线性代数笔记8:矩阵的对角化
2018-04-02 21:33
513 查看
本文主要讲矩阵对角化的证明及应用。
设n×nn×n矩阵有nn个线性无关的特征向量x1,...,xnx1,...,xn,令S=(x1,...,xn)S=(x1,...,xn),则:
AS=A(x1,...,xn)=(λ1x1,...,λnxn)=(x1,...,xn)⎛⎝⎜λ1...λn⎞⎠⎟AS=A(x1,...,xn)=(λ1x1,...,λnxn)=(x1,...,xn)(λ1...λn)
AS=SΛ⇒S−1AS=ΛAS=SΛ⇒S−1AS=Λ
定义二:n×nn×n矩阵AA可对角化的充要条件是AA有nn个线性无关的特征向量。
那么什么样的方阵有线性无关的特征向量呢?
定义三:λ1,..,λnλ1,..,λn是矩阵AA的互异特征值,x1,...,xnx1,...,xn是相应的特征向量,则x1,...,xnx1,...,xn线性无关。
可利用vandermonde行列式证明
可用反证法证明
同一个特征值对应的特征向量不一定都线性无关。
定义四:若n×nn×n矩阵有nn个互异的特征值,则矩阵可以对角化。
但若矩阵有相同的特征值,也可能可以对角化。
相似矩阵特征值相同。
相似矩阵行列式相同。
具有相同的可逆性。
从直观上看,代数重数就是对应的特征值的次数,几何重数是特征向量的维数,探究的就是特征值和特征向量之间的关系。
任意复方阵相似于上三角阵,且对角元为上三角矩阵的特征值。
GM(λ)≤AM(λ)GM(λ)≤AM(λ)
由定理2,AA相似于上三角矩阵TT,则AA和TT有相同的特征值,且对于任意特征值λiλi,GMA(λi)=GMT(λi)GMA(λi)=GMT(λi)。
因此,不妨设AA是上三角阵,即A=⎛⎝⎜a11...ann⎞⎠⎟A=(a11...ann)。
因此A−λiIA−λiI为对角线上对应的特征值为0,但这一行不一定为0(最多矩阵的特征值少1),因此新的矩阵r(A−λiI)≥n−AM(λi)r(A−λiI)≥n−AM(λi)
所以GM(λi)=n−r(A−λiI)≤AM(λi)GM(λi)=n−r(A−λiI)≤AM(λi)。
若复方阵AA可对角化⇔⇔对任意特征值λiλi,GM(λi)=AM(λi)GM(λi)=AM(λi)。
因为若GM(λi)=AM(λi)GM(λi)=AM(λi),则矩阵有nn个线性无关的特征向量。
对于每个特征值,计算特征向量,并检查r(A−λiI)=n−AM(λi)r(A−λiI)=n−AM(λi)是否成立。
若都成立,则计算特征向量(基础解系)。
最后将特征向量与特征值对应起来,就可以写出P−1AP=ΛP−1AP=Λ。
注意:使矩阵对角化的特征向量不是唯一的(可以乘上常数倍)。
可计算Markov过程中的平稳分布ππ。
可得到方程:πP=ππ1=1πP=ππ1=1。
计算Fibonacci数列。
差分方程uk+1=Aukuk+1=Auk描述的离散动力系统的长期行为
设AA可对角化,即存在可逆矩阵S=(x1,...,xn)S=(x1,...,xn),使得S−1AS=ΛS−1AS=Λ
设S−1u0=(c1,...,cn)TS−1u0=(c1,...,cn)T,即u0=c1x1+...+cnxnu0=c1x1+...+cnxn。
uk=Aku0=SΛkS−1u0=c1λk1x1+...+cnλknxnuk=Aku0=SΛkS−1u0=c1λ1kx1+...+cnλnkxn
可以看出,ukuk的增长因子λkiλik支配,因此系统的稳定性依赖于AA的特征值。
当所有特征值|λi|<1|λi|<1时,是稳定的;
当所有特征值|λi|≤1|λi|≤1时,是中性稳定的;
当至少有一个特征值|λi|>1|λi|>1时,是不稳定的;
逆命题也成立:若A、BA、B都可对角化,并且AB=BAAB=BA,则A、BA、B可同时对角化。
欢迎关注我的个人博客。
矩阵对角化条件
定义一:若存在可逆矩阵SS,使得S−1ASS−1AS为对角矩阵,则称为矩阵AA是可对角化的(diagonalized)。设n×nn×n矩阵有nn个线性无关的特征向量x1,...,xnx1,...,xn,令S=(x1,...,xn)S=(x1,...,xn),则:
AS=A(x1,...,xn)=(λ1x1,...,λnxn)=(x1,...,xn)⎛⎝⎜λ1...λn⎞⎠⎟AS=A(x1,...,xn)=(λ1x1,...,λnxn)=(x1,...,xn)(λ1...λn)
AS=SΛ⇒S−1AS=ΛAS=SΛ⇒S−1AS=Λ
定义二:n×nn×n矩阵AA可对角化的充要条件是AA有nn个线性无关的特征向量。
那么什么样的方阵有线性无关的特征向量呢?
定义三:λ1,..,λnλ1,..,λn是矩阵AA的互异特征值,x1,...,xnx1,...,xn是相应的特征向量,则x1,...,xnx1,...,xn线性无关。
可利用vandermonde行列式证明
可用反证法证明
同一个特征值对应的特征向量不一定都线性无关。
定义四:若n×nn×n矩阵有nn个互异的特征值,则矩阵可以对角化。
但若矩阵有相同的特征值,也可能可以对角化。
相似矩阵性质
若nn阶矩阵AA与BB相似,则A与BA与B特征多项式相同。相似矩阵特征值相同。
相似矩阵行列式相同。
具有相同的可逆性。
几何重数与代数重数
定义:设det(A−λI)=(λ1−λ)n1...(λk−λ)nkdet(A−λI)=(λ1−λ)n1...(λk−λ)nk,称nini为特征值λiλi的代数重数(algebraic multiplicity),记做AM(λi)=niAM(λi)=ni,称dimN(A−λiI)dimN(A−λiI)为特征值λiλi的几何重数(geometric multiplicity),记做GM(λi)=dimN(A−λ+iI)GM(λi)=dimN(A−λ+iI)。从直观上看,代数重数就是对应的特征值的次数,几何重数是特征向量的维数,探究的就是特征值和特征向量之间的关系。
任意复方阵相似于上三角阵,且对角元为上三角矩阵的特征值。
GM(λ)≤AM(λ)GM(λ)≤AM(λ)
由定理2,AA相似于上三角矩阵TT,则AA和TT有相同的特征值,且对于任意特征值λiλi,GMA(λi)=GMT(λi)GMA(λi)=GMT(λi)。
因此,不妨设AA是上三角阵,即A=⎛⎝⎜a11...ann⎞⎠⎟A=(a11...ann)。
因此A−λiIA−λiI为对角线上对应的特征值为0,但这一行不一定为0(最多矩阵的特征值少1),因此新的矩阵r(A−λiI)≥n−AM(λi)r(A−λiI)≥n−AM(λi)
所以GM(λi)=n−r(A−λiI)≤AM(λi)GM(λi)=n−r(A−λiI)≤AM(λi)。
若复方阵AA可对角化⇔⇔对任意特征值λiλi,GM(λi)=AM(λi)GM(λi)=AM(λi)。
因为若GM(λi)=AM(λi)GM(λi)=AM(λi),则矩阵有nn个线性无关的特征向量。
矩阵对角化判断
求出矩阵的所有特征值。对于每个特征值,计算特征向量,并检查r(A−λiI)=n−AM(λi)r(A−λiI)=n−AM(λi)是否成立。
若都成立,则计算特征向量(基础解系)。
最后将特征向量与特征值对应起来,就可以写出P−1AP=ΛP−1AP=Λ。
注意:使矩阵对角化的特征向量不是唯一的(可以乘上常数倍)。
矩阵对角化的应用
可快速计算AkAk。可计算Markov过程中的平稳分布ππ。
可得到方程:πP=ππ1=1πP=ππ1=1。
计算Fibonacci数列。
差分方程uk+1=Aukuk+1=Auk描述的离散动力系统的长期行为
设AA可对角化,即存在可逆矩阵S=(x1,...,xn)S=(x1,...,xn),使得S−1AS=ΛS−1AS=Λ
设S−1u0=(c1,...,cn)TS−1u0=(c1,...,cn)T,即u0=c1x1+...+cnxnu0=c1x1+...+cnxn。
uk=Aku0=SΛkS−1u0=c1λk1x1+...+cnλknxnuk=Aku0=SΛkS−1u0=c1λ1kx1+...+cnλnkxn
可以看出,ukuk的增长因子λkiλik支配,因此系统的稳定性依赖于AA的特征值。
当所有特征值|λi|<1|λi|<1时,是稳定的;
当所有特征值|λi|≤1|λi|≤1时,是中性稳定的;
当至少有一个特征值|λi|>1|λi|>1时,是不稳定的;
同时对角化
定理:若A、BA、B有相同的特征向量矩阵PP,使得P−1AP=Λ1,P−1BP=Λ2P−1AP=Λ1,P−1BP=Λ2,则AB=BAAB=BA。逆命题也成立:若A、BA、B都可对角化,并且AB=BAAB=BA,则A、BA、B可同时对角化。
欢迎关注我的个人博客。
相关文章推荐
- 线性代数学习笔记三:矩阵的初等变换与线性方程组
- MIT18.06线性代数课程笔记17:正交标准矩阵
- MIT18.06线性代数课程笔记5:矩阵转置,vector space以及subspace
- MIT18.06线性代数课程笔记19:矩阵行列式公式与代数余子式
- 线性代数笔记1——矩阵的基本运算
- MIT18.06线性代数课程笔记3a:矩阵相乘的五种看待角度
- MIT_线性代数笔记_11_矩阵空间、秩1矩阵、小世界图
- 机器/深度学习矩阵和线性代数学习笔记
- 线性代数的本质学习笔记(2):矩阵乘法与线性变换复合
- 线性代数笔记(特征问题与矩阵相似)
- 矩阵与线性代数学习笔记
- MIT18.06线性代数课程笔记3b:矩阵的逆元
- 线性代数笔记-矩阵乘法的几种求法
- 线性代数笔记-2-矩阵消元
- 线性代数学习笔记五:相似矩阵及二次型
- MIT_线性代数笔记_02_矩阵消元
- MIT18.06线性代数课程笔记1:矩阵和向量相乘的三种解释
- MIT18.06线性代数课程笔记4b:打乱矩阵集合及相关性质
- 线性代数学习笔记二:矩阵及其运算
- 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