【证明】矩阵可以对角化的充要条件是矩阵有n个线性无关的特征向量

这篇具有很好参考价值的文章主要介绍了【证明】矩阵可以对角化的充要条件是矩阵有n个线性无关的特征向量。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

定理 1  n n n 阶矩阵 A \boldsymbol{A} A 与对角矩阵相似(即 A \boldsymbol{A} A 能对角化)的充分必要条件是 A \boldsymbol{A} A n n n 个线性无关的特征向量。

证明 不妨设有可逆矩阵 P \boldsymbol{P} P,使 P − 1 A P = Λ \boldsymbol{P}^{-1} \boldsymbol{A} \boldsymbol{P} = \boldsymbol{\Lambda} P1AP=Λ 为对角矩阵。把 P \boldsymbol{P} P 用其列向量表示为
p = ( p 1 , p 2 , ⋯   , p n ) \boldsymbol{p} = (\boldsymbol{p}_1,\boldsymbol{p}_2,\cdots,\boldsymbol{p}_n) p=(p1,p2,,pn)

P − 1 A P = Λ \boldsymbol{P}^{-1} \boldsymbol{A} \boldsymbol{P} = \boldsymbol{\Lambda} P1AP=Λ,得 A P = P Λ \boldsymbol{A} \boldsymbol{P} = \boldsymbol{P} \boldsymbol{\Lambda} AP=PΛ,即
A ( p 1 , p 2 , ⋯   , p n ) = ( p 1 , p 2 , ⋯   , p n ) ( λ 1 λ 2 ⋱ λ n ) = ( λ 1 p 1 , λ 2 p 2 , ⋯   , λ n p n ) \begin{align*} \boldsymbol{A} (\boldsymbol{p}_1,\boldsymbol{p}_2,\cdots,\boldsymbol{p}_n) & = (\boldsymbol{p}_1,\boldsymbol{p}_2,\cdots,\boldsymbol{p}_n) \begin{pmatrix} \lambda_1 \\ & \lambda_2 \\ & & \ddots \\ & & & \lambda_n \end{pmatrix} \\ & = (\lambda_1 \boldsymbol{p}_1, \lambda_2 \boldsymbol{p}_2, \cdots, \lambda_n \boldsymbol{p}_n) \end{align*} A(p1,p2,,pn)=(p1,p2,,pn) λ1λ2λn =(λ1p1,λ2p2,,λnpn)
于是有
A p i = λ i p i ( i = 1 , 2 , ⋯   , n ) \boldsymbol{A} \boldsymbol{p}_i = \lambda_i \boldsymbol{p}_i \hspace{1em} (i=1,2,\cdots,n) Api=λipi(i=1,2,,n)
可见 λ i \lambda_i λi A \boldsymbol{A} A 的特征值,而 P \boldsymbol{P} P 的列向量 p i \boldsymbol{p}_i pi 就是 A \boldsymbol{A} A 的对应于特征值 λ i \lambda_i λi 的特征向量。

首先证明充分性。因为矩阵 A \boldsymbol{A} A 与对角矩阵相似,所以可逆矩阵 P \boldsymbol{P} P 存在,从而矩阵 P \boldsymbol{P} P 的秩等于矩阵的阶数 n n n,进而向量组 p 1 , p 2 , ⋯   , p n \boldsymbol{p}_1,\boldsymbol{p}_2,\cdots,\boldsymbol{p}_n p1,p2,,pn 线性无关,即 A \boldsymbol{A} A n n n 个线性无关的特征向量。

再次证明充分性。因为 A \boldsymbol{A} A n n n 个线性无关的特征向量,所以向量组向量组 p 1 , p 2 , ⋯   , p n \boldsymbol{p}_1,\boldsymbol{p}_2,\cdots,\boldsymbol{p}_n p1,p2,,pn 线性无关,从而矩阵 P \boldsymbol{P} P 的秩等于矩阵的阶数 n n n,矩阵 P \boldsymbol{P} P 可逆且存在,于是矩阵 A \boldsymbol{A} A 与对角矩阵相似。文章来源地址https://www.toymoban.com/news/detail-401843.html

到了这里,关于【证明】矩阵可以对角化的充要条件是矩阵有n个线性无关的特征向量的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【证明】矩阵特征值之和等于主对角线元素之和

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n lambda_1 + lambda_2 + cdots + lambda_n = a_{11} + a_{22} + cdots + a_{nn} λ 1 ​ + λ 2 ​

    2024年02月04日
    浏览(54)
  • 线性代数|证明:矩阵特征值之和等于主对角线元素之和

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n lambda_1 + lambda_2 + cdots + lambda_n = a_{11} + a_{22} + cdots + a_{nn} λ 1 ​ + λ 2 ​

    2024年02月08日
    浏览(48)
  • 【线性代数】如何判断矩阵是否可以相似对角化

    第一步,看是不是实对称矩阵,如果是实对称矩阵,立即推可相似对角化,如果不是实对称矩阵,看第二步; 第二步,求方阵的n个特征值,如果特征值彼此都不相同,也就是都是单根的话,立即推可相似对角化,如果有重根,看第三步; 第三步,来验证k重根是不是具备k个

    2024年02月11日
    浏览(51)
  • (done) Positive Semidefinite Matrices 什么是半正定矩阵?如何证明一个矩阵是半正定矩阵? 可以使用特征值

    参考视频:https://www.bilibili.com/video/BV1Vg41197ew/?vd_source=7a1a0bc74158c6993c7355c5490fc600 参考资料(半正定矩阵的定义):https://baike.baidu.com/item/%E5%8D%8A%E6%AD%A3%E5%AE%9A%E7%9F%A9%E9%98%B5/2152711?fr=ge_ala 看看半正定矩阵的定义: 正定矩阵是 0,半正定矩阵是 = 0 根据定义来看,半正定矩阵也有 “实

    2024年02月22日
    浏览(56)
  • Python生成对角矩阵和对角块矩阵

    scipy中的函数 在 scipy.linalg 中,通过 tri(N, M=None, k=0, dtype=None) 可生成 N × M Ntimes M N × M 对角矩阵,若 M=None ,则 M M M 默认为 N N N 。 k 表示矩阵中用1填充的次对角线个数。 在 numpy 中也提供了多种对角矩阵生成函数,包括 diag , diagflat , tri , tril , triu 等, numpy.diagflat diagflat 用于

    2024年02月01日
    浏览(47)
  • torch.diag() 取矩阵对角线元素,torch.diag_embed() 指定值变成对角矩阵

    1、torch.diag() 2、torch.diag_embed()

    2024年02月16日
    浏览(39)
  • [矩阵论]正规矩阵可酉相似对角化

    满足: A H A = A A H A^H A = AA^H A H A = A A H 的矩阵,被称为正规矩阵 证明 A A A 可以酉相似对角化的 充要 条件是, A A A 是正规矩阵 A H A = A A H A^H A = AA^H A H A = A A H 这里插一句: 一般矩阵可以对角化是: P − 1 A P = Λ P^{-1}AP = Lambda P − 1 A P = Λ Λ Lambda Λ 是对角阵,而对角化只要

    2023年04月22日
    浏览(44)
  • 特殊矩阵的压缩存储(对称矩阵,三角矩阵和三对角矩阵)

    目录 1.对阵矩阵 2.三角矩阵 3.三对角矩阵(带状矩阵) 定义:若对一个n阶矩阵A中的任意一个元素 aᵢ,ⱼ 都有aᵢ,ⱼ=aⱼ,ᵢ (1≤i,j≤n),则称其为对称矩阵。 存储策略:只存储主对角线+下三角区(或主对角线+上三角区),以主对角线+下三角区为例,按照行优先把这些元

    2024年02月09日
    浏览(40)
  • 输入一个n×n的矩阵,分别计算该矩阵主对角线元素与副对角线元素之和。

    输入格式: 输入包含n + 1行: 第一行为一个正整数n(1 = n = 10)。 第二行到第n + 1行,每行有n个整数,邻近两数之间用一个空格隔开。 输出格式: 两数之间用一个空格隔开。 输入样例: 4 2 3 4 1 5 6 2 1 7 1 8 3 1 6 1 1 输出样例: 17 5

    2024年02月11日
    浏览(50)
  • 分块对角矩阵的求逆

    分块对角矩阵的逆矩阵: [ A B C ⋱ ] − 1 = [ A − 1 B − 1 C − 1 ⋱ ] begin{bmatrix} mathbf{A} \\\\ mathbf{B} \\\\ mathbf{C} \\\\ ddots \\\\ end{bmatrix}^{-1} = begin{bmatrix} mathbf{A}^{-1} \\\\ mathbf{B}^{-1} \\\\ mathbf{C}^{-1} \\\\ ddots \\\\ end{bmatrix} ⎣ ⎢ ⎢ ⎡ ​ A ​ B ​ C ​ ⋱ ​ ⎦ ⎥ ⎥ ⎤ ​ − 1 = ⎣ ⎢ ⎢ ⎡

    2024年02月05日
    浏览(65)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包