MIT 线性代数 Linear Algebra 25: 对称矩阵的特征值特征向量,正定矩阵 | 您所在的位置:网站首页 › 实对称矩阵说明什么 › MIT 线性代数 Linear Algebra 25: 对称矩阵的特征值特征向量,正定矩阵 |
对称矩阵的特征值和特征向量
这一节,我们首先研究一类重要的矩阵,实对称矩阵,的特征值和特征向量。 性质我们的主要结论是 实对称矩阵的特征值全部是实数。实对称矩阵可以取到 n n n 个正交的特征实向量。 原因为什么所有实对称矩阵的特征值全部是实数尼?我们只用对比 A x = λ x ( 1 ) \bm{Ax}=\lambda\bm{x}~~~~(1) Ax=λx (1) A x ‾ = λ ‾ x ‾ ( 2 ) \bm{A\overline{x}}=\overline{\lambda}\overline{\bm{x}}~~~~(2) Ax=λx (2) 即可,其中下式是上式两边共轭的结果。其实从这里也能看出,任意实矩阵 A \bm{A} A, 如果 λ \lambda λ 是其特征值,则 λ ‾ \overline{\lambda} λ 也是它的特征值,他们的特征向量互为共轭。 我们还知道 A = A ⊤ \bm{A}=\bm{A}^\top A=A⊤, 因此由 (2) 有 x ‾ ⊤ A = λ ‾ x ‾ ⊤ ( 3 ) \overline{\bm{x}}^\top\bm{A}=\overline{\lambda}\overline{\bm{x}}^\top~~~~(3) x⊤A=λx⊤ (3) (1) 左乘 x ‾ ⊤ \overline{\bm{x}}^\top x⊤, (3) 右乘 x \bm{x} x 有 x ‾ ⊤ A x = λ x ‾ ⊤ x \overline{\bm{x}}^\top\bm{Ax}=\lambda\overline{\bm{x}}^\top\bm{x} x⊤Ax=λx⊤x x ‾ ⊤ A x = λ ‾ x ‾ ⊤ x \overline{\bm{x}}^\top\bm{A}\bm{x}=\overline{\lambda}\overline{\bm{x}}^\top\bm{x} x⊤Ax=λx⊤x Since x ‾ ⊤ x ≠ 0 \overline{\bm{x}}^\top\bm{x}\neq\bm{0} x⊤x=0, 我们有 λ = λ ‾ \lambda=\overline{\lambda} λ=λ, 即 λ \lambda λ 是实数。 复数矩阵 A \bm{A} A: 从上面的推导也可以看出,我们其实是在比较 (1) 和 (1) 的共轭转置。 此时,如果 A \bm{A} A 是复数矩阵,我们有 x ‾ ⊤ A x = λ x ‾ ⊤ x \overline{\bm{x}}^\top\bm{Ax}=\lambda\overline{\bm{x}}^\top\bm{x} x⊤Ax=λx⊤x x ‾ ⊤ A ‾ ⊤ x = λ ‾ x ‾ ⊤ x \overline{\bm{x}}^\top\overline{\bm{A}}^\top\bm{x}=\overline{\lambda}\overline{\bm{x}}^\top\bm{x} x⊤A⊤x=λx⊤x 所以,如果复矩阵是厄米矩阵 (Hermitian) A = A ‾ ⊤ \bm{A}=\overline{\bm{A}}^\top A=A⊤,那它的特征值也全是实数,其中通常我们记作 A ‾ ⊤ = A H \overline{\bm{A}}^\top=\bm{A}^H A⊤=AH. 应用给定上面两点性质,一个重要的结论是所有的实对称矩阵都能被相似对角化 A = Q Λ Q − 1 = Q Λ Q ⊤ \bm{A=Q}\Lambda\bm{Q}^{-1}=\bm{Q}\Lambda\bm{Q}^\top A=QΛQ−1=QΛQ⊤ 特别的,对角化所用矩阵是正交矩阵 Q \bm{Q} Q。这有什么好处尼?好处是我们可以把矩阵 A \bm{A} A 直接表示为它的特征值和特征向量: A = λ 1 q 1 q 1 ⊤ + λ 2 q 2 q 2 ⊤ + . . . + λ n q n q n ⊤ \bm{A}=\lambda_1\bm{q}_1\bm{q}_1^\top+\lambda_2\bm{q}_2\bm{q}_2^\top+...+\lambda_n\bm{q}_n\bm{q}_n^\top A=λ1q1q1⊤+λ2q2q2⊤+...+λnqnqn⊤ 其中每一项 q i q i ⊤ \bm{q}_i\bm{q}_i^\top qiqi⊤ 都是一个projection matrix (可以代入性质,对称,幂次方是本身)。每一个对称矩阵都能表示为 n n n 个相互正交的投影矩阵的线性组合 Fact 1: 如果没有 row exchange, 实对称的 pivots乘积等于矩阵的行列式,因此也等于所有特征值的乘积。 Fact 2: 对于实对称矩阵,列出所有的 pivots 和所有的特征值,positive的个数和negative的个数相等。 这一点的用处是, 我们可以估计特征值的正负,这在differential equations中很有用,因为它决定了系统最终会不会收敛。我们可以用 pivots 来估计大于某个数, 比如 d d d, 的特征值的个数 (pivots比特征值好算太多太多)。做法就是看矩阵 A − d I \bm{A-dI} A−dI pivots 有多少个正数,因为特征值被平移了 d d d. 正定矩阵 positive definite matrix对称矩阵是一类很好的矩阵,在这个基础上,我们介绍另一类矩阵:正定矩阵。这里我们只介绍一下概念,稍后我们会仔细看这一类矩阵。 前提:实对称矩阵。 要求:所有特征值大于零。 特性: 所有特征值大于零。所有 pivots 大于零。所有 n n n 个 子行列式大于零。 |
CopyRight 2018-2019 实验室设备网 版权所有 |