏入工业自动化范畴的人们 ...
- 一文彻底搞懂Mybatis系列(十六)之MyBatis集成EhCache
MyBatis集成EhCache 一.MyBatis集成EhCache 1.引入mybatis整合ehcache的依赖 2.类根路径下新建ehcache.xml,并配置 3.POJO类 Clazz 4 ...
- 一文彻底搞懂ROC曲线与AUC的概念
一文彻底搞懂ROC曲线与AUC的概念 1. ROC曲线的初级含义 1.1 精确率和召回率 1.2 ROC曲线的含义 2. ROC曲线如何绘制 3. ROC曲线和排序有什么关联? 4. AUC和基尼系数 ...
- 一文快速搞懂Kudu到底是什么
文章目录 引言 文章传送门: Kudu 介绍 背景介绍 新的硬件设备 Kudu 是什么 Kudu 应用场景 Kudu 架构 数据模型 分区策略 列式存储 整体架构 Kudu Client 交互 Kud ...
- 一文快速搞懂对95%置信区间的理解
一文快速搞懂对95%置信区间的理解 综合知乎上各大神的解答和网络资料得到本文对95%置信区间的理解 先给出结论 最常出现的对置信区间的错误理解: 在95%置信区间内,有95%的概率包括真实参数 (错 ...
- 奇舞周刊第 440 期:一文彻底搞懂前端沙箱
记得点击文章末尾的" 阅读原文 "查看哟~ 下面先一起看下本期周刊 摘要 吧~ 奇舞推荐 ■ ■ ■ 一文彻底搞懂前端沙箱 沙箱是一种安全机制,为运行中的程序提供隔离环境.通常 ...
最新文章
- 为什么大家都不戳破深度学习的本质?!
- 自学编程的朋友,我想给你们这 5 个建议
- BZOJ1415[Noi2005]聪聪和可可——记忆化搜索+期望dp
- 软件项目管理0713:三级等保的重要性
- rand.nextint()
- 动态分区添加的新字段无法插入数据
- 如何更高效地使用 OkHttp
- 注册表java参数_Java通过CMD方式读取注册表任意键值对代码实践
- Bishop-Pattern-Recognition-and-Machine-Learning-2006 pdf转html并翻译
- 广州地铁公厕(洗手间)和母婴室信息汇总
- 联通无线网卡DNS服务器地址,全国各地电信、联通、网通的DNS服务器地址
- java 工作簿_将多个Excel工作簿合并到一个工作簿中
- python绘制散点图和折线图_Python散点图与折线图绘制过程解析
- ISDA发布亚洲衍生品调查报告
- 读文献——《Learning representations by back-propagating errors》
- php ui设计_什么是ui设计
- vue2 + tinymce 包含自定义图片上传及视频、音频上传
- GTA5美化MOD了,这套MOD真的绝了……?
- C 求爱因斯坦数学题有一条长阶,若每步跨 2阶 ,则 最后剩 l阶,
- SAP中MIGO子功能配置介绍