MIT线性代数笔记-第二十五讲
2018-03-15 20:22
309 查看
Symmetric matrices
对称矩阵有什么特点?主要是以下两个性质:1.特征值为实数
2.特征向量正交,或者可以通过选择正交(当λ值重复时,则可以在一个平面中选择两个垂直的特征向量λ值重复时,则可以在一个平面中选择两个垂直的特征向量)
我们知道,普通情况下,当A有n个独立的特征向量时,可以表示为A=SΛS−1A=SΛS−1,那么当A为对称矩阵时呢?A=QΛQ−1=QΛQT(其中Q为所有列都标准正交的矩阵)A=QΛQ−1=QΛQT(其中Q为所有列都标准正交的矩阵)
为什么对称矩阵的特征值为实数?
首先我们有:Ax=λxAx=λx
然后,我们做共轭处理(这里实际是假设A的特征值为复数):Axˇ=λˇxˇ−>xˇTAT=xˇTλˇ−>xˇTA=xˇTλˇAxˇ=λˇxˇ−>xˇTAT=xˇTλˇ−>xˇTA=xˇTλˇ(每个矩阵,如果有一个特征值为a + bi,那么必有对应的共轭复数a - bi)
我们对这个式子两边乘以xx,得:xˇTAx=xˇTλˇxxˇTAx=xˇTλˇx,我们再对Ax=λxAx=λx两边乘以xˇxˇ,得xˇTAx=λxˇTxxˇTAx=λxˇTx
于是,将两个式子对比,有λˇ=λλˇ=λ,所以λλ为实数
我们得出λλ为实数有一个前提,那就是xˇTxxˇTx不等于0,我们来看看它是什么形式
由此,我们也知道了一个复数向量乘以其共轭向量的转置,得到的必定大于0
之前我们推导的前提为A为实对称矩阵,那么A为复数矩阵呢?
我们知道,好的矩阵有两个性质:
1.λλ为实数
2.特征向量正交
满足此性质的为A=AT(实数情况下)A=AT(实数情况下),A=AˇT(复数情况下)A=AˇT(复数情况下)
再来看看A=QΛQTA=QΛQT
由这个等式,可以知道每个对称矩阵都是互相正交的投影矩阵的组合
当我们知道对称矩阵的特征值为实数时,我们就想知道这些特征值到底为正数还是负数(之前的课里讲过,微分方程以及幂方程的收敛性都与λλ有关,因此它的正负号很重要),那么我们应该如何得知?答案是通过主元(即pivot)!!!
引入一个定理:
如果A是对称矩阵,则它的主元符号与特征值符号相同,数目也相同
Positive Definite Matrices
正定矩阵的性质:对称矩阵且主元,特征值和所有子行列式(需要检查n个)都为正数
为什么行列式要检查所有n个子行列式?看看这个例子:
[−100−3][−100−3]
行列式为整数,但是显然不是正定矩阵,因此我们要检查-1,4,发现-1不满足正数
相关文章推荐
- MIT18.06线性代数课程笔记20:矩阵逆元计算、克里默法则 以及 行列式与volume、外积的关系
- MIT_线性代数笔记_03_乘法和逆矩阵
- MIT线性代数笔记-第五讲
- MIT线性代数笔记-第八讲
- MIT线性代数笔记-第十讲
- MIT线性代数课程笔记对应代码-【lecture 1】
- MIT18.06线性代数课程笔记9:线性无关、向量拓展空间、空间的基、空间维度
- MIT线性代数笔记-第十三讲
- MIT线性代数笔记-第二十九讲
- MIT线性代数笔记-第三十二讲
- MIT线性代数笔记-第三十四讲
- MIT线性代数课程笔记对应代码-【lecture 3】
- 线性代数(笔记十) MIT公开课(来源网易云课堂)
- MIT线性代数笔记-第二十七讲
- MIT18.06线性代数课程笔记19:矩阵行列式公式与代数余子式
- MIT18.06线性代数课程笔记15:子空间投影矩阵
- MIT 线性代数课程 笔记
- MIT线性代数公开课笔记(Lec9:线性相关性、基、维数)
- MIT线性代数笔记-第二十八讲
- MIT线性代数笔记-第十一讲