Shawn Zhong

Shawn Zhong

钟万祥
  • Tutorials
  • Mathematics
    • Math 240
    • Math 375
    • Math 431
    • Math 514
    • Math 521
    • Math 541
    • Math 632
    • Abstract Algebra
    • Linear Algebra
    • Category Theory
  • Computer Sciences
    • CS/ECE 252
    • CS/ECE 352
    • Learn Haskell
  • AP Notes
    • AP Microecon
    • AP Macroecon
    • AP Statistics
    • AP Chemistry
    • AP Physics E&M
    • AP Physics Mech
    • CLEP Psycho

Shawn Zhong

钟万祥
  • Tutorials
  • Mathematics
    • Math 240
    • Math 375
    • Math 431
    • Math 514
    • Math 521
    • Math 541
    • Math 632
    • Abstract Algebra
    • Linear Algebra
    • Category Theory
  • Computer Sciences
    • CS/ECE 252
    • CS/ECE 352
    • Learn Haskell
  • AP Notes
    • AP Microecon
    • AP Macroecon
    • AP Statistics
    • AP Chemistry
    • AP Physics E&M
    • AP Physics Mech
    • CLEP Psycho

Linear Algebra

Home / Mathematics / Notes / Linear Algebra / Page 5

第20讲 相似矩阵与矩阵对角化

  • Jul 10, 2017
  • Shawn
  • Linear Algebra
  • No comments yet
20.1 矩阵的相似 • 定义:相似 ○ 对于矩阵 A_(n×n),B_(n×n) ,存在可逆矩阵 P 使得 B=P^(−1) AP ○ 则称矩阵 A 和矩阵 B 相似,记作 A~B • 相似是一种等价关系 ○ 反身性:A~A § A=I^(−1) AI § ⇒A~A ○ 对称性:若 A~B,则 B~A § A~B § ⇒B=P^(−1) AP § ⇒A=PBP^(−1)=(P^(−1) )^(−1) B(P^(−1) ) § ⇒A~B ○ 传递性,若 A~B, B~C,则 A~C § A~B, B~C § ⇒{█(B=P_1^(−1) AP_1@C=P_2^(−1) BP_2 )┤ § ⇒C=P_2^(−1) P_1^(−1) AP_1 P_2=(P_1 P_2 )^(−1) A(P_1 P_2 ) § ⇒A~C • 矩阵关系 ○ 相似:B=P^(−1) AP ○ 等价:B=PAQ ○ 相似矩阵一定等价 ○ 等价矩阵不一定相似 • 性质1 ○ 内容 § 相似的矩阵有相同的特征值 § 但特征向量一般不相同 ○ 证明 § A~B⇒B=P^(−1) AP § |λI−A|=|P^(−1) (λI−A)P|=|P^(−1) λIP−P^(−1) AP|=|λI−B|=0 ○ 注:反之不成立(必要条件,但不充分) § A=(■8(1&0@0&1)), B=(■8(1&1@0&1)) 有相同特征值 λ=1 § 将与 A 相似的矩阵记为 C 则 § P^(−1) AP=P^(−1) IP=I § ⇒C=I≠B § 故 B 与 A 不相似 • 性质2 ○ 相似矩阵有相同的秩 § A~B § ⇒B=P^(−1) AP § ⇒r(B)=r(A) ○ 相似矩阵有相等的行列式 § |B|=|P^(−1) AP|=|P^(−1) ||A||P|=|A| ○ 相似矩阵有相等的可逆性,且可逆时 A^(−1)~B^(−1) § 由于行列式相同, 可逆性必然相同 § A~B § ⇒B=P^(−1) AP § ⇒B^(−1)=(P^(−1) AP)^(−1)=P^(−1) A^(−1) (P^(−1) )^(−1)=P^(−1) A^(−1) P § ⇒B^(−1)~A^(−1) ○ 相似矩阵有相等的迹 § ∑_(i=1)^n▒a_ii =∑_(i=1)^n▒λ_i =∑_(i=1)^n▒b_ii 20.2 可对角化条件 • 定义:可对角化 ○ 矩阵 A 是否和对角矩阵相似 • 可对角化的意义 ○ (■(1&&@&2&@&&3))^100=(■(1&&@&2^100&@&&3^100 )) ○ 若 A 与 (■(1&&@&2&@&&3)) 相似,则存在 P ○ A^100=P^(−1) (■(1&&@&2&@&&3))P…P^(−1) (■(1&&@&2&@&&3))P=P^(−1) (■(1&&@&2&@&&3))^100 P • 定理1 ○ 内容 § A~Λ=(■(λ_1&&@&⋱&@&&λ_n )) ⇔ A 有 n 个线性无关的特征向量 ○ 证明必要性 § A~Λ=(■(λ_1&&@&⋱&@&&λ_n )) § ∃P s.t. P^(−1) AP=Λ § ⇒AP=PΛ § 设 P=((α_1 ) ⃗…(α_n ) ⃗ ) § A((α_1 ) ⃗…(α_n ) ⃗ )=((α_1 ) ⃗…(α_n ) ⃗ )(■(λ_1&&@&⋱&@&&λ_n )) § ⇒(A(α_1 ) ⃗,…,A(α_n ) ⃗ )=(λ_1 (α_1 ) ⃗,…,λ_n (α_n ) ⃗ ) § ⇒{█(A(α_1 ) ⃗=λ_1 (α_1 ) ⃗@⋮@A(α_n ) ⃗=λ_1 (α_n ) ⃗ )┤ § 即为特征向量的定义 § 又因为 P 可逆,(α_1 ) ⃗…(α_n ) ⃗ 均线性无关 ○ 证明充分性 § 将 A 线性无关的特征向量记为 (α_1 ) ⃗…(α_n ) ⃗ § 构造 P=((α_1 ) ⃗…(α_n ) ⃗ ) § 下略,只需按证明必要性的步骤倒退即可 ○ 推论 § 如果矩阵 A 有 n 个不同的特征值,则 A 可对角化 • 定理2 ○ 内容 § 若矩阵的特征方程有重根 § 且重根 λ_i 重数 n_i 等于对应的基础解系中向量个数 § 则矩阵可对角化 § n−r(λ_i I−A)=n_i ○ 证明 § 取自 λ_1 的特征向量记为 (α_1 ) ⃗…(α_s ) ⃗ (s=n_1 ) § 取自 λ_2 的特征向量记为 (β_1 ) ⃗…(β_t ) ⃗ (t=n_2 ) § 构造 k_1 (α_1 ) ⃗+…+k_s (α_s ) ⃗+l_1 (β_1 ) ⃗+…l_t (β_t ) ⃗=0 § 以下使用反证法,证明 k_i=0, l_j=0 § 假设 k_i≠0, l_j≠0 § k_1 (α_1 ) ⃗+…+k_s (α_s ) ⃗=−(l_1 (β_1 ) ⃗+…l_t (β_t ) ⃗ ) § 将上式记为 α ⃗=k_1 (α_1 ) ⃗+…+k_s (α_s ) ⃗=−(l_1 (β_1 ) ⃗+…l_t (β_t ) ⃗ ) § α ⃗=k_1 (α_1 ) ⃗+…+k_s (α_s ) ⃗⇒Aα ⃗=λ_1 α ⃗ § α ⃗=−(l_1 (β_1 ) ⃗+…l_t (β_t ) ⃗ )⇒Aα ⃗=λ_2 α ⃗ § 与 λ_1≠λ_2 矛盾 § 故 k_i=0, l_j=0 • 例题:A=(■8(1&1&−1@−2&4&−2@−2&2&0)) 是否可对角化,并求 A^5 ○ |λI−A|=|■8(λ−1&−1&1@2&λ−4&2@2&−2&λ)|=|■8(λ−1&0&1@2&λ−2&2@2&λ−2&λ)|=(λ−2)|■8(λ−1&0&1@2&1&2@2&1&λ)| ○ =(λ−2)|■8(λ−1&0&1@2&1&2@0&0&λ−2)|=(λ−2)^2 (λ−1)=0 ○ ⇒λ_1=λ_2=2 or λ_3=1 ○ 当 λ_1=λ_2=2 时 § λI−A=(■8(1&1&−1@−2&−2&−2@−2&2&2)) § r(■8(1&−1&1@2&−2&2@2&−2&2))=1 § n−r(λ_i I−A)=n_i⇒可对角化 § (λI−A) α ⃗=(■8(1&1&−1@−2&−2&−2@−2&2&2)) α ⃗=0 § ⇒(α_1 ) ⃗=(■8(1@1@0)),(α_2 ) ⃗=(■8(−1@0@1)) ○ 当 λ_3=1 时 § 解得 α ⃗=(■8(1@2@2)) ○ P=(■8(1&−1&1@1&0&2@0&1&2)), Λ=(■(2&&@&2&@&&1)),且 P^(−1) AP=Λ ○ 即 A=P^(−1) ΛP ○ ⇒A^5=(P^(−1) ΛP)^5=P^(−1) Λ^5 P=P^(−1) (■(32&&@&32&@&&1))P=(■8(−62&94&−62@−62&62&−30@1&31&−31)) 20.3 约当标准形简介 • k阶约当块 ○ 〖J(λ)=(■(λ&1&&@&⋱&⋱&@&&⋱&1@&&&λ))〗_(k×k) • 约当矩阵 ○ J=(■(J(λ_1 )&&&@&J(λ_1 )&&@&&⋱&@&&&J(λ_1 ) )) ○ 试判断 § (■(1&&@&2&@&&3)) 是 § (■8(1&1&0@0&1&0@0&0&2)) 是 § (■8(0&1&0@0&0&1@0&0&0)) 是 § (■8(1&1&0@0&2&0@0&0&3)) 否 § (■8(1&2&0@0&1&0@0&0&2)) 否 ○ 所有三阶约当矩阵的类型 § (■8(λ_1&0&0@0&λ_2&0@0&0&λ_3 ))(■8(λ_1&0&0@0&λ_2&1@0&0&λ_3 ))(■8(λ_1&1&0@0&λ_2&0@0&0&λ_3 ))(■8(λ_1&1&0@0&λ_2&1@0&0&λ_3 )) • 定理 ○ 任意一个矩阵 A_(n×n) 都和约当矩阵相似 ○ 且约当矩阵除约当排块排序外唯一 • 例题 ○ A=(■8(−1&1&0@−4&3&0@1&0&2)) ○ 属于特征值 λ_1=2 的特征向量为 (α_1 ) ⃗=(■8(0@0@1)) ○ 属于特征值 λ_2=λ_3=1 的特征向量为 (α_2 ) ⃗=(■8(1@2@−1)) ○ 由于 λ_2=λ_3=1 的特征向量不等于重数 ○ A 不可对角化,其约当标准形为 (■8(2&0&0@0&1&1@0&0&1))
Read More >>

第21讲 实对称矩阵

  • Jul 12, 2017
  • Shawn
  • Linear Algebra
  • No comments yet
21.1 正交向量组 • 单位化 ○ α ⃗/‖■8(α ⃗ )‖ • 正交(垂直) ○ α ⃗⊥β ⃗⇔a ⃗⋅β ⃗=0⇔α ⃗^T β ⃗=0 • 正交向量组 ○ 向量非零 ○ 两两正交 • 定理 ○ 内容 § 正交向量组线性无关 ○ 证明 § 假设 (α_1 ) ⃗…(α_s ) ⃗ 正交 § 构造 k_1 (α_1 ) ⃗+…k_s (α_s ) ⃗=0 § (α_1 ) ⃗ (k_1 (α_1 ) ⃗+…k_s (α_s ) ⃗ )=0 § k_1 (α_1 ) ⃗^2+0+…+0=0 § ∵(α_1 ) ⃗^2≠0 § ∴k_1=0 § 同理 k_i=0 (i=1,2…s) 21.2 施密特正交化 • 两个向量施密特正交化(几何理解) ○ 假设 {(α_1 ) ⃗,(α_2 ) ⃗} 施密特正交化得到 {(β_1 ) ⃗,(β_2 ) ⃗} ○ 则 {█((β_1 ) ⃗=(α_1 ) ⃗@(β_2 ) ⃗=(α_2 ) ⃗−γ ⃗ )┤ ○ ∵(α_1 ) ⃗⋅(α_2 ) ⃗=‖■8((α_1 ) ⃗ )‖‖■8((α_2 ) ⃗ )‖ cos⁡θ=‖■8((α_1 ) ⃗ )‖‖■8(γ ⃗ )‖ ○ ∴‖■8(γ ⃗ )‖=((α_1 ) ⃗⋅(α_2 ) ⃗)/‖■8((α_1 ) ⃗ )‖ ○ ⇒■8(γ ⃗ )=‖■8(■8(γ ⃗ ))‖ (α_1 ) ⃗/‖■8((α_1 ) ⃗ )‖ =((α_1 ) ⃗⋅(α_2 ) ⃗)/‖■8((α_1 ) ⃗ )‖^2 (α_1 ) ⃗=((α_1 ) ⃗⋅(α_2 ) ⃗)/((α_1 ) ⃗⋅(α_1 ) ⃗ ) (α_1 ) ⃗ ○ {█((β_1 ) ⃗=(α_1 ) ⃗@(β_2 ) ⃗=(α_2 ) ⃗−γ ⃗=(α_2 ) ⃗−((α_1 ) ⃗⋅(α_2 ) ⃗)/((α_1 ) ⃗⋅(α_1 ) ⃗ ) (α_1 ) ⃗ )┤ ○ ⇒(β_2 ) ⃗=(α_2 ) ⃗−((α_2 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗ ○ 证明 {(β_1 ) ⃗,(β_2 ) ⃗} 正交 ○ (β_1 ) ⃗⋅(β_2 ) ⃗=(β_1 ) ⃗⋅((α_2 ) ⃗−((α_2 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗ )=(β_1 ) ⃗⋅(α_2 ) ⃗−(α_2 ) ⃗⋅(β_1 ) ⃗=0 • 施密特正交化过程 ○ 假设 (α_1 ) ⃗…(α_s ) ⃗ 线性无关 ○ (β_1 ) ⃗=(α_1 ) ⃗ ○ (β_2 ) ⃗=(α_2 ) ⃗−((α_2 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗ ○ (β_3 ) ⃗=(α_3 ) ⃗−((α_3 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗−((α_3 ) ⃗⋅(β_2 ) ⃗)/((β_2 ) ⃗⋅(β_2 ) ⃗ ) (β_2 ) ⃗ ○ ⋮ ○ (β_i ) ⃗=(α_i ) ⃗−∑_(j=1)^(i−1)▒〖((α_i ) ⃗⋅(β_j ) ⃗)/((β_j ) ⃗⋅(β_j ) ⃗ ) (β_j ) ⃗ 〗 ○ ⋮ ○ (β_s ) ⃗=(α_3 ) ⃗−((α_s ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗…−((α_s ) ⃗⋅(β_(s−1) ) ⃗)/((β_(s−1) ) ⃗⋅(β_(s−1) ) ⃗ ) (β_(s−1) ) ⃗ • (β_i ) ⃗ 前的系数是如何求得的:待定系数法 ○ 以 (β_2 ) ⃗ 为例 § (β_2 ) ⃗=(α_2 ) ⃗−k(β_1 ) ⃗ § ∵(β_2 ) ⃗⋅(β_1 ) ⃗=(α_2 ) ⃗⋅(β_1 ) ⃗−k(β_1 ) ⃗⋅(β_1 ) ⃗=0 § ∴k=((α_2 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) ○ 以 (β_3 ) ⃗ 为例 § {█((β_3 ) ⃗⋅(β_1 ) ⃗=0@(β_3 ) ⃗⋅(β_2 ) ⃗=0)┤⇒… • 单位正交向量组 ○ 正交化+单位化 • 例:(α_1 ) ⃗=(■8(1@1@1@1)),(α_2 ) ⃗=(■8(3@3@−1@−1)),(α_3 ) ⃗=(■8(−2@0@6@8)) ○ 正交向量组 {(β_1 ) ⃗,(β_2 ) ⃗,(β_3 ) ⃗} ○ (β_1 ) ⃗=(α_1 ) ⃗=(■8(1@1@1@1)) ○ (β_2 ) ⃗=(α_2 ) ⃗−((α_2 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗=(■8(3@3@−1@−1))−4/4 (■8(1@1@1@1))=(■8(2@2@−2@−2)) ○ (β_3 ) ⃗=(α_3 ) ⃗−((α_3 ) ⃗⋅(β_1 ) ⃗)/((β_1 ) ⃗⋅(β_1 ) ⃗ ) (β_1 ) ⃗−((α_3 ) ⃗⋅(β_2 ) ⃗)/((β_2 ) ⃗⋅(β_2 ) ⃗ ) (β_2 ) ⃗=(■8(−2@0@6@8))−12/4 (■8(1@1@1@1))−(−32)/16 (■8(2@2@−2@−2))=(■8(−1@1@−1@1)) ○ 单位正交向量组 {(γ_1 ) ⃗,(γ_2 ) ⃗,(γ_3 ) ⃗ } ○ (γ_1 ) ⃗=(β_1 ) ⃗/‖■8((β_1 ) ⃗ )‖ =(1/2,1/2,1/2,1/2)^T ○ (γ_2 ) ⃗=(β_2 ) ⃗/‖■8((β_2 ) ⃗ )‖ =(1/2,1/2,−1/2,−1/2)^T ○ (γ_3 ) ⃗=(β_3 ) ⃗/‖■8((β_3 ) ⃗ )‖ =(−1/2,1/2,−1/2,1/2)^T 21.3 正交矩阵 • 定义 ○ 对于实矩阵 Q_(n×n) ○ 若 Q^T Q=I⇔〖QQ〗^T=I⇔Q^T=Q^(−1) ○ 则称其为正交矩阵 • 例子:Q=(■8(cos⁡θ&−sin⁡θ@sin⁡θ&cos⁡θ )) ○ 〖QQ〗^T=(■8(cos⁡θ&−sin⁡θ@sin⁡θ&cos⁡θ ))(■8(cos⁡θ&sin⁡θ@〖−sin〗⁡θ&cos⁡θ ))=(■8(1&0@0&1))=I • 性质1:|Q|=1 or −1⇔|Q|^2=1 ○ 〖QQ〗^T=I ○ ⇒|〖QQ〗^T |=|I| ○ ⇒|Q||Q^T |=|Q|^2=1 ○ ⇒|Q|=1 or −1 • 性质2:若 Q 是正交矩阵,则 Q^T=Q^(−1) 也是正交矩阵 ○ 证明略 • 性质3:若 P,Q 都是正交矩阵,则 PQ 也是正交矩阵 ○ (PQ)^T (PQ)=Q^T P^T PQ=Q^T Q=I • 定理:Q 是正交矩阵 ⇔ 行(列)向量组是单位正交向量组 ○ Q=((α_1 ) ⃗,(α_2 ) ⃗…(α_n ) ⃗ ) ○ Q^T Q=(■8((α_1 ) ⃗^T@(α_2 ) ⃗^T@⋮@(α_n ) ⃗^T ))((α_1 ) ⃗,(α_2 ) ⃗…(α_n ) ⃗ )=(■8((α_1 ) ⃗^T (α_1 ) ⃗&(α_1 ) ⃗^T (α_2 ) ⃗&…&(α_1 ) ⃗^T (α_n ) ⃗@(α_2 ) ⃗^T (α_1 ) ⃗&(α_2 ) ⃗^T (α_1 ) ⃗&…&(α_2 ) ⃗^T (α_n ) ⃗@…&…&…&…@(α_n ) ⃗^T (α_1 ) ⃗&(α_n ) ⃗^T (α_2 ) ⃗&…&(α_n ) ⃗^T (α_n ) ⃗ ))=I ○ ⇒{█((α_i ) ⃗^T (α_j ) ⃗=1 (i=j)@(α_i ) ⃗^T (α_j ) ⃗=0 (i≠j))┤⇒{█(单位@正交)┤ 21.4 实对称矩阵 • 定义 ○ 若矩阵 A=(a_ij )_(n×n),满足 {█(a_ij∈RA^T=A)┤,则称其为实对称矩阵 • 定理1:实对称矩阵的特征值是实数 ○ 证明略 • 定理2:实对称矩阵属于不同特征值的特征向量正交 ○ 已知 A(α_1 ) ⃗=λ_1 (α_1 ) ⃗, A(α_2 ) ⃗=λ_2 (α_2 ) ⃗ ○ 要证 (α_1 ) ⃗⊥(α_2 ) ⃗⇔(α_1 ) ⃗^T (α_2 ) ⃗=0⇔(α_1 ) ⃗⋅(α_2 ) ⃗=0 ○ ○ 又因为 (α_1 ) ⃗^T A(α_2 ) ⃗=(α_1 ) ⃗^T A^T (α_2 ) ⃗=(A(α_1 ) ⃗ )^T (α_2 ) ⃗=(λ_1 (α_1 ) ⃗ )^T (α_2 ) ⃗=λ_1 (α_1 ) ⃗^T (α_2 ) ⃗ ○ 即 λ_1 (α_1 ) ⃗^T (α_2 ) ⃗=λ_2 (α_1 ) ⃗^T (α_2 ) ⃗ ○ 又因为 λ_1≠λ_2 ○ 故 (α_1 ) ⃗^T (α_2 ) ⃗=0 • 定理3:实对称矩阵 A 一定可对角化,且存在正交矩阵 Q,使得 Q^(−1) AQ=Λ ○ 证明略 • 例:A=(■8(2&2&−2@2&5&−4@−2&−4&5)) ○ |λI−A|=|■8(λ−2&−2&2@−2&λ−5&4@2&4&λ−5)|=(λ−1)^2 (λ−10)⇒λ_1=λ_2=1, λ_3=10 ○ 当 λ_1=λ_2=1 时 ○ {█((α_1 ) ⃗=(−2,1,0)^T@(α_2 ) ⃗=(−2,0,1)^T )┤ ⇒┴正交化 {█((β_1 ) ⃗=(−2,1,0)^T@(β_2 ) ⃗=(2/5,4/5,1)^T )┤ ⇒┴单位化 {█((γ_1 ) ⃗=(−2/√5,1/√5,0)^T@(γ_2 ) ⃗=(2/(3√5),4/(3√5),5/(3√5))^T )┤ ○ 当 λ_3=10 时 ○ (α_3 ) ⃗=(1,2,−2)^T ⇒┴单位化 (γ_3 ) ⃗=(1/2,2/3,−2/3)^T ○ 故 Q=(■8(−2/√5&2/(3√5)&1/2@1/√5&4/(3√5)&2/3@0&5/(3√5)&−2/3))
Read More >>

第22讲 二次型

  • Jul 13, 2017
  • Shawn
  • Linear Algebra
  • No comments yet
22.1 二次型及其矩阵表示 • 二次型 ○ 二次的齐次多项式 • 两个变元的二次型 ○ 〖ax〗^2+bxy+〖cy〗^2 • n 元二次型的一般形式 ○ a_11 x_1^2+2a_12 x_1 x_2+…+2a_1n x_1 x_n +a_22 x^2+2a_23 x_2 x_3+…+2a_2n x_2 x_n+…+a_nn x_n^2 ○ 共 n+(n−1)+…+1=n(n+1)/2 项 • 二次型矩阵 ○ f=x ⃗^T Ax ⃗ ○ x ⃗=(■8(x_1@⋮@x_n )) ○ 对称矩阵 A=(■8(a_11&a_12&…&a_1n@a_12&a_22&…&a_2n@…&…&…&…@a_1n&a_2n&…&a_nn )) 22.2 合同 • 引例 ○ 如何判断 〖ax〗^2+2bxy+〖cy〗^2=d 为抛物线或椭圆 ○ 可以通过坐标变换(旋转)消去交叉项 2bxy ○ {█(x=x^′ cos⁡θ−y^′ sin⁡θ@y=x^′ sin⁡θ+y^′ cos⁡θ )┤ ○ 此处取 θ=π/4 得 ○ a^′ x^′2+c^′ y^′2=d^′ ○ 上式被称为二次型的标准形式 ○ 坐标变换用矩阵可以表示为 ○ (■8(x@y))=C(■8(x^′@y^′ )) 其中 |C|≠0 ○ 或写成 x ⃗=Cy ⃗ ○ 则原二次型可以表示为 ○ f=x ⃗^T Ax ⃗=(Cy ⃗ )^T A(Cy ⃗ )=y ⃗^T C^T ACy ⃗ ○ 将 C^T AC 记为 B,则 f=x ⃗^T Bx ⃗ ○ 我们将 A 与 B 之间的关系 B=C^T AC 称为合同 • 定义 ○ 若存在可逆矩阵 C,使得 B=C^T AC ○ 则称 A 与 B 之间的关系为合同(Congruence) • 合同是一种等价关系 ○ 反身性 § A=I^T AI ○ 对称性 § B=C^T AC § ⇒A=(C^T )^(−1) BC^(−1)=(C^(−1) )^T BC^(−1) ○ 传递性 § B=C_1^T 〖AC〗_1, C=C_2^T 〖BC〗_2 § ⇒C=C_2^T 〖C_1^T 〖AC〗_1 C〗_2=(C_1 C_2 )^T A(C_1 C_2 ) • 定理1 ○ 内容 § 对于任意对称矩阵 A,一定存在可逆矩阵 C § 使得 C^T AC=(■(a_1&&@&⋱&@&&a_n )) ○ 证明 § 由对称矩阵的性质得 § 存在正交矩阵 Q,使得 Q^(−1) AQ=Λ § 又因为 Q 为正交矩阵,即 Q^(−1)=Q^T § Q^T AQ=Λ § 其中 Λ=(■(λ_1&&@&⋱&@&&λ_n )) 为对角矩阵 • 矩阵的三种等价关系 ○ 等价:B=PAQ ○ 相似:A~B⇔B=P^(−1) AP ○ 合同:A≃B⇔B=C^T AC • 矩阵的三种标准形 ○ 等价:D=(■8(I_r&0@0&0)) ○ 相似:约当标准型 J=(■(J_1&&@&⋱&@&&J_s )) ○ 合同:对角矩阵 (■(a_1&&@&⋱&@&&a_n )) 22.3 二次型的标准形 • 二次型与合同 ○ B=C^T AC=(■(a_1&&@&⋱&@&&a_n )) ○ f=x ⃗^T Ax ⃗→┴( x ⃗=Cy ⃗ ) f=y ⃗^T By ⃗=y ⃗^T y ⃗=a_1 y_1^2+…+a_n y_n^2 • 配方法 ○ 例1:f=x_1^2+x_1 x_2+x_2^2 § f=(x_1+x_2/2)^2+3/4 x_2^2 § 令 {█(y_1=x_1+x_2/2@y_2=x_2 )┤⇒{█(x_1=y_1−y_2/2@x_2=y_2 )┤ § ⇒C=(■8(1&−1/2@0&1)) § 即 f=y_1^2+3/4 y_2^2 § 即 A=(■8(1&1/2@1/2&1)) →┴( B=C^T AC ) B=(■8(1&0@0&3/4)) ○ 例2:f=2x_1 x_2−6x_2 x_3+2x_1 x_3 § 令 {█(x_1=y_1+y_2@x_2=y_1−y_2@x_3=y_3 )┤,即 x ⃗=C_1 y ⃗ § f=2(y_1^2−y_2^2 )−6(y_1−y_2 ) y_3+2(y_1+y_2 ) y_3 § 再令 {█(z_1=…@z_2=…@z_3=…)┤,即 y ⃗=C_2 z ⃗ § ⇒x ⃗=(C_1 C_2 ) z ⃗=(■8(1&1&3@0&−1&−1@0&0&1)) z ⃗ § 即 A=(■8(0&1&1@1&0&−3@1&−3&0)) →┴( B=C^T AC ) B=(■(2&&@&−2&@&&6)) • 初等变换法 ○ 原理 § C^T AC=(■(a_1&&@&⋱&@&&a_n )) § C=IP_1 P_2…P_s § C^T AC=P_S^T P_(S−1)^T…P_2^T P_1^T AP_1 P_2…P_s § 即先对 A 做初等列变换,再做相应的初等行变换 § 构造 (■8(A@I))_(2n×n) 做一系列初等变换可以得到 (■8(B@C)) ○ 例:f=2x_1 x_2−6x_2 x_3+2x_1 x_3 § A=(■8(0&1&1@1&0&−3@1&−3&0)) § 构造 (■8(A@I))=(■8(0&1&1@1&0&−3@1&−3&0@1&0&0@0&1&0@0&0&1)) § (■8(A@I)) →┴(c_1+=c_2 ) (■8(1&1&1@1&0&−3@−2&−3&0@1&0&0@1&1&0@0&0&1)) →┴(r_1+=r_2 ) (■8(2&1&−2@1&0&−3@−2&−3&0@1&0&0@1&1&0@0&0&1)) (→┴(c_2−=1/2 c_1 ))┬(c_3+=c_1 ) (■8(2&0&0@1&−1/2&−2@−2&−2&−2@1&−1/2&1@1&1/2&1@0&0&1)) (→┴(r_2−=1/2 r_1 ))┬(r_3+=r_1 ) (■8(2&0&0@0&−1/2&−2@0&−2&−2@1&−1/2&1@1&1/2&1@0&0&1)) →┴(c_3−=4c_2 ) (■8(2&0&0@0&−1/2&0@0&−2&6@1&−1/2&3@1&1/2&−1@0&0&1)) →┴(r_3−=4r_2 ) (■8(2&0&0@0&−1/2&0@0&0&6@1&−1/2&3@1&1/2&−1@0&0&1)) § 即 C=(■8(1&−1/2&3@1&1/2&−1@0&0&1)), B=(■(2&&@&−1/2&@&&6)) ○ 注:标准形不唯一 22.4 二次型的规范形 • 标准形不唯一 ○ 观察到上题中 A=(■8(0&1&1@1&0&−3@1&−3&0)) 可以化为两种标准形 ○ A=(■8(0&1&1@1&0&−3@1&−3&0)) →┴(C=(■8(1&1&3@0&−1&−1@0&0&1)) ) B=(■(2&&@&−2&@&&6)) ○ A=(■8(0&1&1@1&0&−3@1&−3&0)) →┴(C=(■8(1&−1/2&3@1&1/2&−1@0&0&1)) ) B=(■(2&&@&−1/2&@&&6)) • 二次型的规范形 ○ f=d_1 y_1^2+…+d_p y_p^2−d_(p+1) y_(p+1 )^2…−d_r y_r^2+0y_(r+1)^2+…0y_n^2 ○ 令 z_1=√(d_1 ) y_1, z_2=√(d_2 ) y_2…z_r=√(d_r ) y_r ○ 代入得 f=z_1^2+…z_p^2−z_(p+1)^2…−z_r^2 ○ 上式被称为二次型的规范形,其中 z_i 的系数为 ±1 • 西尔维斯特惯性定理 ○ 若 A 对称,则 A≃(■(I_p&&@&−I_(r−p)&@&&0)) ○ p:正惯性指标 ○ r−p:负惯性指标 ○ r:矩阵 A 的秩
Read More >>

第23讲 正定二次型

  • Jul 13, 2017
  • Shawn
  • Linear Algebra
  • No comments yet
23.1 二次型的有定性 • 定义 ○ 二次型 f(x ⃗ )=x ⃗^T Ax ⃗,对于任意 x≠0 ○ 若 f(x ⃗ )0 恒成立,则称为正定 ○ 若 f(x ⃗ )<0 恒成立,则称为负定 ○ 若 f(x ⃗ )≥0 恒成立,则称为半正定 ○ 若 f(x ⃗ )≤0 恒成立,则称为半负定 ○ 以上统称为有定 ○ 若 f(x ⃗ )0 也可 f(x ⃗ )<0 则成为不定 • 例子 ○ 正定:f=x_1^2+x_2^2 , A=(■8(1&0@0&1)) ○ 负定:f=−x_1^2−x_2^2 , A=(■8(−1&0@0&−1)) ○ 半正定:f=x_1^2+2x_1 x_2+x_2^2 , A=(■8(1&1@1&1)) ○ 半负定:f=−x_1^2−2x_1 x_2−x_2^2 , A=(■8(−1&−1@−1&−1)) ○ 不定:f=x_1^2−x_2^2 , A=(■8(1&0@0&−1)) 23.2 正定性的判定 • 正定矩阵 ○ 必须是对称矩阵 ○ 对应的二次型是正定二次型 • 定理1:合同矩阵由相同有定性 ○ B=C^T AC ○ 任取 y ⃗≠0 ○ y ⃗^T By ⃗=y ⃗^T C^T ACy ⃗=(Cy ⃗ )^T A(Cy ⃗ ) ○ ∵y ⃗≠0,(Cy ⃗ )≠0, A 是正定矩阵 ○ ∴y ⃗^T By ⃗0 • 定理2:对角矩阵 (■(d_1&&@&⋱&@&&d_n )) 正定 ⇔d_i0 (i=1…n) ○ f=d_1 y_1^2+…+d_n y_n^2 • 定理3:A 对称且正定⇔A 的规范形为 I⇔A≃I⇔A=C^T C ○ A≃(■(I_p&&@&−I_(r−p)&@&&0)) ○ ∵对角线上的元素均大于零 ○ ∴r=p=n • 推论1:A 正定⇔r=p=n ○ 证明见定理3 • 推论2:A 正定⇒|A|0 ○ A=C^T C ○ |A|=|C^T C|=|C^T ||C|=|C|^2 ○ ∵C 可逆, 即 |C|0 ○ ∴|A|0 ○ 反之不成立:(■(1&&@&−1&@&&−1)) • 定理4:A 对称且正定⇔A 的所有特征值都是正的 ○ Q^T AQ=(■8(λ_1&&@&⋱&@&&λ_n )) • 顺序主子式 ○ (■8(a_11&a_12&…&a_1n@a_21&a_22&…&a_2n@⋮&⋮&⋮&⋮@a_n1&a_n2&…&a_nn )) ○ |A_1 |=a_11 ○ |A_2 |=|■8(a_11&a_12@a_21&a_22 )| ○ |A_k |=|■(a_11&⋯&a_1k@⋮&&⋮@a_k1&…&a_kk )| ○ |A_n |=|A| • 定理5:A 正定⇔A 的顺序主子式0 • 例:判断 A=(■8(1&1&2@1&2&3@2&3&6)) 的正定性 ○ |A_1 |=10 ○ |A_2 |=|■8(1&1@1&2)|=10 ○ |A_3 |=|A|=10 ○ 故 A 正定 23.3 正定性的应用 • 求极值 ○ 对于 n 元函数 f(x_1,…,x_n ) ○ f((x_0 ) ⃗+h⃗ )=f((x_0 ) ⃗ )+1/1! ∑_(i=1)^n▒〖f_i ((x_0 ) ⃗ ) hi 〗+1/2! ∑_(i=1)^n▒∑_(j=1)^n▒〖f_ij ((x_0 ) ⃗+θh⃗ ) hi hj 〗+… ○ 其中 f_i=∂f/(∂x_i ), f_ij=(∂^2 f)/(∂x_i ∂x_j ) ○ 要求 f((x_0 ) ⃗) 的极值,首先需满足 f_i ((x_0 ) ⃗ )=0 (i=1…n),即 (x_0 ) ⃗ 为驻点 ○ f((x_0 ) ⃗+h⃗ )=f((x_0 ) ⃗ )+1/2! (h1,…,hn )H(■8(h1@⋮@hn ))+… ○ 其中 H((x_0 ) ⃗ )=(■8(f_11&f_12&…&f_1n@f_21&f_22&…&f_2n@⋮&⋮&⋮&⋮@f_n1&f_n2&…&f_nn )) 被称为海赛矩阵 • 定理 ○ H((x_0 ) ⃗ ) 正定⇒f((x_0 ) ⃗ ) 为极小值 ○ H((x_0 ) ⃗ ) 负定⇒f((x_0 ) ⃗ ) 为极大值 ○ H((x_0 ) ⃗ ) 不定⇒f((x_0 ) ⃗ ) 不是极值 • 例:求 f(x_1,x_2,x_3 )=x_1+x_2−e^(x_1 )−e^(x_2 )+2e^(x_3 )−e^(x_3^2 ) 的极值 ○ {█(f_1=1−e^(x_1 )=0@f_2=1−e^(x_2 )=0@f_3=2e^(x_3 )−2x_3 e^(x_3^2 )=0)┤⇒{█(x_1=0@x_2=0@x_3=1)┤⇒驻点 (x_0 ) ⃗=(■8(0@0@1)) ○ H=(■8(−e^(x_1 )&0&0@0&−e^(x_2 )&0@0&0&2e^(x_3 )−2e^(x_3^2 )−4x_3^2 e^(x_3^2 ) )) ○ H((x_0 ) ⃗ )=(■(−1&&@&−1&@&&−4e)) 负定 ○ 故驻点 (x_0 ) ⃗=(■8(0@0@1)) 为极大值
Read More >>

第24讲 线性空间(一)

  • Jul 13, 2017
  • Shawn
  • Linear Algebra
  • No comments yet
24.1 线性空间的定义 • 线性空间最一般的定义 ○ 非空集合 V 和 数域 P (一般为R ○ 可定义加法(对加法封闭) § α, β∈V⇒α+β∈V ○ 可定义数乘(对数乘封闭) § α∈V,k∈P⇒kα∈V ○ 八条性质 1. α+β=β+α 2. (α+β)+γ=α+(β+γ) 3. α+(−α)=0 4. α+0=α 5. (kl)α=k(lα) 6. (k+l)α=kα+lα 7. k(α+β)=kα+kβ 8. 1α=α • 进一步的性质 ○ 消去律:α+β=α+γ⇒β=γ § α+β=α+γ § −α+α+β=−α+α+γ § β=γ ○ 零向量唯一 § 假设由两个零向量 0_1 和 0_2 § 则 0_1+0_2=0_1=0_2 § 故零向量唯一 ○ 负向量唯一 § 假设 α+β=0, α+γ=0 § 法一:消去率 § 法二:β=β+0=β+α+γ=0+γ=γ ○ 0α=0 ⃗ § α+0α=(1+0)α=α+0 ⃗ § 根据消去率有 0α=0 ⃗ ○ k0 ⃗=0 ⃗ § k0 ⃗+kα=k(0 ⃗+α)=kα+0 ⃗ § 根据消去率有 k0 ⃗=0 ⃗ ○ (−1)α=−α § (−1)α+α=(−1+1)α=0α=0 ⃗ § 又因为负向量唯一,故 (−1)α=−α ○ kα=0⇒k=0 or a=0 ⃗ § 若 k≠0,则 k^(−1) (kα)=1α=α=0 24.2 维数、基与坐标 • 维数 (dimension) ○ 若 V 中最多有 n 个线性无关的向量 ○ 则称线性空间 V 的维数为 n ○ 记作 dim⁡(V)=n ○ 注 § dim⁡(Rn )=n § 所有 deg≤n 的多项式 R_n [x] 的维数为 n+1 § 所有多项式 R[x] 不在线性空间的讨论范围 • 基 (basis) ○ n 维线性空间内 n 个线性无关的向量(不唯一) • 坐标 (coordinate) ○ 若 (e_1 ) ⃗…(e_n ) ⃗ 为一组基 ○ 则 α ⃗, (e_1 ) ⃗…(e_n ) ⃗ 一定线性相关 ○ 即 α ⃗=k_1 (e_1 ) ⃗+…k_n (e_n ) ⃗ ○ 且 k_1…k_n 唯一 ○ 我们将 (k_1…k_n) 称作坐标 • 例子 ○ ℂ 可以看作是 R 上的线性空间 § 基为 1 和 i § α ⃗=1a+bi∈ℂ (a,b∈R) ○ ℂ 可以看作是 ℂ 上的线性空间 § 基为 1 § α ⃗=1α ⃗∈ℂ (α ⃗∈ℂ) ○ Rn 最常用的一组基为 § (e_1 ) ⃗=(1,0,0…0)^T § (e_2 ) ⃗=(0,1,0…0)^T § ⋮ § (e_n ) ⃗=(0,0,0…1)^T ○ R_n [x] 最常用的一组基为 § 1,x, x^2, x^3…x^n 24.3 线性子空间 • 定义 ○ V 是线性空间,W⊂V ○ 若 W 对于加法、数乘也构成线性空间, • 定理 ○ 若 W⊂V 且 W 对加法、数乘封闭,则 W 为子空间 • 平凡子空间 ○ V ○ {0 ⃗ } • 常用子空间的例子 ○ R_n [x] 是 R[x] 的子空间 ○ Ax ⃗=0 的解集 § 记为 N(A) ,又称零空间 (null space) § 基为基础解系 § 维数为 n−r(A) ○ 生成空间 § 由 (α_1 ) ⃗…(α_s ) ⃗ 生成的空间 § {k_1 (α_1 ) ⃗+…+k_s (α_s ) ⃗ ┤| k_1…k_s∈R} § 记为 L((α_1 ) ⃗…(α_s ) ⃗)
Read More >>
  • 1
  • …
  • 3
  • 4
  • 5
  • 6

Search

  • Home Page
  • Tutorials
  • Mathematics
    • Math 240 – Discrete Math
    • Math 375 – Linear Algebra
    • Math 431 – Intro to Probability
    • Math 514 – Numerical Analysis
    • Math 521 – Analysis I
    • Math 541 – Abstract Algebra
    • Math 632 – Stochastic Processes
    • Abstract Algebra @ 万门大学
    • Linear Algebra @ 万门大学
    • Category Theory
  • Computer Sciences
    • CS/ECE 252 – Intro to Computer Engr.
    • CS/ECE 352 – Digital System Fund.
    • Learn Haskell
  • Course Notes
    • AP Macroeconomics
    • AP Microeconomics
    • AP Chemistry
    • AP Statistics
    • AP Physics C: E&M
    • AP Physics C: Mechanics
    • CLEP Psychology
  • 2048 Game
  • HiMCM 2016
  • 登峰杯 MCM

WeChat Account

Categories

  • Notes (418)
    • AP (115)
      • AP Macroeconomics (20)
      • AP Microeconomics (23)
      • AP Physics C E&M (25)
      • AP Physics C Mechanics (28)
      • AP Statistics (19)
    • Computer Sciences (2)
    • Mathematics (300)
      • Abstract Algebra (29)
      • Category Theory (7)
      • Linear Algebra (29)
      • Math 240 (42)
      • Math 375 (71)
      • Math 514 (18)
      • Math 521 (39)
      • Math 541 (39)
      • Math 632 (26)
  • Projects (2)
  • Tutorials (11)

Archives

  • October 2019
  • May 2019
  • April 2019
  • March 2019
  • February 2019
  • December 2018
  • November 2018
  • October 2018
  • September 2018
  • July 2018
  • May 2018
  • April 2018
  • March 2018
  • February 2018
  • January 2018
  • December 2017
  • November 2017
  • October 2017
  • September 2017
  • August 2017
  • July 2017
  • June 2017

WeChat Account

Links

RobeZH's thoughts on Algorithms - Ziyi Zhang
Copyright © 2018.      
TOP