第29课 相似矩阵和若尔当形

何谓相似?

两个矩阵相似意味着什么?


正定从何而来?

正定阵来自最小二乘法,大量的物理问题需要用长方形矩阵描述,最小二乘法的关键在于矩阵A^TA,希望证明A是一个正定阵。

假设A正定的,意味差A对称阵,即为对称正定阵A逆矩阵特征值等于A特征值倒数A逆矩阵也是正定的,因为A特征值全为正数,所以倒数也为正数

AB都是正定的可得,C=A+B也是正定的
x^TAx>0;x^TBx>0 \to x^T(A+B)>0

证明最小二乘法为正定的:
A_{mn};m\ne n \to B=A^TA,B为方阵且对称\\ x^T\underbrace{A^TA}_{B}x=(x^TA^T)(Ax)=(Ax)^T(Ax)=||Ax||^2\ge0
如果零空间没有其它向量则,r=n,矩阵A各列线性无关,确保A^TA正定,如果A^TA可逆,最小二乘方程将存在最优解,所以A^TA为正定阵


AB相似阵n\times n,存在某个可逆矩阵m使得B可以表示为A
B=m^{-1}Am

例:A有无关的特征向量,也就是存在特征向量矩阵S
S^{-1}\Lambda S,\Lambda为简洁的对角阵
按照新说活,A相似于\Lambda,矩阵A的所有相似阵里面\Lambda是最好的
A=\begin{bmatrix}2&1\\1&2\end{bmatrix}; \Lambda=\begin{bmatrix}3&0\\0&1\end{bmatrix}\\ m=\begin{bmatrix}1&4\\0&1\end{bmatrix}; m^{-1}=\begin{bmatrix}1&-4\\0&1\end{bmatrix}\\ m^{-1}Am=\begin{bmatrix}1&-4\\0&1\end{bmatrix} \begin{bmatrix}2&1\\1&2\end{bmatrix} \begin{bmatrix}1&4\\0&1\end{bmatrix}= \begin{bmatrix}1&-4\\0&1\end{bmatrix} \begin{bmatrix}2&9\\1&6\end{bmatrix}= \begin{bmatrix}-2&-15\\1&6\end{bmatrix}=B
A

*** AB具有相同的特征值,因为相似 (重要性质)

\lambda=3,1,通过迹来验证,A_{迹}=2+2=4;B_{迹}=-2+6=4

例:证明相似阵特征值相同这一重要性质
m=\begin{bmatrix}3&7\\0&1\end{bmatrix}; m^{-1}=\begin{bmatrix}1&7\\0&3\end{bmatrix}\\ Ax=\lambda x,A的特征值\lambda\\ B=m^{-1}Am,B的特征值?\\ Ax=\lambda x \to Amm^{-1}x=\lambda x \underbrace{\to}_{同时左乘m^{-1}}m^{-1}Amm^{-1}x= \lambda m^{-1}x\\ \to (m^{-1}Am)m^{-1}x=\lambda m^{-1}x \to Bm^{-1}x=\lambda m^{-1}x\\ \to Bx=\lambda x \to 表明\lambda是B的一个特征值,但特征向量并不相等
B的特征向量等于m^{-1}乘以矩阵A的特征向量


对角阵的特征向量分别是(1,0),(0,1),特征值 不变,相似矩阵的特征值保持不变

相似矩阵特征向量可能不再线性无关,矩阵可能无法对角化(坏情况:\lambda_1=\lambda_2,矩阵可能无法对角化)

4I=\begin{bmatrix}4&0\\0&4\end{bmatrix}除外,其余矩阵属于另一类,该阵只和自己相似,意味着只有一个特征向量,它将无法对角化,把1改为1010^6,同样可以找到m使它和原矩阵相似,为1时,是这类矩阵最好的一个,称为若尔当标准型,它是最简洁,最接近对角阵的一个
\underbrace{ \left[ \begin{array}{ccc|c} 0&1&0&0\\0&0&1&0\\0&0&0&0\\\hline 0&0&0&0 \end{array} \right] }_{A}\\ \lambda=0,0,0,0\\ 2个线性无关的特征向量\\ 零空间维数等于2(N(A)=2)\\ 若尔当分块3\times3,1\times1

\underbrace{ \begin{bmatrix}0&1&7&0\\0&0&1&0\\0&0&0&0\\0&0&0&0\end{bmatrix} }_{B}\\ \lambda=0,0,0,0\\ 2个线性无关的特征向量\\ N(A)=2\\

AB相似。

注意对角线上方的1,每增加一个1特征向量就减少1个。

例:若尔当分块2\times2,2\times2
\left[ \begin{array}{cc|cc} 0&1&0&0\\0&0&0&0\\\hline0&0&0&1\\0&0&0&0 \end{array} \right]
若尔当分块:J_i表示i阶的若尔当块,每个方阵A都相似于一个若尔当阵J,就是由若尔当块构成的矩阵

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 195,783评论 5 462
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 82,360评论 2 373
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 142,942评论 0 325
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,507评论 1 267
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,324评论 5 358
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,299评论 1 273
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,685评论 3 386
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,358评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,652评论 1 293
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,704评论 2 312
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,465评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,318评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,711评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,991评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,265评论 1 251
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,661评论 2 342
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,864评论 2 335

推荐阅读更多精彩内容