线代:1.7矩阵对角化二次型
文章目录
- 任务详解:
- 1.相似矩阵
- 定义7
- 定理3
- 推论
- 矩阵的对角化
- 定理4
- 定理2
- 对称矩阵的对角化
- 推论
- 例子
- 解空间
- 2.二次型以及矩阵的正定性
- 定义8
- 正定的概念:
本课程来自 深度之眼,部分截图来自课程视频。
【第一章 线性代数】1.7矩阵对角化二次型
在线LaTeX公式编辑器
任务详解:
1、掌握相似矩阵,对角化,对角化的条件。对称矩阵一定可以对角化
2、二次型与矩阵的正定性,以及如何判断正定,可逆的又一种判断方法
1.相似矩阵
定义7
设A,B都是n阶矩阵,若有可逆矩阵P,使
P−1AP=BP^{-1}AP=BP−1AP=B
则称B是A的相似矩阵,或说矩阵A与B相似(对应的B与A也是相似的)。对A进行运算P−1APP^{-1}APP−1AP称为对A进行相似变换,可逆矩阵P称为把A变成B的相似变换矩阵.
定理3
若n阶矩阵A与B相似,则A与B的特征多项式(就是上节课中的∣A−λE∣|A-\lambda E|∣A−λE∣)相同,从而A与B的特征值亦相同。
证明:
从B的特征多项式来看:∣B−λE∣=∣P−1AP−P−1EP∣=∣P−1(A−λE)P∣|B-\lambda E|=|P^{-1}AP-P^{-1}EP|=|P^{-1}(A-\lambda E)P|∣B−λE∣=∣P−1AP−P−1EP∣=∣P−1(A−λE)P∣
=∣P−1∣∣(A−λE)∣∣P∣=∣P−1∣∣P∣∣(A−λE)∣=|P^{-1}||(A-\lambda E)||P|=|P^{-1}||P||(A-\lambda E)|=∣P−1∣∣(A−λE)∣∣P∣=∣P−1∣∣P∣∣(A−λE)∣
=∣P−1P∣∣(A−λE)∣=∣(A−λE)∣=|P^{-1}P||(A-\lambda E)|=|(A-\lambda E)|=∣P−1P∣∣(A−λE)∣=∣(A−λE)∣
所以A与B的特征多项式相同,注意,特征向量不一定一样。
推论
若n阶矩阵A与对角阵
Λ=[λ1λ2⋱λn]\Lambda =\begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots& \\ & & & \lambda_n \end{bmatrix}Λ=⎣⎢⎢⎡λ1λ2⋱λn⎦⎥⎥⎤
相似,则λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn即是A的n个特征值.
因为:Λ\LambdaΛ的特征多项式∣Λ−λE∣|\Lambda-\lambda E|∣Λ−λE∣为:
∣λ1−λλ2−λ⋱λn−λ∣=(λ1−λ)(λ2−λ)...(λn−λ)\begin{vmatrix} \lambda_1-\lambda & & & \\ & \lambda_2 -\lambda& & \\ & & \ddots& \\ & & & \lambda_n-\lambda \end{vmatrix}=(\lambda_1-\lambda)(\lambda_2-\lambda)...(\lambda_n-\lambda)∣∣∣∣∣∣∣∣λ1−λλ2−λ⋱λn−λ∣∣∣∣∣∣∣∣=(λ1−λ)(λ2−λ)...(λn−λ)
所以:λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn即是Λ\LambdaΛ的n个特征值.
A又和Λ\LambdaΛ相似,所以λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn也是A的n个特征值.
矩阵的对角化
下面我们要讨论的主要问题是:对n阶矩阵A,寻求相似变换矩阵P,使∣P−1AP=Λ|P^{-1}AP=\Lambda∣P−1AP=Λ为对角阵,这就称为把矩阵A对角化.
假设已经找到可逆矩阵P,使P-1AP=A为对角阵,我们来讨论P应满足什么关系.
把P用其列向量表示为
P=(p1,p2,…,pn)P=(p_1,p_2,…,p_n)P=(p1,p2,…,pn)
由∣P−1AP=Λ|P^{-1}AP=\Lambda∣P−1AP=Λ(左右两边同时乘上P)得AP=PΛAP=P\LambdaAP=PΛ,即
A(p1,p2,…,pn)=(p1,p2,…,pn)[λ1λ2⋱λn]A(p_1,p_2,…,p_n)=(p_1,p_2,…,p_n)\begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots& \\ & & & \lambda_n \end{bmatrix}A(p1,p2,…,pn)=(p1,p2,…,pn)⎣⎢⎢⎡λ1λ2⋱λn⎦⎥⎥⎤
=(λ1p1,λ2p2,...λnpn)=(\lambda_1p_1,\lambda_2p_2,...\lambda_np_n)=(λ1p1,λ2p2,...λnpn)
于是有:Api=λipi(i=1,2,...,n)Ap_i=\lambda_ip_i(i=1,2,...,n)Api=λipi(i=1,2,...,n),这个是特征向量的定义里面的公式(Ax=λxAx=\lambda xAx=λx)啊~~
定理4
n阶矩阵A与对角阵相似(即A能对角化)的充分必要条件是A有n个线性无关的特征向量(可以解出n个(p1,p2,…,pn)(p_1,p_2,…,p_n)(p1,p2,…,pn))。
定理2
设(λ1,λ2,...λm)(\lambda_1,\lambda_2,...\lambda_m)(λ1,λ2,...λm)是方阵A的m个特征值,(p1,p2,…,pm)(p_1,p_2,…,p_m)(p1,p2,…,pm)依次是与之对应的特征向量,如果(λ1,λ2,...λm)(\lambda_1,\lambda_2,...\lambda_m)(λ1,λ2,...λm)各不相等,则(p1,p2,…,pm)(p_1,p_2,…,p_m)(p1,p2,…,pm)线性无关.
推论:如果n阶矩阵A的n个特征值互不相等,则A与对角阵相似.
推理证明:n阶矩阵A的n个特征值互不相等,即(λ1,λ2,...λn)(\lambda_1,\lambda_2,...\lambda_n)(λ1,λ2,...λn)各不相等,根据定理2可知,与(λ1,λ2,...λn)(\lambda_1,\lambda_2,...\lambda_n)(λ1,λ2,...λn)对应的特征向量(p1,p2,…,pn)(p_1,p_2,…,p_n)(p1,p2,…,pn)线性无关.,根据定理4,n阶矩阵A与对角阵相似。
上面这几个小节虽然讲了矩阵对角化的判别标准,但是这个标准需要去计算矩阵的n个特征值,很是麻烦,有么有什么方法可以不用计算就判断矩阵是否可以对角化呢?看下一节!
对称矩阵的对角化
对称矩阵一定是可以对角化滴。
定理5:对称阵的特征值为实数
定理6:设λ1,λ2\lambda_1,\lambda_2λ1,λ2是对称阵A的两个特征值,p1,p2p_1,p_2p1,p2,是对应的特征向量.若λ1≠λ2\lambda_1\neq\lambda_2λ1=λ2,则p1与p2p_1与p_2p1与p2正交.(上面是讲线性无关,这里约束更强)
证明:λ1,λ2\lambda_1,\lambda_2λ1,λ2是对称阵A的两个特征值
因此有:λ1p1=Ap1,λ2p2=Ap2,λ1≠λ2\lambda_1p_1=Ap_1,\lambda_2p_2=Ap_2,\lambda_1\neq\lambda_2λ1p1=Ap1,λ2p2=Ap2,λ1=λ2
因A对称,故λ1p1T=(λ1p1)T=(Ap1)T=p1TAT=p1TA\lambda_1p_1^T=(\lambda_1p_1)^T=(Ap_1)^T=p_1^TA^T=p_1^TAλ1p1T=(λ1p1)T=(Ap1)T=p1TAT=p1TA,这个式子等式两边的右边在乘以p2p_2p2,得:
λ1p1Tp2=p1TAp2\lambda_1p_1^Tp_2=p_1^TAp_2λ1p1Tp2=p1TAp2,把λ2p2=Ap2\lambda_2p_2=Ap_2λ2p2=Ap2代入:
λ1p1Tp2=p1TAp2=p1T(λ2p2)=λ2p1Tp2\lambda_1p_1^Tp_2=p_1^TAp_2=p_1^T(\lambda_2p_2)=\lambda_2p_1^Tp_2λ1p1Tp2=p1TAp2=p1T(λ2p2)=λ2p1Tp2,即
(λ1−λ2)p1Tp2=0(\lambda_1-\lambda_2)p_1^Tp_2=0(λ1−λ2)p1Tp2=0
由于λ1≠λ2\lambda_1\neq\lambda_2λ1=λ2,故p1Tp2=0p_1^Tp_2=0p1Tp2=0,即p1与p2p_1与p_2p1与p2正交
定理7:设A为n阶对称阵,则必有正交阵P,使P−1AP=PTAP=ΛP^{-1}AP=P^TAP=\LambdaP−1AP=PTAP=Λ,其中Λ\LambdaΛ是以A的n个特征值为对角元的对角阵.
这个定理描述了两个东西,根据A对称,或者说A=ATA=A^{T}A=AT:
1、P−1AP=Λ=PTAPP^{-1}AP=\Lambda=P^TAPP−1AP=Λ=PTAP
2、P还是一个正交阵:PTP=PPT=EP^TP=PP^T=EPTP=PPT=E
推论
设A为n阶对称阵,λ是A的特征方程的k重根,则矩阵A-λE的秩R(A-λE)=n-k,从而对应特征值λ恰有k个线性无关的特征向量。
证明:按定理7知对称阵A与对角阵Λ=diag(λ1,…,λn)\Lambda=diag(\lambda_1,…,\lambda_n)Λ=diag(λ1,…,λn)相似,从而A-λE与Λ−λE=diag(λ1,…,λn)\Lambda-\lambda E=diag(\lambda_1,…,\lambda_n)Λ−λE=diag(λ1,…,λn)相似.当λ是A的k重特征根时,λ1,…,λn\lambda_1,…,\lambda_nλ1,…,λn这n个特征值中有k个等于λ,有n-k个不等于λ,从而对角阵Λ−λE\Lambda-\lambda EΛ−λE的对角元恰有k个等于0,于是R(Λ−λE)=n−kR(\Lambda-λE)=n-kR(Λ−λE)=n−k而R(A−λE)=R(Λ−λE)R(A-λE)=R(\Lambda-λE)R(A−λE)=R(Λ−λE),所以R(A−λE)=n−k.R(A-λE)=n-k.R(A−λE)=n−k.证毕
说人话:就是对于n阶对称矩阵A来说,有k重根,就有k个解。
依据定理7及其推论,我们有下述把对称阵A对角化的步骤:
(i)求出A的全部互不相等的特征值λ1,…,λs\lambda_1,…,\lambda_sλ1,…,λs,它们的重数依次为k1,…,ks(k1+…+ks=n)k_1,…,k_s(k1+…+k_s=n)k1,…,ks(k1+…+ks=n).
(ii)对每个k重特征值λ,求方程(A−λiE)x=0(A-λ_iE)x=0(A−λiE)x=0的基础解系,得kik_iki个线性无关的特征向量.再把它们正交化、单位化,得kik_iki个两两正交的单位特征向量.因k1+…+ks=nk1+…+k_s=nk1+…+ks=n,故总共可得n个两两正交的单位特征向量.
(iii)把这n个两两正交的单位特征向量构成正交阵P,便有P−1AP=PTAP=ΛP^{-1}AP=P^TAP=\LambdaP−1AP=PTAP=Λ注意Λ\LambdaΛ中对角元的排列次序应与P中列向量的排列次序相对应.
例子
设A=[0−11−101110]A=\begin{bmatrix} 0& -1&1 \\ -1 & 0& 1 \\ 1 &1 & 0 \end{bmatrix}A=⎣⎡0−11−101110⎦⎤求一个正交阵P,使P−1AP=ΛP^{-1}AP=\LambdaP−1AP=Λ
解:由
求得A的特征值为λ1=−2,λ2=λ3=1\lambda_1=-2,\lambda_2=\lambda_3=1λ1=−2,λ2=λ3=1.
对应λ1=−2\lambda_1=-2λ1=−2,解方程(A+2E)x=0,由
对应λ2=λ3=1\lambda_2=\lambda_3=1λ2=λ3=1,解方程(A-E)x=0,由
以上将ξ2,ξ3\xi_2,\xi_3ξ2,ξ3正交化的操作,可以百度施密特规范,ξ2,ξ3\xi_2,\xi_3ξ2,ξ3是线性无关,但不正交,这里是正交化后单位化
至此p1,p2,p3p_1,p_2,p_3p1,p2,p3都求出来了,组合变成P
解空间
对于线性方程Ax=0Ax=0Ax=0来说,有:R(A)+N(A)=nR(A)+N(A)=nR(A)+N(A)=n,其中R(A)为系数矩阵A的秩,N(A)为线性方程解的维度,例如下面这个例子就是一维的解
n为方程的未知数个数。
2.二次型以及矩阵的正定性
在解析几何中,为了便于研究二次曲线
ax2+bxy+cy2=1ax^2+bxy+cy^2=1ax2+bxy+cy2=1
的几何性质,可以选择适当的坐标旋转变换
{x=x′cosθ−y′sinθ,y=x′sinθ−y′cosθ,\left\{\begin{matrix} x=x'cos\theta-y'sin\theta,\\y=x'sin\theta-y'cos\theta, \end{matrix}\right.{x=x′cosθ−y′sinθ,y=x′sinθ−y′cosθ,
把方程化为标准形
mx′2+ny′2=1mx'^2+ny'^2=1mx′2+ny′2=1
也就是:ax2+bxy+cy2=f(x,y)ax^2+bxy+cy^2=f(x,y)ax2+bxy+cy2=f(x,y)
上面是2次方程,下面推广到n个变量x1,x2,…,xnx_1,x_2,…,x_nx1,x2,…,xn的方程:
定义8
含有n个变量x1,x2,…,xnx_1,x_2,…,x_nx1,x2,…,xn的二次齐次函数
f(x1,x2,…,xn)=a11x12i+a22x22+…+annxn2+2a12x1x2+2a13x1x3+…+2an−1,nxn−1xnf(x_1,x_2,…,x_n)=a_{11}x_1^2i+ a_{22}x_2^2+…+a_{nn}x_n^2+2a_{12}x_1x_2+2a_{13}x_1x_3+…+2a_{n-1,n}x_{n-1}x_nf(x1,x2,…,xn)=a11x12i+a22x22+…+annxn2+2a12x1x2+2a13x1x3+…+2an−1,nxn−1xn
称为二次型.
对于二次型,我们讨论的主要问题是:寻求可逆的线性变换
使二次型只含平方项,能使:
f=k1y12+k2y22+...+knyn2f=k_1y_1^2+k_2y_2^2+...+k_ny_n^2f=k1y12+k2y22+...+knyn2
这种只含平方项的二次型,称为二次型的标准形(或法式).
说人话:对于f(x1,x2,…,xn)f(x_1,x_2,…,x_n)f(x1,x2,…,xn)找到一个线性变换(就是把x坐标线性变换到y),使得整个函数可以写为:k1y12+k2y22+...+knyn2k_1y_1^2+k_2y_2^2+...+k_ny_n^2k1y12+k2y22+...+knyn2,这个模式不含2a12x1x2+2a13x1x3+…+2an−1,nxn−1xn2a_{12}x_1x_2+2a_{13}x_1x_3+…+2a_{n-1,n}x_{n-1}x_n2a12x1x2+2a13x1x3+…+2an−1,nxn−1xn这种交叉项的。
如果标准形的系数k1,k2,…,knk_1,k_2,…,k_nk1,k2,…,kn只在1,-1,0三个数中取值:
f=y12+…+yp2−yp+12−…−yr2f=y_1^2+…+y_p^2-y_{p+1}^2-…-y_r^2f=y12+…+yp2−yp+12−…−yr2
则称上式为二次型的规范形.
要把标准形变成规范形就是把系数k放入平方中,例如:k1y12=(k1y1)2k_1y_1^2=(\sqrt{k_1}y_1)^2k1y12=(k1y1)2,然后令z=k1y1z=\sqrt{k_1}y_1z=k1y1,则:k1y12=z2k_1y_1^2=z^2k1y12=z2
下面是数学的具体表达
记
则二次型可记作:
f=xTAx(1)f=x^TAx\tag{1}f=xTAx(1)
其中A为对称阵.。
例子:
公式(1)中,如果A是对角矩阵该多棒,一下子就是标准型甚至规范型了
下面就是要把A变成对角矩阵,形成标准形:
由于A是对称阵,有:PTAP=ΛP^TAP=\LambdaPTAP=Λ----》A=(PT)−1ΛP−1A=(P^T)^{-1}\Lambda P^{-1}A=(PT)−1ΛP−1,令P−1=QP^{-1}=QP−1=Q,(PT)−1=(P−1)T=QT(P^T)^{-1}=(P^{-1})^T=Q^T(PT)−1=(P−1)T=QT式子变成QTΛQQ^T\Lambda QQTΛQ,把A=QTΛQA=Q^T\Lambda QA=QTΛQ代入公式(1)
f=xTQTΛQx=(xQ)TΛQxf=x^TQ^T\Lambda Qx=(xQ)^T\Lambda Qxf=xTQTΛQx=(xQ)TΛQx
令Qx=yQx=yQx=y,上式可以写成:f=yTΛyf=y^T\Lambda yf=yTΛy
这个是关于y的标准形
正定的概念:
定义10:设有二次型f(x)=xTAxf(x)=x^TAxf(x)=xTAx,如果对任何x≠0x\neq0x=0,都有f(x)>0f(x)>0f(x)>0(显然f(0)=0f(0)=0f(0)=0),则称f为正定二次型,并称对称阵A是正定的;如果对任何x≠0x\neq0x=0都有f(x)<0f(x)<0f(x)<0,则称f为负定二次型,并称对称阵A是负定的。
定理10:n元二次型f(x)=xTAxf(x)=x^TAxf(x)=xTAx为正定的充分必要条件是:它的标准形的n个系数全为正,即它的规范形的n个系数全为1,亦即它的正惯性指数等于n.
推论:对称阵A为正定的充分必要条件是:A的特征值全为正
说人话:对于对称矩阵A,f(x)=xTAxf(x)=x^TAxf(x)=xTAx有:
正定 | 对于任意x≠0有:f(x)>0 |
---|---|
负定 | 对于任意x≠0有:f(x)<0 |
半正定 | 对于任意x≠0有:f(x)≥0 |
半负定 | 对于任意x≠0有:f(x)≤0 |
说人话:对称矩阵A是正定的,与A的特征值λi>0\lambda_i>0λi>0等价,可以推出A可逆;
对称矩阵A是半正定的,与A的特征值λi≥0\lambda_i≥0λi≥0等价,A不一定可逆
上面结论在岭回归的时候要用到。。。
线代:1.7矩阵对角化二次型相关推荐
- 线代复习小结 矩阵等价、相似、合同的区别以及向量组等价 2019/09/13
向量组等价: 向量组等价<=>可以相互表出 向量组等价=>等秩 但是项链组等秩≠>向量组等价 向量组等价,则该向量组的秩相同,从而A矩阵跟B矩阵的秩相同,所以矩阵A跟矩阵B等价 ...
- 【考研线代】二. 矩阵
文章目录 第二章 矩阵 2.1 概念,运算 2.1.1 概念 2.1.2 运算 2.1.3 运算法则 2.2 伴随矩阵,可逆矩阵(非奇异矩阵) 2.2.1 伴随矩阵 2.2.2 可逆矩阵 2.3 初等 ...
- 线代 | 【提神醒脑】自用笔记串联三 —— 相似对角化 · 二次型 · 合同变换
本文总结参考于 kira 2023 线代提神醒脑技巧班. 笔记均为自用整理.加油!ヾ(◍°∇°◍)ノ゙ 九.相似对角化 9.1.矩阵相似的性质 ---------------------------- ...
- 线代 | 【提神醒脑】自用笔记串联一 —— 矩阵行变换 · 行向量组等价 · 同解方程 · 行列式与矩阵运算 · 秩
本文总结参考于 kira 2023 线代提神醒脑技巧班. 笔记均为自用整理.加油!ヾ(◍°∇°◍)ノ゙ 一.初等变换 线性方程组同解 -- 增广矩阵 行变换 -- 行向量组等价 [一个行向量一一对应到 ...
- [数学]——一文记录高数、线代、概统知识点
目录 高数 线代(50min) 概统(50min) 补充 高数 高数 数列和函数极限的定义: 数列:任意ε,存在N,n>N时,|x-极限| < ε 函数:任意ε,存在δ,0<|x-x ...
- Codeforces 947E Perpetual Subtraction (线性代数、矩阵对角化、DP)
Codeforces 947E Perpetual Subtraction (线性代数.矩阵对角化.DP) 手动博客搬家: 本文发表于20181212 09:37:21, 原地址https://blo ...
- Codeforces 947E/923E Perpetual Subtraction (线性代数、矩阵对角化、DP)
手动博客搬家: 本文发表于20181212 09:37:21, 原地址https://blog.csdn.net/suncongbo/article/details/84962727 呜啊怎么又是数学 ...
- 分段概率密度矩估计_考研数学:高数、线代、概率3科目知识框架梳理
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 首先要确保常考题型,常考知识点非常熟练.下面从高等数学.线性代数.概率统计三个模块进行阐述. 高等数学部分 1.函数的极 限;数列的极 限;无穷小及阶的问 ...
- 2021 考研线代知识点整理
文章链接 https://gitee.com/fakerlove/linear-algebra 2021 考研线代(34分) 选择2个 填空题 1个 解答2 个 文章目录 2021 考研线代(34分) ...
- 线性代数的本质(3Blue1Brown线代笔记)
01:向量究竟是什么? 从物理专业学生视角看,向量是空间中的箭头,向量可在空间中自由落脚,决定向量的是它的长度和所指的方向. 从计算机专业学生的视角看,向量是有序的数字列表,例如研究房价,你会用二维向 ...
最新文章
- 升级 Java 编程规范的6个约定
- Java——递归遍历目录【获取指定目录下的文件名称】
- [BUUCTF-pwn]——[BJDCTF 2nd]secret
- python range函数范围_Python range函数
- Lambda、函数式接口、Stream 一次性全给你
- 12-1 定位(相对,绝对,固定)
- rsync工具介绍,rsync常用选项,rsync通过ssh同步
- 如何对shell脚本进行加密且不影响脚本运行
- 数据结构-----队列笔记
- Just Pour the Water ZOJ - 2974 (矩阵快速幂)
- linux自己写摄像头驱动,详解linux 摄像头驱动编写
- PowerDesigner 逆向工程 Could not Initialize JavaVM!
- IDEA从Git 上down 项目报错
- xlsx如何查找替换_Excel中如何使用通配符查找和替换
- W3C CSS验证方法
- Nginx多个域名配置ssl证书出错解决方案
- tensorflow2计算flops
- 用python写爬虫(一)初识爬虫
- 40个华丽的复古风格Photoshop教程
- 唐老师讲运算放大器(第五讲)——运放的应用
热门文章
- 华为轮值董事长郭平新年致辞:不经艰难困苦,何来玉汝于成
- [转]ASP.NET 安全认证(三): 用Form 表单认证实现单点登录
- 多目标优化——帕累托最优
- 【线性代数】行列式和矩阵的关系
- 转载双显示器显示模式介绍
- Vue+Less换肤方案
- 黑苹果 中文四叶草下载
- 如何在linux系统下的抓包文件保存在u盘里,在xp系统中打开,【Linux】Wireshark在Linux系统下的安装及使用...
- html 转 pug 在线,pug - HTML模板引擎安装器
- 恶意点击软件测试简历,亲测百度竞价的恶意点击:60%广告费浪费